Penurunan Persamaan Logistik
Kurva-S Hamming memiliki penurunan matematika yang tepat. Mulailah dengan dua pengamatan tentang adopsi teknologi:
1. Tingkat adopsi meningkat seiring adopsi saat ini (dari mulut ke mulut, efek jaringan): dP/dt ∝ P
2. Tingkat adopsi melambat seiring kejenuhan pasar: dP/dt ∝ (1 − P)
Gabungkan: dP/dt = r · P · (1 − P)
Ini adalah persamaan diferensial logistik. Persamaan ini dapat dipisahkan: dekomposisi pecahan parsial memungkinkan integrasi langsung.
Penurunan
Pisahkan variabel: dP / [P(1−P)] = r dt
Pecahan parsial: 1/[P(1−P)] = 1/P + 1/(1−P)
Integrasikan kedua sisi: ln(P) − ln(1−P) = rt + C
ln[P/(1−P)] = rt + C
P/(1−P) = e^(rt+C) = e^C · e^(rt)
Misalkan K = e^C. Selesaikan untuk P: P = K·e^(rt) / (1 + K·e^(rt))
Setara dengan: P(t) = 1 / (1 + e^(−r(t − t₀)))
di mana t₀ = (ln K)/r adalah titik belok.
Titik Belok
Pada t = t₀: P = 0.5. Turunan kedua d²P/dt² = 0: laju pertumbuhan mencapai maksimum. Sebelum t₀: cekung ke atas (berakselerasi). Setelah t₀: cekung ke bawah (melambat).
Menyesuaikan Fungsi Logistik dengan Data
Diberikan dua titik data pada kurva logistik, Anda dapat menyelesaikan untuk r dan t₀.
Adopsi internet: P(1995) = 0.01 (1% rumah tangga AS), P(2005) = 0.70 (70%).
Nilai Jaringan sebagai Hitungan Geometris
Hamming mencatat bahwa aplikasi mendorong adopsi komputasi lebih dari perangkat keras atau perangkat lunak. Aplikasi yang bergantung pada jaringan mengikuti model pertumbuhan tertentu: nilainya meningkat lebih cepat dari biayanya.
Hukum Metcalfe
Nilai jaringan dengan n pengguna sebanding dengan jumlah kemungkinan koneksi antar pengguna:
V(n) = k · n(n−1)/2 ≈ k · n²/2 (untuk n besar)
di mana k adalah nilai satu koneksi. Biaya jaringan: C(n) ∝ n (kira-kira linear terhadap jumlah pengguna).
Rasio nilai terhadap biaya: V/C ∝ n²/n = n. Seiring n bertambah, rasio tersebut tumbuh secara linear. Jaringan dengan 10x lebih banyak pengguna memberikan sekitar 100x lebih banyak nilai dengan hanya 10x biaya.
Gambaran Geometris
Dengan n simpul, jumlah sisi dalam graf lengkap K_n adalah C(n,2) = n(n−1)/2. Ini adalah rumus kombinatorik: pilih 2 simpul dari n. Untuk n=10: C(10,2)=45. Untuk n=100: C(100,2)=4950. Untuk n=1000: C(1000,2)=499.500.
Kurva-S dan Hukum Metcalfe berinteraksi: selama adopsi pesat Fase 2, n tumbuh dengan cepat, dan V(n) tumbuh sebagai n². Titik belok nilai terjadi sebelum titik belok adopsi — nilai berakselerasi mendahului adopsi, menarik lebih banyak adopsi dalam lingkaran umpan balik positif.
Nilai Jaringan pada Berbagai Tingkat Adopsi
Adopsi email: pada 1985 (n=100.000 pengguna), k = $0.01 per koneksi-tahun. Pada 1995 (n=30.000.000 pengguna).
Optimasi sebagai Geometri
Kisah pita Boeing dari Hamming menggambarkan kegagalan optimasi dengan makna geometris yang tepat. Optimasi fungsi f(x) pada suatu lanskap memerlukan:
1. Fungsi f yang terdefinisi dengan baik: tujuan (hambatan, biaya, waktu ke pasar)
2. Lanskap tetap: f dievaluasi pada keadaan yang sama setiap kali
3. Gradien: arah peningkatan paling curam
Ketika lanskap berubah di antara pengukuran, gradien yang Anda estimasi mungkin menunjuk ke arah yang tidak lagi ada saat Anda mengambil langkah berikutnya. Anda menghitung gradient(f₁) tetapi melangkah di lanskap f₂.
Penurunan Gradien
Penurunan gradien standar: x_{t+1} = x_t − α ∇f(x_t)
di mana α = ukuran langkah (laju pembelajaran), ∇f = vektor gradien (turunan parsial).
Kegagalan Boeing: pada waktu t, tim mengukur f(x_t). Pada waktu t+1, tim mengubah x menjadi x_t + Δx. Tetapi basis data bersama juga berubah: f sekarang f' ≠ f. Perubahan yang diamati: f'(x_t + Δx) − f(x_t). Ini BUKAN gradien dari f — ini mencakup suku dari pergeseran lanskap.
Gradien Palsu
Perubahan terukur = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]
= gradien sejati × Δx + pergeseran lanskap
Jika pergeseran lanskap mendominasi: tim bergerak menuju minimum dalam f' yang merupakan maksimum dalam f. Mereka mengoptimalkan hal yang salah — kemungkinan memperburuk desain mereka sementara pengukuran menunjukkan peningkatan.
Mengkuantifikasi Kesalahan Gradien Palsu
Sebuah tim mengoptimalkan hambatan f(θ, s) di mana θ = sudut sayap, s = rentang. Gradien sejati: ∂f/∂θ = −0.5 (hambatan berkurang dengan θ), ∂f/∂s = +0.3 (hambatan bertambah dengan s).
Tim lain secara bersamaan mengurangi berat badan pesawat, yang mengubah fungsi hambatan: f' = f − 0.8. (Badan pesawat yang lebih ringan mengurangi hambatan sebesar 0.8 satuan pada semua konfigurasi.)
Tim pertama mengukur: f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0.8] − f(θ, s) = −0.5·Δθ − 0.8.