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! pitlik@miau.gau.hu http://miau.gau.hu