В защиту текста (2/2)

Ограничения во благо

Текст, являясь "плоской" проекцией наших внутренних объемных мыслеобразов, и, по сути, довольно узким посредником передачи информации, заставляет нас проявлять креативность как при его создании, пытаясь выразить своё сложное внутреннее видение последовательностью слов, так и при чтении, задействуя воображение для воссоздания описанной текстом картины. И то, и другое "прокачивает" наш мозг.

Но при этом так же, как и наши мысли, текст позволяет оторваться от реальности и передавать нечто, что невозможно выразить визуально - чувства, философские и математические концепции и прочие абстрактные вещи.

Тренировка мозга

Само по себе чтение, даже каких-то простеньких текстов - достаточно непростая задача для мозга, задействующая многие его отделы. Это как бег трусцой - вроде бы и не напряжно, а куча всего задействуется и провоцирует долговременные позитивные эффекты.

Судите сами, вот что приходится делать нашему мозгу при чтении:
* обработка визуальной информации, распознавание букв и слов;
* связь написанных слов и их значений, интерпретация смысла прочитанного;
* анализ грамматики и синтаксиса для правильного понимания;
* сохранение прочитанного в рабочей памяти для дальнейшего анализа;
* сосредоточение на тексте, удерживание активного внимания (краснокнижный скилл в наше время!);
* ассоциация нового материала с уже известными знаниями;
* поддержка эмоциональной и интеллектуальной связи с автором, своеобразная форма диалога с ним;
* (довольно часто) мысленное проговаривание прочитанного для лучшего усвоения.

А написание текстов - это уже серьёзнее, и больше похоже на структурные тренировки, с планом, интервалами и т.п. :)
* креативная генерация мыслей и идей для их выражения;
* структуризация и организация содержания в логичную последовательность;
* соблюдение правил языка для ясности и точности в передаче смысла;
* выражение мыслей через письменную речь, слова, подбор лексики и тона;
* представление себе читателя и моделирование его восприятия, адаптация текста под него;
* поддержание мелкой моторики для письма или набора текста на клавиатуре.

Всё это - довольно сложные сами по себе и разнообразные активности, требующие к тому же координации между разными частями мозга.

—

Это, пожалуй, самые важные преимущества текста, которые его делали незаменимой частью человеческого общества. Смогут ли новые средства передачи информации его потеснить или даже заменить - покажет время.

Ну, по крайней мере теперь кто-то сможет себе аргументированно ответить на вопрос о том, почему он сидит в Telegram, а не в TikTok :)

#философизм

Хронобиология и совы

Эпизодически встречаю бродящий по книгам и блогам миф о том, что все, ну вот прям ФФСЕЕЕ успешные люди встают в 5 утра, успевают всё переделать до того, как все остальные проснутся и уже в неадеквате в обычное рабочее время.

Ранний подъем действительно работает для части человечества, но для всех остальных я не понимаю попыток идти против своей биологии, особенно когда нет жизненной необходимости так делать.

Биология
Начнём с того, что это реально биология, а если быть более конкретным - гены. Довольно сложные их комбинации + индивидуальное развитие приводят к тому, что люди (и часть животных, кстати, тоже) имеют разные хронотипы, т.е. особенности суточных ритмов.

Чаще всего выделяют три типа (на самом деле все куда более нюансно, но не будем усложнять):
* жаворонки - они и сами встают в районе 4-6 утра и пишут книги о том, как совам жить;
* голуби - встают часов в 6-8;
* совы - позднее 8-10.

Попытки вставать рано, если ты "сова" в долгосроке приводят к недосыпам, перерасходу ресурса силы воли и разного рода расстройствам, как физиологии, так и психики (то же касается, к примеру, жаворонков на ночных сменах).

Тренировки
Ранние тренировки не являются эффективными для большинства людей, т.к. оптимальное состояние организма для них достигается к 15-18 часам (для "сов" - ещё позже). С утра можно делать легкую зарядку / кардио, но полноценные тренировки лучше перенести на попозже.

Успешность
Ну, во-первых, по статистике, жаворонков и голубей намного больше.
Во-вторых, голубям смещать время вставания к 5 часам явно проще, чем совам, что пополняет когорту "ранних пташек" случайно выжившими успешными голубями :)
А в-третьих, если, к примеру, такие совы как Толкиен, Черчилль, Линус Торвальдс для кого-то не являются успешными... - ¯\_(ツ)_/¯

Но ведь для некоторых это работает!
Да, конечно - в книгах, которые продвигают эту идею, как правило, в довесок идет какая-нибудь методология самоорганизации, которая лучше, чем ничего, и позволяет на коротком отрезке почувствовать плюсы поддержания дисциплины.

А еще мозг склонен нас мобилизовывать в ответ на какие-то вызовы и сложности. Вставать в 5 утра - это просто, воспринимается как достижение, и некоторое время чувствуется некоторый физиологический подъём, хотя в долгую это не самый оптимальный подход, если вы не жаворонок.

А что же делать?
1. искать свои физиологические оптимумы в течение суток - когда лучше всего спать, есть, учиться, тренироваться, отдыхать и т.п.;
2. по возможности, подстраивать жизнь и работу под свою хронобиологию;
3. спать достаточно и высыпаться - это куда важнее, чем вставать в какое-то определенное время;
4. соблюдать выбранный режим, т.е. стабильность времени отхода ко сну и подъема;
5. стараться поддерживать общую дисциплину в отрыве от "челленджевых" стимулов - и, поверьте, если найти свои оптимумы, это будет гораздо легче сделать.

—

Да, наш мир в основном спроектирован для жаворонков и голубей, хоть существование хронотипов и начинает признаваться и появляются удобные возможности - удаленная работа, гибкий график, круглосуточные заведения и т.п.

