Joel Spolsky
Terkadang ketika Anda mencoba memahami bagaimana dunia bekerja, matematika dasar sudah cukup. Jika kita meningkatkan aliran air panas sebanyak x, suhu campuran akan naik sebesar y.
Terkadang Anda mengerjakan hal-hal yang lebih kompleks, dan Anda bahkan tidak bisa mulai bertanya-tanya bagaimana input data memengaruhi output. Gudang tampaknya baik-baik saja ketika Anda memiliki kurang dari empat karyawan, tetapi ketika Anda mengambil yang kelima, mereka mulai saling menginjak tumit dan yang kelima tidak ada gunanya.
Anda mungkin tidak memahami hubungan antara jumlah karyawan dan throughput gudang, tetapi Anda pasti tahu apa yang dilakukan setiap karyawan. Anda dapat menulis beberapa JavaScript untuk mensimulasikan perilaku setiap pekerja Anda, menjalankan simulasi dan melihat apa yang sebenarnya terjadi. Anda dapat mengubah parameter dan aturan yang diikuti karyawan untuk melihat apa yang dapat membantu, dan Anda benar-benar bisa mendapatkan wawasan tentang situasi dan kemudian mengatasi masalah yang sulit.
Inilah hash.ai. Baca posting startup di blog David, lalu coba buat simulasi Anda sendiri!
David Wilkinson
Hari ini, bersama dengan Joel Spolsky dan Jude Allred, saya dengan senang hati menghadirkan HASH, perusahaan yang kami dirikan lebih dari setahun yang lalu. Kami percaya bahwa sebagian besar masalah di dunia kita timbul dari berbagai kegagalan informasi. Keruntuhan ekonomi, perang, penyakit, memilih pasangan hidup yang tepat atau gelar sarjana - misi kami adalah membantu semua orang membuat keputusan yang tepat dan mengatasi gangguan informasi.
Inovator yang brilian berusaha merampingkan informasi dunia dan membuatnya dapat diakses oleh semua orang, dan langkah selanjutnya di jalur ini adalah membuat informasi ini dapat dipahami dan dapat digunakan oleh semua orang.
Organisasi teknologi tinggi dengan tingkat pendanaan yang tinggi (seperti dana lindung nilai) mampu memproses informasi dunia dalam jumlah besar secara efisien, sambil menerima pendapatan yang sangat kecil dan sepersekian detik dalam transaksi ekonomi. Pada saat yang sama, sebagian besar perusahaan dan individu tidak memiliki kesempatan untuk menganalisis secara sistematis semua variasi sinyal yang terkandung di dunia sekitarnya.
Simulasi dapat membuat dunia menjadi tempat yang lebih baik: simulasi dapat meningkatkan pemahaman dan persepsi kita tentang dunia di sekitar kita. Simulasi bukan hanya alat yang berguna untuk kognisi manusia, itu juga dapat memungkinkan orang untuk membuat representasi komputer dari masalah dunia nyata. Faktanya, model adalah antarmuka universal yang tersedia untuk manusia dan kecerdasan buatan, dan kami percaya bahwa model dapat menjadi jaringan penghubung antara dunia manusia dan dunia mesin.
Kami berharap model akan membantu orang dan komputer membuat keputusan lebih efektif. Secara khusus, mereka akan membantu mempromosikan resolusi konflik yang berkelanjutan, mengurangi dan menghilangkan gangguan pasar, dan membantu orang hidup bahagia dan hidup sehat. Dan kami tidak ingin menunggu dimulainya masa depan yang cerah ini.
Jika Anda tidak ingin menunggu, daftar sekarang - atau baca terus untuk mengetahui lebih lanjut.
Asal
Saya dulu menjalankan perusahaan konsultan digital di London yang mengembangkan situs web, perangkat lunak, dan menjalankan kampanye berbasis data. Perusahaan kami telah bekerja untuk berbagai klien: dari perusahaan ekuitas swasta dan pemula hingga klien pemerintah terbesar.
Dari waktu ke waktu, kami dihadapkan dengan tugas yang sangat menarik, seperti melacak penyebaran penyakit (misalnya, infeksi menular seksual), mengevaluasi efektivitas langkah-langkah untuk memerangi mereka (misalnya, kampanye iklan informasi), dan optimalisasi biaya iklan (mis. mengidentifikasi objek yang mempengaruhi node dalam jaringan yang paling mungkin untuk mencegah penyebaran penyakit).
