В первом посте серии «Путеводитель по царству мышления» был представлен общий план тех книг, которые предполагается осветить. В соответствии с намеченным планом в данном посте будет рассказано про книгу Говарда Гарднера «Великолепная пятёрка. Мыслительные стратегии, ведущие к успеху».

Говард Гарднер является одним из самых известных мыслителей в сфере образования в США.

Кроме «Великолепной пятёрки» в России изданы следующие его работы:

1) «Структура разума: теория множественного интеллекта»

2) «Искусство и наука: Влияние на взгляды людей»

Журнал HBR в 2006 году включил его идею о лидере-синтезаторе в рейтинг «Революционные идеи 2006 года»

В своей книге «Великолепная пятёрка. Мыслительные стратегии, ведущие к успеху» Гарднер выделил пять типов мышления, пользуясь которыми человек сможет смело смотреть в будущее, и рассказал о том, каким образом можно развивать данные типы мышления.

5 типов мышления, которые выделил автор:

1) дисциплинарный тип - предполагает, что человек освоил, по крайней мере, одну модель мышления - способ восприятия, который необходим для конкретной учебной дисциплины, ремесла или профессии.

2) синтезирующий тип - способность интегрировать идеи из разных дисциплин и областей знания в единое целое, а затем генерировать на этой основе новые идеи, концепции, подходы.

3) креативный тип - способность генерировать новые идеи и концепции, находить нетривиальные решения актуальных проблем, отвечать на новые вопросы и объяснять новые феномены.

4) респектологический тип - умение принимать различные культуры, уважать людей вне зависимости от их расовой, национальной, профессиональной принадлежности, готовность взаимодействовать с самыми разными типами индивидуумов и социальных структур.

5) этический тип - осознание необходимости выполнять человеческий, гражданский и профессиональный долг и нести ответственность за собственные действия в любой их этих сфер.

Книга автора также ценна тем, что позволяет системно взглянуть на мышление, пересмотреть всё прочитанное и классифицировать, не заостряет внимание только на креативном (творческом) мышлении, а рассказывает о нём как о типе и показывает взаимосвязь с другими типами мышления.

В книге большое количество хороших мыслей и идей!

Считаю, что книга отличная!

Прилагаю свой конспект!

Первая статья рассказывает об игре Foldit, которая предназначена для обучения структурам “хороших” протеинов и тому, как их комбинировать, чтобы получать новые протеины, способные вылечить такие вирусы как СПИД.

Началось все с проекта Rosetta@home, в рамках которого распространялись компьютерные программы, которые в свободное время (режим скринсейвера) использовали вычислительную мощность компьтера для создания новых протеинов. Т.е. вы скачиваете себе программку и когда не работаете за компьютером, эта программа методом проб и ошибок пытается создать новый протеин.

Идея очень хороша, но от пользователей программы, наблюдавших за ее работой, поступало очень много сообщений, что они могли бы создать лучшие протеины. Все дело в том, что компьютер простым перебором пытается создать протеины и часто делает ненужные операции, когда человек может это сделать гораздо быстрее (что и подтвердили несколько опытов).

Поэтому, автор проекта David Baker решил расширить программу и позволить пользователям самим создавать новые структуры протеинов. Кто знает, может это ускорит создание новых вакцин?

Вторая статья рассказывает о проекте reCAPTCHA. Для тех, кто не знает, CAPTCHA - это такие картинки с текcтом, который вы должны ввести в текстовое поле в качестве пароля, чтобы, например, оставить комментарий в блоге. Идея данного проекта в том, чтобы показывать на CAPTCHA не простой набор букв, а картинки из каких-нибудь книг. При сканировании книг не все буквы распознаются автоматически, а лучше компьютера распознать слово может только человек. Поэтому вместо “абракадабры” пользователям показываются 2 слова: одно распознанное при сканировании, а второе - нераспознанное. Компьютер анализирует ответы пользователей и вычисляет какое же слово не смог распознать. Тем самым оцифровываются тысячи книг из проекта Internet Archive.

Что объединяет все эти проекты - это возможность использовать распределенные компьютерные мощности и умы миллионов людей в глобальной сети для того, чтобы решать социально-значимые задачи!

Будущее за “распределенным креативом”? Буду очень рад аналогичным примерам!

В одном из постов я рассказал о своем докладе на РИТ 2008, где использовал системную динамику для объяснения механизмов роста социальных сетей.

На днях я попробовал использовать агентное моделирование для этих целей и в этом посте расскажу, что у меня получилось.

