آیا ما در حال مدلکردن پدیده هستیم یا در حال پیدا کردن پدیدهای هستیم که با مدل از پیش انتخابشده ما سازگار باشد؟
میان تصادفی بودن در یک جهان آماری شناخته شده و تصادفی بودن در جهانی که آن را نمی شناسیم تفاوت های زیادی وجود دارد. یک عادت فکری در مهندسی و علوم داده وجود دارد که وقتی با پدیده ای نامطمئن و غیر قابل پیش بینی مواجه می شویم، سریعا آن را در قالب یک مدل ریاضی آشنا قرار می دهیم و سپس تصور می کنیم که مسئله را فهمیده ایم. برای فهم بهتر اجازه دهید از یک مثال شروع کنیم . فرض کنید زمان پاسخ یک سرویس نرم افزاری را در هزار درخواست اندازه گیری نمائیم. اگر داده ها تقریبا از توزیع نرمال پیروی کنند، بیشتر درخواست ها نزدیک به زمان میانگین پاسخ ها هستند و تعداد کمتری سریع تر و کند تر از زمان میانگین هستند و در نهایت مقادیر بسیار دور از میانگین به تدریج نادرتر می شوند . این مدل به ما اجازه میدهد با دانستن میانگین و انحراف معیار، درباره رفتار احتمالی سیستم استدلال کنیم.
یک سوال :
آیا واقعاً هر پدیده تصادفی از توزیع نرمال پیروی میکند؟
مسئله زمانی شروع می شود که توزیع را نمی شناسیم! ممکن است در شرایط عادی، ۹۵ درصد درخواستها زیر یک ثانیه پاسخ داده شوند، اما گاهی یک درخواست ۲۰ ثانیه طول بکشد. سناریوهایی مانند موارد ذیل می توانند در این امر تاثیر گذار باشند :
- ممکن است یک سرویس خارجی کند شده باشد.
- ممکن است پایگاه داده lock شده باشد.
- ممکن است چندین درخواست به صورت همزمان برای استفاده از یک منبع در حال رقابت باشند.
- ممکن است یک تراکنش پیچیده به منابع بیشتری نیاز داشته باشد.
یک جدول توزیع را به صورت ذیل در نظر بگیرید :
- زمان پاسخ 850 درخواست زیر 1 ثانیه
- زمان پاسخ 100 درخواست 1 تا 2 ثانیه
- زمان پاسخ 35 درخواست 2 تا 5 ثانیه
- زمان پاسخ 10 درخواست 5 تا 10 ثانیه
- زمان پاسخ 5 درخواست بیشتر از 10 ثانیه
اگر در اینجا از مدل توزیع های نرمال استفاده کنیم، مدلی که قرار بود واقعیت را به ما نشان دهد خودش به محدودیتی از فهم سیستم بدل می گردد. در اینجا ناشناخته بودن توزیع، صرفاً به معنای ندانستن چند پارامتر ریاضی نیست. ممکن است هنوز خود ساختار رفتار پدیده را نشناخته باشیم. وقتی که این توزیع را با تفکر توزیع نرمال مقایسه می کنیم می بینیم که هر آنچه که با مدل ما سازگار نبوده را استثنا و حذف کرده ایم به نوعی بخش مهمی از واقعیت را نادیده گرفته ایم.
در اینجا 3 سطح را می توان متصور بود :
- ریاضی : همه پدیده های تصادفی از توزیع های نرمال پیروی نمی کنند.
- شناختی : ندانستن توزیع یک پدیده، با دانستن توزیع و محاسبه احتمالات آن متفاوت است .
- مهندسی : نباید ابزارهای ریاضی و مدل های آشنای خودمان را با واقعیت یکی بگیریم.
نکته دیگر اینکه : مدل تنها یک تصویر کوچک شده از واقعیت نیست بلکه ابزاری برای شناخت بیشتر و کارکردن با واقعیت نیز می باشد. این ابزار همزمان می تواند چیزی را آشکار و چیز دیگری را پنهان نماید. در اینجا این سوال پیش می آید که آیا ما در حال مدل کردن واقعیت هستیم یا بدنبال پیدا کردن پدیده ای هستیم که با مدل از پیش انتخاب شده ما سازگار باشد!
استقلال نسبی مدل ها :
مدل ها نه کاملا از یک نظریه مشتق می شوند و نه به صورت کامل می توان آنها را بر واقعیت منطبق دانست. وقتی که فعالیت های مدل ساز را بررسی می کنیم می بینیم که وی برای رسیدن به مدل پیشنهادی خود از منابع متفاوتی مانند موارد ذیل استفاده می کند :
- نظریه ها و دانش موجود
- داده ها و مشاهدات تجربی
- فرض ها و ساده سازی
- ابزارهای ریاضی
- استعاره ها و تصورات ذهنی
- …
وقتی یک مدل این مسیر را از میان منابع گوناگون طی نموده و چکش کاری می شود تا حدودی منطق و ساختار خودش را پیدا می نماید. تا حدی که می توان گفت انتخاب یک مدل می تواند بر پرسش های ما تاثیر بگذارد ! هنگامی که تصمیم داریم رفتار یک سامانه نرم افزاری را تعیین و بررسی نمائیم. مدل نقشی میانجی میان نظریه ها و دانش پیشین و سامانه واقعی با تمام پیچیدگی هایش بازی می نماید. نکته مهم این است که این میانجیگری یکطرفه نمی باشد و ما فقط نظریه را به مدل تبدیل نمیکنیم تا واقعیت را توضیح دهیم. بلکه در تعامل با مدل، ممکن است نظریه خودمان را نیز اصلاح نمائیم یا حتی متوجه شویم برداشت اولیهمان از واقعیت اشتباه بوده است.
آزمایش از طریق مدل ها :
در اینجا لازم است بگوئیم مدل صرفاً چیزی نیست که پس از ساخت، از آن خروجی می گیریم. در کنار این امر میتوانیم با آن کار کنیم، پارامترهایش را تغییر دهیم، فرضهای مختلف را امتحان کنیم و ببینیم چه اتفاقی میافتد. مثلا
- اگر درخواستها مستقل باشند، چه رفتاری مشاهده میکنیم؟
- اگر درخواستها بهصورت خوشهای وارد شوند، چه اتفاقی میافتد؟
- اگر سرویس خارجی دچار تأخیر شود، رفتار کل سامانه چگونه تغییر میکند؟
- اگر بار سیستم افزایش یابد، آیا زمان پاسخ به همان نسبت افزایش مییابد؟
گاهی ما پیش از آنکه پاسخ مسئله را بدانیم، با ساختن یک مدل مناسب میتوانیم پرسشهای بهتری تولید کنیم.
ساده سازی و حذف واقعیت :
هر مدلی ناچار است بخشی از واقعیت را حذف کند. اگر قرار باشد تمام جزئیات واقعیت را وارد مدل کنیم، دیگر با یک مدل کاربردی مواجه نیستیم. این ساده سازی لزوما کار بدی نیست و اتفاقا بخشی از قدرت مدل ها در همین ساده سازی ها نهفته است ولی لزوم بررسی شاخ و برگ های حذف شده بسیار مهم است چون :
- گاهی چیزی را حذف میکنیم چون برای پرسش فعلی اهمیت ندارد.
- گاهی چیزی را حذف میکنیم چون مدل انتخابی ما قادر به توضیح آن نیست.