Нам нужна своя школа. До тех пор, пока мы будем копировать западных инфлюенсеров, мы всегда будем догонять и палить деньги.

#потокиценности #цифровыедвойники

Решая прикладную задачу, я углубился в картирование потоков создания ценности. Моя задача — дать рекомендации по инкапсуляции при разработке API для сервисов. Я нашёл несколько инсайтов, но это тема для отдельного, непростого разговора.

Этот пост о другом. В настоящее время я наблюдаю несколько активностей по разработке цифровых двойников. Максимум, чего хотят «заказчики», — это двойники процессов или производственных линий.

Прежде чем озвучить свои выводы, приведу пару цитат из книги "Mapping the Total Value Stream: A Comprehensive Guide for Production and Transactional Processes», Mark a. Nash and sheila r. Poling:

"In organizations that use traditional methods for mapping their processes, the outcome can very easily become a stitched-together picture of each worker’s own perception added to all the other employees’ thoughts as to how the process works."

"Not seeing the whole picture can result in 'analysis paralysis,' or it can create a situation where project teams are constantly suboptimizing processes by attacking only what they think is important."

Выводы из моих наблюдений:
- Проблемы (боли) проявляются в процессах, но часто это лишь симптомы.
- Создание цифровых двойников только процессов не позволит получить целостный, холистический взгляд на компанию, начиная от её целей, и будет приводить к принятию субоптимальных решений (про ценности не говорю: в нашей культуре это лозунги, в которые никто не верит).
- Компании готовы платить только за устранение болей (only what they think is important). В результате они (вечно) будут устранять симптомы, а не причины проблем.

Прямо сейчас наша индустрия переживает стремительные изменения, связанные с внедрением AI-агентов.

Необходимо успевать адаптироваться к этим изменениям, что существенно влияет на планы, включая фокус исследований и развитие контента на этом канале.

AI-агенты конструктивно представляют собой те же функциональные узлы или модули: они реализуют определенные (бизнес-) функции, инкапсулированы и имеют интерфейсы. Они также эволюционируют, их интерфейсы развиваются, и их необходимо размещать в определенных окружениях на соответствующей инфраструктуре.

Как можно заметить из вышесказанного, AI-агенты, если абстрагироваться от новых технологий и компетенций, ничего принципиально нового в промышленную архитектуру не привносят.

Можно, конечно, представлять AI-агентов в виде чёрных ящиков и полностью игнорировать этот тренд, но мы помним, что инженерия — это: «Творческое применение научных принципов для проектирования или конструирования машин, аппаратов или производственных процессов или эксплуатации их с полным пониманием их устройства; или прогнозирования их поведения…»

https://news.1rj.ru/str/IndustrialSoftwareArchitecture/45

А для полного понимания их устройства важны детали. Ими я и буду делиться, помимо прочего, в дальнейших постах.

Мой следующий (контентный) пост будет о том, почему известные методы картирования потоков создания ценности (value stream mapping) не дают ответа на вопрос, как отразить потоки именно ценности и какое отношение это имеет к AI-агентам

Дам немного книг.

Книга, которую можно считать бестселлером по VSM, на которую ссылаются в большинстве источников по теме: "Learning to See: Value Stream Mapping to Add Value and Eliminate MUDA 1st Edition", by Mike Rother, John Shook.

https://www.amazon.com/Learning-See-Stream-Mapping-Eliminate/dp/0966784308/

У неё есть неплохой, с моей точки зрения, перевод: "Учитесь видеть бизнес-процессы. Построение карт потоков создания ценности", Майк Ротер, Джон Шук.

https://www.litres.ru/book/dzhon-shuk/uchites-videt-biznes-processy-postroenie-kart-potokov-sozdaniya-16898027/

Пререквизитом к этой книге я бы порекомендовал классику, причём сразу в переводе: "Бережливое производство: Как избавиться от потерь и добиться процветания вашей компании", Джеймс Вумек, Дэниел Джонс.

https://www.litres.ru/book/dzheyms-vumek/berezhlivoe-proizvodstvo-kak-izbavitsya-ot-poter-i-dobitsya-17356452/

Включаю эту книгу в "Гигиенический минимум" для архитекторов. Мы помним, что архитекторы должны владеть системной инженерией, которая представляет собой междисциплинарный подход.

https://news.1rj.ru/str/IndustrialSoftwareArchitecture/59

Без понимания принципов Бережливого производства невозможна эффективная платформизация, а без платформизации, с моей точки зрения, невозможно построение действительно сложных систем.

