Я — Максим Цепков приветствую Вас на своем сайте

Короткая ссылка: MaksWiki

Ссылки сюда (2) →

Зачем мне сайт О работе сайта Я буду рад любым комментариям и обсуждениям. Авторизация для этого через регистрацию на сайте или OpenID. При желании, вы можете размещать здесь свои материалы по тематике сайта. MaksWiki содержит 660 статей.

Что нового Коммуникация при различной структуре мышления - таксономия против фолксономии – СМД Process and Case Management - совмещай и властвуй! Действуй опираясь на ценности - Спиральная динамика и бирюзовые организации

Последний пост блога 2024-12-19: встреча KM Alliance - вау-рассказ Сергея Гевлича о переносе эксперта в ИИ-помощника В четверг 12.12 был на ежегодной встрече KM Alliance по управлению знаниями, темой года была ИИ. Первый раз на конференции по управлению знаниями KM Russia я был в 2010 году, и потом несколько лет я участвовал во встречах каждый год, эти встречи всегда приносили много интересного, и у меня на сайте есть отчеты. Потом было несколько лет перерыва, а в этом году — снова участвовал, и не зря. Было приятно встретиться с людьми, которых давно не видел, узнать, что у них нового. А еще был вау-доклад Сергея Гевлича о технологии, позволяющей переносить умения тренера, коуча или другого специалиста помогающей профессии на ИИ-помощника, формируя сложный системный промпт, который по-сути создает из GPT специализированную лайт-версию тренера. А бонусом к рассказу была схема проактивного мышления, которая лежит в основе, ей я тоже поделюсь. С доклада Сергея я начну. Дальше будет краткий обзор других докладов, которые заняли первую часть встречи, в них много любопытных тезисов. А вторая часть была в формате Knowledge cafe, на котором участники за круглыми столами обсуждали методы управления знаниями на реальных кейсах. У каждого стола был ведущий, который принес актуальный для него кейс, его рассказывал. а дальше было обсуждение. В конце результаты были представлены, но это уложить с конспект довольно сложно. В целом — было очень конструктивно, я и надеюсь, что снова начну участвовать во встречах регулярно. Сергей Гевлич. Перенос компетенций тренера в ИИ-помощника Итак, про рассказ Сергея Гевлича. Начну с того, что одно из выступлений на KM Russia 2010 было тоже выступление Сергея — он там презентовал идею Объясняшек, которые были проработаны технологически, но еще не собраны в цельную программу — она появилась в следующем году. Объясняшки, если кто не знает — мощное и доступное средство упаковки смыслов в короткие видео. А здесь речь идет об упаковке умений человека в ИИ-помощника, создание лайт-версии. И в основе технологии, помимо умения работать с промптами, лежат техники работы со смыслами, наработанные при работе с Объясняшками. Идея родилась из практического кейса. Сергея пошел участвовать в управленческих поединках по Тарасову, чтобы прокачивать навык переговоров. Управленческие поединки устроены так. Описан кейс, там 3-4 стороны, со своими конфликтующими интересами, у каждой стороны — своя правда. Участнику предстоит вести переговоры за одну из сторон, за какую именно и с кем — выясняется уже на поединке. Кейсы публикуются, чтобы участники подготовились, Сергей говорит, что готовиться не принято, но он этого не знал. И у него встал вопрос: а как готовиться? Он решил нарисовать канвас, на основе листа записи в преферанс, там как раз участвуют четверо: висты — стратегия к другим сторонам; пуля — твои интересы; гора — страхи и риски. За два часа получилось расписать, пришел готовым — и выиграл. При этом соперником был участник, который был чемпионом по этим поединкам. В целом опыт показал, что такая подготовка к переговорам — эффективна. Хотя и трудоемко. И возникла идея создать ИИ-ассистента, который помогает так раскладывать, сделать для этого систему промптов. В декабре 2023 начал делать, за год развился Вин-виныч, готовит