За пределами кодирования: Ключевые навыки для успешных проектов автоматизации

Перевод математических уравнений в код — это часть, но также и не вся разработка проектов автоматизации, связанных с компьютерными решениями. Мы должны учитывать эффективность математических уравнений относительно потребностей разрабатываемого проекта. Мы также должны учитывать метод решения уравнений с заданными данными и временными ограничениями.

Проблемы с данными, поступающими в алгоритм решения, должны быть обнаружены, контролируемы и, где возможно, исправлены. Управление точностью должно происходить на различных этапах процесса. Ошибки, возникающие в процессе решения и реализации, должны быть обнаружены и управляемы.

Это тема для книг, но надеюсь, что мышление можно продвинуть несколькими сотнями слов.

Во-первых, помните: не все, что мы не делаем специально детерминированным, по умолчанию не является стохастическим. Компьютеры и процедуры, которыми они решают проблемы, могут вводить скрытые смещения, которые при анализе оказываются явно детерминированными — просто не намеренными. Простые примеры, иллюстрирующие проблему, касаются точности. Во многих случаях мы хотели бы думать, что промежуточные значения абсолютно верны или по крайней мере округлены по критериям, известным нам из математики.

На различных уровнях усечение — вместо округления — заставляет вычисленные числа помещаться в предоставленный для них размер переменной. Иногда это неважно, но иногда это вносит смещения. Может быть полезно использовать математические процедуры и практики для активного управления хранящимся значением всех вычисленных величин, чтобы решающий движок сохранял ожидаемую для них точность. Это обычно преподается в классах программирования, но часто игнорируется, потому что понимание и управление точностью скучны и утомительны.

Иногда наблюдения не обладают согласованностью (например, из-за проблем с выборкой или синхронизацией) или надежной точностью в момент измерения (например, из-за временных нестабильностей). Часто есть способы это исправить (например, проверкой граничных значений, анализом данных и регрессионными методами). Часто есть способы извлечь из потока данных больше, чем он раскрывает, но многие из них включают предположения программиста о том, что может происходить. Будьте осторожны с этим — хороший результат слишком важен, чтобы отвергать его а priori, но неверный результат может быть более разрушительным, чем ценность потенциального улучшения, которое он облегчил.

Иногда сама процедура решения, даже с правильным управлением точностью, может вводить проблемы. Допустим, мы хотим проинтегрировать потоковую функцию от сейчас до бесконечности. Даже очень маленькие ошибки или неопределенности, незначительные в одном вычислении, растут до астрономических значений, когда постоянно накапливаются в течение длительных периодов времени. Это может смешаться с округлением и усечением и создать расхождение из-за постоянно смещенного измерения или методологии интегрирования. Это может проявиться со временем в огромных ошибках, например, в «I» члене ПИД-регулятора. Существуют процедуры контроля данных и управления точностью, а также математические подходы к решению проблемы для нужного решения, но путь к их открытию может быть неловким.

Иногда математика применяется к требованию без полного понимания проблемы, самой математики или того, что математика на самом деле предназначена для. Например, возможно иногда обнаружить ситуацию, а в другие случаи полностью пропустить её, используя точно ту же математику.