Гуру Мадхаван - Думай как инженер. Как превращать проблемы в возможности

На эту тему весьма показательно высказался один из изобретателей интернета, Винтон Серф. Однажды Серф пытался засыпать черный перец в мельницу через воронку. «Несколько горошин попали внутрь, а потом застряли. Если бы я бросал их туда по одной, то проблемы не возникло бы, – резонно замечает Серф. – Но я засыпал в воронку несколько горошин, и в данном случае эмерджентным свойством стал затор».

Для оптимизации полезно иметь общее представление о сложных, широкомасштабных эффектах (например, изменение поведения), которые проистекают из простых правил (плата за въезд в районы с пробками). «Дело в том, что одна горошина перца не создаст затора, – добавляет Серф. – А самое интересное, что в горошине перца мало что может объяснить ее свойства, ведущие к образованию пробок, разве что тот факт, что причина – в трении ».

Любой может заявить, что способен что-то оптимизировать, но слова – это одно, а практика – совсем другое. Оптимизация сродни посещениям спортзала, когда вы увеличиваете количество силовых тренировок. Как получить наилучшие результаты от тренировки в кратчайший срок? Как постоянно что-то улучшать?

Оптимизация состоит из двух основных компонентов. Первый – это цель , направленная на максимизацию или минимизацию выходной переменной, которая обычно зависит от чего-либо еще. Целью оптимизации Грибоваля было нанести максимальный урон противнику, а более широкой задачей – выиграть войну. Оптимизация также включает какое-нибудь ограничение , состоящее из лимитирующих факторов, воздействию которых подвергается цель. Исследователи операций, применяющие модели и изучающие способы улучшения эффективности, сочли бы цель Грибоваля классической «задачей на целеполагание» и разработали бы для нее алгоритм. Как Грибоваль, действуя в условиях ограниченного времени и ресурсов, мог бы найти набор инструментов (или их сочетание) и распределить их оптимальным образом для достижения своей цели?

Инженеры применяют разнообразные методы моделирования, чтобы получить приблизительные репрезентации [4]реальности, которые по определению не являются точными. Есть два основных вида моделей: имплицитные [5]и эксплицитные [6]. В имплицитных моделях, согласно описанию Джошуа Эпштейна, профессора Университета Джонса Хопкинса, «предположения скрыты, внутренняя согласованность не проверена, их логические последствия неизвестны, как и их соответствие данным». В связи с этим, «когда вы закрываете глаза и представляете себе распространение эпидемии или какой-либо другой динамический процесс в обществе, то применяете ту или иную модель. Просто это имплицитная модель, которую вы не записали». В эксплицитных же моделях предположения, эмпирические оговорки и уравнения четко представлены для анализа и проверки. При одном наборе предположений «происходит одно; а когда вы их меняете – другое».

Среди многих преимуществ моделирования, как подчеркивает Эпштейн, в том числе и возможность «продемонстрировать компромиссы и предложить способы повышения эффективности или даже выяснить, что кажущееся простым на самом деле сложно, [а сложное – просто]». Модели выявляют области, требующие больше данных, и показывают, какую нужно выполнить работу. Сбор данных о загруженности дорог во всех уголках Стокгольма подкрепил модель IBM и окончательное решение компании порекомендовать ввести плату за въезд в проблемные районы.

Идеальных моделей для оптимизации не бывает. Каждая модель ограничена своими предположениями и подвергается критике за то, что сводит действительность к простым уравнениям. «Простые модели могут оказаться бесценными, но при этом “неправильными” с точки зрения инженерии, – говорит Эпштейн. – Но от этой их неправильности – сплошная польза. Они – абстракции, которые многое помогают узнать». Однако главная задача применения моделей для подкрепления оптимизации – разработать структуру, позволяющую четко определять ограничения и компромиссы.

При всей своей ценности модели иногда сбивают с толку. Обычное для инженеров заблуждение – предполагать, что модель, успешно работающая на одном уровне, окажется такой же эффективной на другом. Это необязательно. В действительности эмерджентные свойства в сложных системах почти всегда зависят от изменения масштаба. Инженер-строитель Джон Купренас и архитектор Мэтью Фредерик убедились в этом благодаря астроному викторианской эпохи сэру Роберту Боллу: