Más allá de la programación: Habilidades clave para proyectos de automatización exitosos

Traducir ecuaciones matemáticas a código es parte de, pero también está alejado de, el desarrollo de proyectos de automatización que involucran soluciones informáticas. Debemos considerar la eficacia de las ecuaciones matemáticas relativas a las necesidades del proyecto que se está desarrollando. También debemos considerar el método de solución para resolver las ecuaciones con los datos y tiempos involucrados.

Los problemas de datos que llegan al algoritmo de solución deben ser detectados, controlados y, cuando sea posible, corregidos. La gestión de precisión debe ocurrir en varias etapas del proceso. Los errores creados durante el proceso de solución e implementación deben ser detectados y gestionados.

Este es un tema para libros, pero espero que el proceso de pensamiento pueda avanzar con unas pocas cientos de palabras.

Primero, ten en cuenta que no todo lo que no hacemos específicamente determinista es, por defecto, estocástico. Las computadoras y los procedimientos por los que resuelven problemas pueden introducir sesgos oscuros que, con análisis, son claramente deterministas —simplemente no intencionales. Los simples que ilustran el problema van a la precisión. En muchas instancias, nos gustaría pensar que los valores intermedios son exactamente correctos o al menos redondeados usando criterios que conocemos de las matemáticas.

En varios niveles, el truncamiento —en lugar de redondeo— fuerza a los números calculados a encajar en el tamaño de variable provisto para ellos. A veces esto no importa, pero a veces introduce sesgos. Puede ser útil usar procedimiento y práctica matemática para gestionar activamente el valor almacenado de todos los valores calculados para que el motor de solución preserve la precisión esperada para ellos. Esto se enseña comúnmente en clases de programación, y frecuentemente se descuida porque entender y gestionar la precisión es aburrido y tedioso.

A veces las observaciones carecen de consistencia (p. ej., por problemas de muestreo o sincronización) o precisión fiable en el instante de medición (p. ej., debido a inestabilidades transitorias). A menudo hay formas de limpiar eso (p. ej., comprobación de límites fronterizos, análisis de datos y técnicas de regresión). A menudo hay formas de hacer algo más de lo que revela el flujo de datos, pero muchas de ellas involucran conjeturas del programador sobre lo que puede estar ocurriendo. Ten cuidado con esto —un buen resultado es demasiado importante para rechazar a priori, pero un resultado incorrecto puede ser más dañino que el valor de la mejora potencial que facilitó.

A veces el propio procedimiento de solución, incluso con gestión de precisión apropiada, puede introducir problemas. Supongamos que queremos integrar una función de streaming desde ahora hasta el infinito. Incluso errores o ambigüedades muy pequeñas, insignificantes en un solo cálculo, crecen a valores astronómicos cuando se acumulan continuamente durante largos períodos de tiempo. Esto puede mezclarse con redondeo y truncamiento y producir una disparidad debido a medición o metodología de integración continuamente sesgada. Esto puede manifestarse con el tiempo en errores enormes, por ejemplo, en el término «I» de un controlador PID. Hay procedimientos de control de datos y gestión de precisión, así como formas matemáticas de abordar el problema para la solución necesaria que resuelven estos problemas, pero el camino para descubrirlos puede ser vergonzoso.

A veces las matemáticas se aplican a un requisito sin entender completamente el problema, las matemáticas, o para qué están realmente diseñadas las matemáticas. Puede ser posible, por ejemplo, a veces detectar una situación y otras veces fallarla completamente usando las mismas matemáticas exactas.