Slēptās varbūtības darbplūsmu izmaksas
Rēķins, kuru pilotprojektā neviens neredzēja
Pilotprojekts izskatījās lēts. Tā bija pirmā problēma. Komanda bija pievienojusi mākslīgā intelekta posmu pazīstamam darba procesam: ienākošie dokumenti tika klasificēti, ģenerēts īss kopsavilkums, izvēlēts ieteiktais maršruts, un cilvēks pārskatītājs to apstiprināja vai mainīja. Demonstrācija bija glīta. Modelis šķita kompetents. Tokenu rēķins bija mazāks par pusdienu budžetu, kas lika visiem justies finansiāli nobriedušiem. Kāds pateica vārdu mērogojams, un telpā uz mirkli kļuva bīstami.
Trīs mēnešus vēlāk saruna par izmaksām mainījās. Tokenu rēķins joprojām nebija dramatisks. Slēptās izmaksas bija citur. Pārskatītāji pavadīja papildu minūtes, pārbaudot robežgadījumu rezultātus. Parādījās atkārtotas izpildes, jo viens un tas pats ievads dažkārt radīja pietiekami atšķirīgu atbildi. Izņēmumu rindas auga. Datu komandas izmeklēja, kāpēc viens dokumentu veids mulsina klasifikatoru. Operācijas pievienoja izlases pārbaudes. Juridiskā nodaļa pieprasīja pierādījumus apstrīdētos gadījumos. Vadītāji jautāja, kāpēc cikla laiks kļuvis mazāk prognozējams. Inženieri pievienoja uzvednes, pēc tam aizsardzības, pēc tam rezerves risinājumus, pēc tam uzraudzību, pēc tam izklājlapu, kuru neviens nemīlēja, bet visi atvēra. Darba process nebija eksplodējis. Tas bija ieguvis mainīgumu.
Tās ir varbūtības darba procesu slēptās izmaksas. Modeļa izsaukums ir redzamā patēriņa vienība, bet darbības izmaksas rada nenoteiktība ap šo izsaukumu. Varbūtības komponents var būt noderīgs, spēcīgs un ekonomiski pamatots. Tas var arī novirzīt izmaksas uz pārskatīšanu, saskaņošanu, pierādījumiem, atbalstu, rindu veidošanu, incidentu analīzi, kvalitātes mērīšanu un cilvēka uzmanību. Ja šīs izmaksas nav ieplānotas darba procesā, tās ierodas tik un tā, parasti ar mazāku pacietību.
Tradicionālās darba procesu sistēmas nav ideālas. Tās cieš neveiksmes, novirzās un pārsteidz cilvēkus savā garlaicīgajā veidā. Taču tām bieži ir noderīga īpašība: viens un tas pats ievads, stāvoklis un noteikums mēdz radīt vienu un to pašu rezultātu. Varbūtības sistēmas vājina šo pieņēmumu. Dažkārt tas ir pats mērķis. Tās apstrādā neskaidrību, valodu, attēlus, nekārtīgus dokumentus un izplūdušus nodomus. Labi. Cena ir tāda, ka operācijām jāpārstāj izlikties, ka nenoteiktība ir tikai demonstrācijas detaļa. Tā ir pirmšķirīga izmaksu modeļa sastāvdaļa.
Mainīgums nav ieviešanas detaļa
Varbūtības komponentes ievieš mainīgumu vairākos punktos. Modelis var radīt nedaudz atšķirīgu formulējumu. Klasifikators var novietot robežgadījumu abās sliekšņa pusēs. Meklētājs pēc indeksa atjauninājuma var atgriezt atšķirīgu avotu kopu. Summarizētājs var izlaist detaļu, kas vēlāk bija svarīga recenzentam. Aģents, kas izmanto rīkus, var izvēlēties atšķirīgu izsaukumu secību. Nekas no tā automātiski nav nepareizs. Tas vienkārši ir cits materiāls nekā deterministisks kods. Uztvert to kā parastu kodu tikai tāpēc, ka tam ir API, ir kategoriju kļūda ar rēķiniem.
Mainīgumam ir operacionālas sekas. Tas palielina vajadzību pēc izlases un pārskatīšanas. Tas sarežģī incidentu reproducēšanu. Tas apgrūtina veiktspējas mērīšanu, jo vidējā kvalitāte var slēpt nestabilitāti malās. Tas rada domstarpības starp lietotājiem, kuri redzēja atšķirīgus rezultātus. Tas var padarīt lejupējās sistēmas trauslas, ja tās sagaida stabilu struktūru. Tas var pārvērst vienkāršu pakalpojumu līmeņa līgumu sarunā par varbūtību sadalījumiem, kas ir lielisks veids, kā noskaidrot, kurš telpā patiešām mīl matemātiku.
Pirmās izmaksas ir lēmumu berze. Kad rezultāti mainās, cilvēki pavada laiku, lemjot, vai atšķirībai ir nozīme. E-pasta melnraksts, kas saka to pašu citiem vārdiem, var būt pieņemams. Medicīnisks kopsavilkums, kurā izlaistas zāles, nav pieņemams. Atbalsta klasifikators, kas vienu pieprasījumu novirza citādi, var būt pieņemams. Pabalstu atbilstības skaidrojums, kas maina savu pamatojumu, nav pieņemams. Darbplūsmai ir nepieciešams pielaides modelis: kādas izmaiņas ir nekaitīgas, kādas prasa pārskatīšanu un kādas ir aizliegtas.
Otrās izmaksas ir reproducējamība. Ja klients, pilsonis, revidents vai inženieris jautā, kāpēc pieņemts konkrēts lēmums, organizācijai ir jāspēj reproducēt attiecīgo kontekstu: modeļa versija, uzvedne, izguves kopa, ievaddati, politika, parametri, rīku rezultāti un cilvēka rīcība. Bez šāda ieraksta izmeklēšana kļūst par izrādi. Kāds atkārtoti palaiž uzvedni, saņem citu atbildi, un telpā visi uz savas ādas uzzina, ka mēģinājums vēlreiz nav pierādījums.
Atkārtoti mēģinājumi nav bezmaksas tikai tāpēc, ka tie ir automatizēti
No koda skatpunkta atkārtoti mēģinājumi šķiet lēti. Ja modelis sniedz vāju atbildi, izsauc to vēlreiz. Ja klasifikators ir nenoteikts, prasi vēl vienu paraugu. Ja JSON atbilde ir nederīga, izlabo to. Ja rīka izsaukums neizdodas, izmēģini citu ceļu. Mašīna veic darbu, tāpēc instinkts ir uztvert atkārtotus mēģinājumus kā inženiertehnisku līmi. Varbūtības darbplūsmā atkārtoti mēģinājumi ir politika. Tie nosaka, cik daudz mainīguma sistēmai ir atļauts slēpt, pirms to ierauga cilvēks.
Atkārtotiem mēģinājumiem ir pamatoti iemesli. Pārejoša kļūme nedrīkst apturēt procesu. Nepareizi veidotu atbildi bieži var labot. Otrs piegājiens var uzlabot kvalitāti. Taču atkārtoti mēģinājumi rada arī izmaksas un neskaidrības. Kurš rezultāts tiek uzskatīts par ierakstu. Vai mēs saglabājam visus mēģinājumus. Vai vēlāki mēģinājumi pārraksta agrākos. Vai mēs recenzentam parādām nestabilitāti. Vai atkārtoti mēģinājumi novirza sistēmu uz pārliecinošāk skanošām atbildēm. Vai mēs atkārtojam tikai lētus gadījumus, netīšām palēninot svarīgus gadījumus. Vai mēs ieskaitām atkārtotus mēģinājumus izmaksu un latentuma budžetos. Pazemīgajam atkārtotajam mēģinājumam ir daudz viedokļu, kad vien to ielaiž ražošanā.