Но мы можем приблизить светлое будущее! Совы всех стран, объединяйтесь! Защитим свои права! Даёшь отдельные совятники!
Ух-ху, ух-ху!

#life #nightowl

Типы удовольствия

Нет, слайдов не будет :)

В субботу была какая-то адовая гонка, где снова удалось обновить личные рекорды. Вот уже 4 дня прошло, а до сих пор клёвые ощущения, и скорее всего их еще минимум на неделю хватит :)

Чистое удовольствие второго типа. Что это за удовольствие такое? Расскажу :)

Это из англоязычной околоспортивной среды, там иногда можно встретить упоминание таких типов удовольствия:

Type 1 Fun
Моментальное удовольствие, получаемое здесь и сейчас, без какой-либо боли или напряжения. Оно обычно не требует особых усилий и мгновенно распознаётся как приятное.

Чисто дофаминовый всплеск, который, однако, кратковременен и быстро угасает, что иногда ведет к "дофаминовым ловушкам", когда человек постоянно стремится к легким удовольствиям без долгосрочной отдачи.

Type 3 Fun
Который совсем не Fun, на самом деле - это трудный опыт, который в процессе кажется малоприятным или даже неприятным, и в конечном итоге не приносит немедленного удовольствия даже по завершении. Но иногда со временем или в ретроспективе он может стать источником гордости или тёплого воспоминания.

Type 2 Fun
А вот это самое интересное.
Удовольствие, которое требует определённых усилий и сопровождается трудностями, но приносит радость и удовлетворение в конце. Его ценность раскрывается после того, как активность завершена.
Организм радуется, что выжил справился с нагрузкой, и включает выработку кучи разных веществ (эндорфины, серотонин, дофамин), которые позволяют пережить напряжение, понизить стресс, улучшают настроение, стабилизируют эмоциональное состояние, а также защищают и стимулируют нейроны мозга.

И это касается не только физической активности - всё то же самое можно сказать и про любые занятия, которые требуют выйти из зоны комфорта и прикладывать усилия, будь то физические, интеллектуальные или эмоциональные задачи.

А ещё подобное преодоление себя и получение удовольствия второго типа способствует нейропластичности - способности мозга адаптироваться, укреплять и создавать новые нейронные связи, которые улучшают самообладание, внимание и когнитивные навыки.

Есть чему радоваться после такого, короче :)

#brain #sport

Чёрный ящик

За последние несколько недель поделал мелких прототипов и готовых софтин, где львиную долю кода написал ИИ, и поймал себя на том, что нередко даже не смотрю в получившийся код, особенно если задача простая, стандартная, и я сам её решал уже много раз.

Т.е. описываю, что мне нужно, и получаю готовое решение, которое могу проверить уже с пользовательской точки зрения.
По сути, это модель разработки будущего: программисты будут делать только самые сложные/абстрактные вещи, а в остальное время - общаться с машинами, которые решают стандартные задачи и пишут код.

А ведь менеджеры разработчиков без технического прошлого бо‌льшую часть времени так и работают: для них программа - это чёрный ящик с каким-то UI и интерфейсом на изменение в виде программистов.

С ИИ подход схож: ставишь задачу, получаешь решение, проверяешь, говоришь, что нужно исправить. Можно попросить написать (авто)тесты на какой-то неочевидный функционал.

И в какой-то момент нам даже существующие языки программирования станут не нужны - софт будет сразу создаваться на неком оптимизированном под ИИ коде, который уже не будет настолько человекочитаем, как существующие языки.
А снаружи работу такой программы будет проверять другой ИИ или сеть агентов, которые позволят быть уверенным, что всё работает как надо, согласно требованиям.

Чёрный ящик станет окончательно непрозрачным.

P.S.
Не устану повторять этот совет разработчикам: развивайте навыки коммуникации. Качайте скилл четко и ясно выражать свои мысли, доносить суть задач и проблем. Умение сформулировать запрос становится не менее важным, чем умение писать код.

#ai #future

Конференция YaC/e 2024

Мне, в числе прочего, близка тема образования, так как в свое время я и сам преподавал/менторил, и учил преподавать, и руководил преподавателями, и сам продолжаю постоянно чему-то учиться.
Меня интересует всё, что касается знаний - как повысить эффективность их получения, их закрепляемость, а также способы побуждения к их использованию, как для лучшей усвояемости, так и для того, чтобы они не оставались невостребованными.
Даже тут, за то недолгое время, что существует этот канал, я уже несколько раз писал¹ про образование и его будущее.

Так что онлайн-конференция Яндекса "YaС/e 2024, Пятая ежегодная конференция Яндекса о людях и технологиях в образовании", которая пройдет 13 ноября (уже послезавтра), обещает быть весьма интересной.

В прошлом году на ней уже много внимания уделялось роли искусственного интеллекта в образовании, а в этом году эта тема становится одной из ключевых, и, что важно, переходит из теоретической плоскости в практическую.

Я выделил для себя вот такие доклады, которые собираюсь посмотреть:
* Межкультурные компетенции: зачем этот скил и как он помогает в работе
* Врач будущего — какой он?
* Мифы в образовании: правда и ложь про лайфхаки и технологии, меняющие качество жизни студента
* Как научить нейросети учить людей (с Игорем Котенковым, автором канала @seeallochnaya!)
* Как ИИ помогает школьникам учиться
* ИИ вокруг нас: технологии в естественных науках и в жизни
* Как фантазировать о будущем?
* Будущее образование — образование для создателей будущего
* Как меняется образование: взгляд тех, кто учится
* Роль преподавателя в мире ИИ: в чём его уникальность?
* Как ИИ меняет математику
* Гуманитарный минимум для технооптимистов
* Инженеры и эмпатия: как метанавыки двигают мир технологий

Запись, если что, будет сразу после окончания конференции, но если попасть на онлайн, то можно будет позадавать вопросы спикерам.

