#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).
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).
👍8🔥4👏1😁1🌚1
Forwarded from Eugene Istomin
Думаю, что оставлять свою овер- часть за периметром, "трудоустраивать" её за рамками формальных контрактов и не вносить без запроса.
Открывать своё дело (в любом смысле), писать книгу, диссертацию, вести канал, общаться с людьми - словом, быть свободным человеком, даже если это часть времени, даже если она не приносит денег (в смысле, Luxury).
Овер- это возможность выкупить себя, и быть профессионалом по-выбору, а не по-необходимости. Даже, если это час в день - то это другое качество жизни, чем в тряске найма.
Открывать своё дело (в любом смысле), писать книгу, диссертацию, вести канал, общаться с людьми - словом, быть свободным человеком, даже если это часть времени, даже если она не приносит денег (в смысле, Luxury).
Овер- это возможность выкупить себя, и быть профессионалом по-выбору, а не по-необходимости. Даже, если это час в день - то это другое качество жизни, чем в тряске найма.
🔥12💯2👍1🤔1
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.
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.
❤4🔥1
#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 [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.
👍3
#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.
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.
👍6
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.
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.
👍5
#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.»
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.»
👍2
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».
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».
🤔2
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.
А на фронтире (переднем крае исследований) сейчас объединение подходов нейрокибернетики и кибернетики "чёрного ящика" — даже если в публикациях используется другой, зачастую бессистемный, вординг.
👍2
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.
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.
👍5🥴1
Хочу отметить, что базы знаний — это вовсе не то, о чём часто рассказывают на ИТ-конференциях. Здесь речь пойдёт не о псевдоструктурированных вики-страницах, связанными между собой лишь гиперссылками и структурированными, по сути, только в воображении авторов подобных докладов.
👍2🔥1
Forwarded from Eugene Istomin
Мне важно, что доклад на 104 слайда сделан University of Twente, это один из референс-университетов европейского DeepTech.
Очень круто, что академисты двигают онтологию в новом стиле - Giancarlo Guizzardi является Chair of Semantics, Cybersecurity & Services (SCS) в UT.
Вот его страница, лично я ищу людей, компании подтянутся
Очень круто, что академисты двигают онтологию в новом стиле - Giancarlo Guizzardi является Chair of Semantics, Cybersecurity & Services (SCS) в UT.
Вот его страница, лично я ищу людей, компании подтянутся
Giancarlo Guizzard 1
Giancarlo Guizzardi | Meaningful Computing
This is a website dedicated to academic and professional activities of Prof. Giancarlo Guizzardi on topics of ontology, conceptual modeling, and (data) semantics.
🔥1
Forwarded from Eugene Istomin
5-6 мая Giancarlo Guizzardi с коллегами был на NASA-related форуме onto:Nexus, смотри как один в один по твоим словам
👍2❤1
Intelligent Systems Architecture
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…
Выражу это более современным языком.
Современный взгляд
Сегодня мы наблюдаем слияние двух парадигм: нейронных сетей — статистических машин с вероятностным выводом — и символических систем — с логическим выводом.
Это напоминает работу двух полушарий мозга: левое отвечает за чёткую логику, правое — за ассоциативное мышление, то есть статистику с нечётким соответствием.
Более того, нейро-символическая интеграция уже выделилась в самостоятельное научное направление.
Что это значит для широкой аудитории
- LLM поддерживают креативный, «живой» диалог с пользователем.
- Символические системы (например, онтологии) обеспечивают достоверность и объяснимость вывода.
Что это значит для разработчиков
Пользовательский опыт почти всех программных систем находится на пороге революции, даже если вы не создаёте ассистентов.
Подсказка
Присмотритесь к инструментам вроде Cursor и Windsurf — но не в контексте IDE, а в любых бизнес-доменах. Прибавьте к этому голосовой интерфейс и VR.
Современный взгляд
Сегодня мы наблюдаем слияние двух парадигм: нейронных сетей — статистических машин с вероятностным выводом — и символических систем — с логическим выводом.
Это напоминает работу двух полушарий мозга: левое отвечает за чёткую логику, правое — за ассоциативное мышление, то есть статистику с нечётким соответствием.
Более того, нейро-символическая интеграция уже выделилась в самостоятельное научное направление.