Atkārtoti mēģinājumi maina arī stimulus. Ja komandas zina, ka sistēma turpinās mēģināt, līdz rezultāts atbilst gaidītajai formai, tās var nepietiekami ieguldīt ievaddatu kvalitātē, shēmas dizainā, uzvednes ierobežojumos vai deterministiskā priekšapstrādē. Atkārtotais mēģinājums kļūst par mopu. Mopi ir noderīgi. Ēkas stratēģija, kas balstīta uz mopēšanu, ir mazāk iespaidīga.
Labāks modelis ir atteikuma iemeslu klasificēšana. Īslaicīga infrastruktūras kļūme ir viena kategorija. Formatējuma labošana ir cita. Zema ticamība ir vēl viena. Politikas konflikts ir vēl viena. Avota konflikts ir vēl viena. Katrai kategorijai ir vajadzīgi ierobežojumi, ieraksti un eskalācijas noteikumi. Atteikums, kas slēpj nenoteiktību no lietotāja, būtu jāvērtē citādi nekā atteikums, kas vienkārši atkopjas no tīkla traucējumiem. Izmaksas nav tikai skaitļošanas resursi. Tās ir izmaksas par lēmumu, kuru nenoteiktību organizācija ir gatava slēpt.
Izmētājumu rinda ir īstā arhitektūras shēma
Katrs varbūtīgs darbplūsmas modelis agri vai vēlu atklāj savu īsto dizainu caur izmētājumu rindu. Ne jau veiksmīgo ceļu. Veiksmīgais ceļš ir vieta, kur shēmas dodas, lai izskatītos noderīgas. Izmētājumu rinda parāda, kurus gadījumus sistēma nesaprot, kuri ievaddati ir nekvalitatīvi, kuri politikas konfliktē, kuriem lietotājiem nepieciešams atbalsts, kuri sliekšņi ir nepareizi un kuri solījumi doti pārāk agri.
Ja izmētājumu rinda ir labi izveidota, tā kļūst par mācīšanās virsmu. Gadījumi tiek kategorizēti, atlasīti izlases veidā, izskatīti atbilstošās lomās, saistīti ar avota datu labojumiem, piesaistīti politikas izmaiņām un ievadīti atpakaļ vērtēšanā. Ja tā ir slikti izveidota, tā kļūst par purvu. Sarežģīti gadījumi guļ uzkrāto darbu sarakstā. Vērtētāji izdomā vietējus ieradumus. Vadītāji redz tikai apjomu. Inženieri redz tikai kopējo kļūmju līmeni. Lietotāji redz kavēšanos. Modelis paliek noslēpumains, jo organizācija savus labākos pierādījumus noslēpa operacionālajos dubļos.
Izmētājumu izmaksas nav tikai gadījumu skaits. Tās ir to forma. Desmit procentu izmētājumu līmenis var būt pārvaldāms, ja gadījumi ir ātri, zema riska un viegli novirzāmi. Divu procentu izmētājumu līmenis var būt dārgs, ja katram gadījumam nepieciešama juridiskā interpretācija, nozares izvērtējums, saziņa ar klientu un pierādījumu rekonstrukcija. Vidējais automatizācijas līmenis tāpēc ir aizdomīgs rādītājs. Tas parāda, cik daudz izgāja cauri mašīnai, nevis cik daudz izmaksu mašīna aizstāja.
Izmētājumu dizainam jābūt skaidram. Definējiet ticamības joslas. Definējiet atturēšanos. Definējiet, kuri konflikti aptur darbplūsmu. Definējiet, kuras lomas var atrisināt kuras klases. Definējiet maksimālo rindas vecumu. Definējiet izlases pārskatīšanu pieņemtajiem gadījumiem, ne tikai neveiksmīgajiem. Definējiet, kas tiek labots, kad izmētājums atkārtojas. Pretējā gadījumā organizācija nav automatizējusi darbu. Tā ir automatizējusi otra, mazāk redzama darba radīšanu.