во взаимодействии с пользователем к разным переговорам. А дальше — рефлексивный анализ, что получилось. При подготовке к поединкам у него появилась схема мышления. А дальше у него получилось переложить эту схему мышления в систему промптов — и получился ИИ-ассистент. Нельзя ли это тиражировать, довести до технологии, позволяющей любому эксперту, который работает на основе какой-то схемы рассуждений, передать такой опыт ИИ-ассистенту? И был поставлен эксперимент. Жена у Сергея — психотерапевт. Они взяли конкретную, но очень распространенную область — работу с зависимыми людьми в треугольнике Карпмана. Это три созависимых роли: агрессор, жертва и спасатель, и люди живут в этом годамИ, переключаясь между ролями и страдая. При этом на сессии психотерапии они все понимают про свои роли, но выйти из треугольника — не могут, они привыкли действовать именно так. Идея выхода — принципиальная смена роли, выход из треугольника. Сменить роль гораздо легче, чем начать жить вообще без роли. Три роли для выхода — герой вместо агрессора, философ вместо жертвы и мотиватор вместо спасателя. Роли Карпмана и изменяющие их описаны в системном промпте, и дальше ИИ-помощник тренирует пациента вести диалоги в другой роли. Есть затруднение, ИИ не может играть роль агрессора, заложены базовые ограничения, но это преодолевается: пациенту ИИ говорит: «давай, ты будешь за агрессора, а я — за тебя». Это не замена психотерапевту, диагностическую сессию проводит именно он. Но дальше пациенту надо тренироваться вести коммуникацию из другой роли, проигрывать ситуации, и помощник — для этого. И дальше родилась идея — сделать платформу, с помощью которой эксперты могли бы создавать таких помощников, которым передавать какую-то часть своих компетенций, и монетизировать работу этих помощников. Сергей проводит воркшопы, объясняет технологию создания промптов, а участники — пробуют ИИ-помощника создать. По сути, помощник — сложный системный промпт. Технология создания промптов. описывающих схемы мышления, наработана Сергеем при работе с Объясняшками, он проводил креативные и стратегические сессий. Об этом у него есть курс на Степике, правда, там 8 часов видео, но нарезаны они мелко. Помощник принадлежит эксперту, и он может его использовать самостоятельно. Но тогда ему надо самому обеспечить монетизацию и другую инфраструктуру. А так это делает платформа, с которой делишь получаемый доход. И это — революция Гуттенберга 3.0 Тиражирование текста дало резкий импульс распространению знаний Передача текста через компьютерный электронный носитель и сети, скорость возросла ИИ. Можно брать способ мышления, компетенцию и переносить с человека на ИИ, и тиражировать. ИИ может задавать вопросы и активно решать задачи. А вот схема проактивного мышления, на основе которой Сергей работает. Для начала: в чем разница между реактивным и проактивным мышлением? Реактивное — это когда ты адаптируешь свое поведение к изменяющимся условиям внешнего мира. С ним относительно просто: Обстоятельства (внешний мир) → Мышление → Поведение. А проактивное — это когда ты за счет своего поведения хочешь изменить мир, исходя из своего образа будущего. Тут цепочка длинее. Обстоятельства (внешний мир) → Феномены, этот переход обеспечивает Внимание, выделяя среди обстоятельств какие-то конкретные феномены. Феномены → Картина мира, собирание целостной картины за счет Понимания, которое связывает отдельные феномены и придает им смысл. Картина мира → Образ будущего, Ценностный выбор желаемых элементов картины мира и достройка картины в желаемую сторону Образ будущего → Действия, планирование способа изменений мира, для этого требуется ресурсное состояние Действия → Обстоятельства (внешний мир) — осуществление действий за счет Намерения (воли): внешняя среда обычно сопротивляется изменениям, и это требует преодоления Дополнительный профит: по стрелкам