И в завершение приведу книгу, где можно ознакомиться с особенностями картирования транзакционных потоков: "Mapping the Total Value Stream: A Comprehensive Guide for Production and Transactional Processes 1st Edition", Mark A. Nash.

https://www.amazon.com/Mapping-Total-Value-Stream-Comprehensive/dp/1563273594/

Однако не стоит рассчитывать, что чтение этой книги принесёт яркие озарения.

Пару воскресных постов, философско-юмористических

Все, вероятно, знают о двойной бухгалтерии. Так вот, уверен, что везде, где есть арх советы, есть и двойная архитектура.

Первая модель, на которой я увидел различные типы поведения людей, — типология DISC. Это весьма упрощённая модель, но она тем не менее работает.

Достаточно двух часов изучения DISC, чтобы научиться различать поведенческие модели окружающих.

Однако только сейчас, в диалогах с умным человеком, я осознал: различия касаются не просто поведения, но, что важнее, — моделей мира в наших головах.

Кто-то мыслит формулами в Excel, научными и инженерными принципами. А кто-то в одном предложении соединяет Бога, астрологию, энергию и Упанишады.

Кто-то строит планы, просчитывает риски, управляет финансами и получает озарения как результат напряжённой умственной работы. А кто-то танцует с бубнами и черпает инсайты из Космоса.

Можно спорить, но, похоже, обе модели работают одинаково эффективно — при одном условии: носители столь разных моделей должны чего-то в равной степени страстно хотеть и одинаково упорно трудиться.

С практической точки зрения, каждая модель по-своему ведёт к успеху, но к разному. А это наводит на мысль: один из важнейших навыков лидера — объединять в команде людей с разными моделями мира так, чтобы они не конфликтовали, а дополняли друг друга.

Поделюсь открытием, возможно, важнейшим для меня в этом году.

Внедрение Agile усилило корпоративные войны и привело к разрозненности бизнес-вертикалей.

Важно отметить: война — это крайний инструмент политики, а политика всегда присутствует там, где есть ресурсы, которые представляют интерес. Иными словами, в корпорациях на протяжении минимум нескольких следующих тысячелетий будут политика и войны. Это просто нужно учитывать, чтобы принимать адекватные реальности решения.

Так вот, чуть ли не единственное место, где можно увидеть картину (устройство корпорации) в целом, а не из глубины (бизнес/продуктовых) колодцев, — это корпоративная архитектура. И это потому, что у (функции) корпоративной архитектуры есть соответствующие модели. Холистические модели есть и у стратегов, но в них не хватает важных деталей.

Таким образом, хочу заключить, что корпорации, которым хватило коллективного разума не уничтожить корпоративную архитектуру и не посадить архитекторов на бочку с порохом, по моему мнению, могут получить определённые конкурентные преимущества. Ну а кандалы всегда можно снять.

Об этом не скажут на конференциях и курсах по высоконагруженным приложениям, и тем более на курсах по системному дизайну: самое главное, что нужно делать для повышения производительности, — это UX, который позволяет выиграть время или отсрочить выдачу результата.

Кстати, системный дизайн вовсе никакой не системный. Это однобокая, узкая дисциплина, которая рассматривает всего пару-тройку аспектов системы.

#микросервисы #оркестрация #хореография #DevOps

К дискуссиям о корнях микросервисов, оркестрации с хореографией и DevOps, и их взаимном сочетании.

Существует несколько точек зрения на этот счёт. Некоторые считают, что оркестрация и хореография «появились» благодаря микросервисам, что оркестрация возникла с Кубернетесом, а микросервисы — с DevOps. Коллег, придерживающихся таких взглядов, переубедить практически невозможно, но я всё же выскажу своё мнение.

Оркестрация и хореография — два (и только два) подхода к организации и координации взаимодействия (их можно комбинировать). Эти подходы стали широко известны в контексте SOA, но, возможно, упоминались и ранее в других распределённых архитектурах. Проводил исследование, пытался найти первое упоминание, но пока безуспешно.

