اختبار بيانات الموقع بالحالات الحدّية، لا بالمسارات المثالية فقط
عنوان في وسط مدينة مرسومة خرائطها جيدًا لا يخبرك تقريبًا بشيء عن طريقة تعامل نظامك مع طريق ريفي أو حدود متنازع عليها أو استعلام قرب القطبين. اختبر الحالات الصعبة عن قصد.
كيف نتعامل مع النتائج الفارغة والنتائج منخفضة الثقة
هناك إغراء حقيقي، في أي نظام يجيب عن الأسئلة، لإرجاع شيء ما دائمًا بدلًا من الاعتراف بأن سؤالًا ما لا يمكن الإجابة عنه بشكل موثوق. وبالنسبة إلى بيانات الموقع تحديدًا، فإن الاستسلام لهذا الإغراء ضار فعلًا، لأن الإجابة التي تبدو معقولة لكنها خاطئة تكون عمومًا أكثر ضررًا بكثير لأي قرار تغذيه من الاعتراف الصادق بأن البيانات لا تدعم إجابة واثقة.
يصبح المنطق واضحًا بمجرد التعبير عنه مباشرة. فالنتيجة الفارغة، أو النتيجة الموسومة صراحةً بثقة منخفضة، شيء يستطيع التطبيق المصمم جيدًا اكتشافه والتعامل معه عن قصد، بالرجوع إلى طلب توضيح من المستخدم، أو تطبيق قيمة افتراضية أوسع، أو وضع علامة على السجل لمراجعته يدويًا. أما التخمين المصطنع الذي يبدو مثل أي نتيجة واثقة أخرى، دون أي إشارة مرئية إلى أنه كان في الحقيقة مطابقة ضعيفة أو ملتبسة، فلا يمكن اكتشافه أو التعامل معه بشكل خاص على الإطلاق، لأنه من الخارج لا يمكن تمييزه عن إجابة متينة حقًا، إلى أن يتسبب في مشكلة حقيقية ومرئية في مكان ما لاحقًا في سلسلة المعالجة، وغالبًا ما يصعب تتبعها إلى مصدرها الفعلي.
لهذا السبب ينبغي أن يعيد الاستعلام الملتبس أو الذي يتعذر حله إما لا نتيجة على الإطلاق، وإما نتيجة تعكس درجة confidence فيها عدم اليقين الحقيقي بصدق ووضوح، بدلًا من أن تختار أداة الترميز الجغرافي بصمت مرشحًا معقولًا واحدًا من بين عدة مرشحين وتعرضه باليقين الظاهري نفسه الذي تُعرض به مطابقة لا لبس فيها. وينطبق المبدأ نفسه على الدقة: لا ينبغي أن تدّعي النتيجة مستوى دقة أعلى مما تدعمه البيانات فعلًا، حتى تحت الضغط لإعادة شيء يبدو أكثر تحديدًا دائمًا. فالإبلاغ عن city بصدق نتيجة أفضل من الإبلاغ عن house بناءً على تخمين.
بالنسبة لكل من يبني فوق هذا النوع من البيانات، فإن الأثر العملي هو تصميم تطبيقك بحيث يتوقع فعلًا النتائج الفارغة والنتائج منخفضة الثقة ويتعامل معها بسلاسة بوصفها جزءًا طبيعيًا وروتينيًا من نطاق الاستجابات، لا بوصفها حالة استثنائية نادرة تتطلب معالجة منفصلة خاصة تُضاف لاحقًا كفكرة متأخرة. فالنموذج الذي لا يملك إلا مسارًا سعيدًا للنتائج عالية الثقة والمحلولة بالكامل، دون سلوك مدروس لأي شيء آخر، سينكسر في النهاية بطريقة مربكة حين يصادف حتمًا استعلامًا لا تستطيع البيانات حله بثقة فعلًا، وهو أمر يحدث أكثر مما تتوقعه معظم التصاميم الأولية.
إن التحقق من كل من precision وconfidence في كل نتيجة، ووجود سلوك احتياطي مدروس ومقصود لحالات انخفاض أي منهما عن الحد الذي تتطلبه حالة الاستخدام الخاصة بك فعلًا، هو الفرق بين تطبيق يتراجع أداؤه بسلاسة في الحالات الصعبة، وتطبيق ينشر البيانات السيئة بهدوء لأنه لم يُصمَّم أصلًا ليتوقع أي شيء سوى إجابة نظيفة لا لبس فيها.