Dérivation de l'équation logistique
La courbe S de Hamming a une dérivation mathématique précise. Commencez par deux observations sur l'adoption de la technologie:
1. Le taux d'adoption s'accélère avec l'adoption actuelle (bouche à oreille, effets de réseau): dP/dt ∝ P
2. Le taux d'adoption ralentit à mesure que le marché se sature: dP/dt ∝ (1 − P)
Combinaison: dP/dt = r · P · (1 − P)
C'est l'équation différentielle logistique. Elle est séparable: la décomposition en fractions partielles permet l'intégration directe.
Dérivation
Séparer les variables: dP / [P(1−P)] = r dt
Fractions partielles: 1/[P(1−P)] = 1/P + 1/(1−P)
Intégrer les deux côtés: ln(P) − ln(1−P) = rt + C
ln[P/(1−P)] = rt + C
P/(1−P) = e^(rt+C) = e^C · e^(rt)
Soit K = e^C. Résoudre pour P: P = K·e^(rt) / (1 + K·e^(rt))
Équivalemment: P(t) = 1 / (1 + e^(−r(t − t₀)))
où t₀ = (ln K)/r est le point d'inflexion.
Point d'inflexion
À t = t₀: P = 0.5. Deuxième dérivée d²P/dt² = 0: le taux de croissance est maximum. Avant t₀: concavité vers le haut (accélération). Après t₀: concavité vers le bas (décélération).
Ajuster la logistique aux données
Avec deux points de données sur une courbe logistique, vous pouvez résoudre à la fois r et t₀.
Adoption d'Internet: P(1995) = 0.01 (1 % des ménages américains), P(2005) = 0.70 (70 %).
Valeur réseau comme décompte géométrique
Hamming a noté que les applications ont stimulé l'adoption informatique plus que le matériel ou les logiciels. Les applications dépendantes du réseau suivent un modèle de croissance spécifique: leur valeur augmente plus vite que leur coût.
Loi de Metcalfe
La valeur d'un réseau avec n utilisateurs est proportionnelle au nombre de connexions possibles entre utilisateurs:
V(n) = k · n(n−1)/2 ≈ k · n²/2 (pour n grand)
où k est la valeur d'une connexion. Coût d'un réseau: C(n) ∝ n (à peu près linéaire en nombre d'utilisateurs).
Ratio valeur/coût: V/C ∝ n²/n = n. À mesure que n augmente, le ratio augmente linéairement. Un réseau avec 10x plus d'utilisateurs offre environ 100x plus de valeur pour seulement 10x le coût.
Tableau géométrique
Avec n nœuds, le nombre d'arêtes dans un graphe complet K_n est C(n,2) = n(n−1)/2. C'est une formule combinatoire: choisissez 2 nœuds parmi n. Pour n=10: C(10,2)=45. Pour n=100: C(100,2)=4950. Pour n=1000: C(1000,2)=499,500.
La courbe S et la loi de Metcalfe interagissent: lors de l'adoption rapide de la phase 2, n augmente rapidement, et V(n) augmente comme n². L'inflexion de valeur se produit avant l'inflexion d'adoption; la valeur s'accélère avant l'adoption, tirant plus d'adoption dans une boucle de rétroaction positive.
Valeur réseau à différents niveaux d'adoption
Adoption de la messagerie: en 1985 (n=100 000 utilisateurs), k = 0,01 $ par connexion-année. En 1995 (n=30 000 000 utilisateurs).
Optimisation comme géométrie
L'histoire de la bande de Boeing de Hamming décrit une défaillance d'optimisation avec un sens géométrique précis. L'optimisation d'une fonction f(x) sur un paysage nécessite:
1. Une fonction bien définie f: l'objectif (traînée, coût, délai de commercialisation)
2. Un paysage fixe: f évalué au même état à chaque fois
3. Un gradient: la direction de l'amélioration la plus raide
Lorsque le paysage change entre les mesures, le gradient que vous estimez peut pointer dans une direction qui n'existe plus lorsque vous prenez l'étape suivante. Vous calculez gradient(f₁) mais vous faites un pas dans le paysage f₂.
Descente de gradient
Descente de gradient standard: x_{t+1} = x_t − α ∇f(x_t)
où α = taille du pas (taux d'apprentissage), ∇f = vecteur gradient (dérivées partielles).
La défaillance de Boeing: au temps t, l'équipe mesure f(x_t). Au temps t+1, l'équipe change x en x_t + Δx. Mais la base de données partagée a également changé: f est maintenant f' ≠ f. Le changement observé: f'(x_t + Δx) − f(x_t). Ce n'est PAS le gradient de f; il inclut un terme du changement de paysage.
Le gradient fantôme
Changement mesuré = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]
= vrai gradient × Δx + changement de paysage
Si le changement de paysage domine: l'équipe se déplace vers un minimum dans f' qui est un maximum dans f. Ils optimisent la mauvaise chose; peut-être qu'ils empirent leur conception tandis que les mesures montrent une amélioration.
Quantifier l'erreur de gradient fantôme
Une équipe optimise la traînée f(θ, s) où θ = angle d'aile, s = envergure. Vrai gradient: ∂f/∂θ = −0.5 (la traînée diminue avec θ), ∂f/∂s = +0.3 (la traînée augmente avec s).
Une autre équipe réduit simultanément le poids du fuselage, ce qui change la fonction de traînée: f' = f − 0.8. (Un fuselage plus léger réduit la traînée de 0.8 unités à toutes les configurations.)
La première équipe mesure: f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0.8] − f(θ, s) = −0.5·Δθ − 0.8.