Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
KiadtaMárton Fekete Megváltozta több, mint 10 éve
1
Agrárinformatikai kutatások helyzetének áttekintése Pitlik László (MAGISZ, SZIE) I. Agrárinformatikai Nyári Egyetem 2004. 08. 25-27. Gödöllő Szervezők: MAGISZ, HUNAGI, SZIE
2
Áttekintés Definíciókísérletek Az agrárinformatikai kutatások –általános és –alkalmazásorientált részterületei Példák Jó-jobb-legjobb… Zárógondolatok Kapcsolódó dokumentumok Cél: katalizálni a leendő kutatókban a valódi, nemzetközi szinten is versenyképes problémák felismerését…
3
Definíciókísérletek I. Agrárinformatika: Az agrárgazdaságban felvetődő döntési helyzetek támogatása karakterisztikusan IT-eszközökkel információs többletérték realizálás kényszere mellett. Kutatás: Korábban még fel nem ismert problémák felismerése; ismert, de meg nem oldott problémák megoldása; ill. az eddigi legjobb megoldások további finomítása. Konszenzusos definíciók, ill. alternatív megközelítések, minél objektívebb értékítéletek, a hatékony vita ügyrendi és tartalmi jellemzőinek megteremtése, megalkotása a szakmai közösség feladata. Kik és mely intézmények felelnek ma ezen területekért…?
4
Definíciókísérletek II. Fejlesztés: Előre valószínűsíthetően (korábbi megoldások, megoldási kísérletek alapján) sikerrel kecsegtető feladatok elvégzése. Rutinfeladat: Máshol, korábban nagyon hasonló körülmények között már sikeresen elvégzett feladat.
5
Definíciókísérletek III. Információs többletérték: Adott probléma vagy feladat két megoldása esetén, melyek közül legalább az egyik karakterisztikusan IT- alapokon áll, előre definiált hasznosság-mérési elvek mentén kimutatott haszon az IT-alapú megoldás javára. Minőségbiztosítás: Objektumokra, folyamatokra vonatkozó ideális és tényszerű állapotok meghatározása után elmozdulás az ideálisnak kinevezett irányba irányába. A definíciók helye egy lexikon: Miért nincs vajon agrárinformatikai lexikon? Kiknek, mely szerveződéseknek lehetne ez a legitim feladata? Meddig kell még várni erre?
6
Az agrárinformatikai kutatások általános és alkalmazásorientált részterületei Általános alapok: Alapos kutatáshoz minőségi adatvagyon, ill. kiforrott (probléma-adekvát) kutatási módszertan szükséges. Az IT-lehetőségek fejlesztése és a klasszikus kísérletes problémák kezelése nem az agrárinformatika felelőssége (az inicializálás azonban fontos lehet). Az nem lehet minőségi cél a kutatásban, ha olyasmit valósítunk meg, amiről előre tudható, hogy kivitelezhető (vö. fejlesztés, rutinfeladat)…
7
Az agrárinformatikai kutatások általános és alkalmazásorientált részterületei Alkalmazásorientált alapok: Nem tartozik az agrárinformatikai kutatások közé azon problémák köre, melyekben a nem IT-rész a karakterisztikus újdonság. ill. Az újszerű IT-megoldások nem kapcsolódnak szervesen a nem IT-jelenség lényegéhez (azaz máshol már jól bevált IT-megoldás adaptációjáról van szó). Minden interdiszciplináris megközelítést felvető probléma agrárinformatika kutatásnak minősíthető különösen akkor, ha más szakterület nem tartja szerves részének az adott probléma kezelését.
8
Példák I. Az agrárinformatikai kutatások területei: Az agrár jellegű adatvagyon-gazdálkodás anomáliáinak megszűntetése (pl. plauzibilitás és konzisztencia tesztek a TÉNY-adatok helyességének feltárására), a szolgáltatások minőségének fokozása (pl. online megoldások tetszőlegesen sok, tetszőlegesen komplex adat, tetszőlegesen gyors és ad hoc jellegű vizualizálására), adathiányok pótlása (pl. /meteorológiai, talajtani/ inter- és intrapolációk vagy újszerű információs bróker megoldások (pl. agrár-specifikus keresés, természetes szöveg automatikus feltárása) Fejlesztés: pl. agrár jellegű GIS, OLAP, XML, HTML, ill. valamilyen lokális adatbázis-technológiával kiszolgált tartalmak kialakítása Rutinfeladat: pl. Digitális mérési eljárások (terméstérképek) előállítása
9
Példák II. Az agrárinformatikai kutatások területei, pl.: Újszerű nem numerikus modellek (fogalmi szintű szintézis). Újszerű numerikus modellek kialakítása (előrejelzés, szimuláció, keresésvezérlés, amennyiben a modell nem alapvetően újszerű mérési eljárásokra alapoz) Modelleredmények összehasonlító elemzése (mi számít adott probléma esetén adekvát modellnek?) Szakértői rendszer elvű tudás ábrázolás (szakkönyvek átírása verifikált kérdés-felelet szolgáltatások formájába) Fejlesztés: pl. ismert szerkezetű neurális hálók alkalmazása agrár jellegű kérdések esetén, e-learning megoldások kialakítása Rutinfeladat: pl. Agrár jellegű LP futtatások, trendszámítások, szakértői vélemények kialakítása, objektumminősítés szubjektív értékelési rendszer alapján
10
Jó, jobb, legjobb… Cél: minden kutatás előtt azon szempontok részletes feltárása, amelyek lehetővé teszik a várható hibák feltárását (pl. BSC szerepe a modell-monitoringban). Olyan modell, melyben a kalkulált eredmények fiktív helyzetre vonatkozik, önmagában soha nem verifikálható! A kutatásfinanszírozás nem állhat meg adott területen az első lehetséges megoldás megrendelésénél, versenyt kell katalizálnia, ill. vállalnia kell a felelősséget az egyes kutatási eredmények egymásra épüléséért… A modellek és szakértők jövőre vonatkozó kijelentései katalogizálandók, s a megfelelő időben a tény- értékekkel szembe állítandók.
11
Zárógondolatok Információs társadalom: minden közpénzből finanszírozott adat és módszerleírás közhasznú, minden elemzés reprodukálható, a célok legitim módon kerülnek meghatározásra, a célelérés stádiumai monitorozhatók, valamint… HACCP, ISO a kutatásban: a kutatás-fejlesztés minél több jelensége esetében létezik a verseny, adott az átláthatóság, az egymásra épülés Művészet vs. Innováció: Ami nem mérhető, ahol nincs jó-jobb-legjobb az mind művészi teljesítmény, ami nem több, nem kevesebb, mint az innováció (K+F), egyszerűen csak más, nem összehasonlítható kategóriák…
12
Kapcsolódó dokumentumok http://miau.gau.hu/sitemap/kapcsolat.php 3?where[kapcsolat]=fos&mod=l2003 http://miau.gau.hu/sitemap/kapcsolat.php 3?where[kapcsolat]=fos&mod=l2003
13
Köszönöm a figyelmet! pitlik@miau.gau.hu http://miau.gau.hu
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.