Ternyata ada standar emas tunggal untuk menemukan jawaban atas pertanyaan seperti itu baik dalam epidemiologi dan iklan perilaku - "pemodelan berbasis agen" (ABM). ABM berfungsi sebagai berikut.
- Agen mewakili peserta : apakah mereka individu, perusahaan, rumah tangga, mesin di pabrik, atau yang lainnya. Model yang berbeda mewakili sistem dengan berbagai tingkat detail. Secara teori, "agen" itu bahkan bisa berupa molekul.
- Agen memiliki properti , nilai yang melekat padanya, Properti bervariasi tergantung pada agen. Jadi, dalam diri seseorang, properti bisa logis (pemilih terdaftar - ya / tidak), numerik (pendapatan tahunan) atau pilihan ganda (afiliasi partai).
- Agen ada di lingkungan tertentu (sering dalam beberapa sekaligus), misalnya, dalam grafis geospasial atau jaringan.
- Agen ditentukan oleh perilakunya : pada kenyataannya, perilaku adalah kode yang menggambarkan bagaimana agen harus berinteraksi dengan dunia luar dan bereaksi terhadapnya.
ABM dapat dibangun berdasarkan prinsip-prinsip dasar dan berguna untuk menguji hipotesis bagaimana-jika untuk mengeksplorasi kembar digital dari sistem dunia nyata dengan aman. Ini membuat simulasi multi-agen jauh lebih berguna daripada memprediksi penyebaran penyakit dan informasi melalui jaringan.
Mengatasi Masalah Ilmu Data Tidak Dapat Memecahkan
Sejumlah masalah sistemik yang rumit membuat pemodelan yang sulit diprediksi sulit dilakukan. Masalah-masalah ini terkait dengan agen, sifat dan karakteristiknya: nonlinier, kejadian, adaptasi, saling ketergantungan, dan umpan balik di antaranya. Peristiwa yang muncul dari jenis "angsa hitam", menurut definisi, tidak tercermin dalam pola dan data historis yang ada, dan karena itu diabaikan sama sekali.
Tidak ada sistem yang ada dalam isolasi - mereka semua adalah bagian dari dunia nyata kita yang kompleks, dan karena itu semua masalah bisnis, politik dan manusia, dalam analisis akhir, adalah masalah dalam memahami sistem yang kompleks. Dalam kebanyakan kasus, abstraksi yang masuk akal memungkinkan kita untuk mengabaikan sebagian besar faktor-faktor asing, tetapi kadang-kadang sulit untuk memahami apa, kapan dan dalam keadaan apa yang mungkin menarik.
Dalam beberapa sistem, tidak ada yang penting, tetapi ketika menjawab beberapa pertanyaan (misalnya, bagaimana kita dapat berkontribusi pada ekonomi yang lebih stabil atau hubungan eksternal yang baik), kita mungkin menghadapi masalah hidup dan mati. Untuk memahami sepenuhnya masalah risiko kritis yang sangat penting ini, kita perlu melakukan pencarian umum di ruang di mana mereka ada, berdasarkan dinamika yang diamati dari sistem ini. Pengakuan pola dan analisis hasil historis saja baik untuk membentuk cangkang dasar, tetapi tidak memberikan gagasan tentang esensi masalah.
Karena ruang di sekitar masalah yang mewakili semua kemungkinan konfigurasi dunia jauh lebih besar daripada ruang historis di mana masalah ini diamati, kadang-kadang tergoda untuk menghapuskan pemodelan ilmiah yang benar dan menganggapnya tidak dapat direalisasikan. Pada saat yang sama, simulasi yang tepat tidak berusaha mensimulasikan semua versi dunia yang mungkin muncul (tentu saja, ada banyak sekali). Alih-alih, ini membantu orang memahami versi mana yang mungkin menjadi kenyataan, dan menarik perhatian pada kemungkinan skenario baru yang tidak diketahui analis manusia karena sifat skenario ini.