Всегда интересно сравнить результаты работы 2х различных подходов: агентного моделирования и системной динамики.

В качестве агентов я выбрал людей. Люди, как и в модели СД, могут быть активными пользователями социальной сети, пассивными или не пользоваться сетью вовсе.

Агенты беспорядочно двигаются в 2хмерном пространстве и, если активный пользователь сети встречается с непользователем, то с вероятностью, заданной для симуляции (слайдер infectivity), он ангажирует одного из встреченных им непользователей стать пользователем сети.

Активность пользователей сети спадает по истечении 30 недель и пассивные пользователи уже не привлекают новых пользователей.

Рекламу я убрал из модели, т.к. в данном случае интересует работа механизмов сарафанного радио.

Вот как выглядит пространство при старте модели.

Голубым показаны непользователи сети, зеленым - активные пользователи, а красным - пассивные пользователи. Для работы сарафанного радио должно быть несколько активных пользователей, поэтому при старте модели 2.5% всей целевой аудитории является активными пользователями.

Вот пара скриншотов, сделанных в ходе работы модели и окончательное состояние:

Обратите внимание на график: поведение во времени такое же, что дает модель системной динамики, но более дискретное (количество пользователей - всегда целое число).

Отсюда я могу сделать вывод, что в общем и целом оба подхода дают одинаковые результаты, но модель СД сделать было гораздо проще. С другой стороны, агентная модель более полезна с точки зрения конкретных цифр и лучше поддается усложнению.

Для тех, кто заинтересовался, можно поиграть в эту модель, скачав себе архив, распаковав его и открыв bassmodel.html в любимом браузере (у вас должна быть установлена Java). Вы можете изменять параметры модели (слайдеры initial-people и infectivity), а также управлять скоростью модели (слайдер над 2хмерным пространством).

В зимней школе МГУ на тему “Интерактивные методы обучения” мы играли в экологическую деловую игру “Рыболовство”. В этом посте я расскажу о модели системной динамики, лежащей в основе той игры.

Скачать модель

Представьте себя владельцем рыболовецкой компании. Вы можете принимать следующие решения:

• Сколько кораблей в год закупить

• Сколько кораблей в год из вашего флота оставить в порту (соответственно, остальные отправятся в море за рыбой).

Вы не знаете общее количество рыбы в океане, но можете его прикинуть по улову ваших кораблей. Если улов маленький - значит в океане мало рыбы, если большой - много.

Рыба размножается нелинейно: если рыбы в океане слишком много, то в ходе борьбы за корм, рождаемость снижается. Если рыбы мало, то несмотря на высокую рождаемость, абсолютное количество новой рыбы мало. Эта зависимость описывается следующим графиком: (по оси X - количество рыбы в океане, по Y - количество новой рыбы).

Нам необходимо ввести 3 резервуара: “Корабли в порту”, “Корабли в океане” и “Количество рыбы в океане”. Притоком в резервуар “Корабли в океане” управляем мы, принимая решения о количестве закупаемых кораблей (по умолчанию, все закупаемые корабли сразу выходят в океан. Притоком в резервуар “Корабли в порту” является отток из резервуара “Корабли в океане” - очевидно, что оставляя часть флота в порту, снижается количество кораблей в океане.

Резервуар “Количество рыбы в океане” увеличивается за счет рождаемости, а снижается за счет улова. Улов, в свою очередь, зависит от плотности рыбы в океане (чем ниже плотность, тем меньше улов), а также от количества кораблей.

Имитация

Посколько точно подсчитать количество рыбы в океане невозможно, эта информация не выведена на интерфейс симулятора. Вы обладаете только той информацией, которая была бы доступна вам в реальной жизни: улов и количество кораблей в море. Также, поставим шаг симуляции в 3 года, чтобы учесть задержки, связанные с принятием решений о смене стратегии.

Проигрываем такую стратегию: наращиваем количество кораблей до тех пор, пока улов не упадет. Далее стараемся поддержать улов на каком-либо стабильном уровне. Если улов все равно падает, часть кораблей переводим в порт.

Несмотря на все наши попытки, улов кораблей снижается и, постепенно, наше предприятия терпит убытки.

Кто сможет предложить самую оптимальную стратегию вылова? Скачивайте модель и пробуйте.

Я ранее уже упоминал о книге Фритьофа Капры “Паутина жизни“. В этой серии постов я бы хотел упомянуть о самых интересных ее аспектах.