Что это значит для широкой аудитории
- LLM поддерживают креативный, «живой» диалог с пользователем.
- Символические системы (например, онтологии) обеспечивают достоверность и объяснимость вывода.
Что это значит для разработчиков
Пользовательский опыт почти всех программных систем находится на пороге революции, даже если вы не создаёте ассистентов.
Подсказка
Присмотритесь к инструментам вроде Cursor и Windsurf — но не в контексте IDE, а в любых бизнес-доменах. Прибавьте к этому голосовой интерфейс и VR.
❤5🔥2💯1
Forwarded from DeepTech R&I Board (Eugene Istomin)
На примере software design & development это может звучать так:
На задачах design-to-code вывод Gemini 2.5 Flash сильно отличается от Claude 3.7.
Фокус поставлю не на модели и промты - а на просто факт: осознать новый дизайн, новый набросок рефактора сложно не потому, что не понимаешь логику, а в т.ч. потому, что есть бессознательное сопротивление "вестись" просто так на поток генерации.
В реале мы идём обедать, трём на ходу, за кофе, в переговорках - там утрясаем многое, что напрямую не связано с задачей-дизайном-...
Хорошие модели при хороших промтах дают ускорение, превышающее в моменте возможность его грамотно усвоить (кстати, это один из моментов сопротивления к использованию GenAI в целом).
Какой есть вариант? Класть рядом модель-метамодель-онтологию-.., кто что может.
Это позволяет отображать изменения на более абстрактную - и, одновременно, менее пластичную среду. Она является соглашением между человеком и машиной, и GenAI обязуется менять её на приемлемой для человека-команды-... скорости.
По факту, мгновенный рефактор стал возможен, и прежде чем я "допру" до сути всех изменений, мне нужна абстракция, которую мы с GenAI меняем согласованно - и тогда у меня не возникает отторжения на слоях ниже ("да это же просто другой подход-дизайн-....").
Главная особенность написанного выше в том, что всё то же самое будет и за пределами софтовой разработки.
Revit, AutoCAD, ...
Photoshop, ....
2025 год - это первый год, в котором (пере)обучение взрослых людей становится драйвером развития.
В культурном коде, который будет защищать людей от (пере)обучения - заранее прописано "обязуемся содержать тебя, хотя-бы как-то".
При всём уважении к любого вида Союзам - образование взрослых людей это их собственная, персональная ответственность.
—
Modern Design & Development🤝 Your Personal Growth Team!
На задачах design-to-code вывод Gemini 2.5 Flash сильно отличается от Claude 3.7.
Фокус поставлю не на модели и промты - а на просто факт: осознать новый дизайн, новый набросок рефактора сложно не потому, что не понимаешь логику, а в т.ч. потому, что есть бессознательное сопротивление "вестись" просто так на поток генерации.
В реале мы идём обедать, трём на ходу, за кофе, в переговорках - там утрясаем многое, что напрямую не связано с задачей-дизайном-...
Хорошие модели при хороших промтах дают ускорение, превышающее в моменте возможность его грамотно усвоить (кстати, это один из моментов сопротивления к использованию GenAI в целом).
Какой есть вариант? Класть рядом модель-метамодель-онтологию-.., кто что может.
Это позволяет отображать изменения на более абстрактную - и, одновременно, менее пластичную среду. Она является соглашением между человеком и машиной, и GenAI обязуется менять её на приемлемой для человека-команды-... скорости.
По факту, мгновенный рефактор стал возможен, и прежде чем я "допру" до сути всех изменений, мне нужна абстракция, которую мы с GenAI меняем согласованно - и тогда у меня не возникает отторжения на слоях ниже ("да это же просто другой подход-дизайн-....").
Присмотритесь к инструментам вроде Cursor и Windsurf — но не в контексте IDE, а в любых бизнес-доменах
Главная особенность написанного выше в том, что всё то же самое будет и за пределами софтовой разработки.
Revit, AutoCAD, ...
Photoshop, ....
2025 год - это первый год, в котором (пере)обучение взрослых людей становится драйвером развития.
В культурном коде, который будет защищать людей от (пере)обучения - заранее прописано "обязуемся содержать тебя, хотя-бы как-то".
При всём уважении к любого вида Союзам - образование взрослых людей это их собственная, персональная ответственность.
