MaksWiki - Новые страницы [ru]

Еще про архитектуру и постановки

23-24.05.2025 Петербург AnalystDays
Доклад на сайте конференции
Видео https://vimeo.com/1089091260

Распространённая задача для аналитика — разобраться в работе существующей системы. Это необходимо, если заказчик хочет её заменить, сохранив функционал, или если мы строим новую систему, которая должна быть тесно интегрирована с существующей. При этом документация по существующей системе и описания бизнес-процессов обычно устаревшие, они не соответствуют друг другу и реальной ситуации. Я поделюсь своим опытом решения этой задачи на нескольких кейсах: как разобраться в архитектуре системы и её внутреннем устройстве, а также во встройке системы в бизнес-архитектуру.

Обеспечиваем устойчивость интеграции (SQAdays-2025)

2025-04-26T07:42:40Z

MaksTsepkov:

Еще об архитектуре

25-26.04.2025 Петербург SQAdays
Доклад на сайте конференции
Видео https://vimeo.com/1081487929

Ошибки обработки операций возникают тогда, когда их не ждут. Причиной может быть как ошибка в софте, так и нештатная операция под нагрузкой, например, deadlock транзакций или падение по памяти. Монолитная архитектура позволяла обернуть обработку запроса пользователя в транзакцию и при ошибке выполнить откат. Распределённая архитектура не даёт такой возможности. Необходимо обеспечивать устойчивость работы приложения другими средствами, а также проверять её при тестировании.

Как тестировать устойчивость работы интеграции и приложения в целом? Придумывать сценарии тестирования, опираясь на описания архитектуры? Что делать в легаси-проектах, когда описания архитектуры неточны? Как в этом помогает понимание бизнес-архитектуры? И как исправлять ситуацию, если взаимодействие систем неустойчиво? Понятно, что в рамках одного доклада невозможно полностью раскрыть все эти вопросы, тема слишком обширна. Но я расскажу о практиках, которые помогают мне получить ответы, и надеюсь, это будет полезно.

Предыдущее выступление Что такое - хорошая интеграция (Saint Highload-2021), это отличается от него фокусом на устойчивости и тестировании.

Из вопросов после доклада я понял, что тема будет иметь продолжение, потому что есть ряд актуальных вопросов, о которых я почему-то забыл при подготовке. Фиксирую их здесь, чтобы не забыть.

Организационные вопросы обеспечения устойчивости — взаимодействие со смежными командами и заказчиками, создание тестовых стендов, особенно актуальное в ситуации, когда «после релизов все разваливается» (это — цитата из вопроса).
Смежные с предыдущим вопросы создания mock-объектов, особенно актуальные при отсутствии полноценных интеграционных стендов: технически оно более-менее понятно, но кто несет ответственность, как обеспечить своевременность изменения mock-библиотек при изменениях протоколов. Этих вопросов я немного касался на слайде про тестирование интеграции под нагрузкой, но явно недостаточно.
Рассмотрение альтернатив для распределенных транзакциям. Мне очевидно, что распределенные транзакции есть безусловное зло, но надо подробнее показать альтернативы, такие как идемпотентные операции, о которых я говорил недостаточно. А также разобрать современные подходы, такие как SAGA, предполагающая, что реализуется откат — насколько оно реалистично.
Подробнее рассмотреть эффекты многопоточной обработки — перестановку порядка транзакций и псевдопотери, когда транзакции пошли в разные потоки и обработка идет одновременно, а не последовательно.

По всем вопросам у меня тут точно есть опыт, другой вопрос — получится ли его показать с ясными примерами. Будем работать.

Бизнес-анализ на легаси: как погрузиться в проект? (DUMP-2025)

2025-04-25T02:53:18Z

MaksTsepkov:

Еще про Архитектуру

25.04.2025 Екатеринбург DUMP
Доклад на сайте конференции

Типичная ситуация, когда аналитик приходит на старый проект, в котором у заказчика появились новые идеи развития. Это может быть доработка существующей системы, или разработка рядом с ней новой, обеспечивающей новые возможности для бизнеса. Как понять устройство бизнеса и способ его поддержки в существующей системе? Как разобраться с актуальностью документации и ответственностью разных участников проекта в команде и у заказчика? Я расскажу о своем опыте решения задач погружения в проект, понимания бизнес-архитектуры и включения в проектирование нового.

У меня было много докладов на тему архитектуры, но в этом докладе - фокус на особенности работы с легаси-системой. А пока видео не выложено - можно смотреть Бизнес-архитектура: от цепочки создания ценности до автоматизации бизнес-процессов (ЛАФ-2022) и недавно прошедший длинный вебинар Постановка от модели бизнеса до детального дизайна требований: как делать и кому (Вебинар 13.03.2025).

Постановка от модели бизнеса до детального дизайна требований: как делать и кому (Вебинар 13.03.2025)

2025-03-15T06:53:17Z

MaksTsepkov: Новая страница: «{{RightNote|Еще про архитектуру и постановки}} 13.03.2025 На канале [https://t…»

13.03.2025 На канале Системный подход
Анонс доклада
Запись на youtube (Пост на канале)
Презентация на канале

Развитие ИТ накопило большой набор методов создания постановок для разработки софта: требования и проектирование от модели данных, описание бизнес-процессов, use case, user story и story mapping, domain driven design, c4-model, макеты интерфейсов, CJM, event storming и многое другое. Эти подходы создавались в разное время и для разных типов проектов, а также для разных представлений о разделении ответственности между командой и бизнес-заказчиком и ролями внутри команды. И при выборе метода работы, как и при выборе фреймворка разработки, стоит не брать то, что знакомо, а представлять спектр вариантов, их назначение и особенности. В докладе будет обзор вариантов, исторический контекст их создания, их назначение и подводные камни, и мы поговорим о том, на какие вопросы надо ответить при выборе конкретного варианта.

Этот вебинар - развитие выступления на UIC.dev: в ходе подготовки пришлось сделать много сокращений, чтобы уложиться в тайминг, а на вебинаре рассказана полная версия, и это заняло больше двух часов, а с вопросами - почти три.

Запись трансляции смотрите по ссылке, встраивать его на свои сайты нельзя, поэтому здесь его нет.

Развитие общества в эпоху ИИ (WAW-2025)

2025-02-22T06:39:13Z

MaksTsepkov:

22-23.02.2025 Подмосковье WAW-2025
Доклад на сайте конференции
Видео на vimeo Видео на rutube

Многие визионеры пугают развитием ИИ. Раньше говорили о замене человека и безработице, теперь о конкуренции тех, кто хорошо овладеет инструментами ИИ с остальными. Но это один из вариантов их профессии - пугать будущим. Реально ИИ помогает делать работу, а порог входа - низкий, этим он не отличается от других массовых технологий, ни одна из которых не привела к массовой безработице, хотя кому-то приходилось менять профессию.

Но ИИ меняет не только разделение труда, он меняет общество больше, чем соцсети и смартфоны. Например, есть сценарий, по которому персонализированный ИИ-помощник, который будет помогать выбирать вещи убьет рекламу, как маркетплейсы убивают оптовую торговлю. А также сильно изменит воспитание детей, которых родители отдадут ИИ.

В докладе я попробую собрать комплексную картину из разных источников и поразмышлять о том, каким будет наше будущее на горизонте 10-20-30 лет.

На WAW-2024 я тоже говорил о будущем: Место ИТ и аналитиков в будущем мире, но там фокус был на профессию аналитика, а в этом докладе - больше про общество, и про ИИ как сильный драйвер развития.

Быстро понять мышление, эмоции и мотивацию коллег? Есть модели! (Живая компания-2025)

2025-02-10T06:10:25Z

MaksTsepkov:

Выступление на конференции Живая компания 6-8.02.2025
Канал конференции, Чат конференции
Видео (vk)

Для эффективной коммуникации и совместного пути к цели надо понимать, как принимает решения, мыслит и чувствует другой, непохожий на тебя человек, что его драйвит и мотивирует. Для этого есть модели, они позволяют сделать это быстро, а не долго вживаясь по Станиславскому в его образ. А взгляд через те же модели на себя позволит понять свой потенциал развития, даст подсказки по направлениям движения. Я расскажу комплексную модель личности. собранную из многих моделей психологии и нейрофизиологии, покажу на примерах, как решать такие вопросы.

Это - очередной доклад из серии, пока запись еще не опубликована - смотрите доклад Взаимодействуй с людьми и развивайся с опорой на модели личности (ЛАФ-2024) и другие из категории Модель личности, а также читайте книгу «Инженерная модель личности — Меняя себя и других — понимай устройство». Как и в предыдущих докладах, это - не повторение, а развитие, логика рассказа и кейсы отличаются разных докладов отличаются.

Подумаешь, ценности! Мы-то знаем, что это - для простаков - статья на хабре

2025-02-04T07:53:04Z

MaksTsepkov:

Еще о менеджменте

Нынешний дефицитный рынок персонала требует серьезного отношения к ценностям, особенно по отношению к сотрудникам. А многие менеджеры воспринимают разговор о ценностях как ритуальному действию, а не по содержанию. Если они приходят в компанию, где к ценностям, например, гуманистическому отношению к сотрудникам, относятся всерьез, то это может приводить к печальным эффектам, включая увольнения. А на собеседовании это не распознается - ведь ритуалы выполняются. Об этом - моя новая статья Подумаешь, ценности! Мы-то знаем, что это — для простаков на хабре. Та же статья на vc.ru.

Учетно-ориентированная архитектура - основа построения учета в распределенном ИТ-ландшафте (CNews Fin-2024)

2025-01-28T17:08:26Z

MaksTsepkov: Новая страница: « Доклад на конференции CNews «Цифровизация финансового сектора» 20.02.2024 ИТ-ландшафт соврем…»

Доклад на конференции CNews «Цифровизация финансового сектора» 20.02.2024

ИТ-ландшафт современного банка или компании включает множество различных систем, учитывающих разные сегменты бизнеса. Интеграция между системами обычно осуществляется по асинхронным протоколам, а при ее исполнении возможны различные ошибки. Одной из важных задач является обеспечение в таком ландшафте целостного, консистентного учета. Для этого в компании CUSTIS был разработан фреймворк учетно-ориентированной архитектуры, которому и посвящен доклад.

Евгений Идзиковский на Teamlead 2024 осенью. Legacy-код в психике - как расплатиться со своим техдолгом

2024-11-30T18:34:08Z

MaksTsepkov: Новая страница: «Если рассматривать мозг как большой софт, то в нем много legacy-кода, который возник ситуати…»

Если рассматривать мозг как большой софт, то в нем много legacy-кода, который возник ситуативно. Это — хорошая аналогия, с той разницей, что код софта писали программисты, а код мозга был порожден в ходе обучения. Но в обоих случаях когда-то была приемлема решена какая-то локальная задача, а потом этот фрагмент сохранился. Этот механизм свойственен не только человеку, так же работает мозг кошки или собаки, которые вообще не мыслят, однако решают довольно сложные задачи обеспечения питанием, поиска партнера для размножения, социальных взаимодействий. А рефакторинг не предусмотрен, если только механизм не начал давать серьезные сбои. В дикой природе животным некогда заниматься рефакторингом, надо выживать.

А вот человек — он рефлексивен по отношению к своему поведению, и часто хочет изменить каки-то действия своего обученного автопилота, не доводя последствия до серьезных сбоев или просто узнав, что существуют другие, более эффективные способы действия. Провести рефакторинг. Именно этим занимаются психологи, и для этого наработано много методов терапии. При этом, однако, исследования показывают, что эффективность каждой конкретной — 25 %. Но вот если действовать интегративно, применять их в комплексе с учетом конкретного человека и задачи, то коррекция возможна, при чем достаточно быстро, за 1-2-3 месяца. А если вы ходите два года и проблема не решается, значит к вам применяют неверные методы, учитывайте это при выборе специалиста.

Дальше в докладе был обзор методов психотерапии на понятном разработчикам языке работы с легаси. Это было устно, и я записывал в телеграфном стиле. Но на своем канале @idzikovsky_psy Евгений обещал в ближайшее время выложить подробную презентацию, где раскрыть содержание. Он — профи и знает много методов, чаще использует гипнотерапию, осознанность и НЛП совместно, дополняя другими по необходимости.

Итак, психотерапия как работа с legacy-кодом.

Для начала — архитектурная схема: есть входной сигнал, два канала обработки — эмоции и мысли, которые между собой взаимодействуют, и выход — поведение. И там возможны ошибки двух типов.

Ошибки распознавание. Смотрим на собаку, которая бежит к нам, хочет сделать кусь, и у нас страх. Психика угадала — хорошо. Но может дать такой же ответ и на маленькую собачку. Получаются разные фобии. Не все страдают, они просто избегают этого. И там — проблемы. Хорошая девушка, хочу познакомиться, но не подхожу — психика выбрала какой-то страх, а не предвкушение интересного знакомства.
Второй тип ошибок — психика выбрала неправильное поведение. У человека инстинктов нет, все результат обучения. Два года, мозг сгенерировал какой-то шаблон, и если оказалось удачным — оно классное. Оставим. И все время мы копим какой-то код в мозгу. Время рефакторинга — не было. Потому что рефакторинг в дикой природе — нерационален. Надо еду добывать.

Формирование ошибочных шаблонов может идти тремя разными способами.

Разовая ошибка, что-то сделал, она сделала кусь — и это зафиксировалось как негативный шаблон через эмоции.
Мама говорила «ты лох» или «ты глуп» или «не высовывайся» — и ты следовал этому, потому как она говорила многократно.
Родители не кричали, но показывали, что расстроены: мы любим, когда ты себя ведешь таким образом, а когда по-другому — не любим. Это тоже отпечатывается эмоционально, но по-другому.
Подражание родителям заложено как способ обучения. И это правильно: родители же выжили, значит классные шаблоны. Но они выжили в других ситуациях.

Что можно сделать для рефекторинга сознания?

Влезть в хардвер.
- Волшебные таблетки и подобные штуки. Перформить на 80% лучше, чем сидеть в депрессии. Еще есть таблетки, которые выключают страх на время, например, вырубая страх выступлений — он накапливает опыт.
- Обруч обратной связи — выводит на экран то что происходит в мозгу, ЭЭГ на сухих электронах. Видео шлем. Человек боится авиаперелетов — это надо протестировать. Запускают эмуляцию на очках, снимает с обруча страх. Потом провели терапию, и эксперимент повторяют, убеждаясь в эффективности. Не на словах, а экспериментом.
Перехват кода. Контроль «не делай этого». Здесь все практики осознанности. Тренировки нужны, чтобы поднять порог эмоций, которые боимся. Например, подойти к краю, где высота. В 1980-е были эксперимент — есть ли свобода воли, или есть предписанные процессы. Снимали МРТ, оказалось, что за полсекунды приборы показали, будет ли он это делать. Вывод: свободы воли нет, все предопределено. А в 2015 — другие эксперименты, и они показали приборы фиксировали готовность, а мозг — управляет. И осознанность обеспечивает это управление. Но его надо нарабатывать, из коробки его не дают.
Отредактировать код.
- НЛП — оно создано для этого. Можно менять тембр голоса или скорость речи и так далее.
- Позитивная психотерапия — по-другому смотря на вещи, выбирать другие шаблоны.
- Терапия частей, гипнотерапия, гештальт. Даем ТЗ на некоторый код, внедряем, и применяем в жизни.
Мы внедрили новый код, запускаем его в модельной ситуации, а в жизни сетка запускает старый. Тут терапия осознанности и гипнотерапия, она перекодирует принятие решений. Пересобираем решения.
Экзистенциальная терапия: говорит — в жизни есть важное, его надо удерживать в фокусе, когда действуешь.
Метапрограммирование систем. Средняя семья — клуб чудовищ, и можно работать с ними вместе как с системой. Семейная терапия или транзактный анализ. Пример: в семье ругались, дали предписание: нельзя ругаться в любое время, надо с 21 до 21:30, и обязательно орем друг на друга. Пару раз орать получилось, потом приходят: доктор, дайте другое предписание, не можем. Ругаться перестали.

Подходы можно варьировать, решая проблему косвенно.

Руководитель боится ошибок, ему психика говорит «ошибаться — плохо», и он запускает гиперконтроль или пытается делать все сам.
- Можно изменить убеждения, сказать «ошибаться — нормально»
- А можно сказать: не делегировать — ошибка, делегируй.
Боюсь обидеть — поэтому не провожу one2one. Причина может быть в детстве: мама часто показывала, как плохо, что она расстроена, это был ее способ воспитания и это — отпечаталось.
- Можно с этим разобраться, чтобы детские травмы не влияли на взрослую жизнь.
- А можно научиться давать обратную связь, где ты не обижаешься, дать альтернативную технологию.
Тимлид вырос и стал токсичным. Почему? Он вырос в среде, где сильных гнобили слабых, и это было нормально. И когда он стал тимлидом, у него что-то перещелкнулось, сработал тот старый паттерн: я теперь сильный, значит должен гнобить. Не хочу, а должен. И он начал так делать. Шаблон надо выявить и перепрошить. Но надо понимать, что конкретно меняешь, причины могут быть различны.
Человек много планируешь как супермен. Планы преувеличены, и они не выполняются, он это видит. но все равно планирует 10 дел, а выполняет одно-два. Почему планов много? У него убеждение: если план — всего одно дело, то он точно плохой, я не герой. А если 10 — то может получиться, есть шанс. Убеждение можно менять, но его тоже надо выявить.

Как со всем этим бороться? Осознанность. Если мы второй раз поступили неверно — это паттерн. Надо его зафиксировать, а потом с ним работать, менять то, что мы делаем.

Системное мышление — нужно ли оно в IТ и зачем? (Teamlead-2024)

2024-11-28T08:48:03Z

MaksTsepkov:

Предыдущие выступления из серии.

27-28.11.2024 Teamlead Conf 
Доклад на сайте конференции
Видео на youtube Видео на VK

Системное мышление – мощный инструмент построения моделей реального мира и проектирования его изменений. Но действительно ли такие мощные инструменты общего характера необходимы архитектору, разработчику в повседневной работе для проектирования или разработки? Ведь существует много прикладных моделей и подходов, таких как для с4 model и Archimate для архитектуры, или ООП и DDD для разработки кода, Event Storming чтобы разобраться с предметной областью и много других.

Мой опыт говорит, что прикладные методы – это хорошо и правильно, но без опоры на системное мышление структурное представление, которое дают эти методы, рискует превратиться в типологию Борхеса, приводит появлению BigObjects, сильной связности объектов, ложным абстракциям, а также фиксирует текущее состояние без учета возможных направлений развития. Дело в том, что авторы прикладных методов владели системным мышлением и неявно на него опирались, предполагая что те, кто будут их применять также им владеют. В докладе я покажу на конкретных кейсах, как системное мышление встроено в прикладные методы, и где именно оно необходимо при решении практических задач.

