Além da Codificação: Habilidades-Chave para Projetos de Automação Bem-Sucedidos

Traduzir equações matemáticas em código é parte de, mas também separado do, desenvolvimento de projetos de automação envolvendo soluções computacionais. Devemos considerar a eficácia das equações matemáticas relativas às necessidades do projeto sendo desenvolvido. Também devemos considerar o método de solução para resolver as equações com os dados e tempo envolvidos.

Problemas de dados que alcançam o algoritmo de solução devem ser detectados, controlados e, quando possível, corrigidos. Gestão de precisão deve ocorrer em vários estágios do processo. Erros criados ao longo do caminho pelo processo de solução e implementação devem ser detectados e gerenciados.

Este é um assunto para livros, mas espero que o processo de pensamento possa ser avançado com algumas centenas de palavras.

Primeiro, lembre-se de que nem tudo que não tornamos especificamente determinístico é, por padrão, estocástico. Computadores e os procedimentos pelos quais resolvem problemas podem introduzir vieses obscuros que, com análise, são claramente determinísticos — apenas não intencionais. Os simples que ilustram o problema vão para precisão. Em muitas instâncias, gostaríamos de pensar que valores intermediários são exatamente certos ou pelo menos arredondados usando critérios que conhecemos da matemática.

Em vários níveis, truncamento — em vez de arredondamento — força números calculados a caber no tamanho da variável fornecida para eles. Às vezes isso não importa, mas às vezes introduz vieses. Pode ser útil usar procedimento e prática matemática para gerenciar ativamente o valor armazenado de todos os valores calculados para que o motor de solução preserve a precisão esperada para eles. Isso é comumente ensinado em aulas de programação, e frequentemente negligenciado porque entender e gerenciar precisão é entediante e tedioso.

Às vezes as observações carecem de consistência (por exemplo, devido a problemas de amostragem ou sincronização) ou precisão confiável no instante da medição (por exemplo, devido a instabilidades transitórias). Frequentemente há maneiras de limpar isso (por exemplo, verificação de limites de fronteira, análise de dados e técnicas de regressão). Frequentemente há maneiras de fazer algo mais do que o revelado pelo fluxo de dados, mas muitos deles envolvem conjectura do programador sobre o que pode estar acontecendo. Tenha cuidado com isso — um bom resultado é importante demais para rejeitar a priori, mas um resultado incorreto pode ser mais danoso que o valor da melhoria potencial que facilitou.

Às vezes o próprio procedimento de solução, mesmo com gestão de precisão apropriada, pode introduzir problemas. Suponha que queremos integrar uma função de streaming de agora até o infinito. Mesmo erros ou ambiguidades muito pequenas, insignificantes em um único cálculo, crescem para valores astronômicos quando continuamente acumulados por longos períodos de tempo. Isso pode se misturar com arredondamento e truncamento e produzir uma disparidade devido a medição ou metodologia de integração continuamente tendenciosa. Isso pode se manifestar ao longo do tempo em erros enormes, por exemplo, no termo "I" de um controlador PID. Existem procedimentos de controle de dados e gestão de precisão, bem como maneiras matemáticas de abordar o problema para a solução necessária que resolvem essas questões, mas o caminho para descobri-las pode ser embaraçoso.

Às vezes a matemática é aplicada a um requisito sem entender totalmente o problema, a matemática, ou o que a matemática é realmente projetada para fazer. Pode ser possível, por exemplo, às vezes detectar uma situação e outras vezes perdê-la completamente usando a exata mesma matemática.