Varbūtīga izvade liek lejupstraumes sistēmām vienoties
Sistēmas, kas balstās uz programmatūru, dod priekšroku noteiktiem līgumiem. Lauks ir datums. Statusam ir atļautās vērtības. Daudzumam ir precizitāte. Noteikumam ir atzars. Varbūtību izvades bieži nāk kā valoda, ranžējums, ticamība vai daļēji strukturēti minējumi. Lejupstraumes sistēmas tad veido sarunas. Tās parsē. Tās validē. Tās labo. Tās jautā vēlreiz. Tās kartē izplūdušos apzīmējumus uz precīziem stāvokļiem. Tās veido rezerves risinājumus. Katra saruna ir nelielas izmaksas. Pietiekami daudz nelielu izmaksu kļūst par arhitektūru.
Strukturēta izvade palīdz, bet tā nenovērš nenoteiktību. Modelis var radīt derīgu JSON un joprojām izvēlēties nepareizu kategoriju. Tas var aizpildīt katru lauku un joprojām izlaist nosacījumu. Tas var norādīt avotu un joprojām to nepareizi interpretēt. Shēma uztver formas kļūdas. Tā nepierāda nozīmi. Tas ir izplatīts slazds, jo formas kļūdas ir redzamas mašīnām, bet nozīmes kļūdas ir redzamas cilvēkiem. Uzminiet, kuras tiek labotas pirmās.
Lejupstraumes sarunas maina arī atbildību. Ja gadījums tiek novirzīts nepareizi, jo modeļa izvade bija neskaidra un integrācijas slānis minēja, kam pieder kļūda. Modeļu komandai. Platformas komandai. Procesa īpašniekam. Pārskatītājam. Datu komandai. Ikviens var sniegt pamatotu argumentu, un tieši tā jūs zināt, ka darbības modelis trūkst. Varbūtību darbplūsmām ir nepieciešama atbildība robežās, kur nenoteiktība kļūst par sistēmas stāvokli.
Viena praktiska metode ir nošķirt ticamību, pilnīgumu un sekas. Ticamība norāda, cik iespējama ir izvade. Pilnīgums norāda, vai ir pieejami nepieciešamie pierādījumi. Sekas norāda, cik lielu kaitējumu var radīt nepareiza darbība. Izvade ar augstu ticamību, bet trūkstošiem pierādījumiem joprojām var būt jāpārskata. Izvade ar zemu ticamību un zemām sekām var tikt ātri novirzīta. Izvade ar vidēju ticamību un augstām sekām var prasīt eskalāciju. Darbplūsmai nevajadzētu uzskatīt visu nenoteiktību par vienu un to pašu dzelteno krāsu.
Novērtēšana ir atkārtotas darbības izmaksas
Daudzas komandas uzskata novērtēšanu par projekta fāzi. Pirms palaišanas tās izveido testa kopu, palaiž uzvednes, salīdzina izvades, iespējams, novērtē kvalitāti un paziņo par gatavību. Tad realitāte ierodas ar jauniem dokumentiem, jauniem lietotājiem, jaunām robežgadījumu situācijām, jaunu valodu, jaunu politiku un jaunām modeļu versijām. Novērtēšanas kopa sāk novecot. Kā siers, tikai mazāk garšīgs un vairāk iespējams izraisīt sapulci.
Varbūtību darbplūsmām ir nepieciešama atkārtota novērtēšana. Tas nozīmē atlasītus gadījumus, pretrunīgus gadījumus, nesenus ražošanas paraugus, regresijas testu kopas, domēna pārskatu, godīguma pārbaudes, ja tās ir būtiskas, izmaksu un latentuma izsekošanu, kā arī testus, kas darbojas, kad mainās uzvednes, modeļi, izguves indeksi, politikas vai avota dati. Novērtēšana nav vienreizējs vārti. Tas ir darbības budžets, lai zinātu, vai darbplūsma joprojām ir pelnījusi datplūsmu.