Модели личности – основа для успешной коммуникации и развития (AnalystDays-2024)

2024-11-22T13:02:08Z

MaksTsepkov:

22-23.11.2024 Москва AnalystDays-19  
Доклад на сайте конференции
Видео ожидается

Аналитику часто требуется понимать мышление и эмоции людей, причём делать это быстро. Например, ты предлагаешь решение заказчику, а в ответ идёт эмоциональная реакция от тех, кого первый раз увидел на встрече. Или когда команда отказывается принять очередные требования заказчика.

Этому помогают модели soft skill: они позволяют понять, как думают и действуют другие люди, которые на тебя не похожи. Модели также помогают взглянуть на себя со стороны, оценить потенциал своего развития. Польза от моделей такая же, как от знания шаблонов для проектирования: можно работать без них, но с ними — быстрее и эффективнее, хотя неуместное применение может нанести вред.

Моделей много, и у меня получилось собрать комплексную модель, объединив психологию и нейрофизиологию. И в докладе я покажу её применение на конкретных кейсах.

Системное мышление: что это и зачем нужно разработчику и аналитику? (Merge-2024)

2024-11-15T07:25:37Z

MaksTsepkov:

15-16.11.2024 Технопарк Сколково MergeConf-2024 
Доклад на сайте конференции

Для успеха разработки надо хорошо представлять устройство софта и деятельности, в которую этот софт встраивается, — иметь модель.

Системное мышление — мощный метод для построения моделей и проектирования изменений. Но нужен ли такой мощный инструмент архитектору, разработчику и аналитику? Ведь существует много прикладных моделей и подходов, таких как для C4 model и ArchiMate для архитектуры, ООП и DDD для разработки кода, Event Storming, чтобы разобраться с предметной областью, и другие. Может быть, этого хватает?

Мой опыт говорит, что прикладных методов недостаточно: их авторы владели системным мышлением и неявно на него опирались, предполагая что те, кто будут их применять, также им владеют. И без него мы рискуем получить ошибки проектирования, сильную связанность объектов, ложные абстракции и чрезмерное упрощение сложных систем, игнорирование направления их развития. В докладе я сделаю фокус на точках в проекте, где важно владение системным мышлением.

Записи не будет, смотрите предыдущие доклады из серии. На 11.2024 единственный доклад с доступной всем записью - Рациональное и системное мышление: практики и компетенции аналитика (AnalystDays-2023), остальные - только для участников конференций.

Бизнес и софт как единая система: описываем архитектуру предприятия (ArchDays-2024)

2024-11-01T08:07:00Z

MaksTsepkov:

01.11 Москва ArchDays
Доклад на сайте конференции
Видео на vk

Разработчики не очень любят заглядывать на уровень бизнеса. Контекстная диаграмма в C4 model показывает эту связь лишь как контекст работы софта, а на схемах бизнес-процессов софт часто вообще не проявлен. Между тем, в современных компаниях и банках софт — неотъемлемая часть функционирования, развитие бизнеса обеспечивается новыми фичами, так что софт и бизнес-процессы изменяются совместно. И на архитектурных диаграммах надо видеть целостное представление, уметь проводить трассировку от софта через бизнес-процессы к цепочкам создания ценности. Это необходимо понимать разработчикам для создания адекватной архитектуры и дизайна софта. Это необходимо понимать бизнесу, так как софт часто оказывается ограничением направлений развития.

В докладе будут рассмотрены методы описания архитектуры предприятия с конкретными примерами описаний, которые служили для коммуникации между бизнесом, аналитиками, разработчиками и другими участниками проекта, обеспечивая целостное видение, а не ограничиваясь фрагментарным знанием Workflow документов, экранами приложения и отдельными user story с их контекстом.

Предыдущие доклады из серии с видео: Бизнес-архитектура: от цепочки создания ценности до автоматизации бизнес-процессов (ЛАФ-2022) и Требования или модели - как писать постановки (AnalystDays-2023). Был еще Постановка от модели бизнеса до детального дизайна требований: как делать и кому (UIC.dev-2024), но там видео доступно купившим запись.

13.03.2025 я провел большой вебинар Постановка от модели бизнеса до детального дизайна требований: как делать и кому - там много материала.

Системное мышление: что это и зачем нужно тестировщику? (SQAdays-2024)

2024-10-25T07:25:27Z

MaksTsepkov:

25-26.10 Москва SQAdays-35
Доклад на сайте конференции
Видео https://vimeo.com/1025860726

Для успешной работы тестировщику необходимо выходить за рамки узкой задачи проверки функций софта. Ему надо представлять использование этого софта и его место в деятельности, встройку в бизнес-уровень. А для проверки устойчивости работы и удержания нагрузок — понимать сопряжение с уровнем hardware. И, наконец, тестировщику нужно уметь проектировать систему кейсов, обеспечивающую надлежащее качество софта.

Всё это требует умения понимать и строить различные модели и способы их сопряжения между собой. Мощным инструментом, который обеспечивает такую работу, является системное мышление. Понятно, что о нём невозможно рассказать в одном докладе, но мой рассказ даст обзорные представления, а главное — покажет место системного мышления в работе тестировщика и, надеюсь, даст импульс к более глубокому изучению.

Что касается способов изучения, то, на мой взгляд, представление о системном мышлении, понимаемом максимально глубоко - как способ создания и изменения сложных систем - дают курсы Школы системного менеджмента Анатолия Левенчука. К сожалению, по мере повышения качества и доступности изложения сами курсы увеличивались в объеме. Но в online-варианте все они доступны бесплатно на платформе школы, а недорогая подписка дает доступ к заданиям всех курсов и проверку этих заданий - что важно для практического освоения. Offline-варианты, а также online в группе и с преподавателем стоят дороже, что логично. И это - не реклама. Есть много других материалов от разных авторов, но надо понимать, что под системным мышлением люди понимают очень разные вещи.

Доклад продолжает тему, предыдущие Рациональное и системное мышление: практики и компетенции аналитика (AnalystDays-2023) и Системное мышление и его место в работе аналитика (AnalystDays-2024a).

Systems Thinking: What is it and why does a tester need it?

To work successfully, a tester needs to go beyond the narrow task of checking software functions. He needs to imagine the usage of this software and its place in the activity, integration into the business level. And for checking the stability and performance — understand the hardware level. And, finally, a tester needs to be able to design a test cases system that ensures the proper quality of software.

All these tasks need the ability to understand and build various models and ways to interface them with each other. A powerful tool that ensures such work is systems thinking. It is clear that it is impossible to talk about it in one report, but my story will give an overview, and, most importantly, it will show the place of systems thinking in the work of a tester and, I hope, will give impetus to a deeper study.

Щедровицкий. Может ли машина мыслить. Школа Щедровицкого в Бодруме 2024

2024-10-09T19:58:29Z

MaksTsepkov: Новая страница: «{{RightNote|Другие мои материалы по СМД-методологии}} Краткие конспекты с '''ц…»

Еще про архитектуру и постановки

Краткие конспекты с цикла лекций «Может ли машина мыслить» Петра Щедровицкого в Бодруме в 2024. Следует отметить, что школа - методологическая, а не предметная, то есть она показывает рассмотрение ИИ методами СМД-методологии, должна показать не только предмет ИИ, но и метод. При этом сам метод явно не вводится, а показывается результат его применения.

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Постановка от модели бизнеса до детального дизайна требований: как делать и кому (UIC.dev-2024)

2024-10-09T14:32:56Z

MaksTsepkov:

08.10.2024 Ижевск UIC.dev
Доклад на сайте конференции 
Видео доступно купившим записи

Доклад развивает серию статей по ведению постановок на habr Какие нужны требования: развитие концепта, Domain Driven Design: модели вместо требований, Agile-методы: light-версии требований, по которым был сделан доклад Требования или модели - как писать постановки (AnalystDays-2023) и ряд других. Но логика рассказа отличается, это легко увидеть, если сравнить презентации.

При подготовке выступления его пришлось сильно сокращать, и весной 2025 мы с Евгением Галактионовым, курировавшим секцию на конференции сделали вебинар «Постановка от модели бизнеса до детального дизайна требований: как делать и кому» на его канале Системный подход, запись которого в свободном доступе. Вебинар получился длинный, на три часа неторопливого рассказа.

Лекция 7. Как умные машины изменят мир мыследеятельности и пространство предпринимательских проектов. Школа Щедровицкого в Бодруме 2024

2024-10-05T20:45:17Z

MaksTsepkov:

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Лекция сегодня была посвящена сценарием будущего развития. Петр обосновал, почему сценарий крупного централизованного развития ИИ, который был позавчера, он считает наиболее вероятным и реалистичным. Хотя альтернативный децентрализованный сценарий, который он назвал романтичным, тоже возможен, хотя и менее вероятный. Вообще предполагалось, что после лекции Петра желающие смогут рассказать альтернативные варианты, но лекция заняла много времени. Но я, готовясь, написал тезисы о своем варианте и опубликовал их в чате группы, а теперь включаю в конспект. В терминологии Петра это - децентрализованный вариант.

Помимо обсуждения сценариев, была таблица функций, которые можно передать машине, и которые пока передать не получается и классификация трендов. А до сценариев Петр подробно рассматривал нынешнюю ситуацию с точки зрения промышленных революций. Это рассмотрение позиционирует ситуацию в ряду аналогичных и должно помочь сделать ставку.

В конспекте я немного перенес тезисы из обсуждения в конце в месте конспекта, где обсуждались эти вопросы, в основном это касается сценариев.

Лекция 6. В каком смысле человеческий интеллект можно считать естественным. Школа Щедровицкого в Бодруме 2024

2024-10-04T20:49:27Z

MaksTsepkov:

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Основной тезис шестой лекции - человеческий интеллект нельзя считать естественным, ведь он формируется не естественным, природным процессом, а искусственным процессом, выполняемым обществом. И в лекции много схем, описывающих конструкции этого процесса. При этом естественная часть у него тоже присутствует.

Среди них был была схема трансляции культуры, дополненная важным тезисом о необходимости различать нормы культуры и социальные нормы, и процессы их трансляции: педагогика транслирует нормы культуры, а обучение - социальные.

При этом психофизическое, естественно, не исключается. В лекции была 4-компонентная схема человека, положенная на схемы мыследеятельности и включающая биоид на уровне действования, индивида и личность на уровне коммуникации и индивидуальность на уровне мышления.

Кроме этого в лекции подробно разбирались 5-слойка СМД системного подхода, разделение 4 технологий мышления, схемы акта деятельности, и продуктивного действия и разделение производства и клуба. Я не привожу схемы, предполагая, что читатель их вспомнит.

А теперь конспект подробно.

Лекция 5. Ограничения СРТ по созданию умных машин. Школа Щедровицкого в Бодруме 2024

2024-10-03T20:26:33Z

MaksTsepkov:

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Пятая лекция была посвящена ограничениям СРТ, которые стоят перед развитием ИИ нейронных сетей, и только их. Что в некотором смысле логично, потому что это - основная парадигма, но, с другой стороны, экпертные системы тоже были основной парадигмой долгое время, а потом ситуация изменилась - сначала нарастили доступные мощности компьютеров, сделав возможными обучение нейронных сетей некоторым классам задач, а потом придумали глубокое обучение и другие методы, которые позволили резко повысить сложность решаемых задач, создав, в том числе, разговорные модели, которые сейчас воспринимаются как основной вариант ИИ.

Ограничения, о которых говорил Петр, мне знакомы, и я считаю их ложными. Сначала я их кратко перечислю, а потом дам комментарий. Я не буду разбирать каждое из ограничений потому, что дело не в конкретном пределе, а в том пути, который сейчас реализуется, и известны альтернативные пути, которыми его можно обойти.

Сначала был некоторый компаний, связанных с ИИ. Они быстро растут, лидирует nvidia, которая производит аппаратную часть, StartupLabs, которая поддерживает стартапы в этой области и Инфинити, которая строит инфраструктуру - специализированные облака, блокчейн, смарт-контракты.

И были кейсы: В Польше ИИ Диктатор управлял фирмой производства рома. ИИ Мика управляет наймом. В Китае ИИ сопровождает курсы обучения. Есть кейсы создания с помощью ИИ проектов автрматизации бизнес-процессов, возможно, с ведением проектов (в этом нет ничего сложного, если на уровне администрирования вести). Компании растут успешно и их давят через регулирование. Оштрафовали на 193к стартап, в котором робот-юрист реально помогал людям, в том числе в суде. Причина - компания оказывает юридические услуги, а в штате ни одного сертифицированного юриста. Как сертифицировать робота и является ли он в штате - неизвестно.

И был обзор роста уровня GPT-моделей.

GPT-2 2019 - дошкольник.
GPT-3 2020 - ученик начальной школы. связность абзацев, грамматика, генерация простого текста
GPT-4 2022 - умный старшеклассник, побеждает большинство старшеклассников на любых тестов, лучшие результаты чем большинство.
Gemini 1.5 - между 4 и 5 и стоит сильно меньше.

К 2030 ожидается, что смогут выполнять роль исследователя умных машин.

Хотя в списке приведен уровень по отношению к человеку, реально наблюдается та же хрень, что и с измерением информации в байтах: мощность моделей преимущественно меряется количеством параметров, считается, что увеличение числа параметров делает модель умнее. А сравнение с уровнем человека всегда - отдельный процесс, и совершенно неясно, насколько он объективен. Потому что можно ведь давать задачки, на которых модель тренирована. Обучение и увеличение числа параметров может приводить к деградации модели в смысле ответов на вопросы, это тоже уже показано на исследованиях и тестах.

Дальше был короткий ликбез про устройство - граф с весами, обратная связь. Граф можно представить вектором, а утверждения в разговоре вбрасывается в этот граф и идет обработка-предсказание. Есть разные методы обучения, была таблица с краткими пояснениями.

Итак, какие препятствия дальнейшему развитию.

Препятствия обучению моделей и взаимодействию с ними.

Отсутствие объяснимости. Неясно как принимает решение. Новая позиция - создание объяснительных моделей. В финансовой - критично.
Модели данных. Их мало, они плохие и даже опасны для сети. Даже плохие заканчиваются. Llame3 обучено на 15м токенов. Большие данные 100трлн токенов, однако значительная часть - спам и дубли, вычистка дает 30трлн. Их мало. А еще они портятся, и это может обвалить сеть.
Переобучение - обучение может портить сеть. Когда она чрезмерно подстраивается под данные, включая шум. Снижение способности модели усваивать информацию, ухудшение работы на новых данных. Не связано с вычислительными ограничениями, оно с матрицей.
Ограниченность сложным мышлением. Машина не думает. Слабы в имитации абстрактного мышления, планирования, ведения диалога как рассуждения. Терпеть не могут противоречия и никогда не пытаются использовать их как способ углубления содержания разговора, гомогенизирует, не переходит между позицию
Отсутствие длинного контекста. Она теряет предмет рассуждения, работы. Похожи на сотрудника, который вопросом занимается 3 минуты. Могут работать в условиях краткосрочных задач, не могут решать долгосрочное и интегрировать большие объемы. CPT-4 контекст до 32к токенов, а Gemini - до 1м токенов.

Технические ограничения в индустрии ИИ. На основе оценок агентств, они не сходятся, но по основным - едины.

Материалы: мало, недоступны политически. Чипы - ресурсы СРТ, GPU, память, соединения - всюду редкие металлы. Тантал и Кобальт - ограничены поставки, кбальт до 50к за тонну. МакКинзи считает ограничением медь, редкоземельные, особенно ниодим - магниты и электродвигатели, кобальт - политика в Конго, литий, палладий - Россия и ЮАР. Большие геополитические риски - страны с нестабильной ситуацией и Китай, который перехватил производство. Эскалация конфликтов. Маск анонсировал, что хочет начать с 1 млн роботов в год и с перспективой до 1 млрд, в каждом - 10+ чипов, чип 0.5 г тантала, итого 5к тонн при мировых запасах 120к тонн - караул!
Инфраструктуры
- Литографические машины, топовые Нидерланды и 2 в Японии. 100-150млн за машину, срок поставки - несколько лет. В мире их 300-400. СМЛ планирует увеличить производство до 90 в год к 2025, отсюда ограничение на производство чипов, будет нужно больше сотни. Узкое место. Переход на фотонные или квантовые не исключает литографию, любые изменения в дизайне - спецкомпании, там карту технологии делают несколько лет. И далее другие ограничения.
- Энергетика. Для крупных обучающих кластеров. В США до 80 ГВт к 2030 году, это 12% мощности США. Охлаждение ест до 50% энергии. Кластер 10ГВТ за год 96ТВт, сопоставимо со штатом Вашингтон (92ТВт). Места с мощными источниками энергии - что ограничивает выбор места для размещения. ГЭС сама по себе не может, Уголь - до 1ГВт на станцию, газ 1.5ГВт, АЭС 6-7 реакторов. Их совсем мало.
- Кейс Сингапура. Он сначала сделал нефтегазохимический, потом биологический, потом - развитие элементной базы для ИИ. Если взять целевой рамкой их планы - датацентр на 1ТВт, и не могут получить столько энергии, 59.4ТВт - поддержка датацентров, в их климате - охлаждение, все из газа. А АЭС строить не хотят.
Пропускная способность сетей в датаценты. Ограничения. до 13% затрат на создание кластеров. Для перехода к продуктам нужно массовое производство агентов, для этого нужны кластеры, а это 20 лет.
Ограничения скоростей вычисления. 4к ТФлопс, надо 10к. И шину увеличить. И Архитектура Фон Неймана в применении к глубокому обучению. Чипы-ускорители, и инвестиции растут. Дойдет до 1трлн$ хотя другие только до 400т к 2030. Прямая реализация в железе.

Учителя нейронных сеток под разные задачи. Их надо больше, и непонятно где взять. Нужно 10-100к человек.

В мире - около 5к человек понимают, как оно устроено.
Те, кого надо рекрутировать - лишены доступа к данным и моделям
Закрытость моделей и ключевых алгоритмов, лаборатории закрывают обмен информации - в отличие от открытости предыдущих стадий. В результате работы застопорятся, что-то закроется.
Невозможность использовать опыт. Способ воспитания следующего поколения ограничен временем. СМД учатся 10 лет, нельзя ускорить. Даже если появятся кадры, передача методик займет длительное время.