С началом массового применения продуктового подхода в начале 2010-х, а также Agile, который стал востребован в продуктовой разработке из-за необходимости в гибкости для тестирования гипотез, пивотов и адаптации в целом, проявились ограничения SOA — точнее, не самой SOA, а существующих оргструктур и PDLC (SOA актуальна и сейчас). В итоге многие стали адаптировать SOA под новые реалии, в том числе и ваш покорный слуга (SOA Certified Architect)

Два инфлюенсера, Льюис и Фаулер, заметили изменения в SOA, решили застолбить за собой тренд и придумали новый архитектурный стиль — микросервисы. В 2014-м году они закрепили это в статье https://martinfowler.com/articles/microservices.html

Затем, в 2015-м году другой инфлюенсер, Сэм Ньюман, написал книгу https://www.amazon.com/Building-Microservices-Designing-Fine-Grained-Systems/dp/1491950358/ — и началось...

Концепция DevOps начала формироваться в конце 2000-х годов, а официально оформилась — в 2009-м году, когда Патрик Дебуа провёл первую конференцию DevOpsDays в Бельгии. Продуктовый подход без DevOps просто не «взлетает». Нужно быстрее выкатывать (продуктовые) инкременты и мониторить «сложное», а микросервисы, к сожалению, именно так это называется, с их мелкой нарезкой делают системы сложнее. Поэтому DevOps также стал очень востребован.

Пруфов со ссылками на первоисточники почти не будет — это уже тянет на статью. Пусть это останется моим персональным мнением.

Уважаемые друзья!

Предыдущий пост был прощанием с уходящей эрой. В ближайшие годы разработка изменится до неузнаваемости.

Где-то в 2030 году мы увидим:

Gartner:

- Заявит, что в 70% компаний агенты уже внедрены, но ощутимого бизнес-эффекта нет.
- Представит классификацию агентов по степени агентности, а LLM — по размеру.
- Нарисует новые квадранты (из спонсоров).

Полемики:

- «Ваши агенты недостаточно агентные!»
- «Ваши LLM недостаточно большие!»

Неохипстеры:

- Откроют для себя оркестрацию через оркестрацию агентов и будут этому учить как отцы-основатели
- Будут спорить до драки, что лучше: микроагенты или монолитные агенты.

Книги (древние) почти никто читать не будет. Тут не изменится ничего.

#оффтоп #изсообщества

Что должен уметь оверквалифицированный специалист в первую очередь?

Мы нередко выполняем работу, результат которой «проявляется» только в будущем. Мы «видим» чуть дальше, потому что понимаем тренды и учитываем массу деталей.

Оверквалифицированным специалистам нужно в первую очередь уметь "продать себя" — объяснить значимость своих решений и действий ещё до того, как появится видимый результат.

Важный момент. Оверквалифицированным специалистам не платят овер. Платят только за то, что нужно прямо сейчас. Мы «несём крест» в своём роде (Art and Science).

Из дискуссии

В последнее время в этом канале, посвящённом инженерии, я публиковал посты не по теме. Я пересматриваю своё видение контента в свете стремительных технологических изменений — и новый контент рождается на ходу. Сегодня я ещё не знаю, о чём буду писать завтра, хотя год назад был уверен, что знаю.

Я снова погружён в научные исследования и работаю над докторской диссертацией — и нахожусь в самом эпицентре этих перемен.

В следующих постах расскажу (без раскрытия коммерческой тайны), каким образом полученные результаты могут повлиять на промышленную инженерию.

Начну с демократизации технологий.

#демократизация

Демократизация [пост 1]

Демократизация технологий — это процесс, при котором новые технологии становятся всё более доступными для широкой аудитории, а не только для узкого круга специалистов или крупных компаний.

Рассмотрим демократизацию технологий на примере нейронных сетей.

Первую нейронную сеть мы обучили в Mathcad, когда я учился в аспирантуре, в 2002 году. Спустя некоторое время меня постигло разочарование в нейронках: обучение моделей было трудным, медленным и слабо масштабируемым.

Тогда я ещё не понимал, что для широкого распространения новых технологий должно пройти время — годы, а иногда и десятилетия. Для демократизации должны сложиться соответствующие предпосылки.

#демократизация

Демократизация [пост 2]

Итак, какую эволюцию прошли нейронные сети, прежде чем любой студент смог начать ими пользоваться.

1. Ранние годы: нейросети — удел учёных

В 1980–90-х нейросети были известны только математикам и исследователям в университетах и научных учреждениях.

- Для создания и обучения моделей нужно было глубоко понимать линейную алгебру, численные методы, теорию оптимизации.
- Обучение на обычных CPU даже простых моделей занимало часы, дни, а иногда и недели.
- Код писали «с нуля» на C/C++, MATLAB или схожих языках — без удобных библиотек.