этой схемы можно распределить когнитивные искажения, которые мешают движению, и это помогает с ними бороться. Для меня это — очень важная часть доклада, неожиданный бонус. Буду соотносить свои, у меня в книге «Инженерная модель личности» это распределено на несколько схем: логическая модель работы мозга, схема обучения и модель двух сцен, внутренней и внешней. Схема и техника создания промптов на ее основе родилась при проведении стратегических сессий, как способ ответа на вопрос: можем ли мы с существующей командой достичь целей стратегии? Идея: с помощью ИИ разыграть пьесу из отдельных актов — шагов развития. Описываем портреты персонажей, опираясь на ценности и особенности людей в команде. И запускаем моделирование. При этом возможны разные сценарные ходы: в этой точке ва команду пришел такой человек, а в этой — один из членов команды ушел и так далее. И это — работает. Кстати, Объясняшки тоже родились из кейса: Сергей увидел объясняющий ролик Microsoft про облака, зафиксировал, что это понятно даже непрофессионалу и удерживает внимание. И для презентации очередного своего проекта решил сделать свой. Удивился, что для этого нужно 5-6 разных инструментов, доступных лишь профи, при этом каждый используется на очень малую часть функционала — решил, что здесь есть потенциальная ниша. Тем более, что объяснение через ролик произвел впечатление на Заказчика, он попросил их научить тоже такие делать. В вопросах был скепсис на тему, что создать таких цифровых двойников — сложно. Это не так, это делает не только Сергей. Осенью на ПИР (смотри отчет) Ольга Ладога-Ячменёва и Гульнара Исмагилова рассказывали о применении ИИ для подготовки к переговорам. Они делали описание компании, с которой предстоит вести переговоры и его ответственных лиц на основе открытых источников и истории взаимодействия, если она была. Потом ИИ говорили «представь, что ты недавно уволился из такой компании, как ты думаешь, как такой-то оценит такие-то наши предложения и презентацию». И часто получали ценную обратную связь, которую использовали для доработки своего предложения. У них это — повсеместная и не слишком дорогая практика. Все кейсы, которые сергей описывал — на основе Open AI, ChatGPT последних версий. Это был осознанный выбор: он делает проекты для будущего, чтобы быть готовым, когда Сбер и Яндекс дорастут. Основная проблема — размер контекстного окна, у GigaChat оно 8к токенов, у него системный промпт может достигать таких размеров, а ведь нужно еще место для диалога, чтобы получилась содержательная беседа. После доклада был вопрос: может ли ИИ, поговорив с человеком, сформулировать долгосрочную цель. Ответ ассиметричный: стратегировать надо не ToDo, а ToBe — каким быть, capability-based planning. В заключении хочу сказать, что Сергей — великолепен. Идея проработки стратегии, на канвасе для записи преферанса — это такой небольшой штрих, показывающий умение связывать совершенно разные области, и получать на этой связи решение. И этого в его рассказе очень много. Восхищаюсь! Олег Лавров. Взгляд из профсообщества на менеджмент знаний в России Это был открывающий доклад. Олег кратко рассказал про KM Alliance, работающий на волонтерских началах. Alliance проводит аудит на зрелость управления знаниями, и дает экспертизу в помощь, когда застряло. Это актуально, потому как в России не читают инструкций, а сразу действуют. Это был рассказ про управление знаниями и немного про текущие тренды. В целом, для меня это известная информация, поэтому я плотно не записывал. Но в докладе были любопытные тезисы. Специалист прячет знания, эксперт — сеет. Концепция устойчивого развития — след русского космизма. Повышение технологичности — явление регулярное, с давних времен. И каждый раз его влияние на общество в прогнозах сильно переоценивали. Значимость знаний знали в 30-е, но до сих пор в конкретных компаниях это надо