Социально-общественные проблемы

Стандарты и юридические вопросы. Этические нормы для автономных систем. Конфиденциальность данных, права на интеллектуальную собственность. Международная координация слаба. Предвзятость алгоритмов, дискриминация ими. Безопасность данных, утечки данных, отсутствие единых стандартов. В Европе - закон для здравоохранения и автопилоты. Нормативное регулирование резко возросло. Количеств инцидентов, до 120 случаев в год. Определение ответственности за ИИ. Кто несет ответственность при аварии автомобиля с автопилотом? Инвесторы - видят, неопределенность растет, стартапы не предоставляют гарантий - кошмар, они-то надеялись, что все ОК!
Конфиденциальность данных - потенциально нарушается. В 2018 cambridge analytics использовала алгоритмы анализа личной информации для таргетированной политической рекламы.
Локальная оптимизация в ущерб обществу. Алгоритмы ценообразования для агрегаторов такси. Во время пиков спроса он увеличивает цены - а людям не нравится почему-то. Несоответствие целей человека целям людям. Попытки ввести штрафы выявляют соответствие машины тесту Тьюринга - машина начинает обманывать, искать лазейки в системе наказаний в свою пользу. И будет находить быстрее человека, если не блокировать целеобразование. ИИ игнорирует побочные эффекты и программисты не умеют это блокировать. И проблема безопасности - не в том, чтобы сделать умной, а согласовать с человеческими. Надо возвращаться к человеко-машинным системам как объектам проектирования и осмысления.

Теперь мои комментарий по поводу ограничений.

1. Технологические ограничения - связаны с путем на построение централизованной структуры для ИИ. Это уже было в эпоху больших компьютеров, когда рассчитывали, что нужно, чтобы дать каждому человеку доступ к компьютеру, получали гигантские цифры, и говорили, что это невозможно. Потом появились персоналки и проблема решилась, а сотовая связь и смартфоны решили проблемы постоянной связи.

При этом понятно, что гиганты, которые сделали ставку на централизованные решения, топят за него. С компьютерами IBM, которая делала майнфреймы и суперкомпьютеры для военных и корпораций, сделала и первую персоналку. А тут легкие модели, разворачиваемые локально - альтернативная ветвь развития. При этом уже еть достаточно умные модели, которые разворачиваются на компьютере разработчика, им даже кластер серверов не нужен. Почему IBM начала делать персоналки, а эти парни - нет? У меня несколько версий. Может, с 1980-х сменилась культура, тогда было принято держать долгую перспективу и исследования, а культура стартапов иная - сделал и быстро продал. А может, дело в том, что IBM уже продала достаточно много больших компьютеров, увидела, что рынок близок к исчерпанию, и начала искать способы расширения на массового потребителя, средний и мелкий бизнес - первые персоналки были для них.

В любом случае в этих ограничениях - очень много нагнетания страхов и манипуляций, с Танталом характерно: Маск не сделали ни одного робота, хочет всего миллион в год - при этом миллиард - это 1000 лет, и там кричат караул, потому что это потребует 5% разведанных запасов тантала! И так далее.

А локально разворачиваемые предобученные GPT уже есть, в том числе открытые и доступные бесплатно, их можно разворачивать и дообучать. И не так это сложно - потому что их создатели рассчитывают на широкого потребителя и на его возможности для обучения. Что-то они сделают сами, а чему-то - дообучат другие. И монополию малого количества лабораторий это тоже может разрушить. Чему они, понятно, будут сопротивляться.

Децентрализованный сценарий в обсуждении подробно раскрыл Николай Верховский. А Петр проблематизировал: почему вы думаете, что ИИ-помощников смогут обучать, если детей и сотрудников обучают плохо. Я тут хочу сказать, что ИИ - он не возражает, когда ему говорят, что он не прав, и готов обучаться. А человек - не всегда. И это - существенная разница.

Вообще, в этом году на конференциях - очень много докладов о разных прикладных применениях ИИ. Но началось это давно. Пару недель назад я делал об этом доклад на ПИР, который был посвящен теме ИИ, в презентации есть ссылки на разные кейсы - я делал репрезентативную подборку. А на самой конференции большинство футурологов пугали будущим, Петр (он тоже выступал) был самым взвешенным из них, а практики рассказывали об использовании, и никого из них будущее с ИИ не пугало. Мой отчет с конспектами части докладов ПИР-2024 (он еще будет дополняться, я пока не успел).

2. Проблемы обучения и исчерпания данных. Общий принцип развития технологий - выбери потенциал того, что есть, потом вкладывайся в обработку. Потому что у исследователей всегда есть, чем заняться. Первые успехи нейронок были без глубокого обучения, потом уперлись в предел - пошло глубокое обучение. Если смотреть детальнее - там несколько этапов со своими остановками и прорывами.

Сейчас уже понятно, что важно не только количество данных для обучения, но и их качество. Я слушал доклад, где автор делился, что добавив к слабенькой, разворачиваемой на собственном кластере китайской one-plane, токенизированную английскую википедию в виде контекста токенов (а это не так много), поучают ответы лучше, чем дает ChatGPT. Вообще версии ChatGPT дают некоторый эталон для сравнения, относительно объективный. И сравнивать ответы разных ИИ при оценке тестов может в автоматическом режиме другой ИИ, например, тот же ChatGPT. То есть получается, что можно экспериментировать и совершенствовать.

Просто загнать большой массив всего подряд для обучения - проще, чем разбираться. Но можно же и включить мозг, разобраться, приведенный пример показывает, что эффект дают даже очень простые решения. А еще если из GPT собрать простенькую модель нескольких агентов в разных позициях, то процент решения задач на некоторых тестах повышается кратно, у Петра эти примеры были.

Так что по обучению - масса резерва в нынешних технологиях, даже если не рассчитывать на новые методы - а они будут. Например, встройка механизмы рассуждений при решении задач.

Про сложность задач и чрезмерные обобщения со стороны ИИ, использование противоречий - решается постановкой ИИ в разные позиции. Ты в роли содержательного модератора. А до содержательного можно на скрипте прокрутить автоматического: выдай список позиций, кого затрагивает (или сторонников и противников), встань в каждую и выдай аргументы, попробуй найти решение win-win через синтез позиций. ИИ по умолчанию толерантен и оценивает позитивно, но если явно сказать "укажи недостатки и проблемы", например, при оценке кандидата или по работе человека - он это делает.

3. Про объяснения скажу отдельно. GPT умеет объяснять свой ответ. Это обяснение не имеет отношения к тому, что происходит у него внутри, он строит обоснование от готового ответа. Но множество людей поступают так же, и это не служит проблемой, чтобы работать с ними. Потому что человек не умеет иначе. Так что тут проблема надумана. И сильно связана с социальной проблемой вины и ответственности.

4. Социальные проблемы. Это - проблемы людей, а не технологий, общественного устройства. В законе и учебниках написано "компания имеет целью извлечение прибыли". Это люди заложили в оптимизатор цен, получили эффект взлета цен в некоторых ситуациях. И сваливают информацию на ИИ, как на безответственного. Или на программистов. А программисты - не при чем, вы им скажите, как должно вести себя ценообразование в таких ситуациях, они этоо заложат. Сказать должны люди, в виде владельцев компаний или регуляторов. А для этого - договориться. И личные данные, собранные в facebook, для таргетирвоанной пропаганды собрали и использовали конкретные люди, а не абстрактный ИИ. Ну и разберитесь с ними. Может, законы этого и не позволяют, но в Европе и Штатах у всех профессий есть этический кодекс - можно на этом уровне работать, если есть общее мнение, что тут нарушена приватность.

Но пока в информационном поле проблема таким образом не звучит, а звучит другая - запретить. Потому как ИИ, как всякая технология, меняет СРТ, а есть люди, которые от сложившейся СРТ получают понятный доход. Например, прибыли. И они приложили немало усилий, чтобы свой доход оградить, не допустить перепроизводства юристов, которая бы привела к конкуренции и снижению цены. Смысл сертификации - в этом, а не в реальной проверке знаний. Ситуация, знакомая по человеческому обществу. Вон, в Испании: по ряду достопримечательностей проводить экскурсии имеют право только сертифицированные гиды, среди которых русскоговорящих почти нет. При этом сертификационный экзамен уже 10 лет (историй 10 лет назад, могло измениться) просто не проводят, говоря, что гидов и так достаточно. Как результат - с экскурсией формально идет испанский гид, а русский как бы переводит, дальше там по-разному бывает, иногда испанец рассказывает интересное, и иногда просто молчит, потому как русский и так все знает.

На этом про лекцию Петра все. Но после перерыва была лекция Николая Верховского об его практике работы с ИИ для корпораций.

Сначала слайды про ситуацию

В последние десятки лет (с 1975) производительность в среднем стоит на месте - то происходит в конце волны революции: все все оптимизировали, и неясно что делать. Это - объективно.
LLM успешно решают инженерные задачи. На слайде - решение с 3 попыток, диапазон от 0.4 у avg candidates до 1 у top-candidates людей, и большинство LLM в этом диапазоне, а последние версии приближаются к 1.

Дальше схемы.

Горизонтальное и вертикальное разделение труда, вертикальное - включает знания. Тот пакет технологий, который связан с машинизации в мД и частично МК - повышал горизонтальное разделение труда. А сейчас стоит задача повышения вертикальной СРТ, накопление, освоение и использование знаний.
Деятельностное знание - поверх продуктивного действия: Замысел - Реализация. И там знания: управляющая часть действия и исполнительная. Деятельностное знание содержит много не отрефлектированных компонентов.
Круговорот Замысел - Знание - Исполнение - Знание. У стрелок движения по схеме есть время, стоимость, усилия, производительность. Производительность можно применять не только для горизонтальной, но и для вертикальной СРТ. И производительность вертикальной СРТ определяет производительность горизонтальной.
Bottleneck. Чаще всего оно завязано не на операционную деятельность, а завязано на мыслительную деятельность, которую не может своевременно выполнить некоторый человек, выполняет ее урывками и некачественно по разным причинам.

Есть известное деление на явное и неявное знание. Николай предлагает иное

Есть знания статические - они записаны в библиотеки.
Есть знания динамические - надо создавать каждый раз, когда начинаете действие.

Пример - построение маршрута в такси до эры навигаторов.

Я тут хочу отметить, что это все-таки другое деление, чем явные и неявные, я темой знаний в свое время достаточно плотно интересовался. Все-таки, знания - про долгое. И если мы говорим про случай такси, то у водителя есть неявная процедура, как в подобной ситуации оценивать маршрут. То есть к неявному знанию относится процедура создания ситуативного, динамического знания. А бывает еще неявное знание в статической форме, как опыт мастера. Собственно, само понятие неявных знаний появилось, когда Sony разрабатывало автоматическую тестомешалку, и послало инженеров учиться к лучшему повару в Токио, пекущему вкусные булочки. Тот не скрывал умение, учил учеников, но не у всех получалось. И один из инженеров в ходе обучения понял почему: он когда месил тесто не просто его сжимал, а скручивал особым движением, так что внутрь попадали пузырьки воздуха. Но не говорил этого. А на вопрос, почему он так делает, мастер ответил "меня так бабушка научила в детстве, я не знал, что именно это важно".

Тезис Верховского: Каждый, кто стоит на рабочем месте, строит динамические знания. И это умение - критичное.

Пример с металлургического завода РУСАЛ. Инженер смотрит на процесс горения глинозема, и определяет по характеру горения достройку параметров печи. То же самое можно сделать через анализ, и это делают, но анализ выполняется час-полтора, и на этой задержке теряется 9930 тонн в год. Они делали проект по перекладке этой работы на машины. Камера с нейросетью, матмодель, которая берет это вместе с составом материала и другими данными, и дает рекомендации. Человек из цепочки не выпадает, он принимает решение. Финальную ответственность они положить на машину не рискнули. Но человеку теперь не надо так много смотреть, наблюдая за характером горения, а это конкретный бонус для здоровья. Эта ситуация не только для конкретного участка завода, она повсеместна. Производительность умственного труда - важна.

Они разрабатывают метрику для производительности мыслительного труда. Knowledge processing time - время прохождения по циклу Знание - Замысел (решение) - исполнение - знание на схеме.

Еще кейс. Консультанты по продаже сложных технических объектов. Есть всегда один консультант, который может квалифицированно все рассказать. Он 20 лет работал. Но в компании гораздо больше тех, кто продает. И они обращаются к эксперту, тот помогает. Новички не способны организовать действия, пока не будет доступа к носителю знаний. Эксперты обычно bottleneck, и от него зависит производительность компании, и выдать компред без него невозможно. При этом у эксперта нет знания по конкретному случаю, они же разные и не повторяются. Но у него есть способ, которым новое динамическое знание получить в конкретной ситуации. И именно этот способ преобразования знания о ситуации в знание-компред - то, что надо извлечь и перенести на машину.

Это назвали когнитивной функцией или преобразованием знания. И работают над передачей его ИИ. Почему когнитивная функция, а не интеллектуальная операция? Потому что так заказчик меньше пугается, это какая-то психология срабатывает. Получается TaaS - thinking as a service.

Дальше были схемы, как идут эти преобразования, одна - поверх схемы мыследеятельности, другая отдельно.

Ситуация - распространенная и повсеместная, на 45-минутной сессии команда корпораций выписывают 30 кейсов.

Они проводят хакатоны, на которых люди настраивают чат-боты, которые начинают давать подобные рекомендации. Само извлечение знаний - не технология, гарантий нет, но в целом получается успешно. И от компаний есть пожелания не присылать специалистов к ним на хакатон, а поставить у себя такую практику, над этим тоже работают.

В конкретном кейсе по продаже паркета, когда чат-бот научили оценивать стоимость сразу в торговом зале, продажи возросли кратно. Это, в ряде случаев, получается ключевая компетенция, которой не обучают, но которую, оказывается, можно переложить на чат-бот.

Операция, переложенная на алгоритм и закрытая понятным интерфейсом - производительность повышается в разы.

Перекладывание паркета: были продавцы, которые могли в зале оценить стоимость, а были - которые говорили "надо замеры". Сделав систему, они увеличили продажи в разы.

Что стоит за ускорением обращения знаний? Гартнер. 4 типа аналитика по оси hindsight (ретро) - insight - foresight

Описательная - монитор реального времени
Диагностическая - что и почему
Предсказательная - предвещает следующее состояние объекта, выдает предупреждения
Предписывающая аналитика - говорит как делать, например, как ехать аналитику.

BB умеет решать три типа задач предсказаний: регрессия (подскажи число), классификация, кластеризация. И их достаточно для большинства задач.

И последняя схема - про экономику продукта. У продуктивного действия три модуля.

модуль употребляющий продукт - в этом отличие продукта от результата, есть некто кто использует и платит ресурсом
модуль преобразования
модуль поставки материала и комплектующих

Для преобразователя экономика сойтись - оплата превышает издержки, то есть ты поставляешь ценность. Ценность тут конкретная. Экономия времени и ресурсов тому, кому делаешь продукт.

Сложность взаимодействия. У всех трех позиций картины мира разные, и это приводит к необходимости организовывать обращение знания между этими позициями. И всем трем надо взаимодействовать, согласуя задания, чтобы достичь продуктивности. Было бы значимо сделать единую онтологию, единый стандарт оперирования текстами и формат обращения данных в смысле контроля производства.

Снова схема на мыследеятельности

мД: цепочка app supp - SCM - ERP - CRM - cust app.
МК: облака и цифровые агенты
М: цифровой двойник.

Еще Николай показал интересное преобразование схемы про анализ данных из университета Аахена. Оригинал - классический, внизу - данные, в середине - модели данных и преобразование, наверху - дашборды и графики. Если мы кладем это на схему мыследеятельности, два верхних слоя надо переставить: модели уходят в мышление, а дашборды - в слой коммуникации.

И в заключении - про ChatGPT. Это LLM, генеративный предобученный трансформер. Он в среднем слое, коммуникативная, а не мыслительная, как и говорит Петр. Но это коммуникативная машина нового класса - он не просто передает сообщение, он его преобразует.

Однако сейчас OpenAI делает расширение. Появляются модули мышления, например, для решения математических задач, они наверху, в слое мышления. И LLM может вычленить из разговора задачу, и передать туда. А внизу - деятельностные машины, управляемые командами, например, выгрузка в Excel или презентацию, и когда ты просишь привести результат к такой форме - то идет команда исполнителю. Маршрутизирует это все программа на классическом языке, там может быть работа по правилам, тогда это слой мышления, или жесткий алгоритм, тогда я бы сказал, что это в слое действий. Но это - не важно. Это будет от пользователя скрыто, он может считать, что одна умная машина работает в трех слоях, но реально это несколько агентов на разных парадигмах, каждый - в своем.

И в заключении - схема, где три типа эффектов

less money - умные машины оптимизируют
more money - повышение общение с клиентами, рекомендательные системы лояльность и т.п.
new money - платформы, это про стандарты обращения знания в СРТ. Яндекс-Такси дает знания о маршрутах, а не только связывает водителя с пассажиром, и это тоже меняет СРТ.

На этом все.

День 4. Система разделения труда по созданию умных машин: вызовы и ограничения. Школа Щедровицкого в Бодруме 2024

2024-10-02T21:42:50Z

MaksTsepkov:

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Четвертая лекция была посвящена развитию СРТ. Петр ввел 9-слойную схему СРТ. Он подчеркнул, что промышленные революции обычно понимают узко, как изменение производства за счет машинизации. Однако, машину кто-то должен придумать, создать, использовать, и для этого нужны социально-экономические условия, которые назобятся за рамками техники.

Кроме этой схемы в лекции была историческая часть, касающаяся развития технологий от Бэббиджа до фон Неймана, которые требовались для реализации компьютера, функционально спроектированного Бэббиджем. А также развитие технологий ИИ. А в последнем разделе было - представление о СРТ в ИИ.

Макс Вебер сказал, что кроме технического разделения труда есть экономическое - между предприятиями, специализирующимися по деятельности и накапливающие знания. И социальное разделение труда между слоями или классами. Он нарисовал 3 уровня и показал связи. И показал, что возможны социальные формы СРТ, препятствующие экономическим, что, в свою очередь, препятствует техническим. Вебер показывал, что из 5-7 форм организации общества, лишь одна способствует технологическому развитию. А остальные - не только НЕ способствуют, даже препятствуют заимствованию. Об этом у Вебера есть 4-томник Хозяйство и общество, и Петр рекомендует его прочитать. Его нельзя сократить, каждое слово - важно.

Интересно, что у англичан и французов разное понимание термина "индустриальная революция". Для англичан industry - ловкость, сноровка, действия человека. А для французов - это железка, машина. После Великой французской революции они поставили задачу догнать - и пошли заимствовать железо, а не СРТ, и это не дало эффекта.

Петр вводит 9-уровневую схему СРТ, которая состоит из 3 блоков по 3 уровня. Блоки следующие.

Институты
Компании
Материалы (и ресурсы)

Роль институтов - маршрутизация разных материалов! Институты могут поддерживать структуризацию уровня компаний, способствовать им, а могут хаотизировать.

Сложность тут в том, что при рассмотрении промышленных эволюций логично рассматривать ее с 6 уровня, на которой находятся железки - железные воплощения машин. Именно так я ее буду записывал, и дальше в начале идет номер строки, а перед названием строки - номер блока.

6. Компании: Железки - железные машины, используемые компанией и связанные с этим технологии операционной работы.