Цель этой книги заключается в доступном изложении современных достижений различных областей науки, таких как: теория сложных систем, нелинейная динамика, теория хаоса, автопоэз, системная динамика и т.п. Надо сказать, что у Капры это очень хорошо получилось. Да, порой его повествование было очень сложным, но как говорил Адлер в скоей книге “How to read a book” по-настоящему хорошие книги требуют внимательного и вдумчивого чтения.

Сдвиг парадигмы

Сначала, Капра говорит о сдвиге парадигмы: от механистического понимания жизни (Декарт, Ньютон) к холистическому (целостному) пониманию. Такие разделы науки, как гештальт-психология, экология, системное мышление и квантовая физика - все приходят к осознанию необходимости целостного, междисциплинарного подхода к проблемам современного мира.

Со времен Ньютона физики считали, что все физические явления могут быть сведены к свойствам тяжелых и твердых материальных частиц, но квантовая теория заставила их принять тот факт, что твердые материальные объекты на субатомном уровне разлагаются на волноподобные вероятностные паттерны. В основе всего лежить сеть - совокупность взаимосвязей, в которой нет одного главного; в котором каждый из узлов сети играет равную роль.

Теория систем

Теория систем рассматривает любые объекты как систему, в которых главенствующая роль отдается взаимоотношениям между элементами системы. Для системного мыслителя, по словам Капры, первичны взаимоотошения.

Но Капра ставит логичный вопрос: если все в мире взаимосвязано, то как можно надеяться понять хоть что-нибудь? Ведь если все явления взаимосвязаны, то для того, чтобы объяснить одно из них, нам придется понять и все остальные, что очевидно невозможно.

Тут помогает открытие приблизительного знания.

“Превратить системный подход в науку позволяет открытие приблизительного знания. Прозрение это критично для всей современной науки. Старая парадигма основана на картезианской вере в несомненность научного знания. В новой парадигме признается, что все научные понятия и теории ограниченны и приблизительны. Наука никогда не сможет обеспечить полного и окончательного понимания.

Сколько бы связей мы ни приняли во внимание в научном описании феномена, каким-то их количеством нам неизбежно придется пожертвовать. Поэтому ученые никогда не имеют дела с истиной в смысле точного соответствия между описанием и описываемым объектом. В науке мы всегда ограничиваемся приблизительными описаниями реальности. Кто-то будет разочарован этим, но для системных мыслителей сам факт, что мы можем получить приблизительные знания о бесконечной паутине взаимосвязанных паттернов, служит источником доверия и силы. Об этом красиво сказал Луи Пастер:

Наука движется вперед через предварительные ответы на ряд все более и более тонких вопросов, которые все глубже и глубже проникают в сущность природных явлений^,

Фрактальная Геометрия

В конце 50-х начале 60-х годов французский математик Мандельбро осознал, что у всех рассматриваемых им геометрических форм есть поразительные общие особенности. Мандельбро предложил фрактальную геометрию - язык, на котором можно “говорить об облаках”:

“Чаще всего природа в высшей степени сложна. Как описать облако? Облако — это не сфера… Оно похоже на мяч, но очень неупорядоченно. А гора? Гора — не конус… Если вы хотите говорить о горах, реках, молнии, геометрический школьный язык оказывается совершенно неадекватным.”

Наиболее поразительное свойство этих «фрактальных» форм заключается в том, что их характерные паттерны многократно повторяются на нисходящих уровнях так, что их части на любом уровне по форме напоминают целое. Мандельбро иллюстрирует это свойство самоподобия, отламывая кусочек цветной капусты и указывая на то, что сам по себе кусочек выглядит как маленький кочан цветной капусты. Он продолжает демонстрацию, деля часть дальше, изымая еще один кусочек, который тоже выглядит как очень маленький кочан. Таким образом, каждая часть выглядит как целый овощ. Форма целого подобна самой себе на всех уровнях выбранного диапазона

Одной из простейших фрактальных форм, производимых итерацией, является так называемая кривая Коха, или «кривая снежинки». Геометрическая операция заключается в том, чтобы разбить отрезок линии на три равные части и затем заменить центральную секцию двумя сторонами равностороннего треугольника, как показано на рис. ниже. Повторение этой операции во все более мелких масштабах приводит к появлению кружевной снежинки.

Ну тут еще вступает в силу мощь современных компьютеров, с помощью которых простейшие итерации можно применять тысячи раз в различных масштабах, получая все более сложные фигуры. Развилось даже мини-направление художественного искусства, в рамках которого при помощи простых правил создаются очень сложные и прекрасные картины. Вот, картинка которая получилась у меня при имитации одной из моделей простейших взаимодействий:

Продолжение следует

Как-то я написал о статье из “Популярной механики”, где рассказывается о модели, которая доказала, что причиной возникновения пробок могут стать ничтожные отклонения от размеренного ритма движения. Сегодня я расскажу об агентной модели, созданной Uri Wilensky в 1997 году.