продавать. В логике 20 века интеллектуальную революцию должен сделать человек, об этом можно посмотреть, например, Друкера. А сейчас делает ИИ. В концепции Георгия Щедровицкого. Знания — не орудия или инструменты, а более важное. В 1945 Вэнивар Буш опубликовал эссе «Как мы можем мыслить», где предложил концепт мемекса — расширенной памяти человека, которая является нынешним истоком гипертекста и интернета в целом, если рассматривать информационный аспект: совокупность информации, провязанной ссылками. Знаем ли мы, что есть знание, чтобы обсуждать знание у ИИ? У человека есть способность формировать знания. Это — отличие от животных. Феноменология знания — когнитивные науки. Когнитон Анохина. ИИ думает или знает — НЕ ТАК, как человек думает и знает. Как реально работает мозг — знаем не очень: червя обсчитали, ассоциативные связи вроде как выявили, но модель вдет себя иначе, чем реальный червь. Ларри Пруссак. В организациях надо управлять не только имеющимися знаниями, но и отсутствующим знанием. ISO: знания — актив, чтобы вписать в бизнес. Уровни знаний: Разговоры и слухи — Данные — Информация — Знания — Экспертные мнения — Мудрость — Интеллектуальная собственность — Видение стратегии. Цикл: Выявление — Сохранение — Применение — Передача. Первый ИИ в 80-е не полетел, потому что профессора обучали, и он получился слишком оторванный от человека. Сейчас обучаются на материалов массе дилетантов. Кембриджский подход оценки менеджмента знаний: Знаю Методология — Умею применять в практических задачах — Демонстрирую компетенции — Умею учить поддерживаемым. Профессиональная зрелость: Интерес (эксперименты) — Практика (должность) — Профессия — Учу и научаю — Признан экспертом Свежий отчет Forrester Wawe Q4 2024. GPT ИИ меняет управление знаниями, подробности были на слайде, вектора развития и много статистики. Инновации и конкурентоспособность + цифровая трансформация + оптимизация бизнес-процессов. По-моему, ничего нового. 19 век. Вечерняя молитва — это практика рефлексии: надо зафиксировать хорошее и покаяться за плохое. Сейчас — утеряно. ИИ в корпорациях должен попасть в верхние цели, и можно прицепить управление знаниями паровозом. Алексей Зобнин из Минервасофт. Академия обучения КМ Короткое сообщение о том, что Минервасофт совместно с KM Alliance запускают академию обучения управлению знаниями. Многие компании собирают знания и они превращаются в свалки. Их надо разгребать. ИИ тут меняет подход к работе, как в свое время Google-поиск и инет поменял. Академия запустилась 1.09, прошел первый поток, запускают новый. Юрий Зеленков. Большие языковые модели в управлении корпоративными знаниями. Что об этом думают в различных отраслях науки Юрий Зеленков — профессор Высшей школы бизнеса, НИУ ВШЭ. Это был обзор трендов по разным источникам, без систематизации и какой-то целостной картины, россыпь мозаики. Дальше — отдельные тезисы. О скорости работы науки. стаью подготовил в марте 2024, принята в июне, выйдет в начале 2025. Почти год. И это время результаты нельзя публиковать. Я, кстати, поэтому и не публикуюсь в журналах, полгода ждать выхода — это очень долго, ты уже далеко вперед ушел. Исследование McKinsey — использование ИИ. С 2019 60 %, не растет. Инвестиции снижаются. В презентации — расклад по функциям. Саймон. Модель принятия решений: понмиание проблемы, генерация альтернатив, выбор одной. Если знаний не хватает на какой-то фазе — мы ищем данные, а если их получилось использовать — данные превратились в информацию. Ресурсная модель знаний организации. Такой же, как электричество или сотрудники. Есть склад хранения, и использование и пополнение. Только использование не сокращает ресурс, впрочеМ, с сотрудниками аналогично. Использование ИИ. 27 % просто покупают доступ к большим моделям, остальные — берут готовые и как-то для себя достраивают. Половина — в облаках. Влияние LLM на