Šīs izmaksas pārsteidz cilvēkus, jo pilotprojekts tās slēpj. Pilotprojekta laikā eksperti ir tuvu sistēmai. Viņi pamana problēmas neformāli. Ievades maisījums ir ierobežots. Likmes ir ierobežotas. Ražošanā sistēma kļūst pietiekami garlaicīga, lai eksperti pārstātu skatīties katru izvadi, un tieši tad formālajai novērtēšanai ir jāpārņem vadību. Varbūtību sistēma bez atkārtotas novērtēšanas ir mašīna, kas lēnām tērē uzticību, vienlaikus ziņojot par darbspēju.
Novērtēšanai jābūt arī saistītai ar lēmumiem. Ja kvalitāte krītas, kurš var apturēt. Ja latentums pieaug, kurš izlemj, vai samazināt modeļa izmēru, samazināt atkārtotus mēģinājumus vai palielināt pārskatīšanas kapacitāti. Ja jauns modelis uzlabo vidējo rezultātu, bet pasliktina kritisku apakšgrupu, kurš atsakās no jauninājuma. Ja izmaksas pieaug, jo palielinās izņēmumi, kurš ir atbildīgs par labojumu. Informācijas panelis, kas parāda samazināšanos bez pilnvarām rīkoties, ir tikai dārga laika prognoze.
Cilvēka pārskatīšanai ir rindas teorijas rēķins
Cilvēka pārskatīšana bieži tiek pieminēta kā nomierinoša frāze. Cilvēks paliks procesā. Cik jauki. Kurš cilvēks, ar kādu rindu, kādu kontekstu, kādām pilnvarām, kādu mērķa laiku, kādu eskalācijas ceļu, kādu noguruma modeli un kādu drošības tīklu, kad sistēma piektdien pulksten 16:45 nosūta pārāk daudz robežgadījumu. Cilpai ir loģistika. Loģistikai ir izmaksas. Izmaksām ir patīkama paraža parādīties pēc arhitektūras slaida.
Pārskatīšanas kapacitāte nav lineāra. Neliels nenoteiktu gadījumu pieaugums var radīt lielu gaidīšanas laika pieaugumu, ja pārskatīšanas komanda ir tuvu savai kapacitātes robežai. Rindas teorija ir nežēlīga, bet taisnīga. Ja ienākošā plūsma kļūst mainīgāka un apkalpošanas laiks kļūst mainīgāks, kavēšanās var strauji pieaugt. Varbūtīgas darbplūsmas bieži palielina abus: nevienmērīgāku gadījumu sarežģītību un mainīgāku pārskatīšanas laiku. Organizācija var uzskatīt, ka tā ir automatizējusi astoņdesmit procentus darba, kamēr atlikušie divdesmit procenti klusi nosaka pakalpojuma līmeņa vienošanos.
Pārskatīšanas kvalitāte ir atkarīga arī no konteksta. Ja pārskatītāji redz tikai galīgo atbildi, viņiem pašiem jārekonstruē, kāpēc tā parādījās. Ja viņi redz avotus, pārliecību, politiku, iepriekšējos mēģinājumus un zināmās neskaidrības, viņi var rīkoties ātrāk un labāk. Ja viņus mēra tikai pēc caurlaidības, viņi iemācīsies vai nu pārāk uzticēties mašīnai, vai arī pārāk maz tai pretoties. Cilvēka pārskatīšana nav maģisks šķīdinātājs, ko uzlej pār nenoteiktību. Tā ir kvalificēts darbs, kam nepieciešams dizains.