—
¹ Ссылки на прошлые посты по теме:
* Новая эра интеллектуального неравенства
* Дополнение про образование будущего к эссе Дарио Амодея и существующие примеры интерактивного/нестандартного образования
* Прототип системы, объясняющей какую-то концепцию на разных уровнях сложности

#ai #education #future

10 000 часов - миф? (1/2)

Бродит в обществе мысль о том, что для достижения мастерства в любом деле нужно потратить 10 000 часов (~5 лет, если заниматься по 40 часов в неделю).
Звучит довольно пугающе, особенно для тех, кто хотел бы, к примеру, сменить область деятельности.

Давайте разберёмся, откуда взялась эта цифра и почему не стоит воспринимать её как универсальный закон.

История появления
Всё началось в 1993г с исследования психолога Андерса Эрикссона, который изучал студентов-музыкантов в берлинской консерватории.
Канадский журналист Малкольм Гладуэлл в 2008г популяризировал эту идею в своей книге "Гении и аутсайдеры" (Outliers).

Важный нюанс тут в том, что как оригинальное исследование, так и книга касались либо выдающихся исполнителей, либо всемирно известных успешных людей, ставших лучшими из лучших.

Первые 10 000 часов
Исследованные музыканты были студентами, которые накапливали 10к часов практики к 20 годам. Очевидно, что начали они заниматься довольно рано, и эти самые "первые" часы приходились на период их взросления. Это время, когда мы изучаем мир вокруг, растём, социализируемся – по сути, становимся людьми.

Легко представить, что далеко не все эти 10к часов были проведены с максимальной отдачей, да к тому же и сам ученик, и его жизнь стремительно менялись в процессе, что не добавляло стабильности процессу.

Взрослое vs детское обучение
Когда мы говорим об освоении новых навыков взрослыми, картина сильно меняется. Появляются существенные преимущества:
* куда более богатый опыт в том, как учиться. Скилл учиться вообще один из самых ценных в современном мире;
* способность к осознанной практике - к примеру, не просто механическое повторение всего подряд, а сознательная работа над своими слабыми сторонами;
* понимание эффективных для вас методик обучения;
* понимание того, что можно использовать менторов, адаптирующих процесс обучения конкретно под вас, дающих качественную обратную связь и помогающих преодолевать затыки;
* возможность использования существующих навыков.

Да, в некоторых занятиях всё-таки важен возраст начала - например, немало видов спорта (включая шахматы), или тот же балет, имеют жёсткие возрастные рамки для успешного старта.
Но наряду с ними существует много других, "взрослых" занятий, где харизма, жизненный опыт, наработанные практики общения с разными людьми и в целом насмотренность выходят на первый план.

#education

10 000 часов - миф? (2/2)

Перенос навыков
Если вы уже, к примеру, умеете программировать на одном языке, второй освоите намного быстрее. Если играете на одном музыкальном инструменте, другой будет даваться проще.
Мозг любит использовать существующие нейронные связи.

Более того, некоторые навыки совершенно неожиданным образом могут переноситься из одной области в другую - так, хирурги с опытом видеоигр обладают лучшей координацией рук и глаз, что позволяет им легче проводить некоторые операции.

Ну и, конечно, такие универсальные скиллы, как умение идти к цели, управление стрессом, тайм-менеджмент и прочие вспомогательные навыки могут сильно оптимизировать процесс освоения чего-то нового.

Разные цели – разное время
Важно понимать разницу между "быть лучшим" и "быть достаточно хорошим". Для профессиональной компетентности редко требуется тот же уровень мастерства, что нужен для достижения вершин в своей области.

Вообще говоря, для того, чтобы стать всемирно признанным экспертом в некоторых областях, и 10к часов может быть критически недостаточно.

Область тоже влияет
Скажем, если у вас цель стать экскурсоводом - сложно спорить с тем, что на это нужно меньше времени, чем на открытие в математике, и ни о каких 10к часах тут говорить не приходится.

Или если мы возьмём какую-то профессию, которая вот только недавно появилась, а то и находится в процессе формирования (специалист по этике ИИ, AR/VR-дизайнер) - там в принципе 10к часов могло даже ещё не пройти с момента её появления :)
Чтобы стать в ней профи-первопроходцем, нужно действовать совсем по-другому, в сравнении с тем, чтобы стать успешным в давно устоявшейся и консервативной области (академический вокал, скульптура, судейство).

Резюмируя, важно понимать: правило 10 000 часов – это не закон природы, а наблюдение за выдающимися людьми в определённых областях. Для большинства профессиональных целей достаточно куда меньшего времени, особенно если подходить к обучению осознанно и использовать уже имеющиеся навыки.

Так что пусть "10 000 часов" вас не останавливает от освоения чего-то нового. В современном мире возможности для эффективного обучения становятся всё доступнее, а методики – всё совершеннее.

А есть ли у вас примеры успешного перехода из одной профессии в другую?

#education

По следам конфы YaCe (в частности, доклада Врач будущего — какой он?) и новостей

С момента появления LLM (ChatGPT, в частности) в общем доступе, вышло несколько исследований, посвященных их использованию в клинической практике, в основном - диагностике.
И даже исследования, которые проводились пару лет назад (а это уже довольно давно по современным меркам), на "старых" моделях, показывают интересные результаты.

Если рассматривать три варианта проведения исследований:
1. врач сам ставит диагноз без использования LLM;
2. врач ставит диагноз при помощи LLM;
3. LLM одна без врача ставит диагноз,
то результаты выглядят так:
* во многих исследованиях видно, что самостоятельное решение врача (1) не так сильно отличается от варианта, когда он использует LLM (2) - диагноз с LLM оказывается чуть более точным, на единицы процентов;
* самостоятельное решение LLM, без врача (3), показывает прирост точности иногда на десятки процентов по сравнению с врачом.