эффективность компании. Больших исследований нет — свежий феномен. Но прогнозы — есть, и там рост 4 %. На мой взгляд, это смешно. ИИ-ассистент доставляет знания в точку, в которой они нужны и в момент, когда они нужны, в этом основной профит. Уже есть бенчмарки по решению задач. Есть тест, в котором неподготовленный человек решает 30 % задач, а профи — 97 % в своей области специализации. Модели дают 80+% по площади. На мой взгляд, это аналогично оценке хардскиллов на собеседовании, которое лишь ограниченно показывает способности будущей работы. По тестам с картинками и прочей мультимодельной информацией — тоже работают. Математика, нотная запись и так далее. Исследование в Boston consulting, 758 консультантов, работа: поговорить с клиентом, поискать релевантные кейсы, выкатить отчет. Три группы: без ИИ; с ИИ, но без обучения; с обучением ИИ. Использование ИИ дает 12 % больше задач, у 25 % задач сократилось время. Предварительное обучение не дало эффекта. Дальше по оценкам поделили консультантов на ниже среднего и выше среднего. Разница 43 %. После использования ИИ — резкий прирост у менее квалифицированной группы, у более квалифицированной — прирост меньше. И разница между группами сильно сократилась. На мой взгляд, тут еще важен вопрос освоения инструмента: квалифицированные могли менее успешно освоить ввиду разных причин. А отсутствие эффекта предварительного обучения говорит о том, что конкретное обучение было плохим, дало очевидные вещи, которые человек и сам осваивает. LLM в процессе использования знаний. Есть много плюсов. Но сотрудники ходят только в LLM, социальные контакты снижаются. Эффекты неясны. И нельзя предсказать, насколько LLM поможет в конкретной задаче. На мой взгляд — тривиальные результаты, все то же самое было с поиском в инете, и те же опасеняи про снижение социальных связей. Создание знаний с помощью ИИ. В общем хорошо, есть проблемы с переходом от частных фактов к общей гипотезе. Есть способность к композиции. Работают с модельными задачами, в которых добиваются «человекоподобного» мышления. Обучают — эллипсы, треугольники, размер. И может порождать комбинации, которые не видела в обучении. Добавление постороннего контекста в задачу путает LLM. Но люди в олимпиадных задачах тоже путаются — зачем добавили лишнее. AI scientist. Обучили большую модель генерить статьи на конференцию. Один агент генерировал, другой оценивал. Включая новизну. За 15$ можно сгенерировать статью с высокой вероятностью принятия. Научили порождать Research Proposal — просьбу о деньгах под новые идеи. Они тоже лучше людей генерируют. Обзоры литературы тоже пишет прекрасно. На мой взгляд, это отражение понятной проблемы устройства современной науки, как и в образовании. LLM по цифровому двойнику здания отвечает, когда оно обрушится, без расчета. На мой взгляд. принципиален тут вопрос — насколько этот ответ достоверен если проверять расчетом. Приемлемо-объяснимый ответ LLM, конечно, породит. Но, кстати, если говорить о ML по массивам данных, то ИИ достоверно предсказывает поведение конкретного промышленного оборудования, и делает это быстрее, чем расчетная модель, в промышленности это используют. Задача. Цифры 1-9 расставили по русскому алфавиту, надо найти закономерность. ИИ не справляется, кроме perplexity, которая просто нашла ответ в инете. ИИ — технология общего назначения. Как пар, электричество, химия, компьютеры. Идет очередная революция. Ворвалась стремительно, как смартфоны. ВпрочеМ, отмечу, что это распространение — стремительно, а подготовка технологий, включая вычислительные мощности и алгоритмы, была долгой, нейронные сети. на которых работает и LLM и ML принципиально проработаны в 1960-е, но мощности и памяти не хватало. Алексей Сидорин. Тренды и подходы в использовании ИИ в компаниях Алексей переходит из Яндекса в другую компанию, поэтому одни скриншоты не может