Slēptās izmaksas ir uzmanība. Cilvēki nevar bezgalīgi pārskatīt bezgalīgu neskaidrību. Nogurums maina standartus. Parādās lokāli ieradumi. Daži pārskatītāji kļūst stingri, citi pragmatiski, vēl citi rezignēti. Darbplūsma sāk radīt atšķirīgus rezultātus atkarībā no tā, kurš saņēma gadījumu. Tad varbūtīgā sistēma tiek vainota nekonsekvencē, ko organizācija pastiprināja pārskatīšanas dizainā. Mašīna piegādāja dispersiju. Cilvēki piegādāja rindas dinamiku. Jauks duets, ja mērķis ir audita sāpes.
Izmaksu uzskaitē jāiekļauj nenoteiktība
Noderīgs izmaksu modelis varbūtīgām darbplūsmām ietver vairāk nekā tikai modeļa izsaukumus. Tas ietver ievades sagatavošanu, izguvi, atkārtotus mēģinājumus, validāciju, pārskatīšanas laiku, izņēmumu apstrādi, izvērtēšanu, pierādījumu glabāšanu, incidentu analīzi, monitoringu, lietotāju atbalstu, uzvedņu un politikas uzturēšanu, datu labošanu un turpmāko remontu. Tas ietver arī iespēju izvēli: izmaksas par modeļa, piegādātāja, uzvednes, indeksa vai darbplūsmas maiņu, kad pašreizējā konfigurācija vairs neatbilst.
Tas nenozīmē, ka varbūtības darbplūsmas ir sliktas. Tas nozīmē, ka tās ir reālas. Daudzas ir vērtas savu izmaksu. Sistēma, kas samazina atkārtotu lasīšanu, vienlaikus atklājot riskantus gadījumus, var būt lieliska. Klasifikators, kas ar nekārtīgu valodu tiek galā labāk nekā noteikumi, var ietaupīt laiku. Apkopotājs, kas ekspertiem sniedz labu pirmo uzmetumu, var uzlabot pakalpojumu. Būtība nav izvairīties no varbūtības. Būtība ir pārstāt slēpt tās darbības budžetu citu cilvēku kalendāros.
Viena noderīga uzskaites metode ir cenu noteikšana pēc gadījumu klases. Tiešās apstrādes gadījumiem ir modeļa, validācijas un izlases izmaksas. Atbalstītie gadījumi pievieno recenzenta laiku. Izņēmuma gadījumi pievieno šķirošanas, speciālista pārskatīšanas un pierādījumu izmaksas. Apstrīdētie gadījumi pievieno reproducēšanas, saziņas un iespējamās novēršanas izmaksas. Uzlabošanas gadījumi pievieno datu vai uzvedņu uzturēšanas izmaksas. Tas pārvērš automatizācijas līmeni bagātākā ainā: ne tikai tas, cik gadījumu skāra mākslīgais intelekts, bet arī tas, kā nenoteiktība mainīja darbu un risku.
Vēl viena metode ir izsekošanas dispersijas budžets. Cik liela izvades mainība šim uzdevumam ir pieņemama. Cik bieži atkārtoti izpildes var atšķirties. Cik izņēmumu dienā rinda var absorbēt. Cik daudz pārskatīšanas laika vienam gadījumam ir ieplānots. Cik daudz pierādījumu jāuzglabā. Cik ātri apstrīdētās izvades jāreproducē. Šie skaitļi nenovērš nenoteiktību. Tie padara to pārvaldāmu.
Determinismam joprojām ir sava loma
Varbūtības sistēmu attīstība nepadara deterministisko inženieriju vecmodīgu. Tā padara deterministiskās robežas vērtīgākas. Izmantojiet deterministisko parsēšanu, ja struktūra ir pieejama. Izmantojiet skaidrus noteikumus, ja politika ir skaidra. Izmantojiet stabilu izguvi, ja avotiem jābūt reproducējamiem. Izmantojiet shēmas, validatorus, galīgos stāvokļus, versētas uzvednes, fiksētas vērtēšanas kopas un reģistrētus parametrus. Izmantojiet varbūtību tai uzdevuma daļai, kurai patiešām nepieciešams spriedums par neskaidrību, nevis tai daļai, kurai vajadzēja tikai kādu, kas uzrakstītu garlaicīgo kodu.