7. Материалы. Соционально-профессиональная структура - из нее черпается персонал для работы, и не только рабочий

8. Пространственная организация территорий, размещения промышленности, инфраструктур, систем расселения - определяет ресурсы персонала

9. Природные и климатические ресурсы, определяемые географическим размещением, с них можно начинать

Теперь от железок вверх

5. Компании: Экономическое разделение труда между фирмами

4. Компании: Технологии производства знаний - они необходимы, чтобы компания развивала СРТ.

3. Институты для производства и накопления знаний

2. Институты для возникновения и поддержания спонтанного порядка - политико-правовые и государственные институты

1. Институты: Денежная система - включение предпринимательских проектов в мировой ландшафт СРТ

Машинизация - во всех 9 слоях, но есть базовый слой. Железки не развиваются, одно поколение сменяет другой. Меняется социальная организация.
Машины (широко понимаемые) - тоже во всех слоях, так как ее же надо сначала придумать. Потом будет материализация.
Человеческая материя - размазана.
- Часть - в материалах и зависит от тела, а она - что дышим, едим, пьем. И последствия - дети хилые, малого роста, неспособны учиться.
- А культура - в институтах, включая педагогические механизмы.

Вебер выдвигает тезис, что классовая структура есть только там, где предпринимательство. Потому что предприниматели расставляют людей по местам. Например, пролетариат - те, кто продает труд и получает заработную плату. При этом, после некоторого начального периода и понимания, что нельзя делать сильные перекосы, пролетариат перестал быть двигателем революции, сохранилась лишь борьба профессиональных групп за экономические права.

Где предпринимательства нет, там не классовое, а сословное общество, с передачей принадлежности по наследству. Твое положение не зависят от твоего места: ты можешь заняться торговлей, но остаться крепостным крестьянином.

В вечернем обсуждении была реплика Петра о государстве. Правильное, или настоящее государство - в границах права, и такое - не в любой стране. В России нет государства: делали конституционную монархию - бросили, и еще два раза была такая история, последний раз - недавно, сейчас. Придется лет через 30-40 заново делать государство.

Политико-правовые институты направляют людей. Человек хочет обмануть, ему право говорит - не надо, будут санкции. И важно, что если он обманывает, то санкции придут. Политические институты маршрутизируют группы, осознавшие свои интересы, чтобы договаривались.

Деньги - наверху, над государством, они - не средство административной системы. Да, большинство стран решили, что можно печатать фиатные деньги, но если они печатают слишком много - происходит фигня. И именно деньги работают глобально, на весь мир.

Дальше была схема волны промышленных революций. 150 лет

0 - 1550-1700 - Нидерланды, новое политическое образование
1 - 1700-1850 - Великобритания, ее тоже в таком виде не было
2 - 1850-2000 - США, это тоже новое образование на тот момент

Подробно их не рассматривали, это у Петра было во многих других лекциях. Соответственно, третья революция началась в 2000, сейчас идет первая половина первой стадии, которая завершится к 2050 и лишь тогда определиться облик новой СРТ, мы поймем, что из кандидатных технологий войдет в ядро нового СРТ, определится производственная клеточка новой революции.

В обсуждении вечером Петр сказал, что не отказывается от тезиса, что кандидатом на роль такой клеточки является Платформа. Но определяется это к концу первой стадии. Если смотреть на 1 революцию, то первая фабрика - 1732, но она не могла реализовать потенциал, так как вокруг мануфактуры, к 1776 появляется много фабрик в разных областях, а к 1800 они везде. Так же и со второй: первая ТНК появилась к 1840, а к 1900 (начало 2 стадии) - их было 50-100, а к 1950 уже были только ТНК, и тогда писали что ТНК отменит государство и будет управлять.

В общем, схема понятная, но я хочу сказать, что круглые сроки и длительности не очень важны в исторической перспективе, однако существенны для оценки текущего момента. И тут у меня есть определенные сомнения, потому что паровой двигатель, который был ключевым в 1 революции появляется в 1705, а к 1769 мы имеем уже усовершенствованную версию Уатта. Аналогично с промышленным электричеством и химией для второй волны. В третьей волне один из явных драйверов - компьютеры, и они есть с 1950, а к 2000 есть в продвинутом персональном варианте, а также в виде облачной инфраструктуры. Понятно, что все может быть подвижно и вариабельно, но есть у меня подозрение, что дату старта третьей волны надо сдвинуть вниз. А если верна идея про платформы, то первые платформы появились лет 10 назад, и сейчас их уже много, то есть мы должны быть ближе к концу 1 стадии, а не в ее начале. Правда, если ориентироваться на ИИ, как на ключевую конструкцию, а не только на компьютер, то там да, другой тайминг.

Дальше было рассмотрение периодов развития ИИ, с пиками интересов, ожиданиями и притоком инвесторов, и периодами затишья. Это - официальная история, как ее рассказывают многие. Я не буду ее пересказывать. Хочу только отметить, что надувание пузырей свойственно предпринимательской экономике, и масштабы этих пузырей велики. А потом новая технология сталкивается с объективными трудностями, как идея аналитической машины Бэббиджа столкнулась с проблемами элементной базы, на механике она была не реализуема. Так и по нейронным сетям после первых экспериментов стали понятны реальные потребности в памяти и скорости, и развитие исследований ждало, пока это будет достигнуто за счет других драйверов.

Те, кто описывают историю воодушевления и отката инвесторов обычно эту, техническую, сторону дела не рассматривают, а ограничиваются картиной пришли-ушли. Ну и дальше они рисуют, что раз в предыдущие разы инвесторы ушли, то уйдут и сейчас. Это неизвестно, может уйдут, а может нет. По поводу интернет-магазинов тоже был пузырь, вызвавшей потом кризис доткомов, но дальше инфраструктура подтянулась - и технология заработала. С моей точки зрения, сейчас по ИИ инфраструктурных проблем нет, а вопли про то, что ИИ сожрет всю электроэнергию вместе с криптой имеют чисто социальную подоплеку.

Дальше в лекции был тезис о том, что можно рассматривать развитие множества индивидуальных технологий, но эффективнее рассмотреть крупный план через появление "новых больших штук". Это не термин Петра, это из инфополя, есть такая игра и фильм - Next Big Thing. Я, правда, не понимаю, какое они имеют отношение, ну и ладно.

Петр полагает, что на роль новых больших штук, играющих в новой промышленной революции, может претендовать всего две вещи: компьютер и глубокое обучение. И тут засада: Петр для начала сказал, что он будет рассматривать только коммерчески состоявшиеся продукты. И компьютер таковым является, он реально стал массовой штукой. А вот глубокое обучение, которое почему-то выделено в истории нейронных сетей, продукта пока не дало. Коммерческие сделки идут только между компаниями, которые этим глубоким обучением занимаются, а раз так - то это не продажа потребителю, а кооперация и инвестирование в рамках разработки или даже способ надувания пузыря. Это как ситуация, если бы компьютеры разрабатывались университетами и продавались бы только между университетами, которые участвуют в их разработке. При этом есть вполне понятные другие кандидаты, например, сотовая телефония, которая прошла от кнопочных телефонов до смартфонов, послужила драйвером развития интернет и многих других технологий и реально поменяла СРТ. В том числе, сделав возможным появление платформенных решений, таких как Uber или booking. В общем, мне неясно.

При этом некоторые другие будущие варианты Петр назвал:

Автономные транспортные средства и индивидуальные роботы
Инструменты распределенной деятельности и коллективного взаимодействия, ниша в которую шел Энгельбарт
Интернет вещей с элементами ИИ

Следующий такт лекции - объяснение логики большого перерыва от Бэббиджа до фон Неймана в истории компьютеров. По сути проект Бэббиджа функционально соответствовал тому, что реализовано первых компьютерах. Что ждали? А ждали, пока развитие технологий позволит создать подходящую элементную базу, которая сделает компьютеры возможными. Механический компьютер Бэббиджа получался слишком дорогим и ненадежным для массового использования. При этом драйвером для развития технологий были другие отрасли. Например, реле появились с развитием телеграфа, для которого мощным драйвером были железные дороги, а также телефона. А вакуумные лампы появились с развитием радиосвязи, они обеспечивали усиление сигналов. И так далее. У Петра в лекции - подробный список, продолжение истории развития машин и технологий, про которую было много на предыдущих лекциях, его не конспектирую.

Дальше - таймлайны развития компьютерных технологий и ИИ. И раздел про СРТ ИИ. На мой взгляд, он не сильно содержательный получился - примеры списков лабораторий, продуктов и технологий из разных отчетов, которые сам Петр называет "Кладбище логотипов". А дальше схема-кубик, на котором соответствующие друг другу строки на левой и задней стенке, которые я приведу таблицей

Знания и социум	Технологии и производство
Знания об индустрии	Инфраструктура для разработчиков и аналитика с ИИ
Социально-профессиональное устройство СРТ	Технологии мышления
Институты-регуляторы	Производители программного обеспечния
Институты-регуляторы	Производство аппаратных решений
Технические решения: enterprise, горизонтальные, отраслевые, аппаратные

Последняя строка - грань основания кубика. У меня приведены заголовки, а на схеме все заполнено списками типов компаний, знаний, решений, институтов и так далее. И, как легко видеть, эта схема не очень соответствует той структуризации СРТ, которую Петр ввел в начале лекции.

Я бы сказал, что это тоже структурированное кладбище логотипов, на котором самые разные темы, больше поддерживающие, чем содержательно по ИИ. Потому что говоря про СРТ, ожидаешь все-таки некоторую схему во взаимосвязи.

Дальше были слайды о том, как въехать человеку в ИИ. К сожалению, на мой взгляд, тоже не слишком содержательные.

Архитектура ИИ-ML проектов. По сути написано следующее: сначала поступающие структурированные данные подготовкой превращаются в информацию, которая с помощью алгоритмов превращается в знания(!), которые затем человек вместе с ИИ понимает. И выполняется это на современных вычислительных средствах, с использованием надежного ИИ. Это общая схема данные - информация - знания, ИИ там формально написан в ячейке алгоритмов и работе человека.
Пул контрактов на разработку чат-бота. Есть такая категория проектов - освоить максимум средств за счет привлечения большого количества подрядчиков. Вот здесь - именно такая ситуация. При этом подрядчики ИИ не занимаются. Из ИИ там только natural language processing, при чем подключаемый как инфраструктурный сервис, то есть стандартный. Содержательной разработки самого чат-бота в виде сценариев разговоров, типовых вопросов или иным образом там вообще нет.
Сравнение переписи в 19 веке и сейчас, с помощью современных средств, с выделением задач, которые раньше исполнялись людьми, а теперь это делает компьютер, преимущественно ИИ. Я бы тут тоже ожидал целостную функциональную схему: что такое - перепись населения, из которой, в том числе, было понятно зачем она проводится, каков результат и как устроен сам процесс. А тут из содержания - только решение о начале, которое тогда проводил мэр, а теперь инициирует сам умный город. При этом переписчики, судя по всему, сохранились - иначе зачем распознавание бумажных анкет, но вот этого в таблице нет. В общем, это как описывать СРТ создания книги таким образом: автор решил написать - написал текст - нарисовал или заказал иллюстрации - сверстал - вычитал - отправил в издательство. И вместо автора для операций поставить ChatGPT и MidJourney, а также Word.

На этом все. В сухом остатке для меня лично - 9-слойная схема СРТ.

Лекция 3. Системно-типологическое понятие машины

2024-10-01T19:34:23Z

MaksTsepkov:

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Третья лекция продолжала тему машины, и в ней речь шла о системах передачах данных, машинах для коммуникации. Если механические машины в завершении привели к машине Бэббиджа, то работы над машинами связи привели к понятию информации и созданию кибернетики.

Жесткая проблематизация Петром понятия информации, для которого, по его мнению, при онтологизации Винером был утрачен денотат, то есть нет возможности указать, каким физическим объектам она соответствует и почему - сильный тезис. Но, на мой взгляд, он не требовал столь глубокого погружения в детали технической истории. Петр объяснил, что для позиционирования в будущей СРТ надо представлять весь стек, и он на примере систем связей нам показывал. Что ж, возможно.

Теперь краткое изложение. История началась с флажковой передачи между кораблями, затем были различные семафорные линии, на станцию которой ездил Монте-Кристо у Дюма, чтобы передать ложное сообщение. Французское правительство монополизировало такую передачу для себя, впрочем частные сообщения дозволялись. Но скорость передачи была крайне низкой.

Затем появился гелиограф, передача зеркалами, а затем - телеграф. Как в случае с Бэббиджем, который в своей машине использовал десятичную систему, в опытных вариантах телеграфа пробовали передавать буквы, делали 26 проводов, и это было дорого. Потом начали кодировать, уменьшая число проводов, в Британии на железных дорогах почти весь 19 век работала 5-проводная система.

И, наконец Морзе в 1838 придумал свою кодировку и аппарат. И это в 10 раз ускорило передачу - до 13 слов в минуту.

На мой взгляд, любопытно, чем объясняется столь кривая кодировка с переменным количеством знаков в одном символе, что требует специально делать пробелы между знаками. Потому что в первых вариантах на ключе работал телеграфист, а на приеме аппарат печатал на ленте тире и точки. Но, наверное, какая-то система в этом была. Кстати, пишут, что у Морзе код был более сложный, было длинное тире, а к нынешнему виду его привел Герке в 1848.

К концу 19 века появились аппараты, которые печатали сообщение буквами при приеме, а также аппарат, с помощью которого можно было готовить перфоленту, а затем подготовленные сообщения быстро передавались. Для подготовки несколько человек могли работать одновременно с разными сообщениями.

Телеграфная связь быстро развивалась на суше, появились первые эксперименты по связи под водой, гуттаперчивая изоляция вроде это позволяла. Но первая попытка связать Дувр и Кале потерпела провал - уверенной передачи не было, а кабель быстро оборвали рыбаки. Новый кабель был в оплетке вокруг изоляции из железной проволоки для прочности, и такая оплетка заодно экранировала кабель, перестали появляться помехи, передача заработала, и морские линии начали развиваться. Дальше был проект связи через Атлантику и первая прокладка кабеля потерпела неудачу - физику процесса в деталях не понимали, сигнал затухал и срабатывало индуктивное сопротивление, которое размазывало отдельные символы и они накладывались. Эффект, собственно, проявился еще на первой передаче Дувр-Кале, затем но бронирование экранировало кабель, а для передачи через океан этого было недостаточно. Тут отдельно хочу заметить, что записано все это со слуха, и я не проверял физические детали, так что может быть много неверного.

Для Петра в этой истории важен тезис, что стоило сначала исследовать, а потом - делать, к этому выводу пришла комиссия для расследования первой неудачи. Я на это хочу сказать, что не сильно понятно, как и зачем было исследовать. Потому как рабочие подводные линии к тому времени были и работали. Да, тут эффект расстояния, но теории для объяснения всех этих явлений - не было, то есть нужен был эксперимент - вот его и поставили. Ну, да, можно было не через всю Атлантику, а на половину, но на кабель через Атлантику финансирование нашли, а на эксперимент - точно не нашли бы. В общем, у инженеров есть такая метафора "модель паровоза в натуральную величину". Смысл в том, что для проверки некоторых гипотез на прототипе, надо строить модель объекта в натуральную величину, и ее стоимость получается не сильно меньше стоимости объекта. И в этих случаях надо делать испытания на реальном объекте.

Но идем дальше. После получения результата, то есть передачи сообщений, пошла борьба за скорость передачи. Что потребовало численных моделей. И тут Петр говорит о работах Найквиста, Хартли и Шеннона. Они прорабатывали вопросы искажения сигнала - затухания, интерференции соседних сигналов из-за их расползания с перекрыванием интервалов и так далее. Нужна была какая-то мера пропускной способности линии, чтобы сравнивать разные технические решения. Слова в минуту или символы в минуту не подходили, потому что длина сигналов разных символов у Морзе различна. И в конце концов Шеннон предложил следующее: возьмем минимальную длительность к коде Морзе, которую имеет точка и промежуток между точкой и тире, и назовем передаваемый элемент битом. Тире и пробел между символами занимают три бита (не два - для хорошей различимости). И скорость будем мерить в битах в минуту или в секунду.

Потом, когда информацию начали хранить - то начали использовать тот же принцип измерения. Информация кодировалась двоичным кодом, 8 бит на символ, эту единицу назвали байтом, и меряют ей объем информации. Что тоже, на мой взгляд, логично. Ведь меряют же объемы бумажных библиотек в томах. А у Петра тут претензия, что с информацией ведь связан смысл, а такое измерение этот смысл во внимание не принимают.

И Петр подробно эту линию разбирает. Он показывает, что на схемах Хартли был отправитель и получатель, между которыми был передатчик, линия связи с помехами и приемник. И он в своих статьях говорил как раз о смысле, разбирая, например, смысл словосочетания "красные яблоки": слово яблоки указывает на объект, отсекая другие фрукты и другие объекты, красные - на атрибут цвета и отсекая другие, цвет тут присутствует неявно, а о других атрибутах ничего не говорят. И Хартли проводит рассуждения в терминах сокращения поля вариантов выбора за счет информации. А вот на схемах Шеннона отправителя и получателя нет, он говорит о технической задаче передачи произвольного сообщения, записанного знаками, без искажений, независимо от того, складываются эти знаки в слова, или нет. И тут произошла редукция смысловой задачи передачи смысла, ради которой и был обмен сообщениями, к технической задаче передачи сообщения.

Я тут никакой проблемы не вижу, все логично. Мы имеем дело с разными системными уровнями. На уровне коммуникации отправитель-получатель смысл есть. А когда мы превратили для передачи смысл в текст, последовательность символов, и рассматриваем задачу передачи этого текста, то смысл уже не важен. Тут мы с уровня мыслекоммуникации ужни на уровень мыследействования, человеко-машинную систему доставки сообщений. Но важно, что это другое мыследействие, чем мыследействие в рамках которого два агента вели коммуникацию. Подобно тому, как когда мы проваливаемся от экрана мышления, на котором разворачиваются смыслы, на уровень прохождения сигналов по ансамблям нейронов, то мы тоже ушли на уровень мыследействования, но это - другое мыследействование, физиология тела, находящаяся ниже уровня мыследействования, ради которого мы разворачиваем мысль на экране сознания.

Если мы посмотрим на современные протоколы в ИТ, то там физических и логических уровней стало больше. Например, при коммуникации через соцсеть под уровнем обмена сообщениями лежит http протокол, надстроенный над tcp/ip, а ниже несколько уровней протоколов передачи сигналов по проводам. И на каждом - свои единицы информации, в которых нет содержания более высоких уровней. И свои метрики скорости передачи, пропускной способности, задержек, искажений и так далее. Не вижу тут проблемы.

Любопытно, почему Хартли, обсуждая передачу сообщений в сообществе телеграфистов, говорит о передаче смысла. Вряд ли он не понимал разницу системных уровней. Тем более, что телеграф - он же аналогичен почте, почте без разницы, что в письме, которое она передает, она его вообще в граммах меряет. Может быть, ему просто хотелось обсудить вопросы смысла в этом профессиональном сообществе, может быть, были иные резоны. Не знаю.