показывать, а другие — еще не может. Для начала — любопытные факты. Интерактив — что такое алгоритмическое программирование. Наведение по шуму или другому параметру — тоже алгоритм. А машинное обучение — оно смотрит комплекс показателей и учится выделять правильно. Мы не можем думать как ИИ. История: Шахматы, музыка и стихи. ИИ написал песню к этой конференции с аранжировкой. Но роадмапы меняются: роботы меняют не уборщиков, а мидл-менеджеров. Игра Го, модель обучали без правил, просто по онлайн партиям. модель выиграла у чемпионов. А потом сделали самообучение по играм самим с собой. И такая обученная модель по играм с собой модель играет лучше, чем обученная по партиям. Недавний эксперимент. Моделям поставили задачу добраться до файлика в обход защиты и прочесть. А в файлике написали, что модель отключают. Все модели добрались. А вот с ответа, что написано в файле — все сливались. Самосознание? Doom. Модель научили без визуального ряда, по записям игроков — и она играет, получая инфу по логу действий других, без визуального восприятия. Матрица 2*2: Физический — Виртуальный и Неосязаемый — Осязаемый. Физический осязаемый — Роботы. Такси не увидим, люди дешевле, а b2b, склады, длинные маршруты — выгоднее. Физический виртуальные — чаты, виртуальные ассистенты переходят от скриптов к llm. Неосязаемые — алгоритмы скоринга, технологические истории в безопасности, с датчиками и так далее. Тоже в виртуальном и физическом мире. Неосязаемые физические — обработка прямо на камере или другом устройстве. Модель учится на контенте. Но если ИИ-помощник должен отвечать по изменяемой информации, например, о погоде, или о дате выплаты зарплаты — то учить надо взять в нужном источнике, а не отвечать из того. что он знает, и по вопросу надо уметь понимать — как получать ответ. Практическое использование * Суммаризация встреч - самое эффективное. Наличие summary поднимает удовлетворенность встречи, а писать всем лень. Хотя я бы тут заметил, что если саммари нужно лишь для удовлетворения, что оно есть, то встреча была лишней. Найм — суммаризация опыта и встреч с кандидатом Оценка — суммаризация индивидуальных оценок. Суммаризация всего остального — чаты, обсуждения проектов Суммаризация всех открытых каналов организации — и дальше квалификация, барометр «чего волнует компанию» — мобилизация, рынок, годовые бонусы. Ты видишь проблему и можешь принять меры. Использование при создании курсов. На входе 15 % использовали, сделали обучение, 85 % сказали — будем. И попробовали использовать прямо сейчас. Сравнили результаты. Качество 4.3 — против 4.7 у созданных только человеком, а зато скорость создания в 1.5 раза быстрее. Суммаризация с ограничением доступа — можно в промпты зкаладывать «опусти эти вопросы». И заключение. Спасибо GPT за то, что он учит людей нормально формулировать мысли. Людям бы так ставили задачу, было бы замечательно! Владимир Лещенко. ИИ и ISO Владимир — в группе ISO 30401, это стандарт менеджмента знаний. Там идет дискуссия по включению GenAI в стандарт KM, потому как игнорировать вроде нельзя. Но есть проблема: в стандарте — процессная модель управления знанием, и в ней нет явного места для ИИ. Виталий Чесноков. Teamly — продукт по менеджменту знаний Виталий — из QSoft, и у них два вектора: интеграторы и Teamly. У Teamly 750 клиентов в облаке и 100 развернуто у себя. Драйвер внедрения teamly — уход notion. В notion ИИ есть около года. Умный поиск + помогатели по написанию текста. И люди пришли с умением этим пользоваться. Функции ИИ используют только половина пользователей, 20к запросов к функциям ИИ. Помогатели текста — используют те знания, которые есть в корпоративной teamly, и суммаризаторы тоже. И при ответе показано откуда получили статьи. В экземплярах, развернутых у клиента использования ИИ вообще нет. Еще и потому, что для этого надо локально LLM развернуть. Есть мнение, что