Tas nav tīrība. Tā ir izmaksu kontrole. Katra deterministiskā robeža novērš vienu vietu, kur var izplūst mainība. Darbplūsma, kurā modelis lasa nekārtīgu tekstu, pēc tam deterministiskā validācija pārbauda obligātos laukus, pēc tam noteikumi piemēro zināmo politiku, pēc tam cilvēka pārskatīšana attiecas uz augstas sekas nenoteiktību, parasti būs vieglāk pārvaldāma nekā darbplūsma, kurā modelim lūdz darīt visu un pēc tam brīnās, ka viss ietver vairākus viedokļus.
Determinisms arī uzlabo pierādījumus. Ja noteikums tika aktivizēts, reģistrējiet noteikumu. Ja parsētājs izvilka lauku, reģistrējiet avota atrašanās vietu. Ja izguve sarindoja dokumentus, reģistrējiet indeksa versiju un rezultātus. Ja modelis izveidoja kopsavilkumu, reģistrējiet uzvedni, avotu kopu, modeļa versiju un recenzenta lēmumu. Mērķis nav pārvērst katru darbplūsmu tiesas zālē. Mērķis ir padarīt vēlākos jautājumus atbildamus bez nepieciešamības sasaukt visu inženieru komandu sapulcē, ko sauc par ātro saskaņošanu.
Robeža starp deterministisko un varbūtības darbu ir jānorāda skaidri diagrammās un budžetos. Kurš solis var mainīties. Kurš solis nedrīkst. Kuru soli var atkārtot. Kurš solis ir jāatkārto precīzi. Kuru soli var izskaidrot statistiski. Kuram solim nepieciešams ieraksts. Ja komanda nevar novilkt šo robežu, tā nevar godīgi novērtēt izmaksas.
Mācība
Varbūtēju darbplūsmu slēptās izmaksas nav iemesls no tām izvairīties. Tas ir iemesls tās godīgi ņemt vērā. Izmaksas parādās atkārtotos mēģinājumos, pārskatos, izņēmumos, pierādījumos, novērtēšanā, rindās, atbalstā un lēnākajā darbā, kas saistīts ar lēmumu par to, kāda mainība ir pieņemama. Ja darbplūsma ietaupa laiku veiksmīgajā ceļā, bet to atdod atpakaļ strīdīgos gadījumos un darbības miglā, biznesa pamatojums bija tikai pusrakstīts.
Labas varbūtējas darbības sākas, izturoties pret nenoteiktību kā pret materiālu. Nosauciet, kur tā ienāk. Ierobežojiet, kur tā var mainīties. Ierakstiet pietiekami daudz konteksta, lai lēmumus varētu atkārtoti izspēlēt. Veidojiet izņēmumu rindas kā mācīšanās virsmas. Dodiet pārskatītājiem pilnvaras un laiku. Novērtējiet nepārtraukti. Saglabājiet deterministiskas robežas tur, kur tās samazina izmaksas. Nosakiet cenu izejai un izmaiņām. Lielākā daļa no tā nav iespaidīga. Tā ir zīme, ka tas var izdzīvot ražošanā.
Modeļa izsaukums ir vieglākā rindas pozīcija. Īstais jautājums ir, kas organizācijai jādara pirms un pēc šī izsaukuma, lai iznākumam varētu uzticēties, to apstrīdēt, labot un uzlabot. Varbūtība var padarīt darbplūsmas spējīgākas. Tā var arī padarīt tās mazāk paredzamas. Atšķirība nav maģija. Tā ir darbība, kas joprojām ir vieta, kur iespaidīgas demonstrācijas kļūst vai nu noderīgas, vai dārgas.