Максим уже писал, что агентное моделирование в отличие от СД имеет дело с индивидуальными объектами (агентами) с набором простых правил функционирования. Модель, которую создал Uri Wilensky имитирует поведение машин на скоростном шоссе. Каждый агент - это машина. Агент руководствуется следующими простыми правилами:

1. Сбавляет скорость, если рядом впереди есть машина
2. Увеличивает скорость, если рядом впереди нет машины

В модели можно управлять количеством машин на дороге, а также шагОМ ускорения и торможения (т.е. насколько увеличивает скорость машина, если впереди никого нет; и насколько сбавляет скорость, если впереди есть машина).

Поигравшись с моделью можно заметить, что такие простые правила взаимодействия приводят к появлению пробок из ниоткуда.

Попробуйте, например, поиграться с шагом ускорения и торможения, а также с количеством машин на дороге и их влиянием на ситуацию с пробками. Какой из параметров имеет самое сильное влияние на ситуацию на дороге? Согласуется ли поведение с вашим собственным опытом вождения?

Поиграться с моделью

Послесловие

Вообще, я совсем недавно понял всю прелесть и мощь агентного моделирования и считаю данный подход очень перспективным. Особенно для ситуаций, когда относительно сложно получить информацию о поведении всей системы в целом (как для СД моделей), но есть достаточно информации о поведении каждого агента в частности. А, как известно, простые правила взаимодействия могут привести к сложному поведению (см. раздел “Развитие теории информации”).

Кстати, вот интересная статья об агентном моделировании и взаимосвязи с другими парадигмами моделирования.

Выкладываю презентацию с моего доклада на РИТ 2008 по теме “Управление ростом социальных сетей”. Пишите или комментируйте, если есть вопросы. Также в Forio выложена онлайн-симуляция для оценки роста популярности социальной сети.

Скачать презентацию

Мы неоднократно писали, что системная динамика применима в различных областях (медицина, управление производственной компанией). В этом посте я бы хотел рассказать о применении СД в разработке программного обеспечения (напомню, что я сам работаю в компании по заказной разработке ПО).

(По мотивам книги “Software process dynamics” Raymond Madachy)

Скачать модель

В легендарной книге “Мифический человеко-месяц” Фредерик Брукс как-то сказал, что добавление новых разработчиков в опаздывающий проект еще больше затягивает окончание проекта. Брукс объяснял этот феномен тем, что при расширении команды “старожилам” проекта приходится обучать “новичков”, а также то, что нелинейно возрастает объем коммуникаций внутри команды.

Попробуем смоделировать этот закон. Т.к. непосредственно разработка ПО (для упрощения, я опускаю фазы анализа требований и т.д. и т.п.) начинается с требований и заканчивается программным продуктом, то у нас есть 2 резервуара: “Требования” и “Продукт”. По мере реализации требований опустошается резервуар “Требования” и наполняется резервуар “Продукт”.

Реализацией требований занимаются разработчики, которых мы поделим на 2 категории “Новички” и “Старожилы”. Это деление необходимо, чтобы смоделировать суть закона Брукса о введении новых разработчиков. “Новички” ассимилируются со “Старожилами” (т.е. опустошается резервуар новичков и пополняется резервуар старожилов) в течение 20 дней (для разных проектов это могут быть разные значения).

Интенсивность потока разработки ПО зависит от производительности программистов. Производительность новичков примем равной 80% средней производительности, а производительность старожилов - 120% средней производительности.

Но, производительность старожилов снижается за счет того, что приходится тратить время на обучение новичков (примем, что в среднем 25% времени старожилам нужно тратить на обучение до тех пор, пока новички не станут старожилами). А также производительность всей команды снижается за счет затрат на коммуникацию и координацию работы. Функция зависимости затрат на комуникацию от размера команды нелинейна и мы возьмем её формулировку из известной модели управления проектами Абдель-Хамида (Abdel Hamid) = 0,06n^2, где n - количество людей в команде.

