Взгляд на управление: Инженерия — это наука — это инженерия en ru

В предыдущем посте мы обсудили, что инженерия — это творческая деятельность, которая не сводится к исполнению инструкций. Поэтому для управления инженерными коллективами необходимо использовать практики, созданные для творческих коллективов.

А что может быть более творческим, чем вокально-инструментальный ансамбль наука?

Поэтому в этом посте я попытаюсь показать, что инженерия концептуально значительно ближе к науке, чем может показаться на первый взгляд. А также, что в современном мире эти дисциплины всё больше сближаются. Я бы даже поставил на то, что граница между ними сотрётся.

Почему инженерия похожа на науку

Инженеры производят новое знание

В предыдущем посте я говорил, что инженерия производит новую информацию.

В этом же посте я хочу сделать более сильное утверждение и указать, что производимая инженерией информация — это новое знание о мире.

Есть разные определения знания, для наших целей я воспользуюсь следующим:

Знание — это организованная сильно связанная информация, которая позволяет создавать достоверные модели поведения окружающей реальности или может использоваться таковыми моделями.

• Записи о случаях взрыва различных веществ — это информация.
• Формальное описание двигателя с заданным КПД — это знание.

С философской точки зрения, инженерия и наука производят разные виды знания:

• Наука иногда производит концептуально новое знание о мире — как мир работает — структура ДНК, закон всемирного тяготения Ньютона, формула зависимости энергии от массы Эйнштейна.
• Инженерия производит прикладное знание — как сделать конкретную штуку, которая будет взаимодействовать с миром предсказуемым образом — чертёж моста, код блога, который вы сейчас читаете, чертежи большого адронного коллайдера.

Наука накладывает множество ограничений на производимое знание, например, критерий новизны — знание должно быть новым для научного сообщества, а не просто полезным.

Существенная часть знаний, которые производит инженерия, не подходит под эти ограничения. Поэтому можно было бы сказать, что общего между ними нет и закрыть вопрос.

Но я хотел бы обратить внимание на следующие нюансы.

Во-первых, добыча обоих видов знаний происходит однотипно — через исследование пространства решений — и требует одного и того же набора навыков и инструментов.

Поскольку мы говорим о человеческой деятельности, то для нас как раз важнее сходство в инструментах, процессах и типах взаимодействия с конечным продуктом, чем различия в философских определениях его сути. Если что-то выглядит как утка, плавает как утка и крякает как утка, то, скорее всего, это утка.

Во-вторых, де-факто, многие научные дисциплины сейчас производят огромное количество прикладного знания, научная новизна которого стоит под вопросом, если следовать букве закона науки. В то же время, многие инженерные отрасли давно оперируют на фронтире человеческих знаний и двигают его вперёд.

Можно сказать, что границы между научным и инженерным знанием размываются.

Большие языковые модели — это отличный пример синергии и эмерджентности взаимодействия науки и инженерии, переплетения видов знаний:

1. Физики открыли новые свойства полупроводников — наука сдвинула фронтир.
2. Благодаря чему инженеры NVIDIA создали новые вычислительные архитектуры — инженерия сдвинула фронтир.
3. Это позволило учёным сделать несколько концептуальных прорывов в нейронных сетях — наука сдвинула фронтир.
4. После чего инженеры OpenAI отмасштабировали новые сети — инженерия сдвинула фронтир — и мы получили то, что получили.

Я бы даже сказал, что в области искусственного интеллекта граница между наукой и инженерией почти стёрта.

Это даже Elon Musk подтверждает в свойственной ему грубоватой манере:

This false nomenclature of “researcher” and “engineer”, which is a thinly-masked way of describing a two-tier engineering system, is being deleted from @xAI today.

There are only engineers.

Researcher is a relic term from academia.

Инженеры производят модели окружающей реальности

Суть примерно та же, что и в предыдущем пункте, но на чуть более высоком уровне абстракции.

Работа инженера заключается в описании на формальном языке некоторого артефакта, который будет демонстрировать необходимые свойства в заданной среде. Иногда не только в описании, но и в создании — для нужд этого текста это не существенно.

Примеры артефактов:

• Здание, которое будет устойчиво к землетрясениям в 7 баллов по шкале Рихтера, будет иметь уровень энергопотребления не выше X и будет пригодно для проживания при температурах от -30 до +50 градусов. При условии, что оно будет построено на такой-то почве, из таких-то материалов, с такими-то технологиями.
• Программа учёта налогов, которая корректно посчитает налоги согласно законам страны N в таком-то временном интервале, будет работать на платформах Windows и Linux и будет соответствовать таким-то ожиданиям пользователей по безопасности. Требования законодательства, свойства платформ, ожидания пользователей — всё части внешней среды.

Таким образом, инженерное описание артефакта, по сути, является частной моделью реальности — оно неизбежно предсказывает поведение небольшого её кусочка. Как и любая модель, оно имеет область применения, ограничения, допущения, уровень точности и прочее.

