Pengkodean untuk Proyek Otomasi Lebih dari sekadar Menulis Kode
Menerjemahkan persamaan matematika ke dalam kode adalah bagian dari, tetapi juga dihapus dari, pengembangan proyek otomasi yang melibatkan solusi komputer. Kita harus mempertimbangkan kemanjuran persamaan matematika relatif terhadap kebutuhan proyek yang sedang dikembangkan. Kita juga harus mempertimbangkan metode solusi untuk menyelesaikan persamaan dengan data dan waktu yang terlibat.
Masalah data yang mencapai algoritma solusi harus dideteksi, dikendalikan, dan bila memungkinkan, diperbaiki. Manajemen presisi harus terjadi pada berbagai tahap proses. Kesalahan yang dibuat selama proses solusi dan implementasi harus dideteksi dan dikelola.
Ini adalah subjek untuk buku, tetapi mudah-mudahan proses berpikir dapat digerakkan bersama dengan beberapa ratus kata.
Pertama, perlu diingat bahwa tidak semua yang kita tidak buat secara spesifik deterministik, secara default, adalah stokastik. Komputer dan prosedur yang digunakan untuk memecahkan masalah dapat menimbulkan bias yang tidak jelas itu, dengan analisis, jelas deterministik—hanya saja tidak disengaja. Yang sederhana yang menggambarkan masalah pergi ke presisi. Dalam banyak contoh, kita ingin berpikir bahwa nilai antara benar-benar tepat atau setidaknya dibulatkan menggunakan kriteria yang kita ketahui dari matematika.
Pada berbagai tingkat, pemotongan —alih-alih pembulatan—memaksa angka yang dihitung agar sesuai dengan ukuran variabel yang disediakan untuknya. Terkadang ini tidak masalah, tetapi terkadang itu menimbulkan bias. Akan berguna untuk menggunakan prosedur dan praktik matematika untuk secara aktif mengelola nilai tersimpan dari semua nilai yang dihitung sehingga mesin solusi mempertahankan akurasi yang diharapkan untuk nilai tersebut. Ini biasanya diajarkan di kelas pemrograman, dan sering diabaikan karena memahami dan mengelola presisi itu membosankan dan membosankan.
Terkadang pengamatan kurang konsisten (misalnya, karena masalah pengambilan sampel atau sinkronisasi) atau presisi yang dapat diandalkan pada saat pengukuran (misalnya, karena ketidakstabilan sementara). Sering ada cara untuk membersihkannya (misalnya, dengan pemeriksaan batas batas, analisis data, dan teknik regresi). Seringkali ada cara untuk membuat sesuatu lebih dari yang diungkapkan oleh aliran data, tetapi banyak dari mereka melibatkan dugaan programmer tentang apa yang mungkin terjadi. Hati-hati dengan ini —hasil yang baik terlalu penting untuk ditolak apriori , tetapi hasil yang salah bisa lebih merusak daripada nilai potensi peningkatan yang difasilitasinya.
Terkadang prosedur solusi itu sendiri, bahkan dengan manajemen presisi yang tepat, dapat menimbulkan masalah. Misalkan kita ingin mengintegrasikan fungsi streaming dari sekarang hingga tak terhingga. Bahkan kesalahan atau ambiguitas yang sangat kecil, tidak signifikan dalam satu perhitungan, meningkat ke nilai astronomi ketika terus menerus terakumulasi dalam jangka waktu yang lama. Ini bisa bercampur dengan pembulatan dan pemotongan dan menghasilkan perbedaan karena pengukuran atau metodologi integrasi yang terus menerus bias. Ini dapat bermanifestasi dari waktu ke waktu dalam kesalahan besar, misalnya, dalam istilah "I" dari pengontrol PID. Ada kontrol data dan prosedur manajemen presisi, serta cara matematis untuk mendekati masalah untuk solusi yang diperlukan yang menyelesaikan masalah ini, tetapi jalan untuk menemukannya bisa memalukan.
Terkadang matematika diterapkan pada suatu persyaratan tanpa sepenuhnya memahami masalah, matematika, atau apa yang sebenarnya dirancang untuk dilakukan oleh matematika. Mungkin saja, misalnya, untuk kadang-kadang mendeteksi suatu situasi dan di lain waktu benar-benar melewatkannya menggunakan matematika yang sama persis.