Возьмем проект размером 500 функциональных единиц (распространенная мера размера проектов ПО) и проведем следующие эксперименты:

1. Без добавления новых программистов
2. С добавлением 5 новых программистов на 110 дне
3. С добавлением 10 новых программистов на 110 дне

Результаты можно увидеть на графике ниже:

На графике мы можем заметить, что при 1м эксперименте все требования реализованы за 274 дня, при 2м - за 271 день, а при 3м - за 296 дней. Эта модель демонстрирует, что закон Брукса работает только в определенных случаях (но Брукс и не говорил, что закон работает всегда). Поэтому, переформулировав закон Брукса, можно сказать, что добавление новых разработчиков в опаздывающий проект еще больше затягивает финиш проекта при условии, что слишком поздно и слишком много их добавлено.

Прочитав недавно 2 книги по совету Елены Еремеевой «Инвестирование. Последнее свободное искусство» Роберта Хэнгстрома (кстати, о ней Лена планирует рассказать в ближайших постах) и «Паутина жизни» Фритьофа Капры, я узнал о существовании Santa Fe Institute. Институт пропагандирует использование междисциплинарного подхода к изучению естественных, искусственных и социальных систем. На их сайте вы можете ознакомиться с их исследованиями и скачать себе электронную версию журналов со статьями работников института.

Я считаю, что это один из самых прогрессивных подходов к изучению систем и многим нашим ВУЗам просто необходимо его использовать.

Кстати говоря, междисциплинарный подход еще на заре 20-ого века пропагандировал Александр Богданов. В своей книге «Тектология. Всеобщая организационная наука» он выявил множество проблем специализации науки, подвел к необходимости создания всеобщей науки, которую назвал тектологией (заимствовав термин у Эрнста Геккеля). Что самое интересное, Богданов еще в те годы сформулировал понятие «механизма двойного взаимного регулирования», который, по сути своей, не что иное, как механизм обратной связи, используемый в системном подходе и системной динамике.

А вот еще ссылка на отличный фильм про относительный размер предметов во Вселенной и эффект приписывания дополнительного нуля…

А что вы думаете о междисциплинарном подходе и можете ли привести примеры его использования, а также результаты, которые это дало?

Таким образом, мы получаем четыре квадранта, которые и будут нашими сценариями. Далее, нам необходимо описать каждый из сценариев. Здесь следует руководствоваться следующей логикой:

1. Каждый предопределенный элемент должен фигурировать в каждом из сценариев.
2. Каждая движущая сила должна так или иначе фигурировать в одном из сценариев.

Если по первому правилу очевидно почему это делать, то по второму встает вопрос: зачем? Дело в том, что в своих сценариях вы должны ссылаться на то, что УЖЕ наблюдается в мире - таким образом, те, кто читает сценарии, будут с большим доверием относиться к вашим словам.

Но, простой комбинации трендов недостаточно для составления сценария. Комбинация должна происходить осознанно и каждое событие в сценариях должно логически вытекать из трендов и их взаимодействия. Тут нам на помощь приходит системное мышление и системная динамика. Диаграммы обратной связи (один из ключевых инструментов системного мышления) помогут объяснить, как тренды взаимовлияют друг на друга, а системная динамика - количественно оценить возможные исходы этого взаимодействия.

Вообще говоря, можно остановиться на диаграммах обратной связи и использовать их для донесения сути сценариев до конечной аудитории. А можно улучшить эффект и составить текстовое описание сценариев. Для составления текстового описания можно воспользоваться распространенными мотивами сценариев, такими как:

• Выигравшие и проигравшие - когда в сценариях описывается противостояние 2х ключевых сил (компаний, людей).
• Кризис и реакция - когда в сценарии происходит какой-либо кризис, воодушевляющий людей на определенные поступки. Например, этот мотив использовала Shell, когда разрабатывала сценарии для будущего Советского Союза.
• Хорошие и плохие новости - необходимо дистанцироваться от использования подхода “пессимистичный, отпимистичный, умеренный сценарий” и каждый сценарий снабжать как положительными, так и отрицательными событиями.
• Эволюция - идея данного мотива в том, что в любой системе через какое-то время наблюдается рост или упадок.

Составив сценарии не помешает определить индикаторы (триггеры) развития сценариев: они нужны, чтобы по событию определить какой сценарий развертывается в данный момент.

На этом я заканчиваю описание процесса составления сценариев. В будущем я планирую покрыть такие аспекты как: 1) история развития сценарного подхода; 2) пример реального сценария, разобранного по этапам, описанным в этой серии постов.

Если у вас есть какие-либо вопросы или пожелания (например, поглубже рассказать о каком-либо этапе сценарного планирования), то пишите. Я по-возможности сделаю посты, отвечающие этим пожеланиям.