Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Pitlik László, SZIE Gödöllő1 Hasonl ó s á gelemz é s, avagy a fejletts é g m é r é s é nek csapd á i MTA J ö vőkutat á si Bizotts á g: II. Nemzetk ö zi.

Hasonló előadás


Az előadások a következő témára: "Pitlik László, SZIE Gödöllő1 Hasonl ó s á gelemz é s, avagy a fejletts é g m é r é s é nek csapd á i MTA J ö vőkutat á si Bizotts á g: II. Nemzetk ö zi."— Előadás másolata:

1 Pitlik László, SZIE Gödöllő1 Hasonl ó s á gelemz é s, avagy a fejletts é g m é r é s é nek csapd á i MTA J ö vőkutat á si Bizotts á g: II. Nemzetk ö zi Konferencia, Lillafüred

2 Pitlik László, SZIE Gödöllő2 Á ttekint é s  Bevezetés: Alapozó gondolatok a hasonlóságról  Esettanulmányok tanulságai  Szakértői rendszerek  DEA  Stocknet  Joker / playometria  Összegzés: A hasonlóságelemzés esélyei és korlátai

3 Pitlik László, SZIE Gödöllő3 A hasonlóság aspektusai I. Az előadás címének és a konferencia címének kapcsolatáról:  A (gazdasági) fejlődés, mint folyamat fejlettségi állapotok sorozatán keresztül realizálódik.  Az egyenlőtlenség ebben a kontextusban pedig nem más, mint (térben és/vagy időben összemérhető) állapotkülönbségek.  Állapotok összehasonlítására a hasonlóságelemzés szolgál.  Ennek módszerei sokszínűek, hiszen szinte a teljes tudományos arzenál kötődik valamilyen szinten a hasonlóság fogalmához.

4 Pitlik László, SZIE Gödöllő4 A hasonlóság aspektusai II.  Két objektum (állapotsorozat) soha nem lehet azonos (vö. kétszer nem lehet ugyan abba a folyóba lépni), tehát csak hasonlóság van.  A „nem szignifikáns” különbség soha nem azonosság…  Alapkérdés: három állapotsorozat (objektum) közül melyik kettő hasonlóbb egymáshoz?  Dilemma: Hogyan is kellene mérni a hasonlóságot?

5 Pitlik László, SZIE Gödöllő5 A hasonlóság aspektusai III. A hasonlóság mérése az ábrázolási skálák szempontjából:  Nominális skála (Miért pirosabb a kék, mint a zöld?)  Rangsor skála (A 2. helyezett majdnem 1., vagy majdnem 3.?)  Metrikus skálák (Hogyan lehet több állapot távolságát egyetlen célzott hasonlósági rangsorrá transzformálni?)

6 Pitlik László, SZIE Gödöllő6 A hasonlóság aspektusai IV. A hasonlóságmérés műveletei:  Tisztán logikai alapú csoportképzés (vö. szakértői rendszerek, CNF, kontingencia-koefficiens, rangsor-korreláció)  (?) Fuzzy logic (Milyen mennyiségek azonosítanak egy minőséget?)  (?) Scoring (hibrid /numerikus&logikai/ rendszerek, pl. hitelképesség, BSC)  Tisztán numerikus megoldások (vö. korreláció, legkisebb négyzetek elve, ill. függvényillesztés, cluster, neurális háló, avagy tetszőleges transzformációk eredményeinek összevetése)

7 Pitlik László, SZIE Gödöllő7 Csapda: túl sokféle korreláció Kontingencia koefficiens é s a numerikus korrel á ci ó f ü ggetlens é ge V é letlen sz á mokb ó l elő á ll í tott vektorok eset é n a medi á n alapj á n sz á m í tott kontingecia koefficiens ill. az EXCEL k é plettel sz á m í tott korrel á ci ó é rt é kei az elv á r á soknak! megfelelően szab á lyos pontfelhőt eredm é nyeznek. Ennek alapj á n v á lik é rthetőv é, mi é rt kell a modellek helyess é g é t alulr ó l, vagyis a kontingencia oldal á r ó l megalapozni. A magas numerikus korrel á ci ó ugyanis nem biztos í tja a magas kontingencia koefficiens é rt é keket, ami a modelleket instabill á teszi, ill. szak é rtői rendszerk é nt val ó alkalmaz á sukat kiz á rja. A korrel á ci ó sokf é les é ge m á r ö nmag á ban is egy filoz ó fia csapdahelyzetet, vagyis a c é ltalans á g t é tel é t é rz é kelteti, mely szerint sem az ember (mint a szubjektivit á s megtestes í tője), sem a tudom á ny (mint az objektivit á s meglehetősen romos fellegv á ra) nem k é pes vil á gos v á laszt adni arra, h á rom á llapotsorozat (objektum) k ö z ü l melyik kettő hasonl ó bb egym á shoz?