После обсуждения связи Петр переходит к Кибернетике Винера. Винер тоже говорил об информации, но уже в содержательном смысле. В общем-то, на мой взгляд, продолжая линию Хартли. Тот говорил про количество выборов, а Винер говорит, что информация снижает энтропию - он говорит о том, что информация помогает сделать правильный выбор.

Понятно, что информацию в этом смысле трудно измерить. Поэтому ее продолжили мерить в битах и байтах, в том, что явно определено нижележащим системным уровнем. Как в ИТ сложность программных систем меряют в килобайтах или строках кода, и есть поправочные коэффициенты для разных языков разработки, и это как-то работает, хотя точность понятна.

А с измерением на уровне смысла - реальная проблема. Поток новостей читают все, но лишь некоторые биржевые трейдеры, правильно интерпретируя, получают прибыль. А другие - принимают решения о каких-то других действиях. Результат действий еще можно как-то померить, хотя тоже способ не очевиден, но фишка в том, что принятие решения основано на накопленной информации. При чем там еще срабатывает синергетический эффект складывания целостной картины. И не не действует закон сохранения, в отличии, например, от энергии: ты послал документ, но у тебя он тоже остался. В общем, когда с этим разберутся - будут мерить иначе. А пока инженерам хватает. Разобраться со смыслами, наверное, полагается философам, но, думаю, это сделают тоже инженеры, которые занимаются ИИ.

Так что денотат для информации при онтологизации Винера не потерян. Мы можем указать физический носитель в виде объектов работающей программы, например, состояний нейронов ИИ или индивидуума в момент принятия решений в активной форме, а также на хранилища, в которых она лежит в пассивной форме в книгах, на дисках, в базах знаний, в облаках, например, в википедии, и так далее. Да, мы можем ее мерить лишь в байтах и килобайтах, или числе параметров модели ИИ, но это не значит, что ее нет.

И да, смысловая информация не аддитивна. Большее число параметров модели нейронной сети вовсе не означает, что сеть умнее, то есть дает лучшие ответы на вопросы. Тут маркетинг, и так уже было. Есть гонка в числе пикселей в матрицах цифровых фото и видео камер. При этом в какой-то момент увеличение числа пикселей реально приводило к ухудшению фотографий, потому что тепловой шум соседних пикселей смазывал изображений, ухудшал качество. Потом с этим научились бороться аппаратными и программными средствами, но и сейчас реальное качество зависит не только от числа пикселей, а от многих причин. включая качество встроенной программной обработки. Но это - сложно, поэтому аргумент для потребителя - число пикселей.

Винер не просто так начал говорить про информацию. Он реально сменил онтологию, предложив рассматривать и людей и животных и организации как информационные системами, управляемые потоками информации и стремящимися к гомеостазу через принцип обратной связи для компенсации воздействия.

Винер предал идеи информации онтологический статус. Это не только явление для функционирования машин и систем машин, но и для понимания жизни и сознания. И таким образом снимался дуализм Декарта. Машины управляют через информацию, которые получают. И люди тоже через информацию, которую получают. Технические, живые и социальные системы работают на передаче сигналов и управления, и обратная связь для гомеостаза. Система стремиться к устойчивости, этот принцип можно примененять к механическим и живым системам. Человека отличает способность к обработки информации, адаптация через обратную связь. Человек и машина могут дополнять, совместная деятельность более эффективно, машины могут вычислять, за человеком - творчество. Энтропия - хаос, получая информацию - уменьшаешь неопределенность, снижаешь энтропию, можешь ее снижать, получая и обрабатывая информацию. Эта кибернетическая картина мира доминирует с 1960-х.

Кибернетика включает следующие компоненты.

схема прямой и обратной связи
системно-структурные представления сложных систем
представление о самоорганизации
представление об информации как о природной субстанции

Петр здесь вводит типологию механизмов обратной связи, поясняя на примере сливного бачка.

Нулевая - связи нет, вода всегда течет
Регулирующая - датчики, логические элементы. клапан выключения по уровню, или несколько, мин-макс
Многоуровневая - комбинации весов, учетом потоков, расходов
Самонастраивающая - самокоррекция с учетом опыта, большие запасы по периодам
Когнитивная - обобщенные модели на основе данных, повторяющиеся паттерны
Саморегуирующая - программа-оптимизатор, баланс между экономией и производительностью, обеспечивая оптимальный результат

Петр говорит, что опыт показал, что символьно-логические системы (экспертный вывод) хорошо работают в нижней части, до многоуровневой обратной связи включительно. А коннекционистское программирование (нейронные сети) - начиная с многоуровневой обратной связи и выше, через обучение по данным и опыту.

Я хочу отметить, что если опираться на текущий опыт развития ИИ это может быть справедливым, а вот опыт человечества говорит иное. Потому что коннекционистская парадигма - это обработка индивидуумом своего опыта и совершенствование мастерства. Как подмастерье в средневековье, которых за десять лет становился мастером. И опыт показал, что есть более эффективный способ - обобщить опыт мастеров, создать теорию, написать учебник и по нему обучать. А это - символьно-логический способ.

А еще отмечу, что принципиальная ошибка Винера - тезис о стремлении систем к гомеостазу. Гомеостаз - частный случай, а в общем системы входят как составные части в другие системы, это можно рассматривать на разных системных уровнях, интересы которых часто не совпадают, и как раз ситуативная выработка поведения с учетом противоречий - двигатель эволюции.

И тут надо подробнее рассмотреть вопрос, что значит "сделать правильный выбор?", который помогает информация. Любая живая система ведет некоторое сценарное планирование, разной глубины, иногда на один шаг "что сделать в моменте", это неважно. Цель в нем как раз определяется ситуационным балансом между интересами системных уровней, вплоть до "поесть или поспать" физиологически. Но дальше надо предсказывать, как поведет окружение, а для этого - иметь модель, в которую как раз поступает информация, и перестраивает ее, приводя в адекватное состояние. До млекопитающих эволюция модели шла по длинному циклу через генетический код, млекопитающие перешли к передаче через обучение. И есть описание процесса эволюции в виде принципа свободной энергии Фристона. Он количественно описывает утверждение Винера про информацию, снижающую неопределенность. Это описание в виде уравнений, аналогичных термодинамическим. В уравнении - мера информации, но там измерение устроено по результату, как оценка ошибочных предсказаний. Разобраться с принципом свободной энергии Фристона мне в свое время очень помогла эта статья. Системы ИИ с этой точки зрения являются живыми системами, ну или частями живых человеко-машинных систем, если кому-то так спокойнее.

Возвращаясь к лекции. В заключении был отдельная глава, детальное рассмотрение истории коннекционистской парадигмы. МакКаллок и Питтс в 1943 выдвинули идею имитации мозга на нейронных сетях, представив отдельный нейрон как логический элемент и-или-не, на основе наблюдений за живыми нейронами. А Шеннон в 1938 показал, что коммутационные устройства выполняют логические операции, так что для такой имитации была готова.

Тезис Петра: МакКалок и Питтс предположили то, что соответствовало технологиям их времени. А вообще еще в середине 19 века знали об аналогии между нейронами и электрическими сетями, Де Реймон это объяснял. А дальше идеи самоорганизующихся вычислений - часть ансамбля кибернетики, приложившей путь к машинному обучению. При этом идея самоорганизации общества давно была в в социальной философии, Спиноза и общественный договор. Таким образом, в середине 20 века идея из философии пришла в кибернетику, а дальше пошла распространяться на неживые системы, Илья Пригожин получил за это нобелевскую премию.

Я тут скажу, что между идеей модели нейрона и принятием решений сетью из таких нейронов, и знаниями о том, что сигнал в нейроне проводится электрическим импульсом - большая разница. И между эволюционной самоорганизацией по объективным законам, которые Пригожин распространил на химическую преджизнь, и идеей самоорганизации общества по общественному договору тоже большая разница. Первое - понятные, хотя и сложные механизмы, а второе - некоторая умозрительна идея. У нее есть какие-то основания в виде революций, которые регулярно происходят, но вот трактовка их как нарушения договора, непонятно какого, когда и кем заключенного - на совести работающих с этой идеей. Тем более, что обычно они не особо этим заморачиваются, а фокусируются на том, какой общественный договор должен быть наилучшим и как бы сделать так, чтобы все вдруг приняли такой прекрасный договор и добровольно и с песнями начали по нему жить.

А следующим тактом была теория клеточных ансамблей Хебба, которая объясняла обучение живых нейронных сетей мозга через весовую функцию вместо логической и изменение весов при прохождении сигнала. И Розенблат На основе Хебба реализовал нейрон как модель живого нейрона с обучением. А дальше Мински дополнил это еще идеей фреймов для структурирования информации через типизацию индивидуальных случаев. И именно поэтому в первой лекции у Петра был Мински, а не Розенблат.

Петр говорит, что под влиянием кибернетической онтологии, нейронные сети представили не как имитацию мозга, а иначе. Тут я согласен, но кибернетическая парадигма тут, по-моему, не при чем. Просто для нейронных сетей разработали математический формализм, с помощью которого получилось их обучать решению конкретных задач. И этот математический нейрон уже сильно отличается от реального нейрона в мозгу, там иначе устроены связи, они цифровые, а не аналоговые.

И в заключении - реплика про обучение роботов, управляемых нейронной сетью. Тут все похоже на людей. Человек может учиться на своем опыте, превращать его в знания, но это может быть вынесено во внешнюю систему из других людей, которые изучают как люди действуют, обобщают, производят знания, пишут учебники и учат других, эффективным приемам грузчиков учил Тейлор. Так и с роботами, цикл самообучения может быть встроен внутрь, а может быть устроен снаружи на основе обобщения опыта многих роботов в виде их логов, с участием людей, присматривающих за процессом. По разным соображениям сейчас выбирают вторую конструкцию, но это не принципиально. Ну и у человека блок самообучения неотчуждаем, а у роботов - можно не ставить, в этом разница.

Лекция 2. Что такое машина. Школа Щедровицкого в Бодруме 2024

2024-09-30T19:23:29Z

MaksTsepkov:

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Вторая лекция была посвящена истории использования машин для усиления человека и его замены в части физического труда, от древности до 19 века. Об умных машинах речи практически не шло, кроме первых вычислителей, тема затрагивалась косвенно.

Я вынес из нее 4 тезиса.

1. Декарт и Ламетри сделали онтологический (или мировоззренческий, в общем, сменили mindset) переход, представив человека как сложную машину. При этом Декарт сохранил не-машинную часть в виде мышления и души, а Ламетри от нее отказался. Петр говорит, что повлияли тут успехи медицины, они были медиками, вскрывали трупы, разбирали скелет и мышцы и видели там физическую систему.

Я с этим не согласен, Микеланджело тоже вскрывал трупы, чтобы разобраться с анатомией, и он был не один, механика скелета и мышц человеческого тела была вполне понятно, но никто и не думал сравнивать человека с машиной. Наоборот, механизмы уподобляли человеку, о чем Петр сам говорил в этой лекции, рассказывая про Альберти. Я думаю, что дело именно в смене мировоззрения, зачатки идеологии Просвещения, отрицания божественного и верой в науку. Хотя какие-то успехи науки и давали дополнительные основания для такой идеи. Но это точно не само развитие самих машин, эпоха - позднее.

2. Идея организации или более крупных организованностей как мегамашины. Петр говорит, что она появилась примерно тогда же, в конце 18 века, но ссылается на Льюиса Мамфорда, а это 1967 "The Myth of the Machine". Понятно, что не он первый это придумал, и все помнят фильм Чаплина "Новые времена", где эта идея обыграна художественно. Но мне кажется, что это идея 20 века, возникшая после конвейера Форда. Впрочем, тут могу ошибаться, и, по большому счету, это не важно.

Мамфорд же ретроспективно распространил это назад. Выделив, например, машину создания пирамид в Древнем Египте. Еще звучали машины создания продовольствия в Месопотамии, Франции и современная - их можно сравнивать. Только важно, что это именно ретроспективное выделение, и люди, которые создавали эти организационные системы не думали о них как о машинах. Они думали, что им надо построить пирамиду и организовывали это. Как позднее, в Средневековье, организовывали строительство соборов, замков или крепостей.

Только Вобан в 17 веке подходит к организации строительства технологично, рассчитывая нормы производительности труда для операций, например, рытья и перевозки земли, и далее переходя к количеству рабочих, их квалификации и срокам выполнения, а также стоимости. А потом этот проект зависает, потому что интенданты из экономии (или коррупции) нанимают плохих подрядчиков, которые берут дешевых рабочих, которые не выполняют своевременно. Петр цитировал письма Вобана по этому поводу - история вполне современная. Но и он не мыслил это как создание машины.

3. Машинизация как участие машины в организации, занятие ей позиций, а вовсе не замена человека или усиление его, как многие полагают. Этот тезис, естественно, требует предыдущего - рассмотрения организации как машины. Обычные машины занимают места физического труда, а умные будут занимать места интеллектуального труда.

Отмечу, что этот тезис можно выразить без пафоса концепции мегамашины, на языке системного подхода: изменение типов систем, входящих в надсистему, принципиально изменяет конструкцию надсистемы.

Важно, что машины не просто занимают позиции, а что система разделения труда реструктурируется и изменяется с учетом наличия машин в ходе промышленной революции. Фабрика Аркрайта принципиально отличается от мануфактурно-ремесленного производства не только сбором его в одном месте и приводом от парового двигателя, но и организацией синхронизированных технологических цепочек, что порождает позиции менеджера и технолога, которые за это отвечают. А типовое производство одинакового продукта требует выделить дизайнера как отдельную позицию - в мелком производстве отдельной позиции не требовалось. И так далее.

Интересно, что это изменение СРТ не отражено в энциклопедии Дидро и Даламбера, они фокусируются на ремесленном и мануфактурном производстве. Петр говорит, то объясняется взглядами Дидро. И Адам Смит тоже не показывает это изменение СРТ в своей книге, хотя это прямо касается его темы. Петр считает, что Алам Смит в целом не очень понимал про разделение труда, он излагал идеи, услышанные от Тюрго. Тот как раз хорошо понимал, он создал несколько отраслей во Франции. Но это было сделано на уходящих принципах мануфактурного производства.

Так вот, такие же изменения произойдут с интеллектуальным трудом с приходом ИИ, но пока мы не знаем как. Пока идет мануфактуризация - это процесс при котором целостная работа ремесленника по изготовлению изделия разделялась на операции, и часть операций отдавалась низкоквалифицированным рабочим, работающим за малую оплату. Рабочий, умеющий точить и закаливать булавки получал 5 шиллингов в день, а крутящий колесо - 6 пенсов, в 10 раз меньше - прямая выгода.

Это было с физическим трудом, а сейчас это произойдет с интеллектуальным. Местами уже произошло - калькуляторы, а до этого арифмометры вынесли вычисления из области интеллектуального труда, там осталось лишь составление формул вычислений, сводивших их к простым операциям. И началось это еще в 19 веке. Де Прони вел расчеты логарифмических таблиц, разделив расчетчиков на три группы: первая группа, математики - формулируют задачу, вторые - переводят ее в простые операции, третьи - ведут расчеты на бумажных листах, им достаточно уметь складывать и вычитать. Используется разработанный метод разности. Идея Бэббиджа - заменить третий класс на машину, так как там просто сложение и вычитание, отсюда название - разностная машина.

А дальше - следующий шаг. Разностная машина умела только складывать и вычитать. А Бэббиджу были нужны сложные вычисления. Он был консультантом, который оптимизировал производство. Там важно было спроектировать систему операций, посчитать производительность и экономику, чтобы выбрать из разных вариантов. Это большой объем вычислений.

Его аналитическая машина должна была уметь выполнять программы на перфокартах, принцип перфокарт позаимствован у Жаккарда, который так программировал ткацкий станок. Архитектура - вполне фон Неймана: память, процессор с регистрами и управляющим устройствам, ввод с перфокарт, вывод на печать и перфокарты для повторного использования. Команды - операции и перемещение между памятью и регистрами. Перфокарты с программой и данными. Но - финансирование найти не получилось, проект не был реализован.

В работах Бэббиджа над аналитической машиной участвовала Ада Лавлейс, она же издала работы Бэббиджа, в комментариях к которым привела как иллюстрацию программу расчета чисел Бернулли - первую в мире программу. И замечательное визионерское видение будущего, в котором на машину можно переложить любые интеллектуальные операции, если написать соответствующую программу, включая сочинение музыки.

История Бэббиджа - последняя часть лекции. А до этого - была длинная история различных механических машин, а также осмысления и описания их учеными. Тут получается забавная конструкция: практики создают машины, а ученые их изучают, собирают описания различных машин, им на это выделяют гранты, говоря современным языком. А сами машины не особо создают. Машины в виде водяных мельниц известны с глубокой древности, и уже в 1 веке Герон Александрийский описал простейшие машины и их комбинации. Впрочем, следующий атлас машин был в 13 веке, в альбоме Вилара де Оннекура, так что я склонен видеть тут еще одно подтверждение теории Фоменко о растянутой истории. Но не будем отвлекаться.

Эта история, на мой взгляд, можно свести к одному тезису: 4. Для конструирования машин следует перейти от модульного описания их устройства к функциональному их функций в надсистеме, ну и в описании устройства тоже работать с функциональным описанием, а не только с модульным. Это - моя формулировка на языке системного подхода, у Петра этот тезис явно сформулирован не был. Пример функционального описания устройства - это описание колеса у Альберти (15 век) из обода, который является внешней поверхностью, а не отдельной деталью, оси и втулки, которая между ними, и для функциональных частей приводятся материалы, а также рекомендации по изготовлению. А функциональное описание назначение появляется, когда мы формулируем, что машины предназначены для передачи движения, рассматриваем движение на входе и выходе и учим рассчитывать их передачу. При этом источником вращательного движения могут быть различные двигатели - ветер, вода, животные, и исполнительные механизмы, на которые движение передается - тоже различны и требовать разных типов движений - вращение, удары и так далее.

Петр подробно рассматривает историю различных атласов машин, с разными классификациями и учебники по созданию машин, и это - значительная часть лекции. Она любопытна, но, на мой взгляд, не более того. В обсуждении Петр сказал, что в замысле было показать, что процесс машинизации механических машин был сложным и длительным и нет оснований полагать, что с умными машинами будет быстрее.

Я лично считаю, что для этого нет оснований. Мануфактуризация, то есть применение машин для выполнения отдельных операций интеллектуального труда, идет активно. Я об этом слышу много докладов на разных конференциях. При этом позиции, которые заменяются - достаточно хорошо выделены, разделение интеллектуального труда на операции, чтобы можно было задействовать менее квалифицированных исполнителей идет давно. Другое дело, что с людьми для этого нужно достаточное количество этого низкоквалифицированного труда. То есть если работа технического писателя в команде - всего 0.2 ставки, то нанимать отдельного человека не будут, возложат на аналитика. А ChatGPT вполне может эти 0.2 ставки выполнить.

