नशे में नाविक

Hamming ने दृष्टि के लिए मामले को बनाने के लिए एक संभावना तर्क का उपयोग किया:

> एक नशे में नाविक जो n स्वतंत्र यादृच्छिक कदमों के साथ बाएं या दाएं लड़खड़ाता है, औसतन, origin से लगभग √n कदम दूर समाप्त होगा। लेकिन अगर एक सुंदर लड़की एक दिशा में है, तो उसके कदम उस दिशा में जाते हैं और वह एक दूरी जो n के अनुपात में है, जाएगा।

अपने जीवनकाल में कई छोटे विकल्प में, एक दृष्टि के साथ एक कैरियर n के अनुपात में दूरी का उत्पादन करता है। दृष्टि के बिना: केवल √n। बड़े n के लिए, अंतर लगभग सब कुछ है।

वह सटीकता के बारे में सावधान थे:

> दृष्टि की सटीकता कम से कम आप सोच सकते हैं उससे कम महत्वपूर्ण है — कहीं भी जाना बहाव से बेहतर है। संभावित रूप से आपके लिए महानता के कई रास्ते हैं, और आप किस रास्ते पर चलते हैं, जब तक यह आपको महानता के लिए ले जाता है, मेरा व्यवसाय नहीं है।

उन्होंने विज्ञान & अभियांत्रिकी में सभी को तीन प्रश्नों को अलग से पूछना सीखना चाहिए:

1. क्या संभव है? — विज्ञान

2. क्या होने की संभावना है? — अभियांत्रिकी

3. क्या वांछनीय है? — नैतिकता

अधिकांश लोग केवल पहला पूछते हैं, कभी-कभी दूसरा, शायद ही कभी तीसरा।

निर्देशित बनाम बहाव

यादृच्छिक चलने के तर्क को एक वास्तविक कैरियर पर लागू करें।

रचनात्मकता कैसे काम करती है

Hamming ने अपने रचनात्मकता अध्याय को तीन चीजों को अलग करके खोला जिन्हें अधिकांश लोग एक साथ मिलाते हैं:

- रचनात्मकता: कुछ वास्तविक मूल्य का निर्माण करना जो पहले से अस्तित्व में नहीं था

- मौलिकता: कुछ बनाना जो पहले नहीं किया गया है

- नवीनता: किसी ऐसी चीज को बनाना जो मौजूद है उससे अलग है

आप शून्य रचनात्मकता के साथ तीनों गुणों को प्राप्त कर सकते हैं: दो यादृच्छिक 10-अंकीय संख्याओं को गुणा करें। उत्पाद संभवतः कभी मानव इतिहास में प्रदर्शित नहीं हुआ। लेकिन किसी को परवाह नहीं है।

सादृश्य प्राथमिक उपकरण के रूप में

Hamming ने सादृश्य को 'संभवतः रचनात्मकता में सबसे महत्वपूर्ण उपकरण' कहा। जब कुछ किसी और चीज से मिलता-जुलता है जिसे हम पहले से समझते थे, तो हम समाधान framework को transfer कर सकते हैं।

उनका केंद्रीय उदाहरण: Kekulé ने अपनी पूंछ काटने वाले सांप का सपना देखा। वह जाग गया और benzene ring को देखा। सादृश्य केवल सुझाव देने के लिए था, सटीक होने के लिए नहीं।

उन्होंने रचनात्मक प्रक्रिया को पांच चरणों में वर्णित किया:

1. समस्या की पहचान — अक्सर पहले अस्पष्ट

2. तीव्र सोच की एक gestation अवधि, फिर अस्थायी परित्याग

3. भावनात्मक जुड़ाव: एक समाधान खोजने के लिए प्रतिबद्धता

4. अंतर्दृष्टि का क्षण — आमतौर पर अवचेतन से

5. तार्किक सफाई और दूसरों को प्रस्तुति

उनकी विधि: समस्या के साथ अवचेतन को saturate करें, फिर इसे जगह दें। 'Luck तैयार दिमाग को पसंद है।' — Pasteur

सादृश्य जो काम आई

Hamming ने richer सादृश्य स्मृति बनाने की एक विधि का भी वर्णन किया: जब आप कुछ नया सीखते हैं, तो तुरंत पूछें कि यह और क्या लागू होता है। ज्ञान को कई hooks के साथ file करें, केवल एक नहीं जो आपको वहां ले गया।

कब एक समस्या को छोड़ना है

Hamming ने एक चेतावनी दी जो अधिकांश self-help सलाह के खिलाफ काटी:

> अगर आप एक गलत समस्या को नहीं छोड़ सकते तो पहली बार जब आप उसका सामना करते हैं तब आप अपने पूरे कैरियर के लिए उसके साथ फंस जाएंगे।