Концептуально тем же самым занимается и наука — создаёт модели окружающей реальности, только более глобальные. Поэтому между идиоматическими научными и инженерными моделями существует небольшая разница.

Примеры научных моделей: e = mc^2, теория всего.

Примеры инженерных моделей: чертёж конкретного моста, схема микропроцессора.

Эти различия важны на практике — они могут отражаться в приоритетах, используемых инструментах и процессах — но, на мой взгляд, они не достаточно существенны, чтобы говорить о концептуальной разнице в создании моделей между наукой и инженерией.

Инженеры действуют в условиях неопределённости

Как и учёные.

Невозможность создания чётких инструкций для инженера (см. предыдущий пост) сама по себе предполагает работу в условиях неопределённости. Но я хотел бы дополнительно остановиться на паре моментов.

Инженеры и учёные находятся в одинаковом положении по отношению к обучению и добыче знаний.

Институционализированное обучение отстаёт на 5-20 лет от SOTA практик — это справедливо и для инженерии, и для науки — специалистов для обоих областей готовят в одних и тех же университетах.

Это неизбежное зло институционализированного образования: чтобы написать хороший учебник, создать качественный курс, его автор должен получить практический опыт, а это занимает годы. Не говоря о том, что подготовка и полировка учебных материалов тоже занимает ни один год.

Поэтому специалистам приходится учиться на практике, используя одинаковые практики (извините за невольную тавтологию):

1. систему менторства;
2. конференции и прочий нетворкинг;
3. чтение статей, блогов, книг;
4. эксперименты и исследование.

Существенная разница, пожалуй, только в уровне формализации:

• Наука построила формальную всеобщую систему публикаций, менторства, установила процедуры проведения экспериментов.
• Инженерия использует, в основном, менее формальный подход.

У каждого пути есть свои плюсы и минусы, обсуждение которых выходит за рамки этого поста.

Окружающая среда всегда имеет компонент неизвестности — это также справедливо и для инженерии, и для науки.

В случае науки неизвестность происходит как из неполной информации о мире (например, в физике) так и из самой изменчивости изучаемой среды (например, в биологии или социальных науках).

В случае инженерии неизвестность в основном определяется изменчивостью среды, в которой артефакт будет использоваться:

• Динамикой регуляций (например, в медицине или финансах) — мы должны следить за их изменениями и адаптировать артефакты.
• Динамикой пользовательских предпочтений и поведения — мы не можем быть уверены, что пользователи будут готовы взаимодействовать с новым артефактом так, как они взаимодействовали с предыдущими версиями или аналогами.
• Динамикой техносферы — мы существуем не в вакууме, результат нашей работы должен корректно взаимодействовать с результатами работы других инженеров.

Ещё полвека назад изменения в окружающей среде происходили медленно — часто ими можно было пренебрегать заметное время. Но сейчас темп изменений ускорился на порядки, особенно в разработке программного обеспечения.

На мой взгляд, именно из-за возрастающей скорости изменений в окружающей среде инженерия по духу всё ближе приближается к науке и всё больше отдаляется от классического фабричного производства с исчерпывающими инструкциями — нам всё больше приходится взаимодействовать с новизной.

Инженеры познают реальность через эксперимент

Стороннему наблюдателю (да и многим внутри профессии) может казаться, что эксперимент занимает довольно малую часть инженерной работы. Но это не так.

Те же архитекторы строят макеты зданий не от избытка свободного времени. Не будем забывать и о проведении экспериментов in silico в виде всевозможных расчётов и симуляций: от определения надёжности конструкций до симуляций устойчивости серверной инфраструктуры к (D)DoS-атакам.

Инженеры работают в условиях бо́льшего экономического и временного давления, следуют менее формальным процессам. Это приводит к изменению формы эксперимента и стиранию границы между экспериментом и реализацией.

Во-первых, целью инженера обычно является не создание на 100% SOTA артефакта, а создание «достаточно хорошего» артефакта в заданных ограничениях (по времени, деньгам, ресурсам). Поэтому мы можем пренебрегать частью экспериментов, если мы понимаем, что «хорошо известное» решение будет «достаточно подходящим».

Но это не значит, что экспериментов не было. Прежде чем стать «хорошо известным» решением, это решение прошло через множество реализаций, которые и были экспериментами, подтвердившими его свойства и сделавшими его «хорошо известным».

Во-вторых, мы смотрим на стоимость эксперимента в сравнении со стоимостью исправления последствий ошибки. Если стоимость эксперимента выше стоимости исправления ошибки, то мы можем пренебречь экспериментом как отдельной активностью. Вместо этого мы ставим эксперимент сразу на «живом пациенте».

Для стороннего наблюдателя это может выглядеть как отсутствие эксперимента, но на самом деле это просто более рисковое экспериментирование.