Выводы из таких исследований сводятся к следующим тезисам:
* врачи пока ещё не готовы использовать LLM в диагностической практике в полной мере. Причинами этого могут быть как недоверие, так и отсутствие технических возможностей, а также зарегулированность самой области, предписывающая следование стандартным протоколам;
* медицина сама по себе довольно консервативна, и вряд ли в скором будущем мы увидим замену врачей специализированными медицинскими моделями. В целом это понятно, потому что ответственность за принятое решение всё равно пока то будет лежать на враче;
* тем не менее, есть над чем работать в плане обучения медиков новым инструментам и внедрения этих инструментов как систем поддержки принятия решений.

Если добавить к этому существование редких заболеваний, которых врач общей практики ожидает увидеть в меньшей степени, а то и вообще может про них забыть, то логично, что LLM, переварившая и запомнившая куда больший объем информации, справится с диагностикой лучше, и это тоже подтверждается исследованиями.

А ещё существует проблема актуализации знаний самих врачей. Если говорить о том, чтобы последние исследования в области медицины учитывались при диагностике, то в текущей модели здравоохранения сложно ожидать, что все выходящие статьи будут донесены до всех врачей и что у них хватит времени с ними ознакомиться.

И ложки дёгтя, само собой :)
* LLM всё ещё галлюцинируют, не стоит им верить напропалую. Галлюцинаций тем больше, чем меньше данных о конкретном случае им предоставлено;
* чисто текстовых LLM маловато для принятия решений, тут нужны настоящие мультимодальные системы, которые смогут принимать результаты обследований ещё и картинками/видео/аудио. Впрочем, это уже доступно в некоторых моделях, но вот пальпацию они всё-таки сделать не смогут :)
* надо уметь задавать вопросы, т.к. если просто попросить LLM найти заболевание - она найдёт :) По сути, это овердиагностика и прям мечта любого ипохондрика.

Словом, не нужно бежать ставить себе диагноз при помощи LLM.
Разумнее искать специалистов, которые внедряют современные технологии в свою практику.

#ai #medicine

Раньше было чище

Есть такая штука - низкофоновая сталь, с низкой концентрацией радиоактивных изотопов. Используется там, где фоновое излучение может помешать измерениям, к примеру, в счётчиках Гейгера, медицинских устройствах и т.п.

После начала в 1945 году атмосферных ядерных испытаний новые партии стали стали содержать достаточно радиоактивных веществ, чтобы это стало проблемой.

Так что для специфических применений нужно было искать ту сталь, которая была выплавлена до взрывов первых ядерных бомб. Самый яркий пример того, где её нашли - это старые затонувшие корабли. Т.е. представляете, человечеству для добычи чистой стали пришлось лезть на дно бухты Скапа-Флоу в Шотландии, чтобы там пилить немецкие военные корабли Первой Мировой, которые были умышленно там затоплены Германией в 1919 году после поражения, чтобы они не достались победителям.

Текущие передовые AI-модели обучены на огромных объемах данных, полученных из разных источников, основным из которых, конечно же, является Интернет. Примечательно то, что уже были жалобы на то, что открытых данных из Интернета не хватает, т.е. уже обучили модели на всём, что смогли собрать.

Но суть не столько в нехватке данных, сколько в их качестве. Дело в том, что с момента появления генеративных моделей, будь то текстовых или картиночных, в Интернет стало попадать огромное количество материалов, сгенерированных с их помощью. И это создаёт проблему того, что собранные в последние годы данные из Интернета содержат "примеси" сгенерированных нейронками данных.

Почему это плохо? Постепенная деградация качества, т.к. модели будут учиться на данных, сгенерированных самими собой или устаревшими моделями; потеря оригинальности в исходном материале для обучения, ну и перекосы в статистических распределениях в выборках.

Соответственно, данные, опубликованные до начала эры генеративного ИИ, представляют бóльшую ценность.
Да, эту проблему уже решают, но это не отменяет того, что приходится предпринимать сознательные усилия, чтобы учиться опознавать собранный сгенерированный контент и стараться от него избавиться при тренировке моделей.

Есть некоторая аналогия с низкофоновой сталью :)

P.S.
Для понимания масштабов:
* Исследование о том, что 57% данных в Интернете уже созданы или переведены при помощи ИИ
* Предсказания того, что к 2025 г. их доля достигнет 90%
* А к 2030-му - больше 99%

#ai

Остаточная сложность

В процессе работы с ИИ-инструментарием наблюдается интересный эффект: нет возможности отдохнуть на простых задачах, т.к. рутина автоматизируется при помощи AI, а вся креативная работа остается человеку.

Для опытного программиста процентов 90 нового кода, который ему приходится писать - это повторяющийся код из его прошлого, который он уже много раз писал. Оставшиеся проценты – это чистый креатив, который составляет самую интересную часть работы или то, с чем сам программист раньше не сталкивался и что ему нужно изучить.
Таким образом, шаблонной работы, когда можно медитативно, отключив мозг, писать 100 раз уже написанный алгоритм, остается мало.

Теперь бóльшая часть времени тратится на глубокие размышления и разнообразную креативную деятельность, которая в том числе и не связана с программированием (продуктовые фичи, юзабилити и т.п.), и это приводит к тому, что приходится думать на большем количестве уровней абстракции.

Но есть и минус того, что упороться тоже можно быстрее: к примеру, за то же самое время можно сделать в 10 раз больше, но при этом и нагрузить мозг в 2 раза сильнее, т.к. занимаешься не совсем типичными вещами.
Так что приходится сознательно дозировать "подходы" :)

Тем не менее, вся эта нетипичная нагрузка в итоге развивает, т.к. планка креативности и сложности задач непрерывно поднимается.