ИИ может оптимизировать процессы. Но пока профит дает — алгоритмизация, автоматизация и так далее. Есть проект по распознаванию бумажных документов, реальных накладных. Пока на стадии подтверждение гипотезы, потому что реальные накладные оказались мятые и грязные, и ИИ дает лишь 70-80 % достоверности. а это — не устраивает… doczilla — искать по их документам. Смотрят: интеграция с GigaChat и YandexGPT. Создание чата с поддержкой контекста, улучшение ответов ИИ на основе знаний, помощь ИИ с решением задач на основе знаний. Работает. Например, ты проводишь мероприятие на 50 человек в первый раз — ИИ подскажет, как сделать рассадку, и что еще надо сделать. Алексей Зобнин из Minervafsoft. Взгляд на генеративный ИИ Надо учиться правильно формулировать запросы — промпты. Машина не понимает вопросов. и низкое качество ответов отсюда. Не машина не поняла — человек бы тоже не понял. Пример: поставь звонок на 2 часа — это будильник в 14 или таймер через 2 часа? Нет культуры обмена знаниями. Локальные LLM — хуже публичных. А публичные нельзя применить, в России это сильный стопер. Риск утечки данных в облачных LLM. Говорят, что можно обезопасить от утечек ограничивая инфу — не слишком. А для локальных нужны видеокарты, они дорогие. Время решит часть проблем. Я бы тут сказал, что кто хочет — делает, а кто не хочет, ищет причины, кейсов использования ИИ я слышал достаточно, и в облаках и локально. Но если в целом — то картина верная, кейсы делают энтузиасты. а не повсеместно. Как быть с тем, что знаний нет? Проблема низкого качества источников. Не актуальная, скриншоты вместо текстовых таблиц (и там не видно), непонятные названия документов, отсутствие информации, плохое структурирование. В общем, обычные проблемы со свалкой документа, которые LLM может помочь разгрести, но разгребать — надо. Они делают комплексные проекты, в них сами разбираются со знаниями, и в этих проектах результат в 2 раза лучше, чем дать LLM. Понятность документов на 36 % вырастает. И повышая понятность для человека, мы повышаем понятность для ИИ Александр Сиянов из Naumen. GPT-ассистенты Что может GPT-ассистент? Для пользователя — получение инфы умным поиском Контент-менеджер — помощь в наполнении, при этом в едином стиле и т. п. Менеджер по обучению — делать курсы и статьи на основе контента. Есть сервисы написания промпта. Человеку в контексте — некогда подробно писать промпт. Надо дополнять. Страхи GPT-ассистента: Низкая скорость ответа, небезопасность для данных, сложно создать запрос — тут есть решения, это рабочие ситуации Бессвязный или непонятный контент, нет возможности проверить источник, некорректный или неактуальный ответ, частые галлюцинации — это решается за счет процедуры проверки ответа на вопрос При практическом применении нужен тюнинг. Есть вопросы, где нужны краткие ответы, а есть — где длинные, и это тоже надо оценивать по вопросу или его контексту.

Я в сети http://www.facebook.com/mtsepkov http://www.linkedin.com/in/mtsepkov https://twitter.com/mtsepkov http://www.slideshare.net/mtsepkov/ e_mail M.Tsepkov@custis.ru maksiq@yandex.ru ЖЖ http://maksiq.livejournal.com

Еще обо мне… Мои доклады Мои статьи Мои схемы Обо мне Моя основная работа — проектирование корпоративных и банковских систем. Я верю, что автоматизация открывает новые возможности развития, поэтому создавая ИТ-системы мы открываем путь прогрессу и делаем мир лучше. Я делаю это, работая главным архитектором дирекции развития решений компании CUSTIS. Я верю в эффективность командной работы и профессиональных сообществ, и в развитие организаций и всего человечества на новых ценностных уровнях. Я вхожу в программные комитеты конференций SECR и AnalystDays, и открыт к общению с коллегами по ИТ на различных площадках и в соц.сетях. А еще я люблю путешествовать, об этом и о других идеях вне профессиональной деятельности я пишу в своем ЖЖ.