Krisis seperti kehancuran finansial 07/08 telah menjadi bencana justru karena pembuat keputusan tidak memahami dan tidak memperhitungkan dinamika mendasar dari sistem kompleks - ekonomi, dalam hal ini. Regulasi seperti Basel II memperkenalkan persyaratan cadangan modal, yang, dikombinasikan dengan praktik akuntansi pasar ke pasar, menyebabkan divestasi aset, dengan para peserta dipaksa untuk memasuki pasar yang sekarat, memperluas celah.
Sementara data historis dan nilai wajar dapat digunakan untuk prefill dan backtest model agensi, tidak perlu membuat ABM. Ini membuka pintu untuk mengarahkan pemodelan formal di berbagai bidang di mana pembelajaran mesin saat ini tidak dapat diterapkan.
Selain itu, simulasi menggabungkan keuntungan pemodelan formal dengan kekayaan deskripsi kualitatif, yang membuatnya sangat mudah dipahami dan dipahami oleh manusia. Tidak seperti model yang terkadang terlihat seperti kotak hitam, simulasi berbasis agen dapat diverifikasi, dan pengguna dapat mengikuti langkah-demi-langkah bagaimana hasil tertentu diperoleh dan faktor-faktor apa yang berkontribusi terhadap penerimaan mereka.
Jadi mengapa, mengapa, ada begitu sedikit pembicaraan tentang simulasi, dan mengapa mereka dinilai rendah dan jarang digunakan?
Masalah modern pemodelan berbasis agen
Proses simulasi membutuhkan banyak usaha, dan biaya pemeliharaan, pengoperasian dan pemeliharaan simulasi sangat tinggi. Pemodelan membutuhkan pengetahuan tentang alat khusus, kerangka kerja, dan bahkan bahasa pemrograman yang aneh. Simulasi yang dihasilkan seringkali tidak portabel atau digunakan ulang. Jika logika simulasi didasarkan pada dugaan atau tidak dapat dikalibrasi, hasilnya dapat mengarah pada rasa percaya diri atau keamanan yang salah, yang dapat memperburuk logika keputusan buruk yang ada.
Sementara simulasi mengklaim ada di mana-mana di dunia rantai pasokan, manufaktur, keuangan, pertahanan, dan banyak lagi, paket perangkat lunak simulasi berbasis agen terkemuka saat ini beroperasi dalam skala terbatas dan didasarkan pada teknologi dan paradigma warisan yang tidak merespons dengan baik. komputasi terdistribusi dalam skala nyata. Antarmuka pengguna mereka tidak berubah sejak 1990-an, pengalaman pengembang yang menawarkannya sudah ketinggalan zaman, mereka tidak berjalan sama sekali di browser dan pada perangkat seluler, dan pengguna sering harus menggunakan perangkat lunak khusus hanya untuk mengaksesnya.
Sebagian besar, simulasi ini adalah model mainan yang dirancang untuk menunjukkan dinamika tertentu dan kurangnya interoperabilitas. Setelah model-model ini dibangun, mereka menjadi terfragmentasi, sedikit orang yang membagikannya, dan tidak ada yang bergantung pada hasil kolega dalam pekerjaan mereka. Sebagian besar model yang dibangun sangat terbatas (untuk memastikan operasi yang tepat waktu) sehingga hanya menangkap sebagian kecil dari dinamika sistem yang mereka wakili. Alih-alih membangun dunia virtual yang kaya dan secara selektif memasukkan aspek berdasarkan hasil eksperimen, pengembang membuat abstraksi mainan yang murah dan mudah dijelajahi yang tidak menginspirasi kepercayaan pada pengguna. Ada skeptisisme yang mendalam dan dibenarkan tentang sifat "ilmiah" dari model mainan ini,dan meragukan bahwa model yang lebih kompleks dapat dikalibrasi dan diparameterisasi dengan benar.
Perhatikan tantangan menemukan data yang cocok dan terperinci di tingkat agen, kesulitan mengubah pengalaman domain menjadi kode, dan berbagai hambatan struktural untuk pembuatan ABM, dan Anda akan memahami mengapa pemodelan tujuan umum gagal dan jarang digunakan dalam bisnis modern.
Simulasi dapat diakses oleh semua
Kami menghadapi banyak masalah sistemik dan sekarang kami ingin membuat solusi tingkat sistem. HASH bertujuan untuk menyelesaikan tantangan simulasi dengan mengintegrasikan seluruh tumpukan secara vertikal, menciptakan platform tunggal untuk membangun, menjalankan, dan belajar dari simulasi.