Отчасти именно поэтому разработку ПО часто сравнивают с собиранием самолёта в полёте — мы пробуем решения сразу на запущенных продуктах с готовностью быстро откатить, заменить или доработать внесённые изменения, если данные показывают нежелательный результат.

Соответственно, частью хорошей инженерной работы является организация архитектуры продукта и процессов таким образом, чтобы они позволяли проводить эксперименты быстро и с минимальными издержками.

В настоящее время, в некоторых областях разработки ПО (например, в веб-сервисах, онлайн-играх), возможно организовать работу с постоянно идущими десятками параллельных экспериментов (как бизнесовых, так и технических). И это, само по себе, сейчас считается лучшей практикой.

Почему наука похожа на инженерию

На схожесть инженерии и науки можно посмотреть и с другой стороны.

Поскольку я не учёный и хуже понимаю научную сторону вопроса, ограничусь только базовыми наблюдениями. Было бы интересно услышать мнение профессиональных учёных по этому поводу.

Возрастает доля предсказательных моделей

На мой взгляд, эта тенденция была и до взлёта машинного обучения, но сейчас она стала куда заметней. Особенно, если смотреть на применение глубокого обучения и LLM, у которых проблемы с объяснениями, но огромный потенциал в предсказательной силе, что ведёт к появлению систем вроде AlphaFold или недавней симуляции динамики жидкости от DeepMind.

Я вижу ситуацию так, что наука может быть и хотела бы сосредоточиться сугубо на объяснительных моделях, но реальность сейчас такова, что предсказательные модели зачастую оказываются более полезными и практически применимыми.

Возрастает роль инженерных практик в науке

Сразу два явления толкают науку в сторону большего использования инженерных практик.

Во-первых, усложняются научные инструменты и процессы — это требует выстраивания всё более сложных пайплайнов для проведения экспериментов, сбора и анализа данных.

Научный пайплайн, по сути, является инженерным артефактом (включает в себя устройства, софт, данные, конфигурацию всего этого добра, даже людей), а значит требует инженерных навыков и практик для его создания и поддержки.

Во-вторых, возрастают требования к воспроизводимости научных результатов (причины этого затрагивать не будем), как же как и контроль за их соблюдением.

Это, помимо научных практик, направленных на воспроизводимость экспериментов, требует использования инженерных практик, направленных на воспроизводимость артефактов, которые сопровождают научные эксперименты и научную работу в целом.

В итоге производство инженерных артефактов становится неотъемлемой частью научной работы, что проявляется в разных формах:

• В виде дополнительных требований к публикациям: предоставление работающего кода, данных (понятных и человеку и машине)ж публичные демо как best practice, etc.
• В виде коллаборации над проектами с открытым кодом для создания наборов инструментов с детерминированным согласованным поведением. От библиотек общего назначения вроде SciPy до специализированных наборов инструментария вроде Bioconductor для биоинформатики.
• В виде создания публичных хранилищ стандартизированных наборов данных: Gene Expression Omnibus, Wiki Pathways, etc.

Общие проблемы науки и инженерии

Кое в чём инженерия и наука сближаются, а в кое в чём они уже почти слились воедино, например, в проблемах.

Проблемы эти — следствия родственных целей и методов — настолько заезжены, что я их просто перечислю, без влезания в детали.

Перекос в сторону оглашения позитивных результатов и замалчивания негативных. В науке это известно как проблема публикационного смещения. Инженерия, как всегда, не особо стремится формализовать свои проблемы, но все мы знаем, что ситуация та же. Все любят писать, как круто они чего-нибудь отрефакторили, если метрики положительные, но попробуйте найти пост о неудачном рефакторинге.

Закон Конвея портит жизнь людям в обеих областях. Организационная структура влияет и на то, что вы исследуете, и на то, что вы проектируете.

Общие этические проблемы: как не навредить, как сохранить данные людей в безопасности. Масштаб этих проблем примерно одинаков.

Оценка компетенции коллег — особенно на высоком уровне, когда человека нужно судить не по знанию стандартизированного базиса, а по способности к обучению, к оперированию мета-понятиями, к организации труда и управлению знаниями, к принятию долгоиграющих решений и действиям в условиях неопределённости, etc.

Индекс Хирша — интересный и полезный инструмент для решения этой проблемы, но он далеко не идеален — имеет свои недостатки.

Прозрачность работы коллективов — как для их сотрудников, так и для внешних наблюдателей. Никто не знает, чего там конкретно делают как вон-те-вон инженеры, так и вон-те-вон учёные.

Допустим, инженерия и наука близки

Надеюсь, я достаточно убедительно показал, что это так.

Что же из этого следует?

То, что мы можем учиться друг у друга, заимствовать успешные практики.

Не мне учить учёных, что заимствовать у нас, инженеров, зато у меня есть некоторые мысли по поводу того, что мы, инженеры, можем заимствовать у учёных.

Про это поговорим в следующем посте.