Agrárinformatikai kutatások helyzetének áttekintése Pitlik László (MAGISZ, SZIE)
I. Agrárinformatikai Nyári Egyetem 2004. 08. 25-27. Gödöllő Szervezők: MAGISZ, HUNAGI, SZIE
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…
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…?
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.
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.
Definíciókísérletek III. Információs többletérték: Adott probléma vagy feladat két megoldása esetén, melyek közül legalább az egyik karakterisztikusan ITalapokon 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?
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)…
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.
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
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
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 tényértékekkel szembe állítandók.
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…
Kapcsolódó dokumentumok
http://miau.gau.hu/sitemap/kapcsolat.php 3?where[kapcsolat]=fos&mod=l2003
Köszönöm a figyelmet!
[email protected]
http://miau.gau.hu