Hari ini kami secara terbuka meluncurkan dua bagian HASH:
- HASH Core : Lingkungan pengembangan web dan penampil simulasi.
- Indeks HASH : Kumpulan simulasi dan komponen modular.
Semua simulasi dalam HASH terdiri dari agen (diwakili oleh skema deskriptif) dan perilaku (biasanya diwakili oleh fungsi murni). Agen didorong oleh pola perilaku, dan kumpulan data digunakan untuk menginisialisasi dan memperbaruinya dalam simulasi dunia nyata. Kit ini juga dapat digunakan untuk memperkuat dan mengkalibrasi model. Skema perilaku dan dataset mengikat objek dan skema yang sesuai sehingga pengembang dapat dengan mudah mencari model menggunakan Indeks HASH dan menggabungkannya menggunakan HASH Core.
Semua model, kumpulan data, dan perilaku tersedia dalam Indeks HASH. Semua konten Indeks HASH sekarang tersedia secara gratis. Indeks HASH adalah kerangka kerja yang disusun sebagai persilangan antara GitHub dan manajer paket. Di masa depan, lingkungan ini akan diperluas untuk menciptakan pasar tambahan yang membuatnya lebih mudah untuk membeli dan menjual perilaku berbayar, kumpulan data, dan simulasi. Dalam pandangan kami, perusahaan akan menerbitkan komponen gratis untuk mendapatkan kepercayaan dan kredibilitas, dan kemudian menjual simulasi dan layanan konsultasi yang lebih lengkap.
Rencana kami di masa depan untuk H-Index meliputi fork, cabang, diskusi, dan permintaan tarik - kami ingin menambahkan fungsionalitas dari Git, yang, seperti menggunakan manajer paket, sekarang menjadi kebiasaan kedua bagi sebagian besar pengembang perangkat lunak modern.
Dampak dari perubahan ini pada alur kerja pengembang adalah signifikan: ketika H-Index jatuh tempo, profesional industri dengan pengetahuan pemrograman terbatas akan dapat melakukan fork dan mengadaptasi (atau sepenuhnya mengimplementasikan) perilaku yang ada dalam simulasi mereka. Ini akan memungkinkan mereka untuk mensimulasikan dinamika yang kompleks tanpa harus memprogram proyek skala besar dari awal.
Namun, pengerjaan produk kami belum lengkap. Meskipun kita cepat kilatMesin HASHmemungkinkan simulasi dijalankan pada kecepatan yang tak tertandingi, saat ini hanya tersedia melalui antarmuka web H-Core, yang mau tidak mau membatasi memori dan sumber daya CPU yang tersedia di tab browser. Semua ini berarti bahwa sementara H-Engine dirancang untuk menangani simulasi yang benar-benar global, pengguna beta awal kami terbatas dan hanya dapat membuat model yang relatif kecil. Jadi H-Core, dalam iterasi saat ini, dapat dibandingkan dengan sesuatu seperti NetLogo, alat pemodelan berbasis agen akademik. NetLogo berguna untuk menggambarkan efek agen homogen dalam sistem yang kompleks dan menjelaskan dinamika sistem ini, tetapi terbatas dalam memodelkan lingkungan dunia nyata dengan kepercayaan diri tinggi atau skala besar. Karena keterbatasan ini,alat untuk menjalankan eksperimen optimisasi (sapuan parametrik, simulasi Monte Carlo, dan pembelajaran penguatan yang lebih eksotis) belum tersedia - tetapi sangat penting bagi kami.
Kami merilis peta jalan kami untuk mewujudkan kemampuan ini dan menggunakan simulasi untuk pengambilan keputusan dunia nyata sehari-hari:
HASH Core dan HASH Index sekarang resmi dalam versi beta.
- Kami akan bekerja secara intensif di kedua platform selama beberapa minggu mendatang dan kami menunggu masukan Anda.
Kami dengan bangga mengumumkan bahwa pada akhir tahun ini kami akan membuka kode sumber untuk Mesin HASH, jantung dari sistem simulasi kami.
