Drie fasen van computertoepassing
Hamming's Hoofdstuk 5 opent met een terugblik: zijn 30-jarige serie lezingen op IBM-trainingsbijeenkomsten voor klanten dwong hem trends te begrijpen in plaats van alleen feiten. Het dezelfde lezing herhaaldelijk voorbereiden vereiste dat hij de vakgebied vooruit bleef, niet alleen actueel bleef.
Hij identificeerde drie opeenvolgende fasen in hoe computers werden toegepast:
Fase 1: Hardwarebeperkingen (Hoofdstuk 3). Vroeg computergebruik werd beperkt door wat de machine kon doen — geheugen was schaars, cycli waren duur, betrouwbaarheid was onzeker. Toepassingen werden gekozen om in de hardware te passen.
Fase 2: Softwarebeperkingen (Hoofdstuk 4). Naarmate hardware verbeterde, werd programmering het knelpunt. Toepassingen werden beperkt door wat efficiënt kon worden gecodeerd.
Fase 3: Economie & toepassingen (Hoofdstuk 5). Tegen eind jaren 80 was hardware goedkoop genoeg & software krachtig genoeg dat de vraag werd: wat zouden computers moeten doen? Economie & organisatorische capaciteit bepaalden welke toepassingen werden gebouwd.
Deze faseverschuiving is belangrijk: elke fase vereiste volledig verschillende vaardigheden van beoefenaars. Een briljante hardware-ingenieur uit Fase 1 die zijn mentale model nooit bijwerkte, werd nutteloos in Fase 3.
Vroegste toepassingen
Computing begon met astronomische berekeningen, dan 'getallenkraken' in fysica & engineering. Raymond Lull (1235–1315), een Spaanse theoloog, bouwde een logische machine — de eerste toepassing van computing op niet-numerieke redeneering. Jonathan Swift satiriseerde dit in Gulliver's Travels (het eiland Laputa). Hamming traceerde deze lijn van Lull door symbolische manipulatie naar wat zou worden: machine learning.
De S-curve van technologieadoptie
Elke grote technologie volgt een karakteristieke baan: trage initiële adoptie, snelle versnelling, verzadiging. Hamming noemde dit het S-curve patroon.
Fase 1 van elke technologie: heroïsche demonstratie. Een klein aantal enthousiastelingen demonstreert dat de technologie werkt. Vooruitgang hangt af van individueel briljantie & tolerantie voor onbetrouwbaarheid.
Fase 2: snelle adoptie. De technologie wordt betrouwbaar genoeg voor algemeen gebruik. Infrastructuur bouwt zich eromheen. Standaarden ontstaan. Het beperkende factor verschuift van technisch naar organisatorisch.
Fase 3: verzadiging. De technologie bereikt volledige penetratie van haar adresseerbare markt. Verdere verbetering levert afnemende opbrengsten op. Nieuwe S-curves beginnen voor vervolgerstechnologieën.
Voor computing: Fase 1 = ENIAC-tijdperk (1940s–1950s), Fase 2 = mainframecommercialiteit (1960s–1970s), Fase 3 = persoonlijke computing nadert verzadiging (1980s–1990s). Hamming schreef tijdens de overgang van Fase 2 naar Fase 3 voor mainframes, terwijl persoonlijke computing nog steeds in zijn Fase 2 was.
Het gelijkwaardige productinzicht (eerst gesteld in Hoofdstuk 2) is direct van toepassing hier: bij Fase 2, succesvolle computerisering produceert een gelijkwaardig baan, niet dezelfde baan. Organisaties die probeerden bestaande workflows te computeriseren zonder ze opnieuw in te richten, slaagden vaak niet of onderpresteerden.
Jezelf op de S-curve plaatsen
Hamming's S-curve inzicht heeft een praktische implicatie: de vaardigheden & strategieën die slagen in Fase 1 (heroïsch, experimenteel, hoge tolerantie voor mislukking) verschillen van die nodig in Fase 2 (betrouwbare levering, standaardnaleving, organisatorische integratie) en Fase 3 (optimalisatie, kostenreductie, platformconsolidatie).