При этом ИИ хорошо приспособлен, чтобы выполнять определенные функциональные действия. Это стандартный прием - в промпте сказать: представь, что ты такой-то профессионал и сделай вот это. И он в целом сделает. Верховский в обсуждении приводил пример, что для человека задание "сделай анализ текста" достаточно, а для ИИ - нет. Тут, конечно, надо погружаться, но если имеется ввиду анализ текста как часть чьей-то нормированной профессиональной деятельности, то достаточно ИИ поставить в позицию. Если анализ текста - какая-то сложившаяся вв конкретной компании практика - то да, надо рассказать подробнее, но это надо рассказывать и любому новичку, который приходит на эту позицию. Может, конечно, быть ситуация, когда руководитель считает, что "анализ текста" это "сделай что мне нужно", при этом не умеет объяснить - что именно, и он просто менял исполнителей, пока очередной случайно не угадает, что ему нужно. Тогда да, печалька, ChatGPT (или GigaChat) поменять нельзя, и им надо объяснять.

Да, иногда одного человека меняют на несколько ИИ-агентов, которые по-разному специализированны на уровне промптов. Например, один ведет интервью с руководителем о потребностях в специалисте и описывает проект и вакансию, которую потом публикуют. Второй по откликам кандидатов быстро задает им пару вопросов, персонализированных с учетом их резюме и самой вакансии. Третий - оценивает откликнувшихся кандидатов с учетом резюме и ответов на вопросы, быть может по разным критериям. И топ-3 оправляются руководителю. Это я рассказал конструкцию реального HR-помощника в дочке Газпромнефти, обеспечивающей подбор, он действует уже год, хотя там не полный автомат, люди присматривают - примерно как руководитель за новичками. Или другая конструкция - один пишет текст, еще несколько оценивают его с позиций разных читателей, еще один проверяет ссылки, потом идет задание на исправление, может крутиться несколько итераций, это вообще типовая конструкция.

Теперь про машинизацию. Я пока не понимаю, зачем она в принципе нужна. Возможно, это будет в лекциях дальше, но мне важно сейчас зафиксировать свои мысли.

Во-первых, для нее нет физических предпосылок. Это станки важно было собрать под одну крышу, рядом с паровым или водяным двигателем. А интеллектуальную работу можно выполнять удаленно и распределенно.
Во-вторых методы управления интеллектуальной работой достаточно хорошо проработаны в ИТ, и это давно тиражируется на другие отрасли: таск-трекер, доски, предварительные оценки, мониторинг и анализ по метрикам, ретроспективная оценка и совершенствование процессов. Есть печалька с предсказуемостью хода проекта, но она объективно обусловлена характером труда и с этим умеют работать. Понятно, что где-то просто не умеют организовывать, в том числе потому, что работали с материальным производством, или потому, что вообще об этом не думали, но это проблемы конкретных организаций. Не все снимают фильмы столь технологично, как Голливуд, но это не значит, что это невозможно делать технологично.
В-третьих, в отличие от материального производства не видно мест, где интеллектуальный труд был бы ограничением, где надо было бы наращивать его мощность и ставить на поток. Для материального производства такие места были.

На этом я, пожалуй, закончу конспект. Подробного пересказа истории механических машин не будет. Еще отмечу, что ИИ даст дополнительные перспективы замены человека на уровне действования, например, в роли автопилота для комбайна или грузовика. И будет открывать какие-то новые технологические возможности на этом уровне. Это - понятная ниша, хотя кейсы могут быть неожиданными. Например, Фаберлик создает фото одежды для каталогов, используя ИИ: девушка с подходящей фигурой снимается на смартфон на зеленом фоне в трех ракурсах, а ИИ делает остальное, включая модельное лицо. Это исключает участие фотомодели, фотографа и оборудованной фотостудии, и очень существенно экономит деньги и сроки. СРТ при этом тоже меняется, но локально.

А вот что будет, когда у человека будет персональный ИИ-помощник, и он вместо похода в магазин, поиска в интернете или в каталогах будет просить его подобрать подходящую одежду - вопрос интересный. ИИ-помощники не будут смотреть рекламу. Хотя каталоги им, наверное, смотреть придется. Но дальше какие-то производители могут начать представлять удобные им характеристики одежды вместо фотографий, а они оценят, насколько это соответствует фигуре человека, и, может, даже создадут его фото в этой одежде с помощью той же нейронной сети. Это, кстати, и производители могут делать: ты передаешь свое фото и параметры фигуры, и они делают генерацию. Пока тут есть технические трудности - нейронка не умеет естественно положить складки одежды свободного покроя, поэтому Фаберлику нужна реальная девушка. Но это, думаю, преодолеют, или будут держать фото 3-4 девушек с разной фигурой. Но вот как ИИ-помощник будет выбирать те 5 моделей, которые порекомендует хозяину, и как изменится протокол взаимодействия между ним и ИИ-агентами фабрик, которые будут консультантами по выбору на сайтах этих фабрик - вопрос интересный.

Теперь точно все.

Лекция 1. Может ли машина мыслить. Школа Щедровицкого в Бодруме 2024

2024-09-29T18:26:40Z

MaksTsepkov:

Disclaimer. Это моя интерпретация лекций, неполная и дополненная собственными мыслями.

Первая лекция - предметное поле, история создания умных машин и связанных с этим концепций.

Предыстория - вычислительные машины Паскаля, Лейбница и Бэббиджа.
История - программы Тьюринга, Мински и Энгельбарта

Из нее я вынес для себя несколько сильных тезисов

Именно машина и может мыслить, потому то она создает модели, и можно понять, как она действует. А вот может ли мыслить человек и нужно ли ему это - вопрос отдельный. Может, ему из всего мышления достаточно понимания.
Если посмотреть на создание ИИ, то его создатели быстро и в сокращенном виде повторяют 300-летний путь философовв по поводу мышления, в том числе - повторяя их ошибки.
В 60-е годы была идея, что создание мыслящих машин позволит нам понять мышление самого человека: заглянуть в машину и понять как она действует гораздо проще, чем заглянуть в голову человека. Сейчас этот пафос утерян. Я думаю, это не корректно, потому что лишь некоторые думали так, а Тьюринг сразу говорил про имитацию, не зависящую внутреннего от устройства. А сейчас ясно, что заглянуть в машину и объяснить тоже не получается: эта задача стоит, но за нее серьез не брались. А еще создают ИИ инженеры и они - прагматики, им решение задач важнее, чем объяснение этого решения. При этом GPT умеет имитировать объяснения примерно так же, как человек их имитирует.

А теперь - краткая интерпретация содержания. Как писал Тьюринг в статье 1950 "Может ли машина мыслить", чтобы размышлять об этом, надо сначала определить, что такое "машина" и что такое "мыслить".

По поводу мышления мнения расходятся

абстрагирование понятий от чувственных образов
рассуждение и выводы по правилам на основании посылок
распознавание и обработка ощущений из внешнего мира
понимание речи и знаков и поддержание диалога
выявление закономерностей и прогнозирования будущего
осознавать себя мыслящим, интроспекция - наблюдение феноменов своего сознания
решение задач и проблем
адекватные ответы в диалоге, понимание текстов и генерация осмысленных текстов
вычисления и преобразование формыл
адаптация и перестройка себя в новой ситуации
ассоциации между разными объектами
действие в ситуации, планирование и организация действия своего и других
и так далее

Я бы заметил, то такое множество определений совершенно логично для гуманитарных наук, а вне науки люди часто определениями на заморачиваются. А с точки зрения современных инженеров терминология может быть любой, важно договориться о ней, и эта договоренность ситуативна, она ограничена рамками задачи и целями деятельности, а концепт стройного и логичного здания определений - из прошлого.

В любом случае, когда мы смотрим на историю или на концепты, стоит удерживать четыре рамки

СРТ между машиной и человеком
Машина - что это такое
Человек, взаимодействующий с машиной - определяется ли он и как именно?
Мыследеятельность - представление о процессах, которые должны быть машинизированы.

Сам Тьюринг машину определяет как класс цифровых машин с конечными состояниями. Для них есть математическая абстракция - машина Тьюринга, и понятие вычислимости как возможности алгоритмического решения на машине Тьюринга. На идеях Тьюринга была построена архитектура фон Неймана, которая сохраняется до сих пор. Впрочем, ограничены ли современные реальные компьютеры возможностями машины Тьюринга или вышли за ее рамки - вопрос открытый. А вот сведение мышления к рассуждениям по правилам, то есть исполнению алгоритмов - часть давней философской традиции.

Я тут замечу, что внутреннее устройство такой машины сильно отличается от нейрофизиологического устройства мозга, потому что в мозгу нет процессора, мозг, в этих терминах, собран на ячейках активной памяти, которая является вычислителем и хранителем информации одновременно. Так что наблюдение, в общем случае, покажет, как мыслит машина, а человек может мыслить совершенно иначе.

А мышление Тьюринг НЕ определял, он подошел следующим образом: человек может мыслить по определению, проявлением этого мышления является разговор, и если машина сможет поддерживать разговор так, чтобы ее от человека нельзя было отличить, то значит она - мыслит, как бы не отличались при этом ее внутреннее устройство от устройства человека.

Это - пунктиром, дальше есть подробности.

Умение говорить устно и понимать устную речь Тьюринга не интересовало, он ограничился письменными сообщениями
Он задал сложное целеполагание в разговоре, который должна обеспечивать машина: она должна вводить собеседника в заблуждение, обманывать
В рамках однократного эксперимента человек не определяет, машина с ним говорит, или другой человек, там игра в угадайку, в которой надо угадать ролевые позиции мужчины и женщины, при том, что мужчина стремиться не дать угадать, а женщина - помочь дать правильный ответ. И дальше мы смотрим статистику угадываний: если она совпадет для случаев, когда за мужчину играет машина и когда за мужчину играет реальный мужчина, значит машина успешно имитирует мужчину.

При этом Тьюринг в своей статье пишет, что такие машины точно могут быть созданы, и разбирает возражения. Петр на них не останавливался, но, в общем, многие из них с тех пор не изменились, регулярно возникают, и их опровержения выдвинувших не особо интересует.

Замечу, что есть отдельный любопытный вопрос про характер эксперимента: почему мужчина вводит в заблуждение, а женщина помогает и почему машина заменяет мужчину, а не женщину. Это уже из области психологии самого Тьюринга. И из области ИИ - насколько другие варианты сложнее или проще. Тест Тьюринга GPT-3 прошел.

Что касается самих машин, то можно выделить ряд направлений.

Действовательные
Разговорные
Восприятия - структурирование входного потока
Прогностические и аналитические
Базы знаний с онтологиями и библиотеками знания
Библиотека инструментов, которые поддерживают мышление человека

Тест Тьюринга ориентирован на разговорные машины, но ими он не занимался. Он работал над машинами, играющими в игры, как развитие своей основной работы над вычислительными алгоритмами - в этой классификации они относятся к деятельностным. В целом концепт мышления как рассуждение по правилам лег в основу экспертных систем.

Еще в статье есть важный тезис о том, что воспроизвести мышление взрослого с помощью программы - сложно, что надо начинать с того, что воспроизвести мышление ребенка, включая его способность к обучению - и тогда мы далее сможем научить уже мышлению взрослого так же, как учим человека.

И это приводит нас ко второму имени - Марвин Мински (или Минский).

У Мински. по факту было три разных программы.

Концепт нейронных сетей как моделей действия мозга, восприятия информации и прогнозов, на основе perceptros (1969)
Фреймы для представления знаний, основа базы знаний с онтологиями 1974
The Society of Mind 1986 - ум может быть понят как совокупность множества процессов, совместной работы специальных агентов

По каждому из направлений был значительный вклад, эти идеи легли в основу дальнейшего развития.

Мински рассматривал 5 процессов

Восприятие - видеть и интерпретировать мир
распознавание образов
Обучение
Понимание естественного языка
Решение проблем.

Концепт нейронных сетей - это попытка сделать имитацию мышления на основе имитации простейшего элемента - нейрона, который мыслился как аналог реального нейрона. Ячейка работает как весовой сумматор входов с пороговым сигналом на выходе, и есть механизм обратной связи, пересчитывающий веса с учетом того, насколько ответ верный. Предложен Розенблатом. Мински и Папперт исследуют, быстро получили вывод, что решаются только линейно-разделяемые задачи, это уменьшило интерес. Следующий такт развития - дополнительные веса как маски-фильтры, затем сверточные нейронные сети. Современные нейронные сети, включая GPT вышли из этого

Фреймы.

Мозг организует знания в структуры для интерпретации мира.
Распознавание ситуации и действия - много сложнее, чем обмен фразами или ходы в игре.
Наличие шаблонов сокращает обучение на данных.
Любая машинная модель, отражающая сложность реального мира строится на наборе фреймов из типоых, близких ситуаций.
У фреймов - слоты для заполнения конкретной информацией.
Это аналог врожденных идей философии или врожденные схематизмы Пиаже.
Машина не учится, фреймы задаются разработчиками. Это дает компактность и экономия времени на обучение. Но это и ограничение на конструкцию.

Фреймы стали основой для экспертных систем. Кроме того, они используются в семантических сетях и технологиях поиска и опознания информации, например, чтобы понимать, что ищут про фильм, а не город, и что это - разное. Сейчас в ИИ используют для работы с физическим миром, учета контекста (Siri, Google Assistant), интеграция знаний, включение в обучение как типичных ситуаций.

Отметим, что фреймы не обязательны для разговорных машин: задача разговорных машин - имитировать общение, а не организовывать знания.

По замаху фреймы - типизация ситуаций. Но реализация ограничилась шаблонами. Вопрос как формировать фреймы - за пределами. Нейронные системы и фреймы не были собраны в единую систему с обучением. Поэтому фреймы успешны, где есть эксперты. Но провалились там, где нет структур и высокая динамика.

Отмечу, что сейчас уже не так, конструкции фреймов умеют выявлять и собирать с помощью нейронных сетей, обработкой источников. Правда, надо задать метапредставление. Но тут тоже можно обобщать.

И, наконец, третья тема - мышление как взаимодействие агентов. Книга Машина эмоций. Идея, что машина будет способна на распознавание образов и решение других задач не потому, что мы их запрограммируем, а потому что мы ее архитектурно сделаем способной к обучению. При этом самосознание - это лишь переключение режима сознания.

Мышление - не только работа мозга. Интеллект может быть создан взаимодействием неразумных частей - построение из мелких частей. Ментальный агент делает простую вещь, которая не нуждается ни в уме, ни в мышлении, а в совокупности - мыслит. Иерархические и гетерархические связи. И тезис об обязательности ошибок для работы интеллекта - как стимула реорганизации и обучения.

Эмоции - внутренний язык общения между агентами. Чтобы переключать ментальные состояния, режимы работы между контекстами. При моделировании интеллекта концентрация на сложных - тупик, начинать надо с простого, 3-летнего ребенка, тут он в 1986 повторяет мысль Тьюринга 1950. Ребенок связывает посылки и следствиями не связанные формально, а ребенок - нет.

Таким образом, Тьюринг сформулировал теоретические предпосылки, по которым машина может мыслить или имитировать мышление неотличимо от человека, а Мински работал над способами воплощения мышления в материале.

Есть известная критика Серла - эксперимент Китайской комнаты. Пусть есть комната, в которой заперт человек, общающийся с внешним миром путем передачи сообщений, и пусть человек понимает только английский, но у него есть множество инструкций о том как оперировать и иероглифами, так что те, кто передают ему сообщения, получают осмысленные ответы, и могут решить, что он знает китайский. Но мы-то знаем, что он китайского не знает, что это имитация. Серл говорит, что такой человек - аналог машины, и этот мысленный эксперимент показывает, что реально машина мыслить не может.

Я лично считаю, что этот эксперимент ничего не показывает. Потому что мышление возникает на другом системном уровне, нежели исполнения инструкций. В клетке происходят физические и химические реакции, но жизнь - атрибут клетки в целом. Так и тут. Комната, наполненная инструкциями вместе с исполняющим их человеком знает китайский. Потому что его знали те, кто эти инструкции писал, и они передали это знание не в форме научения человека, а вот в такой форме. Нет проблемы. Ну, если кому-то очень приятно считать это симуляцией мышления, то для практических целей достаточно.

Кстати, в этом мысленном эксперименте, вероятно, есть провал - я думаю, что написать инструкции, которые бы человек исполнил за разумное время - невозможно. А если возможно - то интересно будет посмотреть. Впрочем, программа Элиза (1966), по нынешним меркам, не слишком сложная, приемлемо эмулировала психотерапевта. Может, закодировать в инструкциях ее аналог, общающийся в иероглифах, и не так сложно.

А еще это касается и вариантов мышления. Некоторые считают, что важным атрибутом мышления является способность строить абстракции и оперировать ими. Нейронные сети типа GPT это не умеют, они работают иначе. Но и не все люди это умеют, есть нарративное мышление текстами, и оно достаточно для практической деятельности, включая сдачу экзаменов в школе и институте и успешную работу в ряде позиций. Нет проблемы.

Итого, мы имеем три парадигмы программирования интеллекта

логическое, символьное и правила вывода - Тьюринг
коннекционистское - нейронные сети и обучение на данных для коррекции связей в графах
эволюционное программирование - мутации и рекомбинация, отбор векторов данных. Холланд.

По эволюционному программированию деталей не было, я тут немного дополню Идея - мы в рамках некоторой задачи произвольно кидаем начальное приближение, а потом запускаем алгоритм мутаций и отбора. Например, надо придумать спецпроцессор для распознавания каких-то сигналов, например, букв. За основу мы берем какой-нибудь процессор, способный программно конфигурироваться, и несколько раз кидаем на него произвольный набор элементов случайным образом. Прогоняем тестовый набор, оцениваем результат, в некоторых случаях чисто статистически будет верный ответ. Дальше устраиваем мутации: некоторые элементы перестраиваются, остальное сохраняется. И сравниваем работу мутировавших вариантов друг с другом, лучший служит основой для следующего поколения. Процесс повторяется, пока результат не будет удовлетворять заданным критериям качества.

Это функционально сильно похоже на нейронные сети, но конструктивно устроено иначе. Можно использовать совместно, или для обучения нейронных сетей, а также для частных задач.

Третья программа - Энгельбарта принципиально отличается от Тьюринга и Мински. Если они работали над созданием ИИ, то Энгельбарт работал над тем, чтобы машина стала помощником человека в решении интеллектуальных задач, усилила его способности.

Он вводит понятие аугментации - усиление и расширение интеллекта с помощью технологий. Структура деятельности человека делится на 4 уровня.