Так что если вы хотели делать больше сложных вещей, но вязли в рутине, использование ИИ для написания кода (или чего-то ещё, что можно с его помощью автоматизировать) - отличный вариант эту рутину переложить на машину :)

#ai

Garmin Body Battery

Велоспорт - это прям занятие для data nerds, если хочется какие-нить метрики посмотреть, обвешать себя датчиками, чего-нить посчитать, графиков понастроить и всё такое :)

Есть, впрочем, и для нормальной жизни во всём этом польза - к примеру, уже пару лет для меня хорошей повседневной метрикой состояния является Garmin Body Battery - это число от 5 до 100, которое показывает "заряд батарейки" организма в плане его готовности к физическим нагрузкам.

Зачем оно нужно?

Очень помогает для тренировок, да и в целом для более объективной оценки физического состояния.
Бывает, думаешь, что не очень готов тренить, но если батарейка показывает достаточные значения - то, как правило, всё норм получается, нечего лениться :)

Съедают её, кстати, не только физические нагрузки, но и другие напряги - какие-то сложности с работой, по жизни, болезни и т.п.
При ковиде, к примеру, у меня значение "заряда" несколько дней валялось в районе 5. Примечательно, кстати, что такие вот простудно-воспалительные заболевания сказываются на уровне батарейки еще до того, как появляются их значимые симптомы, что может служить ещё одним индикатором того, что организм заболевает.
Значение в 100 баллов у меня достигается в половине утр, при условии правильного распорядка нагрузок и сна (что как бы говорит о том, что дисциплину надо улучшать :))

Как это работает?

Для начала, нужен какой-то постоянно носимый гаджет с поддержкой Garmin Body Battery.
У других производителей спортивных гаджетов есть подобные измерители и метрики (к примеру, Whoop, Oura Ring, Fitbit), но надо смотреть - у некоторых нужна платная подписка, а в случае с Garmin нужно просто один раз купить часы.

Дальше измерения происходят следующим образом:
* вариабельность сердечного ритма (HRV): разброс времени между ударами сердца. Высокая вариабельность обычно означает лучшее восстановление и больший запас энергии;
* отслеживание стресса: на основе HRV и других показателей оценивается уровень физического и психологического стресса, который снижает уровень Body Battery;
* отслеживание активности: учитывает физическую нагрузку во время тренировок и повседневных дел, что также уменьшает показатель;
* мониторинг сна: качественный сон помогает восстановить силы и повышает уровень энергии;
* обновление в реальном времени: значение постоянно корректируется на основе физиологических данных в течение дня.

Стабильность показаний складывается из накопленной девайсом статистики и относительной стабильности вашего распорядка жизни - ну т.е. чем дольше он собирает данные и чем стабильнее и предсказуемее ваш график, тем правдоподобнее показания.
Ну и, конечно, значения индивидуальны - нет смысла сравнивать эту метрику между двумя разными людьми.

Disclaimer
Нелишним будет сказать, что это ни разу не медицинская метрика, а просто ещё один из статистических показателей для мониторинга общего состояния организма.
Может и не работать как надо для конкретно вашего организма/распорядка, и в любом случае нужно ещё и на свои ощущения ориентироваться, а не верить одним лишь метрикам.

#sport

Креатив и нейронки (1/2)

На этот вопрос из комментов невозможно было кратко ответить, так что вот :) 👇
—

Вопрос, конечно, философский.

Простой ответ на него сейчас - нет, не способны.
Но модели вроде o1 и агенты, я думаю, - правильные шаги в направлении создания чего-то нового, а не просто синтеза из существующего.

tl;dr: cложный ответ сводится к тому, что мы не знаем ни как наше мышление работает, ни природу инсайта/озарения пока что не понимаем, поэтому, возможно, даже и не сможем точно сказать, где та граница, после которой эти способности появятся у нейронок.

(дальше будет много допущений, упрощений и спекуляций, но это всё для краткости :))

Для начала примем такую классификацию и терминологию для типов мышления:

Дисциплинарный тип предполагает, что человек освоил по крайней мере одну модель мышления – способ восприятия, который необходим для конкретной учебной дисциплины, ремесла или профессии. Многие исследования подтверждают, что на освоение дисциплины может уйти и десять лет. Дисциплинарный тип мышления помогает человеку постоянно совершенствовать навыки и углублять понимание дисциплины. Данная модель очень важна, поскольку, не изучив хотя бы одну дисциплину человек не сможет действовать самостоятельно и полноценно в какой бы то ни было сфере.

Синтезирующий тип позволяет извлекать информацию из самых разных источников, понимать и оценивать ее объективно, и главное – сводить ее воедино так, чтобы результат имел самостоятельную ценность и принес затем пользу. Способность синтезировать, ценная и в прошлом, становится все важнее, поскольку количество информации растет с головокружительной скоростью.

Дополняющий дисциплинарный и синтезирующий, креативный тип мышления открывает перед человеком новые горизонты. Он предполагает рождение новых идей и ставит вопросы, ответы на которые до сих пор неизвестны. Вторгаясь на территорию, не ограниченную правилами, человек, развивший в себе творческую модель мышления, стремится двигаться на шаг впереди самых современных компьютеров.

(с) Говард Гарднер, "Великолепная пятерка. Мыслительные стратегии, ведущие к успеху", 2006.

И вот если оценивать то, что могут современные нейронки - они совершенно точно освоили дисциплинарное мышление и довольно успешны в синтезе.
В самом деле, разговаривая с нейронкой или смотря на картинку, ею сгенерированную, можно заметить какие-то мотивы, которые вы видели раньше (как и в человеческих произведениях) - это и есть результат синтеза.

