رفتن به محتوای اصلی
جونیورJGPTورود یا ساخت حساب
فهرست

آزمایشگاه آزاد؛ بدون نیاز به ورود

احتمال از دست رفتن داده با چند کپی

اگر یک کپی از کار بیفته، شاید نسخه‌ی دیگه هنوز سالم باشه. اما نتیجه به این بستگی داره که خرابی هر نسخه رو مستقل فرض کنیم یا نه؛ این مدل فرض اول رو دارد.

آزمایش رو شروع کن

از سه کپی و احتمال خرابی ۱۰٪ شروع کن. هر کپی رو یک رویداد جدا و مستقل فرض کن؛ خروجی‌ها احتمال‌اند، نه شمارش خرابی‌های واقعی یا ضمانتِ نگه داشتن داده.

آزمایشگاه در حال آماده شدنه…

حالا خودت امتحان کن

هر بار فقط یک چیز رو تغییر بده تا اثرش رو ببینی. قبل از اجرا، نتیجه رو حدس بزن.

سه کپی با احتمال خرابی ده‌درصدی

مقدار شروع رو نگه دار: سه کپی و احتمال خرابی ۱۰٪ برای هر کدوم.

حدست چیه؟ فکر می‌کنی احتمال از دست رفتن هر سه کپی، ۱۰٪ می‌شه یا کوچک‌تر؟

توضیح نتیجه رو ببین

اگر خرابی‌ها مستقل باشند، احتمال خراب شدن هر سه ۰٫۱٪ و احتمال سالم ماندن دست‌کم یکی ۹۹٫۹٪ است. این خروجی نتیجه‌ی فرض‌های مدل است، نه تضمین واقعی.

یک کپی دیگر اضافه کن

احتمال خرابی رو روی ۱۰٪ نگه دار و تعداد کپی‌ها رو از سه به چهار برسون.

حدست چیه؟ با یک کپی اضافه، احتمال از دست رفتن همه چند برابر کمتر می‌شه؟

توضیح نتیجه رو ببین

احتمال خرابی همه از ۰٫۱٪ به ۰٫۰۱٪ می‌رسه؛ ده برابر کمتر. احتمال نجات دست‌کم یک کپی ۹۹٫۹۹٪ است، ولی شکل آن رو به ۱۰۰٪ گرد می‌کنه؛ احتمال از دست رفتن همه هنوز صفر نیست.

احتمال خرابی هر کپی را بالا ببر

تعداد کپی‌ها رو دوباره سه کن و احتمال خرابی هر کپی رو به ۵۰٪ برسون.

حدست چیه؟ با این تغییر، احتمال خراب شدن هر سه کپی چقدر می‌شه؟

توضیح نتیجه رو ببین

احتمال خراب شدن هر سه ۱۲٫۵٪ و احتمال سالم بودن دست‌کم یکی ۸۷٫۵٪ است. بیشتر شدن ریسک هر کپی، حتی با همان سه کپی، نتیجه رو عوض می‌کنه.

پشت این حرکت چه خبره؟

استقلال یعنی یک خرابی روی بقیه اثر نگذارد

P(F) = p^n

اگر p احتمال خرابی یک کپی، n تعداد کپی‌ها و F رویدادِ خراب شدن همه‌ی نسخه‌ها باشه، با فرض استقلال داریم P(F) = p^n. یعنی احتمال خرابی یک کپی رو n بار در خودش ضرب می‌کنیم؛ خرابی یک کپی نباید شانس خرابی بقیه رو تغییر بده.

حداقل یکی سالم، مکملِ خراب شدن همه است

P(S) = 1 - p^n

اگر S رویداد سالم ماندن دست‌کم یک کپی باشه، S مکمل F است. پس احتمال S برابر یک منهای احتمال F است؛ یعنی احتمال نجات، مکملِ احتمال خراب شدن همه‌ی کپی‌هاست.

کپی‌های نزدیک به هم ممکن است مستقل نباشند

اگر چند کپی روی یک دستگاه، حساب یا مکان باشند، یک رخداد مشترک مثل خرابی دستگاه یا دسترسی ناخواسته می‌تونه روی همه اثر بذاره. اون وقت فرض استقلال مدل درست نیست و جواب ممکنه ریسک رو کمتر از واقع نشان بده.

سؤالت رو بپرس، جوابش رو هم ببین

وقتی توی چت دربارهٔ یک مفهوم درس می‌خونی، دستیار هوش مصنوعی می‌تونه شبیه‌سازی مرتبط رو کنار توضیحش نشون بده. پارامترها رو تغییر می‌دی و با کمک توضیح بعدی، نتیجه رو بهتر می‌فهمی.

شروع یادگیری با چت

برای ادامه در چت، وارد مسیر شروع و ورود می‌شی. نتیجهٔ این آزمایش به چت منتقل نمی‌شه.

نمونهٔ نمایشی از آموزش در چت

پرسش تو

اگر چهار کپی داشته باشم، چرا شکل احتمال نجات رو ۱۰۰٪ نشان می‌ده؟

دستیار هوش مصنوعی

برای احتمال خرابی ۱۰٪، احتمال خرابی هر چهار نسخه‌ی مستقل ۰٫۰۱٪ است؛ پس احتمال نجات ۹۹٫۹۹٪ می‌شود. شکل این مقدار رو تا یک رقم اعشار گرد می‌کنه و ۱۰۰٪ نشان می‌ده؛ این فقط گرد کردن است، نه صفر شدن ریسک.

سؤال‌های رایج

چرا احتمال خرابی همه، توانِ احتمال یک کپی است؟

چون مدل خرابی‌ها رو مستقل فرض می‌کنه. برای رخ دادن همه‌ی رویدادهای مستقل، احتمال‌ها در هم ضرب می‌شن؛ مثلاً برای سه کپی، احتمال خرابی هر کپی سه بار در خودش ضرب می‌شه.

چه وقت کپی‌ها مستقل نیستند؟

اگر یک اتفاق مشترک بتواند چند نسخه رو با هم خراب یا حذف کند، خرابی‌ها مستقل نیستند؛ مثلاً وقتی همه روی یک دستگاه یا زیر یک دسترسی مشترک باشند.

آیا ۱۰۰٪ یعنی هیچ ریسکی باقی نمانده؟

نه. نمایش درصد نجات تا یک رقم اعشار گرد می‌شه. مثلاً ۹۹٫۹۹٪ به ۱۰۰٪ دیده می‌شه، اما احتمال از دست رفتن همه هنوز ۰٫۰۱٪ است.

احتمال خرابی برای یک ساله؟

این مدل بازه‌ی زمانی مشخصی نمی‌سازه. احتمال خرابی هر کپی رو به عنوان ورودی می‌گیره و فقط احتمال همه‌خرابی یا نجات حداقل یکی رو از همون مقدار حساب می‌کنه.

این درصد تضمین می‌کنه داده‌هام رو می‌تونم برگردونم؟

نه. مدل فقط خراب شدن کپی‌ها رو می‌شماره؛ نسخه‌بندی، کامل بودن داده، دسترسی به کپی و موفقیت بازیابی رو بررسی نمی‌کنه.