Про це повідомляє “Kreschatic” з посиланням на The Conversation
Інженери щодня покладаються на математичні моделі, щоб передбачити поведінку об’єктів у реальному світі. Моделі допомагають проектувати будівлі, машини, мости та програмне забезпечення, проте жодна з них не є ідеально точною. Відоме інженерне прислів’я «усі моделі помилкові, але деякі корисні» пояснює суть цього парадоксу: навіть з недоліками моделі можуть бути потужним інструментом, якщо їхні обмеження враховано.
Вивчення знаменитих катастроф, таких як обвал моста Такома Нарроуз у США, наочно демонструє небезпеку неправильних припущень у моделюванні. Інженери тоді припустили, що вітер не зможе викликати вертикальні коливання, чим і зумовили катастрофу. Їхнє моделювання було надто спрощеним, і ця помилка призвела до руйнації мосту. Такий приклад навчає: успішне моделювання залежить не лише від розрахунків, а й від усвідомлення їхніх меж.
Як працюють інженерні моделі
Інженерні моделі — це інтерпретативні рамки, які перетворюють дані в передбачення поведінки об’єктів. Вони дозволяють кількісно оцінювати характеристики, як-от міцність матеріалів, на основі відомих фізичних законів. Наприклад, сила, що прикладається до площі, дозволяє обчислити механічну напругу — це і є модельна оцінка «міцності».
Однак реальні об’єкти набагато складніші, ніж спрощені математичні уявлення про них. Наприклад, щоб розрахувати поведінку кабелю, інженер може змоделювати його як суцільний циліндр, ігноруючи складну структуру з багатьох окремих дротів. Таке припущення може бути доречним при виборі загального діаметра кабелю, але воно буде хибним для аналізу того, як сплести дроти в безпечну конфігурацію.
Які помилки призводять до технічних катастроф
Кожна модель ґрунтується на припущеннях, які можуть бути джерелом критичних обмежень. У випадку з мостом Такома інженери не передбачили вертикальних коливань від вітру, оскільки вважали їх неможливими. Модель не включала таких варіантів поведінки конструкції, і це стало вирішальним недоліком.
Той самий принцип діє й у цифрових технологіях. Наприклад, у системах розпізнавання обличчя, що використовують штучний інтелект, припущення про достатність навчальних даних виявилися хибними. Через недостатню представленість темношкірих осіб в наборах даних такі системи демонструють упереджену поведінку, що викликає соціальні та юридичні проблеми.
Як інженери навчаються використовувати моделі
Опанування моделювання передбачає розвиток інженерного судження — здатності обґрунтовано довіряти математичним результатам, розуміючи при цьому їхні межі. У провідних технічних навчальних закладах студенти навчаються будувати власні моделі, формулювати їхні припущення й оцінювати, наскільки ці припущення впливають на можливість безпечного застосування результатів.
Навчання інженерів передбачає практичну перевірку моделей, але не всі системи можна протестувати в реальності — наприклад, побудувати тестовий міст задля перевірки розрахунків. Тому студенти повинні навчитися ідентифікувати, в яких випадках модель працює, а коли — ні, і як змінити її для більшої точності.
Моделювання в епоху великих даних
У світі штучного інтелекту зростає популярність моделей, що ґрунтуються на великих обсягах даних. Деякі дослідники вважають, що масштабування обсягів навчальної інформації покращує точність прогнозів. Проте такий підхід має значні обмеження: робота з великими наборами даних вимагає надзвичайно енергоємних обчислювальних процесів, що має екологічні наслідки.
Тому важливо не лише створювати потужні моделі, а й розуміти їхню вартість — як технічну, так і соціальну. Надмірна довіра до моделей без перевірки їхніх припущень і впливу на реальний світ може призвести до помилок не менш значущих, ніж обвал моста.
Нагадаємо, раніше ми писали про те, що іони та лазери порушили межі класичної логіки.