физические структуры
ментальные структуры - работа сознания с данными
концептуальные структуры - обработка информации и идей, формирование согласованных с другими людьми концепций
символические (знаниевые) структуры - передача смыслов через символы и знаки, взаимодействие с компьютерами

Мышление символами, коллективно и социально-обусловлено. Коллективный IQ. И компьютеры поддерживают человека, обеспечивают координацию. И в результате мы имеем самоподдерживающуюся эволюцию человеко-машинной совместно развивающейся системы. В системе он выделяет человеческие процессы, процессы артефактов (машин), интерфейс человек-артефакт и обмен энергией.

Наращивание инструментов позволяет эффективно решать задачи - дает возможность ставить новые задачи. И выделялось три уровня: бизнес, улучшение процессов (инструментов), улучшение способов улучшения (разработки инструментов). Важно, что инструменты для пользователей - применяются самими разработчиками, и это дает петлю улучшений. Обязательный обмен результатами - идея сообществ. Уверенность, что языки будут настолько близки к естественным, что начнут программировать.

И в этом направлении он создал очень многое: компьютерную мышь, прототип GUI, множественные окна телеконференции, гипертекст и гипермедиа, редактирование между файлами, управление версиями документов, контекстная справка, единый набор команд, автоформат, командный язык с грамматикой, протоколы виртуальных терминалов, интернет.

В 1968 на большом мероприятии была презентация на 1000 человек: видеоконференция, гипертекст, мышь, сетевое взаимодействие, работа с текстом и GUI. При этом зрители в реальном времени наблюдали совместную работу нескольких человек, находящихся в разных точках на расстоянии 30 км, вместе с удаленным общением между ними. Это был результат работы 10 лет команды около 1000 человек, которая готовила элементы решений. Сейчас все это - норма, а тогда этап презентация задала некоторый ориентир светлого будущего.

Что важно, коммерческие продукты для этого светлого будущего были созданы не Энгельбартом, хотя его ученики в некоторых принимали участие, многое сделал Xerox. Почему не получилось? Алан Кей объясняет это через метафору "скрипка Энгельбарта" - завышенные требования к пользователю. Фреймворк - только для knowledge worker, он требовал слишком большого мастерства.

универсализм вместо гибкости, не было адаптации под конкретных группах
ставка на усложнение систем вместо упрощения
попытка вовлечь пользователей в разработку, навязать роль
высокий уровень навыков
путаница между разработчиками и пользователями - слишком сложно для повседневности, разработчики не понимали пользователей
внешний заказ подменили самозаказом - и финансирование прекратилось.

По сути делали инженеры для инженеров, требуя, чтобы все пользователи подтянулись до их уровня. То есть инженеры результатами пользовались, а для пользователей было слишком сложно.

Сам Петр формулирует другие причины

не сложилась рабочая онтология в силу отсутствия объемлющей
был вне СРТ, не понимал ее и экономику
технологизация работы со знаниями - горизонтальная, а не вертикальная

В заключении лекции была схема мыследеятельности. Тезис Петра следующий: эта схема - не только обобщение 25 лет работы ММК, но и обобщение 350 лет развития философии мысли, начиная от метода Декарта. Разные философы рассматривали различные аспекты, а схема собрала их воедино.

Декарт - Cogito (не мышление, рефлексия)
Локк - understanding - понимание
Витгенштейн - коммуникация
Кондильяк - деятельность
Бриджмен - мыслительная деятельность

Схема задает три важных принципа

Культурно-исторического, интерсубъективного существования интеллектуальных процессов
Разграничение между психикой индивидуума и интеллектуальными мыследеятельностными процессами, мышлением
Отделяет 5 процессов: мыследеяствование, рефлексия, коммуникация, понимание, чистое мышление (его Петр сейчас делит на два)

Если через нее взглянуть на программы, то видно следующее

Энгельбарт говорил о мыследеятельности, но не смог поделить на модули
Мински - проскочил вопрос онтологии, начал экспериментально действовать
Тьюринг - завершил традицию логического мышления

А еще надо отметить, что все программы - исследование действием, на госденьги и гранты, а не решение практических задач. Среди них не было предпринимателей.

Петр предложил подумать над позиционированием этих работ на схеме мыследеятельности.

Мое мнение таково. Энгельбарт, создает поддержку для всех трех слоев. Это технологизация рутинной работы, обеспечение средств коммуникации и создания артефактов для коммуникации, поддержка мышления за счет экстериоризации памяти и создания коллективного хранения для него. И, наверное, с точки зрения этой схемы он действительно работал, смешивая различные уровни в какие-то комплексные решения. Но если оценка Алана Кея, что это было решение инженеров, сделанное для инженеров, верна, то проблема не в том, что он перемешивал разные уровни по схеме мыследеятельности, а в том, что он не думал о потребности людей в простых решениях. Ну или знал о такой потребности, но хотел, заставить их освоить сложное для их же блага. Это, в общем, вне схемы: она отражает мыследеятельность любой сложности.

Что касается Тьюринга и Мински, то они работали над созданием такой умной машины, которая бы могла занять место агента на схеме мыследеятельности. При этом основной фокус был в создании у этого агента уровня чистого мышления. Ведь чистое мышление, оперирование абстрактными объектами, выполняется с помощью какого-то материала, например, на нейронах человеческого мозга. У Тьюринга тут были теоретические заходы в части формулировки критерия для первого успеха через имитацию и идея обучения вместо моделирования мышления взрослого. А у Мински - несколько разных заходов на механизмы, которые позволят реализовать табло сознания для агента. В общем, успешных. Попутно они занимались и другими уровнями, и нейронные сети в качестве инструментов могут решать задачи других уровней.

Вообще частные задачи - любопытный вопрос. Например, нейронная сеть, обученная подирать режимы работы коксохимического конвертера, исходя из фотографий руды - она мыслит или нет. Ответ тут зависит от определения мышления, но при любом определении ответ будет одинаков для него и для технолога, который эти параметры выставляет, опираясь на свой опыт. Или вот нейронная сеть, обученная проектировать зубные коронки по трехмерным слепком, и замещающая зубных техников, которые сейчас делают в сложном специализированном софте трехмерного проектирования - она мыслит или нет? Там при создании такой нейронной сети обучили другую сеть оценивать результаты проекта, и заодно выяснили, насколько успешно сами техники делают свою работу. Оценивает он не хуже человека.

А вообще смотреть на любую деятельность или любой другой объект через схему имеет смысл в двух случаях: (а) если деятельность изначально организована в соответствии со схемой и (б) если мы хотим получить анализ деятельности в терминах этой схемы, сопоставить какие-то аспекты у разных экземпляров. И в случае (б) надо быть готовым к тому, что в деятельности разные элементы схемы будут причудливым образом перепутаны и склеены, потому что у тех, кто реализовывал эту деятельность она представлена иначе, или вообще деятельность складывалась исторически. ИТшники поймут аналогию: есть красивая трехуровневая модель интерфейс - бизнес-логика - хранение. Если софт писали сторонники этой схемы, то вся бизнес-логика будет на сервере приложений. А если нет, то бизнес-логика будет сложно размазана между интерфейсами, сервером приложений и базой данных, и целостности не будет.

На этом я, пожалуй, закончу про первый день.

Модели softskill - способ строить путь развития и понимать людей (Митап MoscowQA 2024-09)

2024-09-19T14:55:17Z

MaksTsepkov:

Moscow QA Meetup (timepad)
Анонс доклада на телеграм-канале сообщества
Видео https://vk.com/video-227064516_456239034 начало моего выступления 36:30

Современный мир предполагает, что ты активно определяешь свой путь, а не следуешь по стандартной карьерной лестнице. Для этого надо понимать самого себя, свой потенциал, спектр возможных мест в команде и возможные направления развития. А еще надо уметь быстро понимать других людей и вести эффективную коммуникацию с членами команды, стейкхолдерами, пользователями и смежными командами. Все это эффективно делать, используя модели soft skill. Польза примерно такая же, как от знания шаблонов разработки или подходов тестирования. Моделей много, обо всех в докладе не расскажешь. Но я дам обзор и покажу примеры применения.

Книга «Инженерная модель личности», доступна на ridero и других площадках, а также в виде серии статей на vc.ru. Оглавление серии статей, а также ссылки на другие мои доклады про людей и команды можно увидать в Категория:Люди.

ИИ – зеркало человека, страхи, возможности и перспективы обусловлены этим (ПИР-2024)

2024-09-13T17:50:59Z

MaksTsepkov:

12-15.09.2024 Подмосковье ПИР
Мой профиль на сайте конференции (там последний из докладов)
Выступление на сайте конференции

ИИ создан человеком по своему подобию, как помощник и инструмент. Успешно. Пока теоретики спорят о том, может ли машина мыслить и заменит ли она человека, практики создают субъектов ИИ, выполняющие конкретные обязанности. Например, работу рекрутера от создания описания вакансии до проведения собеседования и рекомендации кандидатов на собеседование с руководителем. И объяснить ИИ, что от него нужно, собрать субъекта ИИ на основе доступных платформ уже оказывается проще, чем объяснить это другому человеку - он меньше сопротивляется. В 2016 в одной из дискуссий на ПИР я предсказывал, что через 10 лет коучи будут работать с командами, где кроме людей есть субъекты ИИ, сейчас это становится реальностью. Мы обсудим возможности и перспективы, которые уже можно предсказать на основе реальных кейсов. А еще мы обсудим страхи по поводу ИИ: они имеют социальные причины и слабо связаны с фактами, подобно другим социальным мифам.

Взаимодействуй с людьми и развивайся с опорой на модели личности (ЛАФ-2024)

2024-07-12T11:03:15Z

MaksTsepkov:

13-14.07 Подмосковье ЛАФ-2024
Доклад на сайте конференции
Видео на rutube

В работе аналитика есть множество ситуаций, когда требуется понимание мышления и эмоций, собственных и других людей. Например, когда ты предлагаешь решения заказчику или обсуждаешь их в команде, а тебе отвечают не по существу, а эмоционально, или отвечают так, что эмоции начинаются у тебя. Или когда ты оцениваешь собственную работу, думаешь о своем потенциале и направлениях дальнейшего развития, ищешь свое место в команде, и обсуждаешь это с коллегами.

Этому помогают модели softskill: они позволяют понять, как думают и действуют другие люди, которые на тебя не похожи, показывают разнообразие. Другие модели описывают конструкцию и динамику развития команды. Польза от знания моделей примерно такая же, как от знания шаблонов разработки или подходов тестирования: можно работать без них, но с ними — быстрее и эффективнее. Но неуместное применение шаблона может нанести вред. Моделей много, в докладе обо всех не расскажешь. Я остановлюсь на тех, которые входят в мой арсенал и покажу их объединение в комплексную модель, покажу их использование на конкретных кейсах. Думаю, это поможет вам обогатить собственный арсенал моделей или будет хорошей стартовой точкой для него.

У меня есть книга «Инженерная модель личности», в которой описаны модели. Но описание в ней построено от базового уровня к прикладным, а в докладе - наоборот, мы начинаем с прикладных моделей и от них идем к базовым.

Участники активно спрашивали: с чего начать. Мой ответ - это зависит от ситуации. Если основная проблема - понимание других людей, то MBTI дает хорошее представление о спектре разнообразия по мышлению и образу действия, а спиральная динамика - о разнообразии и конструкциях ценностей и корпоративной культуры. А если речь идет про устройство команды и поведение людей в ней - то модель командных ролей Белбина, и тоже спиральная динамика, так как она описывает различие agile-mindset от mindset регулярного менеджмента. Эти три модели для меня основные.

По MBTI надо читать книги Отто Крегера, по Белбину - его книги. По Белбину у меня есть статьи и доклады, ориентированные на ИТ. По спиральной динамике есть книга Дона Бека и Криса Кована, но я бы рекомендовал начать с моих статей - блок Спиральная динамика в серии статей «Менеджмент цифрового мира», а также выступлении Спиральная динамика для аналитика - работа на стыке культур (AnalystDays-9 осень 2018).

Системное мышление и его место в работе аналитика (AnalystDays-2024a)

2024-05-24T10:55:35Z

MaksTsepkov:

24-25.05.24 Analyst Days-18 Петербург 
Доклад на сайте конференции 
Видео https://vimeo.com/1040306705

Системное мышление – мощный инструмент построения моделей реального мира и проектирования его изменений. О нем, и лежащем в основе рациональном мышлении я рассказывал на осенней AnalystDays. Но действительно ли такие мощные инструменты общего характера необходимы аналитику и архитектору в повседневной работе? Может быть, достаточно более простых методик: выделение словаря предметной области, mindmap для структурирования, bpmn для процессов, с4 model и Archimate для архитектуры ИТ-ландшафта, ООП для построения структур данных, user story и use case для описания работы пользователей, DDD и Event storming для сложных предметных областей? Все они разработаны для ИТ и успешно работают. Мой опыт говорит, что прикладные методы – это хорошо и правильно, но без опоры на системное мышление их формальное применение приводит к ошибкам проектирования. В докладе я сделаю фокус на точках в проекте, где владение системным мышлением существенно и покажу, как прикладные методы на него опираются.

Выступление развивает предыдущее Рациональное и системное мышление: практики и компетенции аналитика (AnalystDays-2023), показывая прикладные применения методов системного мышления там, где частных моделей не хватает. Развитие выступления с более широким фокусом на ИТ в целом — Системное мышление — нужно ли оно в IТ и зачем? (Teamlead-2024)

Модели softskill - способ понимать людей и строить путь развития (SQAdays-2024 весна)

2024-04-26T12:30:56Z

MaksTsepkov:

Еще про развитие общества

26-27.04.2024 Петербург SQAdays-34
Доклад на сайте конференции
Видео на vimeo

Для продуктивного сотрудничества надо уметь быстро понимать других людей и вести эффективную коммуникацию с членами команды, стейкхолдерами, пользователями и смежными командами. Этому помогают многие модели softskill: они позволяют понять, как думают и действуют другие люди, которые на тебя не похожи, показывают разнообразие. Другие модели описывают конструкцию и динамику развития команды.

Модели также помогают понять самого себя, свой потенциал и возможные направления развития, найти своё место в команде. Польза от знания моделей примерно такая же, как от знания шаблонов разработки или подходов тестирования: можно работать без них, но с ними — быстрее и эффективнее. Но неуместное применение шаблона может нанести вред.

Моделей много, в докладе обо всех не расскажешь. Я дам обзор тех, которые вошли в мой арсенал, покажу их использование на конкретных кейсах. Думаю, это поможет вам обогатить собственный арсенал моделей или будет хорошей стартовой точкой для него.

Предыдущие доклад TeamLeadConf-2019, аналогичный был на Infostart и по нему опубликовали статью Модели softskill для тимлида. В докладе я много раз упоминал свой доклад на осенней SQAdays Самоопределение: чего я хочу от жизни и работы (SQAdays-2023), доклад Меняя себя и других - понимай устройство: инженерная модель личности (Teamlead-2023) и серию статей про модель личности, смотри ее оглавление, по которой вышла книга Инженерная модель личности.

Самоопределение: чего я хочу от жизни и работы (Merge-2024)

2024-04-20T08:59:38Z

MaksTsepkov:

Еще про самоопределение

20-21.04.24 Иннополис MergeConf 
Доклад на сайте конференции

Самоопределение — это не выбор пути на долгие годы, а ответ на повседневные вопросы: «Надо ли оставаться в проекте, или пора его менять?», «Какой проект или специализацию выбрать дальше?» или «Мне будет легче, когда научусь, или я выбрал не свое дело?», или даже «Как понять, что пора сходить в отпуск, чтобы энергия не иссякла, или заняться семьей?».

Раньше мир был проще: ты шел по стандартной карьерной лестнице и делал, что принято. Поэтому ответам на такие вопросы не учат в школе и институте. Сейчас ситуация изменилась, современный мир предполагает, что ты активно определяешь свой путь. И надо учиться искать ответы самостоятельно.

В рассказе — схемы, которые позволяют обо всем этом структурировано думать и принимать решения. Это дальнейшее развитие моих выступлений и статей по теме самоопределения. Последнее было осенью Самоопределение: чего я хочу от жизни и работы (SQAdays-2023), название совпадает, но презентация и содержание — дополнено. Правда, записей с MergeConf не будет - так что если тема интересна - смотрите осенний доклад или читайте статьи, они есть по ссылке выше.

PersModelList

2024-03-25T19:45:40Z

MaksTsepkov:

Список статей для включения в категории
13.01-09.04.2024 серия статей «Инженерная модель личности» на vc.ru

SelfDetList

2024-03-25T19:42:43Z

MaksTsepkov:

Список статей для включения в категории
Серия статей «Самоопределение» на vc.ru 14.12.2022-28.03.2023.

Место ИТ и аналитиков в будущем мире (WAW-2024)

2024-02-16T13:42:19Z

MaksTsepkov:

16-18.02.24 Подмосковье Winter Analytical Weekend (WAW) (от организаторов ЛАФ)
Доклад на сайте конференции
Видео доклада

Человечество развивается, на смену индустриальному обществу приходит цифровой мир. И кажется очевидным, что ареал ИТ в новом мире будет увеличиваться, и будет увеличиваться ареал аналитиков.

Однако сценарии развития могут быть различны. Может быть, в ИТ автономной останется только инфраструктурная часть, а остальное растворится внутри бизнеса, повсеместны будут смешанные команды и специализации? А может быть, значительную часть функций нынешнего разработчика и аналитика возьмут на себя субъекты ИИ, которые станут полноценными членами команд, а не просто помощниками человека?

Естественно, что эти сценарии зависят от сценариев развития общества в целом, от развития его образования, от ставки на умных людей или умный ИИ. Как говорит системный подход, если нам интересно развитие системы, то для начала нужно посмотреть сценарии развития ее надсистемы. Обо все этом будут размышления в докладе.

Евгений Идзиковский на Teamlead-2023 осенью. Осознанность 2.0

2024-01-29T07:13:20Z

MaksTsepkov: Новая страница: «<noinclude> Статья вынесена из отчета, чтобы сработала вставка. Почему-то вставка этого разде…»

Статья вынесена из отчета, чтобы сработала вставка. Почему-то вставка этого раздела не работала

Это очень интересный доклад, который дает технику работы с эмоциями. Проще всего это описать в модели, которую Евгений не рассказывал, и которую я услышал от Вадима Демчога: спектакль жизни играется на двух сценах: в объективной реальности и на внутренней сцене у меня в голове, и поведением во многом управляет не реальность, а увиденное внутри. И в докладе речь шла о том, что многие эмоции обусловлены тем, что на внутренней сцене разворачивается ролик, не имеющий отношения к реальности, который призван вызвать переживание и направить поведение. Дальше была техника, как этот ролик можно увидеть и понять, что представленное в нем не имеет отношения к реальности, и дальше изменять реакцию. То есть мы можем повлиять на встроенную систему, чтобы мое поведение поменялось.