उनका उदाहरण: Einstein। अपने शुरुआती वर्षों में अत्यंत रचनात्मक। एक बार जब वह mid-career में एक unified field theory की खोज शुरू कर दिए, तो वह बाकी जीवन इस पर खर्च करते हैं — और लगभग कुछ नहीं दिखाने के लिए।

Hamming सोचते थे कि एक रचनात्मक कैरियर को प्रबंधित करने के लिए सक्रिय रूप से यह तय करने की आवश्यकता है कि किन समस्याओं को छोड़ना है, न कि केवल किन पर पीछा करना है। पिछली सफलताएं आपको यह विश्वास दिलाती हैं कि आप किसी भी समस्या को हल कर सकते हैं। लेकिन कुछ समस्याएं तैयार नहीं हैं: उन पर जारी रखना उस समय की कीमत देता है जो आप tractable लोगों पर खर्च कर सकते हैं।

विशेषज्ञ समस्या

Hamming ने Kuhn के The Structure of Scientific Revolutions पर भारी रूप से खींचा। Normal science के अंतर्गत, एक field एक shared paradigm के भीतर काम करता है: स्वीकृत assumptions, स्वीकृत समस्याएं, स्वीकृत तरीके। Workers paradigm को extend करते हैं; वे शायद ही कभी इस पर सवाल उठाते हैं।

जब paradigm परिवर्तन होता है, तो विशेषज्ञ पीछे रह जाते हैं।

> जो आपने सफल होने के लिए किया है, वह बाद की तारीख में counterproductive होने की संभावना है।

वह computing के साथ इसका प्रदर्शन किया। उनके Bell Labs bosses ने analytical तरीकों पर careers बनाई थी। उन्होंने computers को proper mathematics से कम देखा। जब digital तरीके प्रमुख हो गए, तो वे bosses पकड़ नहीं सकते। अधिकांश field से गायब हो गए।

उनका सारांश:

> एक विशेषज्ञ कुछ के बारे में सब कुछ जानता है; एक generalist कुछ के बारे में कुछ भी नहीं जानता।

विशेषज्ञ claims की asymmetry पर:

> अगर एक विशेषज्ञ कहता है कि कुछ किया जा सकता है, तो वे संभवतः सही हैं। अगर वे कहते हैं कि यह असंभव है, तो दूसरी राय लें।

क्यों innovations बाहर से आते हैं

Continental drift: Wegener (एक meteorologist, एक geologist नहीं), oceanographers द्वारा स्वीकृत, geologists आने से पहले। Carbon dating physics से आया, archaeology नहीं। पहली automatic telephone एक undertaker से आई जो सोचते थे कि operators ने उसे धोखा दिया।

विशेषज्ञ बुरे नहीं हैं; वे आर्थिक हैं। पुरानी, सफल approaches को नए लोगों को ढूंढने से पहले आजमाना समझदारी है। लेकिन इसका मतलब है कि genuinely नई paradigms शायद ही कभी insiders से उभरती हैं।

विशेषज्ञ असंभवता Claims क्यों संदिग्ध हैं

विशेषज्ञ authority पर Hamming का तीव्रतम बयान:

> सभी असंभवता proofs संख्या assumptions पर rest करने चाहिए जो विशेष situation में लागू हो सकते हैं या नहीं।

जब आप विशेषज्ञ बन जाते हैं

Hamming ने अपने Chapter 26 के आधे समय विशेषज्ञ failure के बारे में चेतावनी देने में बिताया, फिर pivoted:

> दूसरा बिंदु जो मैं बनाना चाहता हूँ वह यह है कि आपमें से कई, अपने turn में, विशेषज्ञ बन जाएंगे, और मुझे उम्मीद है कि आपमें विशेषज्ञ के worst पहलुओं को modify करूँ।

वह vowed, जब वह Bell Labs के पास rise हुआ, computer choices के बारे में decisions में participate नहीं करने के लिए — वह अगली generation पर एक drag नहीं बनना चाहते थे कि उनके bosses उन पर थे।

डेटा आप सोचते हैं से अधिक झूठ बोलता है

Hamming ने अपने unreliable data chapter को एक blunt claim के साथ खोला: डेटा आमतौर पर advertised से बहुत कम सटीक चलता है।

वह अपने rule की पेशकश की:

> 90% of the time अगला independent measurement पिछले 90% confidence limits के बाहर fall करेगा।

वह इसे एक exaggeration called करते थे memorability के लिए। Underlying truth: अधिकांश published measurement accuracies दावा से कहीं पास नहीं आती।

क्यों experiments biased accuracy claims produce करते हैं

जब आप एक experiment के लिए equipment assemble करते हैं, तो यह perfectly काम नहीं करता। आप समय fine-tuning में खर्च करते हैं जब तक आप consistent, reproducible runs नहीं पाते। आप फिर यह fine-tuned, low-variance data एक statistician को hand करते हैं जो एक confidence interval compute करते हैं।