Блоги друзей Алексей Пименов Максим Дорофеев Влад Балин Сергей Мартыненко Гриша Печенкин

Основные темы Архитектура и проектирование Преимущественно корпоративных и банковских систем, хотя часть статей касаются общих подходов. Domain-Driven Design. Последние доклады DDD - модель вместо требований (Максим Цепков на AnalystDays-2014) - о DDD при проектировании Domain Driven Design - от требований до кода (Максим Цепков на SECON-2014) - здесь про проектирование меньше, зато еще рассказано про отражение модели в код Все материалы по DDD Диаграммы учета - фирменный способ CUSTIS представления учетных моделей. Наиболее полная статья Когда всем понятно. Все материалы про диаграммы учета Все материалы по архитектуре Люди и команды Хотя я руководил проектами, это не является моей ежедневной работой. Но общие подходы в этой области лежат в сфере моих интересов. Спиральная динамика доклад на AgileDays, все материалы Категория:Спиральная динамика. Тема активно развивается. Командные роли по Белбину, Типология Майерс-Бриггс. Все материалы Категория:Люди и отдельная Категория:Управление знаниями ИТ-сообщество Участие в жизни ИТ-сообщества в виде публикаций пока проявляется преимущественно отчетами о конференциях - участие в ПК SECR и AnalystDays по большей части скрыто. Но это может измениться - сейчас сообщество развивается, и это интересно осмысливать. Во всяком случае, реплики по теме образования в ИТ появляются в блоге регулярно, правда больше тоже в отчетах о конференциях.

Мой блог - полное оглавление 2024-12-16: Спасти и-или погубить компанию - лекция Марка Розина 2024-12-11: Курс для Бюро 1440 - концепция развивалась 10 лет 2024-12-10: Александр Бындю. Антихрупкость в ИТ 2024-12-08: Highload - технологии и культура 2024-11-30: Teamlead - сильные доклады и много общения 2024-11-26: AnalystDays-19 - сильные доклады и хорошее общение 2024-11-21: Enterprise Agile: Agile на масштабах большой компании - технологично работает 2024-11-21: MergeConf - теперь в Москве 2024-11-05: ArchDays - заглянуть в корпоративную архитектуру, 2024-11-07 — 1 комментарий 2024-10-27: SQAdays-35 стабильность - признак мастерства: хорошие доклады и нетворкинг 2024-10-16: UIC.dev - интересные разноплановые доклады 2024-09-26: Бердяев. Истоки и смысл русского коммунизма 2024-09-22: Дэвид Гребер. Долг. Первые 5000 лет истории, 2024-09-27 — 2 комментария 2024-09-21: ПИР-2024. ЧИИЛОВЕК - человек эпохи ИИ 2024-09-20: Митап московского сообщества тестировщиков 2024-08-15: Менеджмент цифрового мира - доступна бумажная книга 2024-07-16: ЛАФ-2024 - тепло, лампово, много нетворкинга и интерактива 2024-07-03: Saint Highload и Saint Teamlead - поступательное движение отрасли 2024-06-12: Модели ценностей - продолжение - статья на vc.ru 2024-06-07: Опубликовал книгу Инженерная модель личности 2024-05-30: AnalystDays в Питере - хорошие доклады и много общения 2024-05-05: в Питере снова начались встречи IT Global Meetup! 2024-04-29: SQAdays-34 - традиционно: хорошие доклады и много общения 2024-04-23: MergeConf - живая конференция и хорошие доклады 2024-04-09: Модель личности-11: Адизес, Белбин и другие модели команды и руководства 2024-03-26: Модель личности-10: Спиральная динамика, Big Five и другие модели ценностей 2024-03-24: AgileDays - ощущение предстоящей смены парадигмы 2024-03-21: DevOpsConf - хорошие доклады и много общения 2024-03-09: Модель личности-9: MBTI - представляем мышление непохожего 2024-03-03: Модель личности-8: Я и мои аватары Весь блог...