Но в своей основе генеративные нейросети - это, хоть и запредельно сложные, но все еще статистические генераторы.
К примеру, LLM работают, предсказывая следующее слово в тексте, и если бы не специальным образом добавляемая рандомность (которая добавляется программно, за пределами собственно самой нейронки), то всегда на один и тот же промпт нейронка бы выдавала в точности повторяемый от раза к разу ответ.

Часть людей непременно воскликнет: "Агаааа, попались, нейронки на самом деле не думают!", а с другой стороны:
* большинство людей уже не отличают разговор с нейронкой от разговора с человеком;
* AI-картины люди тоже не могут отличить от картин реальных художников;
* нейронки пишут стихи, поют и создают целые музыкальные треки, которые набирают миллионы прослушиваний;
* более того, люди всё чаще отдают предпочтение тому, что создали нейронки, а не другие люди.

Т.е. где-то на пути нарастания сложности этого самого статистического генератора качество его синтеза стало таким, что мы не можем его отличить от синтеза человеческого, и даже путаем с креативом.

#ai #brain

Креатив и нейронки (2/2)

И вот мы подходим к самому интересному - а где тогда вообще креативное мышление, откуда оно берется, да и существует ли?

Точных ответов никто не знает, но можно порассуждать.

Как вариант, креативность рождается сама собой с нарастанием размеров и сложности, как эмерджентное свойство системы - в таком случае нейронки должны просто стать еще больше, чтобы у них появилась возможность создавать что-то принципиально новое.
Так, некоторые из способностей LLM, вообще говоря, никто от них не ожидал - они появились сами собой по мере роста размеров нейронок и количества скормленных им данных в процессе обучения - к примеру, способность к переводу с одного языка на другой.

Или же креативность - некая особенность именно человеческого разума? Тогда стоит задаться вопросом, а что в нас такого принципиально отличного от нейронок и как мы могли бы эти свойства придать самим нейронкам?

* Ну вот, к примеру, у нас есть некий рандомизатор в мозгу (Про шило в... мозге) - он вполне может способствовать тому, что иногда нас так глючит, что мозг выдает нечто уникальное, не встреченное им раньше.
Тогда, получается, нейронкам тоже можно какой-то фундаментальный рандомизатор прикрутить, и они смогут креативить.

* Креативное мышление - просто вариант сильно смещённого синтетического мышления, ну т.е. по каким-то причинам развившегося так, что оно сильно отличает его обладателя от некоего усредненного варианта.
Скажем, многие гении имеют не только гениальность, а и ещё какие-то дисбалансы в мозге, которые делают их очень непохожими на других людей и способными на нетривиальные мысли.
В таком случае нейронки нужно специальным образом "ломать" в процессе обучения, чтобы они из-за возникших перекосов могли выдавать нечто похожее на креатив.

* Есть гипотеза о том, что наше сознание может иметь квантовую природу, и можно предположить, что процесс креативного мышления непосредственно с этим связан.
Если так, то, как говорится, сушите вёсла, мы до симуляции этого не скоро доберемся :)

И ещё одна вещь, которая нас отличала от нейронок - это способность рассуждать и опираться на свои предыдущие рассуждения.
Но это изменилось с приходом некоторых техник промптинга, моделей типа ChatGPT o1 и агентских систем, где несколько персонажей вступают в процесс обсуждения какой-то проблемы или идеи.

В теории где-то тут тоже может родиться креативность, и это явно шаги в интересном направлении, так что следим за новостями :)

#ai #brain

Пишем приложение голосом

Записал небольшое видео для ленивых про то, как можно за 15 минут сделать небольшое приложение голосом при помощи AI.

Собственно, как-то так и выглядит будущее нашего взаимодействия с компьютерами - если будет нужно что-то автоматизировать, сделать какую-то программу - достаточно будет просто поговорить с девайсом, а он уже на ходу сделает то, что вам нужно.

Результат тут: https://clever.pro/caffe/

Использовал следующее:
* Windsurf
* он, в свою очередь, под капотом использовал Claude 3.5 Sonnet
* встроенный в Windows голосовой ввод, который, кстати, весьма так себе работает, как можно видеть, но, тем не менее, нейронка справляется :) Самое время учиться на промпт-инженера! (нет)

—

Прошлые посты по теме:
* Дед-программист
* Выводы из прошлых экспериментов с AI, пишущим код (становятся всё актуальнее)
* Черный ящик

#ai #futurism

Ползучий фичеризм
(creeping featurism)

Это такая распространенная болезнь в разработке программного обеспечения, которая поражает многих фаундеров и продактов, заключающаяся в том, что всегда хочется добавить больше фич в продукт, чем реально нужно пользователям (да кто бы их ещё спрашивал), при этом медленно, но верно усложняя его до состояния полной непригодности.

Откуда оно берётся?

* конкуренция на рынке создает впечатление того, что нужно впихнуть в продукт больше фич, нежели сделать качественно самые важные;
* желание угодить всем пользователям, даже если это твой близкий родственник, безусловную поддержку которого ты принял за реальную потребность в новой фиче;
* "мы можем это добавить, почему бы и нет?" - почему бы и не смешать огурцы с молоком и запить пивом?;
* попытка оправдать высокую стоимость продукта - "а мы ещё вот так можем, хоба!";
* так делают все успешные компании - ну да, ну да, самое время пытаться в точности повторить путь компании, которая была основана 20 лет назад, а сейчас имеет миллионы клиентов и миллиарды свободных денег для экспериментов.

Какие вызывает проблемы

* откладывание выпуска продукта в свет - будем в него добрасывать фич, пока всё не сложится под собственным весом или не кончатся деньги;
* сложность использования - "как это непонятно, ну всё же просто, нужно вот тут подпрыгнуть, здесь зацепиться, дальше вскарабкаться до 3-го этажа, сделать сальто на карниз влево и вот же форточка, чтобы попасть домой";
* всё тормозит - ну да, пока этот космический корабль взлетит, половина пользователей уже словит острую дофаминовую недостаточность.