Wanneer gedeelde gegevens niet werken
Hamming vertelde een verhaal uit zijn tijd toen hij een audit op hoog niveau uitvoerde van Boeing's computercentrum. Boeing's management geloofde dat zij collaboratief ontwerp hadden opgelost: alle ingenieurs zouden hun huidige ontwerptoestand naar een gedeelde tape schrijven. Iedereen zou lezen van deze enkele bron van waarheid. Coördinatieprobleem zouden verdwijnen.
Het werkte niet.
De reden: wanneer een team een optimalisatiestudie voert (bijvoorbeeld vleugels & profiel varieert om slepen te minimaliseren), hebben zij een vaste basislijn nodig om veranderingen tegen te meten. Als de gedeelde tape continu bijgewerkt wordt met wijzigingen van andere teams, een verbetering die een team meet zou werkelijk kunnen weerspiegelen dat iemand anders verandering tussen hun iteraties invoegde — niet hun eigen ontwerp beslissing.
De oplossing die teams in praktijk aannamen: elke groep, wanneer een optimalisatiestudie begon, maakte een snapshot kopie van de huidige tape. Ze gebruikten die bevroren kopie gedurende hun studie, negeerden updates. Alleen wanneer tevreden met hun nieuw ontwerp schreven zij terug — dan reconcilierend met iedereen anders veranderingen.
Hamming's conclusie: je kunt geen continu veranderde database gebruiken voor een optimalisatiestudie. De optimalisatie vereist een stabiele toestandsruimte; een veranderlijke gedeelde staat introduceert fantoomcorrelaties.
Gegevensbanken
Computers werden gepromoveerd als de oplossing voor organisatorische gegevensproblemen. Hamming was sceptisch. Hij citeerde reserveringssystemen van luchtvaartmaatschappijen als werkelijk succesvol (het coördinatieprobleem is echt, het gegevensmodel is eenvoudig, & consistentie is strikt vereist). Maar managementinformatiesystemen die managers 'de huidige status van het bedrijf in realtime' beloofden presteerden consistent onderachtig: de gegevensmodellen waren te complex, gegevenskwaliteit te slecht, & interpretatie te dubbelzinnig.
Stabiele basislijn vs live gegevens
Het Boeing-probleem illustreert een algemeen principe dat Hamming impliceerde: optimalisatie vereist een stabiele kostenfunctie geëvalueerd op een vaste toestandsruimte. Een gedeelde veranderlijke staat schendt de vaste-toestandsruimte-vereiste.
Dit principe strekt zich uit voorbij software. In elk optimalisatieproces — bedrijfsstrategie, experimenteel ontwerp, modeltraining — het isoleren van de variabele onder studie vereist controle over alle anderen.
Patroonherkenning als volgende grens
Tegen 1993 identificeerde Hamming patroonherkenning als de grote volgende uitdaging voor computing. Hij onderscheidde twee types:
Klassieke patroonherkenning: een invoer vergelijken met een opgeslagen template. Gezichtdetectie, OCR (optische tekenherkenning), handtekenningverificatie. Deze geven algoritmische oplossingen toe zodra de templateverzameling is gedefinieerd.
Echte herkenning: een kind herkent 'stoel' over duizenden verschillende vormen, materialen, maten, & oriëntaties, zonder de meeste ervan ooit eerder te hebben gezien. Geen expliciete template dekt de generalisatie. Hamming behandelde dit als een open probleem — het gat tussen klassieke patroonmatchning & echte herkenning was niet een kwestie van meer gegevens of snellere hardware. Het vereiste verschillende fundamenten.
Hij framde dit in termen van de mislukking van expertsystemen: onderzoekers dachten dat zij beslissingsregels van deskundigen konden extraheren & deze in programma's konden coderen. Expertsystemen werkten in nauwe domeinen maar mislukte in complexe, deels omdat menselijke deskundigen patronen gebruiken die zij niet kunnen uitspreken. De onbewuste patroonbibliotheek gebouwd over jaren praktijk kan niet worden geëxtraheerd door interviews.
Hamming's voorspelling (1993): echte patroonherkenning zou fundamenteel verschillende rekenbenaderingen vereisen. Hij gebaarde naar neurale netwerken maar was voorzichtig — niet overtuigd dat de toen-huidige neurale netwerken het gat zouden dichten.