Дальше конспект доклада. Эмоции, неприятные переживания — есть, несмотря на то, что мы их не хотим. Я понимаю, почему боюсь, что я делаю из-за страха, но природа страха изнутри — неясна, и как провзаимодействовать со своим страхом, чтобы его убрать — неясно. Но доклад дает методику для этого, и она работает не только для страха, но и для других эмоций, просто в экспресс-варианте со страхом — проще.

Схема работы психики проста: (1) Что-то случилось снаружи или внутри — идет сигнал; (2) Психика сигнал обрабатывает: категоризирует и вызывает поведение. Механизм заточен под то, что происходит быстро в дикой природе. Увидели тигра — страх — убегаем. Но у нас не дикая природа. Жизнь не дает реальных опасностей, ну если не переходите на красный или не делаете подобные действия. Поэтому не получается создавать простые реакции: увидел начальника — убегаешь, увидел свою девушку — пусть приготовит еду или займетесь чем-то еще приятным, обычно много вариантов и выбор не однозначен. То есть механизм эмоций, заточенный под простые реакции, сбоит.

Если я попрошу представить кошка, то каждый представит свое: кошка домашняя спящая или играющая, абстрактная кошка -силуэт, кошка как концепт, тактильные ощущения от взаимодействия и так далее. Мозг умеет вызывать картинки. И именно это используется для генерации эмоций, когда представляете кошку, эмоции появляются, хотя не у всех.

Светофор. Большинство людей, переходя на красный свет испытывает дискомфорт. Хотя светофор — безобиден. Но есть правило в голове: на красный не ходи. Представим: я, дорога, за ней ларек с шаурмой, вы ее хотите, но красный светофор говорит «не сейчас». Что делает психика для остановки по светофору? Она включает переживание — страх. Еще останавливает отвращение, но это — гораздо более редкая эмоция.

Как эмоция запускает страх? Закройте глаза и представьте: лето, гуляете по парку, вышли из него, широкая дорога, 4 полосы в каждую сторону, посмотрели направо и налево, там пусто до горизонта, но напротив красный светофор. И вы начали переходить, и в какой-то момент возник страх. Скорее всего у вас появился видеоряд, который страх и вызвал. Экспресс-опрос зала — у многих реально возник. Обычно машина слева, и люди могут вспомнить ее цвет, в зале — вспоминали. Не ролик четкий как в фильме, машина может быть смутной. И не обязательно это машина, к кому-то подходил большой милиционер.

То есть вы были в ситуации, где никакой опасности, но психика проэмулировала видеоряд с конкретной опасностью, и этот ролик и создал страх. И в 90 % ситуаций в жизни эмоции не связаны с реальностью, они связаны с картинкой в голове.

Идет красивая девушка познакомлюсь — опасности нет, ну, скажет что не знакомлюсь. А мозг подсовывает: она отвергнет, все увидят что ты лох и другие ужасы.

Можно сказать, что вы идете по улице и у вас очки дополненной реальности. И там виртуальные люки — вы их обходите, а где-то может быть асфальт на месте люка — и тогда вы провалитесь.

Но реакция меняется. Представьте. Утро. Текущие новости. Президент: времена тяжелые, выезд запрещен, счета заморожены, курс фиксированный 300р и так далее. И тут внизу «вы смотрите трейлер сериала выживание» И вы «тьфу, фигня». Что изменилось? Ведь эмоция была, кортизол выработали. Но вы поняли: это не реальность, а реклама.

Все, что показывает мозг — не реальность, а реклама. Совпадает случайно. Хотя если перебежать МКАД с движением — то да, может совпасть.

У мозга нет цели предсказать будущее! Он не умеет. Вы думаете мозг реагирует на запрос «нарисуй реалистично» и он работает — это неправда, реально запрос «мозг, сделай ролик для эмоций».

Я тут хочу прокомментировать. Мозг в целом и механизм эмоций в частности эволюция все-таки создавала именно для предсказаний. И он позволял работать эффективно, а эти ролики воспроизводили воспоминания с эмоциональными маркерами, за счет которых обучение опасным ситуациям происходило с первого раза, а не после многократного повторения. Но, как Евгений и говорил в начале доклада, это было давно и для дикой природы, а в нынешних условиях механизм сбоит и подсовывает воображаемые опасности, или картины из прошлого, которые были виртуальной детской опасностью. То есть хотя механизм создавался для предсказаний, сейчас он реалистичных предсказаний чаще не дает.

Таким образом, у вас непрерывный ролик с рекламой и вы не знаете, что реклама, и нельзя переключить. И это влияет на поведение. Кока-кола ставила эксперимент «нас и так знают, выключим рекламу» — нет, продажи падали.

Вообще механизм роликов работает не только для страха. Он побуждает действовать, например, вы предвкушаете: сейчас сделаю завтрак и вкусно позавтракаю, а потом встаете, делаете завтрак и вкусно завтракаете, еще и потому, что сами предвкушали это. Влезать в этот механизм надо только когда ваше поведение вас не устраивает. Отменять страх перехода на красный, наверное, не целесообразно. А вот если у тебя в голове вкусный бутерброд, который тебе нельзя и ты страдаешь — это стоит менять.

Представьте ситуацию. Вы что-то не делаете: не отправляете резюме, не начинаете задачу, не звоните заказчику. Представьте эту ситуацию, поймайте сопротивление и ответьте — что крутится в голове, желательно домотать до видеоряда. Ролик может быть из прошлого, может быть это школьная учительница вас ругает. И если это засекли, то вы уже понимаете, что ролик не имеет отношения к реальности: вы будете говорить с заказчиком, никакой учительницы там нет.

И даже если ролик про настоящее, то подумайте, какая вероятность того, что это осуществится? Скорее всего, маленькая. В мире за год десятки человек погибают от удара молнии — но вы не боитесь выходить на улицу. И даже если в ролике реалистичное будущее, то насколько оно повлияет? Когда готовишься к экзамену — оценка важна, на самом экзамене — очень важна, а потом? Будет ли влиять через месяц или через год. Часто картинки в голове не повлияют на будущее серьезно.

Закрываем глаза, вернулись к вспомненному ролику, и дальше в образе переключаем тот вариант на реальность. Стало легче? Часто ролик не один, с каждым поведением связано 3-5 роликов из прошлого и один из будущего. Это таблетка для выхода из матрицы. С травмой такой техникой тоже можно работать, но долго.

Если ролик не появляется, это нормально, мы проходим экспресс-вариант, многим людям надо час-полтора, чтобы поймать. Потому что видео ярко появляется первый раз, а потом мозг подсовывает ссылку, и оно быстро прокручивается до наработанной реакции. Это как ты когда-то мечтал о встрече со знакомой в ответ на появление в мессенджере, или вспоминал реальную прогулку с ней, и если это несколько раз повторить, то эмоция начинает возникать сразу в ответ на появление ника, без промежуточного ролика. Вспомните, если у вас было, когда вы были влюблены или вас кто-то обидел, вы ходили и представляли какие-то картины, там часто ролики громадные, часами. А тут короткие ролики, они скомпилированы.

Есть ли те, у кого видео отсутствует? За последний год было около 1000 клиентов, и для этого использовал вскрытие автопилота. Опыт показывает, что способны, она не всегда как в фильме, может быть смутной. Может, клиент лишь говорит, что видит картинку — в голову не залезешь. Но если он вскрывает образ и ему становится легче — то результат получен.

Это же использует реклама — она вкладывает картинки, видеоряд. Но не вся визуализация работает. Человек не делает зарядку. Он может представить себя спортивного и прокаченного, но все равно не делает зарядку, потому что мозг — хитрый, он думает — вот пусть этот прокаченный и делает зарядку. И представление ламборджини не побудит работать, что работать, если ламборджини уже есть. Но можно крутить в голове, что ты делаешь упражнение — мозг представляет и переобучается.

Лиза Фельдман Барретт. Как рождаются эмоции

2023-12-08T06:10:27Z

MaksTsepkov:

О других книгах

Полное название книги — амбициозно: Как рождаются эмоции. Революция в понимании мозга и управлении эмоциями. Как и декларировано, в книге предлагается принципиально новая теория работы эмоций. Мне книгу рекомендовали как современный уровень научного представления об эмоциях при обсуждении моего доклада на Меняя себя и других - понимай устройство: инженерная модель личности (Teamlead-2023). У меня это представление вызывает достаточно много возражений, которые я хочу зафиксировать в отзыве, а содержание книги тут будет не слишком подробно. Вопросы возникли потому, что, на мой взгляд, в этой новой теории проявлен существенный дефицит системного мышления, в основном — обобщения, игнорирующие существенную разницу различных сущностей. Впрочем, такой поверхностный подход объясним общим системным эффектом поверхностности образования в демократиях, о котором смотри Алексиса де Токвиль «Демократия в Америке», а также рядом частных социальных причин, некоторых из которых я буду касаться дальше.

Необходимо отметить, что несмотря на все возражения, Лиза Баррет, автор книги — молодец. Потому что она борется с теорией, которая находится на гораздо более дремучем уровне, и при этом была признана как базовая теория эмоций, классический подход.

Способы отображения: существует ли связь между DDD и ООП - статья на хабре

2023-12-05T13:38:50Z

MaksTsepkov: Массовая правка: замена PCRE ^ на {{RightNote|Еще про архитектуру}}

REDIRECT Блог:Максима Цепкова/2023-12-05: статья Способы отображения: существует ли связь между DDD и ООП

Меняя себя и других - понимай устройство: инженерная модель личности (Teamlead-2023)

2023-11-30T18:17:54Z

MaksTsepkov:

30.11-01.12/2023 TeamleadConf++
Доклад на сайте конференции
Видео https://youtu.be/iFX8wcjmPEE

Для эффективной коммуникации полезно представлять мышление других людей, а для собственного развития неплохо бы представить собственное устройство. Конечно, и то и другое можно делать по интуиции, но у многих так получается не слишком хорошо. На помощь приходят типологии и модели: все-таки разнообразие людей сравнимо с разнообразием узоров в калейдоскопе, и опознав, какие стеклышки образовали конкретный узор, можно неплохо предсказать другие узоры.

В отличие от калейдоскопа, в который стеклышки засыпали при изготовлении, в человеке большинство камушков определяются не генетическим кодом, а теми стереотипами мышления и шаблонами поведения, которые он приобрел в ходе воспитания и обучения, включая первые пару лет жизни. Каждый может развиваться, изменяя свою личность в желаемом направлении, а перед руководителем часто стоит задача помочь в развитии сотрудников для этого полезно знать, какие механизмы стоят за типологиями - нужна инженерная модель личности.

Обзор разных полезных типологий и моделей я рассказывал несколько лет назад в докладе «Модели softskill для тимлида (TeamLeadConf-2019)», а в этом докладе я их дополню представлениями об устройстве мышления в целом и расскажу инженерную модель личности в том виде, в котором она у меня сейчас сложилась.

Инженерная модель личности дает архитектуру, и польза от нее такая же, как от архитектурных схем для проекта. Можно разбираться с кодом и строить частные модели и без нее, но архитектурная модель собирает разные модели и дает представление о целостности. А также помогает понять, есть ли основания у психологических моделей, насколько они связаны с нейрофизиологией, а насколько - со сформированными обучением и культурой ансамблями нейронов.

Помимо видео этого доклада можно читать статью Модель личности, которая лежит в основе доклада, но написана год назад, и смотреть доклад Я и мои аватары в спектакле жизни (ПИР-2023), в котором есть часть нового материала. Статью я планирую переработать.

Самоопределение: чего я хочу от жизни и работы (SQAdays-2023)

2023-11-23T16:46:14Z

MaksTsepkov:

Еще про самоопределение

24-25.11.2023 Москва SQAdays-33
Доклад на сайте конференции
Видео на youtube Видео на vimeo (в статье тоже есть)
Летом 2025 вышла книга «Самоопределение: что я хочу от жизни и работы»

Современный мир предполагает, что ты активно определяешь свой путь, а не следуешь по стандартной карьерной лестнице. Для успешного самоопределения надо уметь работать с многими вопросами:

Как понять, стоит ли двигаться дальше, или стоит еще задержаться на текущем месте?
Как представить варианты развития и выбрать из них?
Как отличить трудности обучения от усталости при выборе не своего дела?
Как понять, что пора сходить в отпуск, чтобы энергия не иссякла, или заняться семьей?

Ответам на такие вопросы не учат в школе и институте, это приходится осваивать самому. Я расскажу о схемах, которые позволяют обо всем этом структурировано думать и принимать решения.

Это - далеко не первое мое выступление по теме, предыдущие можно посмотреть на моем сайте: https://mtsepkov.org/Self-Det, там же - оглавление серии статей о самоопределении, предыдущий доклад с видео - Самоопределение: чего я хочу от жизни и работы (SQAdaysEA-2022). При подготовке мы обсудили с ПК актуальные вопросы, с которыми тестировщики часто сталкиваются, и фокус рассказа будет на них.

Работа со стратегией в реалиях современного мира (Podlodka-2023)

2023-11-02T06:14:42Z

MaksTsepkov:

Выступление 01.11.2023 на Podlodka Teamlead Crew
Видео - платно

О необходимости иметь стратегию много пишут и говорят, и создается впечатление, что есть общее мнение о том, как следует разрабатывать стратегию. Однако, реально в менеджменте есть много разных школ стратегирования, каждая из которых предлагает свой подход. Может быть, следует искать компромиссный вариант? Нет, есть и исследования, которые говорят о необходимости определенного выбора, а не компромисса. А еще понятно, что в современных условиях не подходят подходы, разработанные в периоды относительной стабильности внешних условий, сейчас жизнь меняется радикально. Надо быть готовыми к изменениям мира, ИТ-ландшафт должен быть гибким. Мой рассказ будет о вариантах стратегирования и принципах построения гибкого ИТ-ландшафта.

Рациональное и системное мышление: практики и компетенции аналитика (AnalystDays-2023)

2023-10-27T06:41:57Z

MaksTsepkov:

27-28.10.2023 AnalystDays-2023
Доклад на сайте конференции
Видео https://vimeo.com/880429828 и https://youtu.be/KpdivjKBxrs 
Интересное обсуждение в чате, перенес в этот раздел
Продолжение темы доклада Системное мышление и его место в работе аналитика (AnalystDays-2024a)

Необходимое умение аналитика – выделять объекты и их взаимосвязи и определять типы и workflow документов, в общем – строить модели. Это надо делать при проведении интервью, анализе документов и Excel-файлов. Обычно для этого используют методы объектно-ориентированного подхода. ООП является частным случаем методов системного мышления, базирующегося на рациональном. Они учат структурировать информацию о мире: выполнять разметку текстов и другого нарратива, строить модели, рассматривая мир как на набор взаимодействующих систем. Понимание этих методов мышления дает мощный аппарат для аналитика для решения сложные задачи. Это аналогично с методами интегрирования: есть частные способы для конкретных интегралов и есть общие подходы.

В докладе мы поговорим о применении методов рационального и системного мышления для решения задач аналитика. В том числе, разберем ситуации, в которых надо выходить за рамки ООП, решая задачи учета, расписания, бюджетирования и другие.

Готовы к изменениям: адаптивная архитектура как часть ИТ-стратегии (HPS-2023)

2023-10-25T21:57:02Z

MaksTsepkov: Массовая правка: замена PCRE ^ на {{RightNote|Еще про архитектуру}}

Доклад на online-конференции High Performance Systems Conference 2023

Аннотация. Традиционные методы разработки архитектуры предприятия рассчитаны на относительно стабильные условия его работы: мы оцениваем потребность с учетом трендов развития, планируем и осуществляем изменения ИТ-ландшафта. В нынешнюю эпоху бурных изменений, когда черные лебеди летают стаями, так не работает. Необходимо уметь оперативно перестраивать ИТ-ландшафт, чтобы поддержать неожиданные и непредсказуемые изменения потребностей бизнеса. Выход - адаптивная архитектура, которая позволяет менять ИТ-ландшафт в требуемом темпе. Как должна быть устроена такая архитектура, что в нее надо закладывать и чего избегать, как подготовить к ней существующий ИТ-ландшафт я расскажу на основе реальных кейсов из разных отраслей: торговля, банки, нефтяная отрасль, электроэнергетика.

Краткое содержание. Мой доклад - обобщение 25-летнего опыта Enterprise-разработки. Он говорит о том, что потребности в срочных изменениях в ИТ-ландшафте появились не в 2022 и даже не в 2020, они были всегда. И часто их решением является временный модуль, который решает проблему. Его часто делают, срезая углы и на ручной интеграции, но решение задач бизнеса он обеспечивает. Дальше этот модуль дальше живут своей жизнью, и тут возможны два сценария: либо надо доработать функционал, интеграцию и эргономику, чтобды в системе появился еще один небольшой модуль, либо в .тот модуль постепенно переводят функционал какой-либо из legacy систем, и тогда он становится полноценной системой. Договариваться о сценарии стоит сразу: в острой ситуации бизнес восприимчевее к изменениям.

Важно правильно оценивать такой подход. Этот путь не забивание костылей, а пилоты с дальнейшим развитием. Верная метафора: гибкие ростки, которые найдут дорогу, а не тростник на ветру.

Какой же должна быть архитектура ИТ-ландшафта, чтобы такое развитие было возможным и эффективным? Для этого надо следовать следующим принципам:

Согласиться, что сложный мозаичный ИТ-ландшафт разномасштабных решений — норма. Сейчас так и есть, но я помню время, когда целевой картиной представлялось комплексное решение от одного вендора, быть можзет с дополнительными модулями.
Выделение в системах двух уровней: базы основных исполнительных систем, поверх которого распологаются специализированные рекомендательные и управляющие системы.
Постепенное развитие временных и промежуточных решений в полноценные, наращивая функционал: сначала база, реализующая основные сценарии и позволяющая особые случаи обработать вручную, а затем автоматизируем их по необходимости.
В системах должна быть устойчивая интеграция для создания и изменения документов и справочников, тоже двух уровней: через ручную загрузку-выгрузку и через API. Ручные загрузки и выгрузки часто могут служить основой для временной интеграции, позволяя преобразовывать данные на Excel.
Очень помогает сквозной мониторинг уровня бизнес-процессов для обеспечения целостности. Современные средства позволяют его сделать в мозаичном лагндшафте и подключать новые компоненты.
Желательна база для быстрой разработки: документооборот, учёт, интерфейсы naked objects. Это могут быть low-code решения или решения на базе какого-то фреймворка.

И дальше в докладе были кейсы, которые иллюстрировали такой подход. Многие из них - достаточно старые, и в перспективе нескольких лет можно оценивать, что созданные решения не были времянками, на их основе действительно выросли полноценные системы.

Классика, user story, use case, DDD: обзор методов (Up!Date-2023)

2023-10-19T07:59:54Z

MaksTsepkov: Массовая правка: замена PCRE ^ на {{RightNote|Еще про архитектуру}}