Как бороться?

1. Задаться такими простыми вопросами:
* а это точно решает проблему пользователя?
* вы уверены, что это не ваша личная хотелка?
* не лучше ли улучшить/починить то, что уже есть?

2. Ввести правило "один вошёл - один вышел".
Ну т.е. хотите добавить новую фичу? Отлично! Какую старую удалим?
В особо запущенных случаях можно делать размен не 1:1, а 1:2, а то даже и 1:3.

3. Устроить фича-детокс.
Пара спринтов без новых фич. Улучшаем то, что есть, а еще лучше - удаляем то, чем уже никто не пользуется.

И главное правило тут в том, что пользователям нужна не куча фич, а нужно решение их проблем.

Аналоги не из IT

Организация праздников
Что добавили: тематическая вечеринка в стиле стимпанк с костюмированным шоу и приглашенными актерами и фуршетом.
Что реально было нужно: собраться за одним столом с друзьями, заказать пиццу и поболтать.

Кулинария
Что добавили: молекулярная гастрономия, три вида соуса, съедобное золото, авторская подача.
Что реально было нужно: горячая еда, поданная вовремя.

Зубная щётка
Что добавили: bluetooth-подключение, анализ движений, 3D-карта полости рта, геймификация чистки.
Что реально было нужно: чистить зубы 2 минуты.

Планирование отпуска
Что добавили: детальный поминутный план на 2 недели с посещением 20 достопримечательностей в день.
Что реально было нужно: выспаться и полежать на пляже.

Кот
Что добавили: эко-домик с лежанкой, подогревом и WiFi, гаджет для удаленной игры с мобильным приложением.
Что реально было нужно: картонная коробка и мятый фантик на веревочке.

Сталкивались с чем-то подобным? :)

#it #product

ChatGPT o1

Сегодня OpenAI в рамках своего марафона "12 дней OpenAI", где они будут рассказывать про новинки, представили полноценный релиз своей модели, ориентированной на размышления, ChatGPT o1.

Чем она отличается от "обычных" моделей?
Принципиальное её отличие от предыдущих моделей, таких как GPT-4o, в том, что она заточена на "раздумья": o1 формирует пошаговые размышления, строя логические цепочки, что напоминает работу системы 2 мышления, описанного Даниэлем Канеманом в "Думай медленно… решай быстро":

Система 1 — быстрая, автоматическая, интуитивная, не требует усилий. Работает на ассоциациях, подходит для привычных задач и мгновенных реакций.
Система 2 — медленная, осознанная, требует концентрации и усилий. Используется для анализа, логических рассуждений и решения сложных задач.

Модели, выпущенные ранее, выдавали результат моментально, но при этом поверхностный и с большей вероятностью галлюцинаций.
o1 же перед тем, как ответить, некоторое время "думает" - т.е. пошагово, в несколько заходов, формирует ответ.
Популярно объясняя, это похоже на то, как и мы не сразу выдаем решение какой-то сложной задачи, а раскладываем ее на составляющие и решаем поэтапно, используя результаты предыдущих размышлений для того, чтобы двигаться дальше.

Для каких задач она нужна?
* решение сложных проблем в научных исследованиях, программировании, математике;
* построение планов, декомпозиция, проектирование, архитектура ПО;
* помощь в обучении и разборе сложных тем.

Некоторые результаты этой модели

Программирование: На Международной олимпиаде по информатике (IOI) 2024 года ChatGPT o1 продемонстрировала результаты, ставящие её на 49-е место, а на платформе Codeforces (олимпиадное программирование) превзошла 89% участников, что свидетельствует о её высоких навыках в решении сложных алгоритмических задач.

Математика: В квалификационном этапе Американской математической олимпиады (AIME) модель "вошла" в число 500 лучших студентов США, демонстрируя глубокое понимание математических концепций.

Научные дисциплины: ChatGPT o1 показала результаты на уровне PhD в тестах по физике, биологии и химии, что делает её полезным инструментом для исследователей и учёных.

Цены
Помимо o1, которая сейчас входит в план за $20 в месяц, была представлена и o1 Pro, которая входит в план уже за $200 в месяц, но по сути является той же o1, которой даётся возможность думать дольше, потребляя тем самым больше вычислительных ресурсов.

Конкуренция
Ну и надо понимать, что OpenAI не уникальны в плане построения подобного рода моделей.

Китайская Alibaba на днях выпустила свою экспериментальную QwQ - тоже "размышляющую" модель, которая и в разы меньше, и при этом свободно распространяемая.
Хоть она и похуже по некоторым тестам, чем o1, но, учитывая все остальные факторы, можно говорить о том, что технологический разрыв минимален.

#ai #news

300 недель

Тут Zwift (виртуальный веломир) на днях выдал, что у меня стрик в 53 недели активностей, ну т.е. в течение года каждую неделю у меня была минимум одна тренировка/гонка.
"Хм", подумал я, "а должно быть больше - они же эту фичу со стриками только год назад добавили".

Полез смотреть... И правда, не 53, а 300 недель бега, велика, аштанги, тренажерки и всякого по мелочи :)
Это включая ковиды, гриппы, отпуска, травмы, обострения, авралы и прочие отговорки.

Но в целом это неплохо, т.к. создает некоторый стержень, вокруг которого выстраивается здоровье, питание, режим, воля, эмоциональная стабильность.
К примеру, я не могу себе позволить в тренировочный день пропустить обед или нажраться какой-нить безумной хоботни, а уж тем более неизвестной еды (да-да, это ещё хуже безумной хоботни).
Не дам нервной системе разболтаться в течение дня, если вечером тренировка, т.к. это скажется на её результатах.
Я буду спать 7-8+ часов, даже если мне кажется, что мне не хочется, или есть какие-то более важные дела.
А если в планах гонка или сложная тренировка, всё это нужно соблюдать за несколько дней до неё.