8 Pitlik László, SZIE Gödöllő8

9 9 Projekttapasztalatok

10 Pitlik László, SZIE Gödöllő10 Potenciálcsillag Módszer I.  Hibrid szakértői rendszer  Grafikus támogatással  Szubjektív tényezők és súlyok  Előre beépített aggregációs eljárás  (tetszőleges aggregációk esélye)  Eredmény: százalékban kifejezett hasonlóság és vizuális támogatás

11 Pitlik László, SZIE Gödöllő11 Potenciálcsillag Módszer II.

12 Pitlik László, SZIE Gödöllő12 Data Envelopment Analysis  LP-alapú, merev gondolatmenet  Szubjektív tényezők  (de: Lineáris egyenletté egyszerűsíthető: célirányos random „súlyok”, kreatív algoritmusok)  Eredmény: százalékban kifejezett hasonlósági (hatékonysági) rangsor

13 Pitlik László, SZIE Gödöllő13 STOCKNET I.  Kreatív bináris és numerikus hasonlósági függvények (CBR)  Random tényezők (automatikus kizárás és beválasztás)  Célfüggvény-vezérelt keresés  Cél: olyan mintázatok fellelése komplex idősorokban, melyek igazoltan nagy találati arányú előrejelzést tesznek lehetővé

14 Pitlik László, SZIE Gödöllő14 STOCKNET II.

15 Pitlik László, SZIE Gödöllő15 Joker & playometria  Ideális objektumhoz mért távolság alapján (black box) hasonlósági rangsor  Kézi paraméterezés, kézi súlyozás  Skála-transzformációkkal egy rangsor tetszőlegesen átalakítható az alapadatok, paraméterek és súlyok megváltoztatása nélkül is!  playometria…  Csak szubjektív rangsor létezik!?  Objektív paraméterezés esélye: tanulási folyamat szimulálása révén!

16 Pitlik László, SZIE Gödöllő16 Összegzés I. A hasonl ó s á g elemz é s idealizált c é lja: A hasonl ó s á g- elemz é s (v ö. benchmarking) alkalmaz á sa r é v é n minden paradoxon ellen é re elv á rhat ó, hogy egyes objektumok (pl. emberek, v á llalkoz á sok, telep ü l é sek, kist é rs é gek, megy é k, r é gi ó k, orsz á gok) m á sokhoz m é rve magukat ú jszerű (sz á mos esetben ok-okozatilag tal á n le sem vezethető) ö tletet nyernek arra vonatkoz ó an, hov á is „ fejlődjenek ” (v á ltozzanak) annak rem é ny é ben, hogy bizonyos c é ljaik (alapvetően a fennmarad á suk) biztos í tott legyen. sz á mos „ö sszevethetőnek tűnő ” jellemzővel rendelkező objektum (pl. v á llalkoz á s, aut ó, ingatlan, r é gi ó, orsz á g) k ü lső szeml é lők é nt val ó ö sszevet é se felt á rhatja a t á mogat á sra ill. a befektet é sre (hitelk é pess é gre, ill. kock á zati tőke bevon á sra) val ó jogosults á g m é rt é k é t.

17 Pitlik László, SZIE Gödöllő17 Összegzés II. Az előad á s c é lja volt: a hasonl ó s á gelemz é s csapd á inak felv á zol á sa (annak é rdek é ben, hogy a tudom á ny eszk ö zeit é s eredm é nyeit val ó s é rt é k ü k ö n kezelhess ü k), ebből következően a hasonl ó s á gelemz é s kreatív keresési problémaként való definiálása, szemben az alkalmazói önkényt kizárását meg sem kísérlő, merev algoritmusok által megtestesített alternatívákkal. A tudom á nyos eszk ö z ö k automatiz á lt haszn á lat á nak vizsg á lata teremtheti meg az elemző m ó dszerekkel, mint h á l ó zati (v ö. Internet) erőforr á sokkal val ó t á rsadalmi szintű gazd á lkod á s alapjait (v ö. web services), mely egyben az es é lyegyenlős é g é s az egyens ú lyi politiz á l á s ú jszerű m ó dszertani alapja is.

18 Pitlik László, SZIE Gödöllő18 Science fiction vs. Science direction Ha a rangsorolás objektivitása és automatizálhatósága filozófiai szinten bizonytalan is, akkor sem elegendő, hogy:  csak egyetlen megoldási alternatíva kialakítása már (tudományos) eredmény legyen,  a tudomány ne alkalmazza szisztematikusan a minőségbiztosítás/projektmenedzsment már felismert oktatott és másokon számon kért elveit,  ne legyen verseny az elemzők között tetszőleges modell helyességi értékek tekintetében,  ne legyen világos koncepció arra, ki a felelős tudásvagyon menedzsmentjéért, a projekt- eredmények hasznosításáért, katalogizálásáért, a folyamatok egymásra épüléséért.

19 Pitlik László, SZIE Gödöllő19 Köszönöm a figyelmet!


Letölteni ppt "Pitlik László, SZIE Gödöllő1 Hasonl ó s á gelemz é s, avagy a fejletts é g m é r é s é nek csapd á i MTA J ö vőkutat á si Bizotts á g: II. Nemzetk ö zi."

Hasonló előadás


Google Hirdetések