समस्या: आपने specifically variance reduce करने के लिए fine-tuned किया। Statistician को low-variance data मिलता है और concludes accuracy चलता है high। लेकिन आपने error को reduce नहीं किया; आपने specifically adjust किया for low variance। Fine-tuning से systematic bias variance में appear नहीं होता। आप low-variance data supply करते हैं; आप high-claimed accuracy प्राप्त करते हैं।

उन्होंने BIRGE 1929 बनाम CODATA 1973 fundamental physical constants की comparison cite की। Average actual error estimated error से 5.267 times बड़ा चलता था। दुनिया के leading experts अपने स्वयं के uncertainty estimates पर एक factor of five से off थे।

Claimed Accuracy के दो sources

Hamming names experimental science में overstate measurement accuracy के दो major causes।

आप जो मापते हैं वह आप प्राप्त करते हैं

Hamming ने Chapter 29 को एक single sentence से बंद किया:

> आप जो मापते हैं वह आप प्राप्त करते हैं।

उन्होंने दो cases के साथ illustrated किया:

- Lines of code: software productivity को lines of code से मापना more code लिखने की incentive बनाता है, न कि better code। Clean, compact, reliable code स्कोर lower metric पर bloated code से।

- Navy readiness: regular schedule पर inspected ships inspections के लिए special preparation receive करते हैं। Day-to-day readiness है नहीं जो मापा जाता है, तो यह optimize नहीं होता।

Pattern: एक बार जब आप एक metric establish करते हैं, लोग underlying goal के बजाय metric के लिए optimize करते हैं। Metric target बन जाता है, चीज को displace करता है जो यह measure करना था।

Physics टेबल

Chapter 30 पूरी किताब को सारांश देता है। Hamming इसे 'You and Your Research' कहा, हालांकि उन्होंने नोट किया कि उन्होंने समान रूप से 'You and Your Career' कहा हो सकते हैं।

महत्वपूर्ण समस्याओं पर काम करना

> अगर आप महत्वपूर्ण समस्याओं पर काम नहीं करते हैं तो आप महत्वपूर्ण काम कैसे करने की उम्मीद कर सकते हैं?

उन्होंने Bell Labs में Physics table पर years के लिए खाया। Conversation fame, promotion, & hired होने के चारों ओर घूमता था। वह Chemistry table में moved, शुरु किया asking: 'आपके field में सबसे महत्वपूर्ण समस्याएं क्या हैं?' अधिकांश answer नहीं कर सकते थे। जो answer कर सकते थे वे उन पर काम नहीं कर रहे थे।

उन्होंने बाद में एक hallway में एक उन chemists को देखा: 'आपने जो कहा उसके लिए मैं सारी गर्मी में सोचता हूँ कि आपके field में महत्वपूर्ण समस्याएं क्या हैं।' वह chemist अपने group का head बन गया। Hamming Physics table से कभी सुना नहीं।

Drive compound interest के रूप में

> Intellectual investment compound interest की तरह है। अधिक आप करते हैं अधिक आप सीखते हैं कैसे करना है, तो अधिक आप कर सकते हैं। एक lifetime पर एक extra hour per day से अधिक कुल output को दोगुना करेंगे।

Open door

उन्होंने observe किया कि closed office doors वाले लोगों को एक year में अधिक काम करता है। लेकिन जिनके पास open doors हैं वे सही समस्याओं पर काम करते हैं। Open door open mind में led। वह cause और effect को prove नहीं कर सकते — वह केवल correlation को देख सकते थे।

Ambiguity tolerance

> महान लोग ambiguity को tolerate कर सकते हैं: वे both believe और disbelieve कर सकते हैं same time पर। आपको में सक्षम होना चाहिए कि आपका field सर्वश्रेष्ठ है जो है, लेकिन also कि सुधार के लिए बहुत जगह है।

Friday afternoons

वर्षों के लिए उन्होंने 10% अपना time: Friday afternoons: पूछने के लिए कि computing कहाँ जा रहा था। न कि answers — सवाल पूछना। उन्होंने यह habit को rapidly changing technology की चेहरे में directional रहने के साथ credit किया।

महत्वपूर्ण समस्याएं Question

Hamming का Chemistry table पर question: 'आपके field में सबसे महत्वपूर्ण समस्याएं क्या हैं, और क्यों आप उन पर काम नहीं कर रहे हैं?'

आपके Friday Afternoons

Hamming किताब को बंद किया:

> examined जीवन जीने योग्य नहीं है। — Socrates

उनकी practical recommendation: एक regular basis पर time set aside करें बड़े questions पूछने के लिए। उन्हें answer करने के लिए नहीं — उन्हें पूछने के लिए। पूछें: मेरे field में सबसे महत्वपूर्ण समस्या क्या है? मेरा field 20 साल में कहाँ जाता है? मैं किस पर काम करूँगा अगर मेरे पास तीन महीने के लिए कोई constraints नहीं थे?

Friday afternoon habit research नहीं था — यह navigation था। यह उसे बहाव से रखता था।