- Inti dari semua komputasi di HASH adalah H-Engine yang sangat kuat, ditulis dalam Rust, dan sudah memiliki binding untuk JavaScript dan Python.
- Tujuan kami adalah membuat platform dapat diakses oleh semua orang, dan untuk memungkinkan orang menjalankan H-Engine secara lokal dan pada sistem tertutup.
- Kami saat ini berencana untuk merilis versi publik H-Engine di bawah lisensi sumber terbuka pada akhir tahun 2020.
HASH Cloud -.
- H-Cloud – , H-Core ( open-source H-Engine)
- H-Core , .
- H-Cloud , HASH.
Anda dapat mengetahui lebih lanjut tentang produk kami yang akan datang di peta jalan umum di hash.ai/roadmap
Kami mulai bersama sedikit lebih dari setahun yang lalu dan sekarang kami memiliki sekitar sepuluh orang di tim kami. Saya sangat bangga dengan tim yang telah kami ciptakan dan apa yang telah kami capai selama ini.
Kami senang bertemu dengan pengguna HASH dan meluncurkan komunitas di Slack, yang dapat diakses melalui ikon di sudut kanan bawah halaman mana pun di hash.ai - kami akan dengan senang hati membantu Anda membangun model Anda, menjawab pertanyaan Anda, dan juga menerima saran dan pesan kesalahan.
Kami sedang mengerjakan ketersediaan dan distribusi HASH untuk audiens pengembang seluas mungkin. Mesin Rust memiliki binding untuk Python dan JavaScript, tetapi sampai saat ini, bekerja dengan perilaku di H-Core hanya mungkin di JS. Kami dengan bangga mengumumkan bahwa pengembangan perilaku dan simulasi dengan Python sekarang dimungkinkan secara lokal di browser menggunakan H-Core. Berkat proyek Pyodide yang luar biasa dari Mozilla, kami dapat mengimplementasikan dukungan Python eksperimental ke dalam H-Core IDE berbasis browser kami. Saat ini ada beberapa masalah kinerja, tetapi kami berharap kami dapat memperbaikinya sebelum penyebaran penuh H-Cloud dan H-Engine (yang akan memungkinkan pengguna untuk menghindari masalah kinerja). Pengembang sekarang dapat membangun model dalam HASH menggunakan Python,dan juga mengimpor sejumlah paket sains populer (lebih banyakdalam dokumentasi kami ).
Untuk mencegah gangguan informasi, perlu membuat alat yang tidak ada sebelumnya, untuk memecahkan masalah yang tidak dapat diselesaikan hari ini. Kita harus memberi orang kekuatan super, ini misi kita.
Jika Anda ingin membangun model menggunakan HASH, Anda dapat mendaftar di hash.ai/signup .
Jika Anda ingin berpartisipasi dalam misi kami dan membantu semua orang membuat keputusan yang tepat, Anda dapat menerbitkan simulasi, perilaku, dan data untuk H-Index. Anda juga dapat melamar posisi terbuka kami di hash.ai/careers .
Akhirnya, jika Anda seorang pembuat keputusan bisnis dan tertarik mempelajari bagaimana HASH dapat diterapkan, hubungi kami di hash.ai/contact .
Kami berterima kasih kepada investor HASH awal atas dukungan mereka: pencipta komunitas yang mengagumkan seperti pendiri Stack Overflow Joel Spolsky dan pendiri Kaggle Anthony Goldblum, serta Ash Fontane dan Lee Edwards dari Zetta Venture Partners dan Root Ventures. Kami senang memulai misi publik kami.
David Wilkinson
Pendiri dan CEO HASH
Contoh simulasi
Dilema Tahanan dalam JavaScript (+ dengan Python )
Model pasar dalam JavaScript (+ dalam Python )
Model Kerusuhan Sipil Epstein dalam JavaScript (+ dengan Python )
Boids
Lebih banyak contoh di sini .
Pelajari detail cara mendapatkan profesi yang dicari dari awal atau Tingkatkan keterampilan dan gaji dengan menyelesaikan kursus online berbayar SkillFactory:
- Kursus Pembelajaran Mesin (12 minggu)
- Belajar Ilmu Data dari awal (12 bulan)
- Profesi analis dengan level awal apa pun (9 bulan)
- Python untuk Kursus Pengembangan Web (9 bulan)