نظرية أكبر لتصميم النظام: ما هو الخطأ في الحداثة وما بعد الحداثة ، وكيفية النجاة من الانهيار الجليدي القادم ، وكيفية إصلاح المشكلات الرئيسية التي نواجهها. الجزء الأول: الأنظمة نماذج. لكن ما هو النموذج؟

أعدك بأن هذا يصبح عمليا في مرحلة ما ، لكن علينا أولا وضع بعض الأساس. إذا وجدت الأساس واضحا أو كنت على استعداد لأخذ كلامي على محمل الجد ، فلا تتردد في تخطيه. لكن في النهاية ، بدون الخلفية ، لا يمكنك حتى فهم الاقتراح حقا.

بدون فقدان العمومية ، يمكن اعتبار أي نظام رسم بياني للمعلمة متصل بالحواف ، حيث تتلقى العقد الحسية مدخلات تقود تغييرات الرسم البياني الداخلي وتنتج مخرجات في العقد النشطة.

النموذج هو نظام يعمل على تقليل خطأ التنبؤ مقابل السابقين المتجسدين في الرسم البياني للمعلمة الخاصة به.

الأنظمة دائما نماذج لأن الأنظمة يجب أن تستمر في الاستمرار ، وإذا اتخذت إجراءات لا تتوافق مع ظروف المثابرة فإنها تموت. الظروف تتغير. لذلك يجب أن تتعلم الأنظمة المستمرة ، الأمر الذي يتطلب منها نمذجة الواقع وتقليل المفاجأة.

أمثلة على النماذج: الفولاذ في حدادة ، السوق ، غابة ، خلية ، شجرة ، ماجستير في القانون ، الشبكة الكهربائية ، شركة ، خدمة وسائل التواصل الاجتماعي. بمعنى آخر ، أي شيء يتكيف بمرور الوقت لتوقع مدخلات جديدة.

جانبا: هذه الأشياء ليست مجرد نماذج. يمكن رؤيتها أيضا بطرق أخرى: خدمة الوسائط الاجتماعية هي أيضا مجموعة من البرامج ، الثابتة والحتمية تماما ، وتعالج المدخلات والمخرجات. الإنسان هو كيس دهني يحتوي في الغالب على الماء ، وأيضا شخص ، وأيضا نموذج.

يمكن اعتبار النماذج على أنها تتنبأ بالتوزيع على المدخلات المحتملة. يتنبأ النموذج الناجح بالتوزيع الذي يتطابق مع توزيع مدخلاته بشكل جيد. بمعنى أنه يتنبأ بدقة ودقة وقوة وكفاءة.

(ما يلي هو شرح عادي للمعالجة التنبؤية ومبدأ الطاقة الحرة والاستدلال النشط ، في حال كان لديك الخلفية).

نقول إن التوزيع المتوقع دقيق عندما يقلل من الاختلاف عن توزيع المدخلات المرصود.

نسمي التوزيع المتوقع دقيقا عندما يكون له تباين منخفض ، مما يعني أنه يقوم بعمل تنبؤ محدد للغاية. لا يؤدي التنبؤ الأضيق بدقة معينة إلى تقريب متوسط تخمينك من متوسط المدخلات ، ولكنه يقترب من كل تخمين!

تكون التنبؤات قوية للضوضاء إذا كانت بسيطة قدر الإمكان. كلما قل عدد المعلمات وتفاعلات المعلمات التي يستخدمها النموذج للتنبؤ ، زادت ملاءمته للجانب غير المتغير للتردد المنخفض للإدخال.

سوف نتخطى الكفاءة في الغالب هنا ولكن الفكرة الرئيسية هي أن استهلاك الطاقة هو في الأساس نفس دقة إنفاق البتات أو التعقيد ، ما عليك سوى الترجمة من نظرية الحرارة إلى نظرية المعلومات.

من السهل أن يكون لديك دقة عالية بقوة: خمن دائما نفس الشيء. لسوء الحظ ، ستكون دقتك سيئة. نتيجة لذلك ، نعتبرها معا بشكل عام ، كخطأ مرجح بدقة.

تم اكتشاف الطريق الملكي إلى الخسارة المرجحة المنخفضة للدقة ليكون الدرس المرير: هل جربت المزيد من المعلمات والمزيد من البيانات؟ في النهاية ، يمكنك الإفراط في كل المعرفة البشرية (LLMs) وهذا جيد جدا. للأسف ، إذا تغير المجال ... ليست قوية.

الثلاثة تتطلب التوازن. لحسن الحظ ، يمكنك تسجيلهم جميعا في أجزاء صغيرة. خطأ مرجح بدقة = -log (الاختلاف عن المدخلات ، مرجح بالدقة) المتانة المعروفة أيضا باسم التعقيد = -log (تباعد النموذج السابق عن السابق الموحد أو الطبيعي)

لأي إجراء أو تغيير في النموذج الخاص بك ، يمكنك تسجيل مقدار المساعدة من خلال تلخيص الفائدة الإجمالية من حيث الدقة والدقة والمتانة. هل يستحق إضافة هذه المعلمة؟ حسنا ، هل تدفع ال 20 بت الإضافية من الدقة مقابل 8 بتات من التعقيد في سابقاتك؟

عند التفكير في نظام حقيقي ، عادة ما يكون الهدف الاسمي نوعا من الدقة. بالنسبة للاقتصاد ، فإن نمو الناتج المحلي الإجمالي المرتفع والبطالة المنخفضة هما "التوقع المسبق" الذي يحاول النظام تحقيقه. بالنسبة للشركة ، عادة ما يكون هناك توقع مسبق لإيرادات عالية وتكاليف منخفضة.

قريبا ، الجزء 2: ما الذي يحدث مع أنظمتنا؟ كيف وصلنا إلى هنا؟ لماذا كل شيء يسير بالجنون والكسر ولكن أيضا كل شيء على اليمين؟