Каждый, наверное, хотя бы раз слышал о такой диаграмме, как Hype Cycle от компании Gartner. Данная диаграмма используется для объяснения и прогнозирования развития возникшей ситуации с целью определения ее влияния на какие-либо процессы. Иногда ее называют циклом зрелости или циклом ожиданий, в зависимости от того, какую ситуацию рассматривают. Согласно этой диаграмме, ситуация развивается последовательно по кривой, проходя определенные этапы, каждый из которых характеризуется различным отношением к данной ситуации: триггер (то, что спровоцировало ситуацию и ее развитие), пик ожиданий, дно разочарования, склон просветления, плато продуктивности.

Чисто математически, данная кривая не что иное, как график типичного переходного процесса от одного состояния к другому. Переходный процесс может быть как с большим перерегулированием (многократное повторение пиков ожидания и дна разочарований), так и апериодическим (т.е. с выходом сразу на плато продуктивности). Из математики мы знаем, что, чем быстрее выход на установившийся режим, тем больше перерегулирование. То есть применительно к Hype Cycle  – чем быстрее мы хотим выйти на плато продуктивности, тем больше пиков ожиданий и разочарований придется пройти. Причем тут численное моделирование?

Несмотря на то что технологиям численного моделирования уже более полвека, наибольшее развитие и популяризацию они получили в 2000х годах в связи с серьезным ростом производительности и снижением стоимости вычислительных ресурсов – численное моделирование стало доступно не только крупным корпорациям и научным центрам, но и малому бизнесу. Поэтому появление такого нового инструмента спровоцировало определенный ажиотаж, развитие которого в точности проходит по диаграмме Hype Cycle – технологии численного моделирования часто рассматривают, как «волшебную кнопку», по команде которой можно решить любую конструкторскую или научную проблему. И какого же наступает разочарование после осознания действительности, что инвестиции в ПО и расчетный аппаратный комплекс – это еще не залог успеха.

Для эффективного применения технологий численного моделирования требуется серьезная работа по изучению инструмента (обучение), пересмотру имеющихся руководств и бизнес процессов (методологии), проведению верификации и валидации используемых инструментов применительно к их задачам. Все это выводит на плато продуктивности и позволяет достигать положительных результатов. Как быстро Вы выйдете на это плато, насколько это плато будет соответствовать начальным ожиданиям, как много раз Вы упадете на дно разочарований – зависит от Вас. Обратитесь к нам за консультацией и мы поможем Вам проводить численное моделирование максимально эффективно.