2. Появление мощных видеокарт (GPU)

- С середины 2000-х стало ясно, что GPU идеально подходят для параллельных вычислений, необходимых для нейросетей.
- NVIDIA начала развивать экосистему CUDA — платформу для запуска вычислений на GPU.
- Однако программировать на CUDA всё ещё было сложно — требовалась высокая квалификация.

3. Эра Python и библиотек

- В 2015–2020 годах появились TensorFlow, PyTorch, Keras — библиотеки с Python-интерфейсом, делающие нейросети доступными даже не-программистам.
- Появились туториалы, курсы, сообщества.
- Началась демократизация нейросетей: теперь программист, студент и вообще любой заинтересованный человек может обучать модели.

Мы проследили эволюцию нейронных сетей, которая сделала их использование доступным для всех, независимо от уровня квалификации (LLM), а обучение — посильным для каждого заинтересованного.

Ранее я упоминал, что в процессе работы над диссертацией испытал разочарование в нейронных сетях. Причина была не столько в сложности и длительности их обучения, сколько в том, что сами по себе они оказались непригодными для решения моих задач. Работал я тогда над повышением эффективности технических диагностов и видел перспективы в применении методов искусственного интеллекта именно в этой области.

Возникает закономерный вопрос: что же я использовал, если не нейронные сети?

Чтобы ответить на него, давайте совершим небольшой экскурс в историю и вспомним несправедливо забытые направления развития искусственного интеллекта — нейрокибернетику и кибернетику «чёрного ящика».

А затем немного поразмышляем о природе экспертных и рекомендательных систем, а также систем поддержки принятия решений.

Таким образом, я хочу немного забежать вперёд и подвести к тому, над демократизацией чего я сейчас работаю, и что вместе с LLM уже даёт весьма обнадёживающие результаты.

#оффтоп

Считаю важным привести цитату из книги «Введение в логику и научный метод», Морриса Коэна:

«Как правило, мы делаем выбор между двумя несовместимыми суждениями, выводя следствия из каждого из них и исключая как ложную ту гипотезу, которая приводит к ложным заключениям, т.е. к результатам, не превалирующим в области обозримых фактов.»

Формальную онтологию, например на языке OWL с синтаксисом Turtle (точней её TBox, где описываются понятия и связи между ними), можно рассматривать как смысловую метамодель, которая задаёт основу для "умных" моделей — например, моделей предметной области, приложений или данных.

Такие модели можно назвать "умными", потому что онтологии позволяют не просто хранить информацию, но и понимать её смысл, а также выполнять рассуждения (reasoning) — то есть получать новые знания на основе уже описанных.

Продолжая предыдущую тему, стоит сказать, что создание семантических моделей, включая онтологии, можно отнести к кибернетике «чёрного ящика».

Важно отметить, что LLM умеют выполнять рассуждения на основе онтологий и делают это весьма неплохо.

А на фронтире (переднем крае исследований) сейчас объединение подходов нейрокибернетики и кибернетики "чёрного ящика" — даже если в публикациях используется другой, зачастую бессистемный, вординг.

Итак, вернёмся к направлениям развития искусственного интеллекта, нейрокибернетике и кибернетике «чёрного ящика».

Выскажу своё персональное мнение.

Я по-прежнему считаю, что может быть всего два очевидных пути развития искусственного интеллекта (хотя современные классификации уже не укладываются в голове):

1. Нейрокибернетика
Создание искусственного «мозга», вдохновлённое нейрофизиологией. Главное — как устроены нейронные сети, как они обучаются и адаптируются. Это путь современных нейросетей.

2. Кибернетика "чёрного ящика"
Здесь мозг рассматривается как система, поведение которой можно смоделировать, игнорируя её внутреннее устройство. Сюда относятся модели представления знаний, базы знаний и экспертные системы, основанные на формальных описаниях и логических правилах. Это инженерия знаний, а не искусственного «мозга».

Сейчас в тренде — нейросети. Но всё громче звучат голоса в пользу инженерии знаний. И, как я уже писал, будущее ИИ — в объединении этих подходов. Прежде всего потому, что LLM прекрасно справляются с интерпретацией моделей представления знаний, особенно если они хорошо структурированы.

LLM - это элемент, которого раньше так не хватало.