—
Modern Design & Development
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Заметки на инженерных полях
Заметки на полях. Про промпты. Кажется, в ближайшее время с нейросетями будет успешно работать тот кто сможет:
1. Концептуализировать процессы, и их алгоритмы
2. Концептуализировать предметную область
3. Ставить корректно задачи
Т.е. генеративные нейросетки не отменят компетентности. Они упростят распознавание лексики. Если с нейросеткой будет работать некомпетентный специалист, его результат ИИ не особо улучшит.
С другой стороны, очевидно, что будет запрос на такие нейросетки, которые смогут учить их пользователя пользоваться нейросетками =)
Отсюда для себя сделаю вывод чему стоит учиться:
1. Разрабатывать целостные, непротиворечивые описания мира
2. Описывать процессы (алгоритмизация)
3. Соблюдать контекст ведения рассуждения
4. Формулировать цели,
5 Декомпозировать цели на задачи
1. Концептуализировать процессы, и их алгоритмы
2. Концептуализировать предметную область
3. Ставить корректно задачи
Т.е. генеративные нейросетки не отменят компетентности. Они упростят распознавание лексики. Если с нейросеткой будет работать некомпетентный специалист, его результат ИИ не особо улучшит.
С другой стороны, очевидно, что будет запрос на такие нейросетки, которые смогут учить их пользователя пользоваться нейросетками =)
Отсюда для себя сделаю вывод чему стоит учиться:
1. Разрабатывать целостные, непротиворечивые описания мира
2. Описывать процессы (алгоритмизация)
3. Соблюдать контекст ведения рассуждения
4. Формулировать цели,
5 Декомпозировать цели на задачи
Опубликовал выше два совершенно разных поста моих коллег и соратников по исследованиям. Несмотря на их различие, в обоих выражены схожие идеи — пусть и с разных точек зрения. Эти идеи мне близки, и я полностью их разделяю.
🔥2❤1
Системное_мышление_обзор_определений_и_концепций.pdf
147.1 KB
Начинаю делиться обзорами, которые делаю для себя с помощью инструментов Deep Research от Gemini и Claude.
В этом посте — обзор «Системное мышление: обзор определений и концепций».
В этом обзоре подчёркивается значимость понимания структур — теме, которой мы уже немало внимания уделяли выше в канале.
От себя хочу добавить: архитекторы, по сути, синтезируют структуры, которые во многом определяют будущие характеристики систем — в первую очередь их способность к развитию.
Из всего отчёта приведу лишь одну цитату (хотя и остальная часть текста, на мой взгляд, заслуживает внимания):
"Ричмонд (Richmond) предлагает определение, описывая системное мышление как "the art and science of making reliable inferences about behavior by developing an increasingly deep understanding of underlying structure". Он подчеркивает важность понимания того, что "structure drives behavior".
В этом посте — обзор «Системное мышление: обзор определений и концепций».
В этом обзоре подчёркивается значимость понимания структур — теме, которой мы уже немало внимания уделяли выше в канале.
От себя хочу добавить: архитекторы, по сути, синтезируют структуры, которые во многом определяют будущие характеристики систем — в первую очередь их способность к развитию.
Из всего отчёта приведу лишь одну цитату (хотя и остальная часть текста, на мой взгляд, заслуживает внимания):
"Ричмонд (Richmond) предлагает определение, описывая системное мышление как "the art and science of making reliable inferences about behavior by developing an increasingly deep understanding of underlying structure". Он подчеркивает важность понимания того, что "structure drives behavior".
👍4🔥2❤1
Применение_Фрейминга_и_Рефрейминга_в_Инженерной_Практике.pdf
183.1 KB
В обсуждении канала мы вскользь затронули тему семантики в онтологиях, где я высказал тезис: семантика — это всегда осмысленная интерпретация.
В продолжение этой мысли, в этом посте я делюсь кратким обзором из моего небольшого исследования «Применение фрейминга и рефрейминга в инженерной практике», где поднимается вопрос: как можно целенаправленно влиять на интерпретацию.
В продолжение этой мысли, в этом посте я делюсь кратким обзором из моего небольшого исследования «Применение фрейминга и рефрейминга в инженерной практике», где поднимается вопрос: как можно целенаправленно влиять на интерпретацию.
👍4🔥2👏1