Het dezelfde gesprek 30 jaar geven
Hamming beschreef een praktijk die hem meer opbrengst gaf dan bijna iets anders in zijn professionele leven: het dezelfde gesprek herhaaldelijk geven.
Hij werd uitgenodigd om te spreken op IBM-trainingsbijeenkomsten voor klanten rond 1960. Hij koos ervoor om een gesprek te geven over De geschiedenis van Computing tot het jaar 2000 — een onderwerp waarover hij werkelijk onzeker was, wat hem dwong werkelijke standpunten te ontwikkelen. Hij gaf varianten van dat gesprek twee of drie keer per jaar gedurende 30 jaar.
De voordelen die hij identificeerde:
Actueel blijven: het dezelfde gesprek herhaaldelijk geven dwong hem het regelmatig bij te werken. Hij kon geen oud gesprek geven zonder zichzelf beschaamd voor publiek dat het veld volgde.
Trendherkenning: het updateproces dwong hem naar trends te zoeken, niet alleen naar gebeurtenissen. Wat veranderde in het afgelopen jaar, en in welke richting? Herhaalde update vereiste een model van het veld, niet alleen een catalogus van feiten.
Openbare spreekvaardigheidsvaardigheid: praktijk verminderde angst & verbeterde levering. Hij werd niet langer bang om gesprekken te geven; hij werd een gepolijste spreker door herhaling in plaats van talent.
Netwerk: een consistent onderwerp bouwde een reputatie. Mensen associeerden hem met computertrends. Uitnodigingen vermenigvuldigden.
Zijn observatie: hij had deze praktijk kunnen verwerven door geluk — maar hij maakte het geluk door actief sprekingskansen na te streven, dan de discipline te gebruiken om ze systematisch te gebruiken.
Doelbewuste praktijk & carrièrekapitaal
Hamming's 30-jarige gesprek was een instantie van doelbewuste praktijk toegepast op intellectueel werk: een systematische, herhaalde oefening met feedbackcycli die samenvattende vaardigheid over tijd bouwde.
De structuur: (1) toezegging aan een onderwerp aan de rand van je kennis; (2) geef een gesprek, wat je dwingt het te kennen; (3) ontvang feedback (publieksrespons, vragen die je niet kon beantwoorden); (4) update het gesprek; (5) herhaal.
Elke cyclus voegt aan een model. Elke update dwingt contact met nieuwe gegevens. Elke publieks vraag onthult een gat. Over 30 jaar, het model wordt diep.
Hardware, software & toepassingen verbinden
Hoofdstukken 3, 4, & 5 vormen een progressie. Hamming bouwde het argument over drie lezingen:
Hoofdstuk 3 (Hardware): fysieke grenzen beperken wat machines kunnen doen. Drie wetten — moleculaire grootte, lichtsnelheid, hitte — stellen ceilings die geen engineering kan verwijderen.
Hoofdstuk 4 (Software): menselijke grenzen beperken wat programma's kunnen doen. Talen ontworpen voor logische elegantie mislukken; talen ontworpen voor menselijke psychologie overleven. Abstractielagen stapelen, elk oplossend van vorige laag pijn.
Hoofdstuk 5 (Toepassingen): economische & organisatorische grenzen beperken wat wordt gebouwd. Technologie volgt S-curves. Gedeelde veranderlijke staat breekt optimalisatie. Patroonherkenning blijft een open uitdaging.
Het unifiërende thema: grenzen verschuiven. De beoefenaar die hun model bijwerkt van wat de huidige bindende beperking is — en hun vaardigheden dienovereenkomstig positioneert — presteren consistent beter dan één die optimaliseert voor de beperkingen van gisteren.
Hamming's carrièrelessen uit het 30-jarige gesprek: het dezelfde gesprek herhaaldelijk geven dwong hem trends te begrijpen. Het mechanisme was niet het gesprek zelf maar de voorbereiding cyclus: wat veranderde, in welke richting, en waarom? Herhaalde voorbereiding bouwde een model dat eenvoudig lezen niet kon.
Wat is de huidige bindende beperking?
In Hamming's raamwerk, heeft elke era een bindende beperking: de limiet die, als verwijderd, vooruitgang het meest zou versnellen. In de 1940s: hardwarespoed. In de 1970s: softwarecapabiliteit. In de 1990s: economie & organisatorische capaciteit.