Тут есть и возвратный эффект - в какой-то момент просто перестает хотеться есть то, что мешает тренировкам, автоматом естся то, что им помогает; психика стабилизируется, т.к. излишки энергии есть куда потратить (а они сами собой образуются, если заниматься); режим дня тоже так просто не сломаешь и т.п.

Причем это как-то на автомате происходит, я уже не ощущаю, что на тренировочный процесс тратятся какие-то ресурсы. Оно просто... надо, и поэтому делается.
Да и в целом хуже себя чувствую, если пропускаю тренировку, чем если все-таки чем-то позанимаюсь.

Плюс, за это время, стартовав с нуля, удалось приблизиться к нормативам КМС по велоспорту - мелочь, а приятно :)

Тут, конечно, было бы модно организовать какой-нить марафон достижения целей, а? :)
Или порассуждать о самоиндентификации: а кто же я после этого - айтишник али кто-то ещё, но камон, все мы кто-то ещё, да и вообще самоидентичность - штука флюидная (хожу по тонкому льду, хехе).

Шучу-шучу, но что-то могу и буду иногда писать по теме :)

—

Прошлые посты про спорт:
* Спорт - это не инвестиция
* Про остановку старения в будущем
* Типы удовольствия

#sport #flex

Прочитал новость об очередном чемпионате мира по Excel.

Сразу подумал - а не было ли попыток решать эти задачи при помощи AI?
Я за какой-то год видел задания всех уровней - там прям весьма жёстко местами.

Странно, что нашелся всего один чувак, но нашелся! :)
https://www.youtube.com/watch?v=_StGAVK30D0
https://www.youtube.com/watch?v=cw1nsZI60V8
https://www.youtube.com/watch?v=UDYPr8pux28
он тут в каждом из видео решает по задаче с соревнования при помощи Copilot в Excel.

Задания выбрал простые (и с ними Copilot успешно справился), и непонятно, будет ли решать дальше, т.к. дальше задачи интереснее.
Но даже те, которые он решил, уже могут стать проблемой для пользователя-обывателя :)

#news #ai

Многомерный конструктор

На уровне большого проекта или компании метрика по тому, кто нужен для того, чтобы какая-то инициатива состоялась, по сути, одномерная: "нам нужно 10 человек, 100 или 1000". Называется просто число, и никто не спрашивает, что это за 100 людей и что они будут делать.

Если спускаться с уровня топ-менеджмента, картинка начинает обрастать деталями: появляются дизайнеры, разработчики, QA, менеджмент среднего звена.

Дальше - больше: фронтендеры, бекендеры, спецы по C#, Angular, джуны, сеньоры и т.п. На этом уровне всё ещё довольно просто, хотя и уже начинают проскакивать нюансы того, как всех этих людей со своими слабыми и сильными сторонами собрать в нечто устойчивое.

Но когда доходишь до уровня конкретной команды, начинается самое интересное. Уже недостаточно просто взять ещё одного бекендера или закрыть пробел с помощью QA. Нужно учесть массу особенностей каждого человека: характер, темп работы, любовь к порядку или хаосу, опыт, стиль общения.

Сложность резко повышается, а процесс сбора и слаживания команды превращается в многомерный конструктор:
* в нем есть десяток-другой "измерений", по которым можно оценивать людей;
* существует разнообразие ролей в команде, в каждой из которых нужно определенное сочетание "метрик" по этим измерениям;
* требуется минимально допустимая общая "сумма" по каждой из метрик на всю команду;
* в межчеловеческом взаимодействии рождаются какие-то дополнительные эффекты и метрики, которые нужно учитывать;
* некоторые из людей демонстрируют совершенно уникальные свойства.

Какие выводы из этого можно сделать?
* люди на уровне конкретной команды - это не просто абстрактные "ресурсы";
* одни и те же люди в разных командах могут раскрываться совершенно по-разному;
* правильный найм требует гибкости и отхода от шаблонов;
* оптимальный баланс в команде чаще важнее, чем отдельные индивидуумы;
* хороший управленец обязан уметь мыслить на разных уровнях, понимая, когда стоит оперировать простыми числами, а когда уже пора браться за многомерное конструирование.

В общем, приходится иногда довольно много думать и действовать совсем не по учебнику, но это-то и самое интересное :)

#work #management

Классический мем к теме предыдущего поста :)

#meme

Про ценообразование.

Тут недавно у перспективного AI-редактора Windsurf интересно с ценами получилось: сначала, когда только они выпустились недели 2-3 назад, все, сидя на 2-недельном триале удивлялись, как это так, что они подписку по 10 баксов буду продавать - мол, дешево на фоне прямого конкурента, Cursor, подписка у которого стоит $20.
Потом разработчики Windsurf, видимо, всё посчитали, слегка офигели от нагрузки и расходов и подняли стоимость подписки до $15.
Тут уже в ответ офигели пользователи, так что для "старичков" (которые, напоминаю, максимум 3 недели назад начали пользоваться продуктом) вернули подписку за 10 баксов.

А сегодня совсем другая компания, Devin, объявила о доступности своего "AI-инженера" за ... $500 в месяц :)
Ну ладно-ладно, это всё-таки продукт другого уровня, т.к. способен на себя брать задачи не только написания кода, но и работы с таск-трекером, репозиториями, может тестировать написанный код и в целом позиционируется как ваш персональный джун.

Но явно AI-компании перестаются мелочиться с ценами - то вот подписка на ChatGPT Pro за $200, то вот теперь джун за $500.
Самое интересное тут то, насколько эти цены себя в итоге оправдают, но Devin руки чешутся попробовать :)

#ai #news