Почему инженеры больше не справляются с ИИ?
Глобальный технологический сектор упёрся в смысловой тупик. (Мысли по результатам анализа материалов конференции).
Ведущие мировые лаборатории - от Google DeepMind до Anthropic - экстренно открывают вакансии для философов. Феномен, который на рынке труда уже называют «местью выпускников философских факультетов», - это не дань моде. Это больше похоже на жесткую производственную необходимость.
Индустрия ИИ успешно решила технические проблемы масштабирования кода, инфраструктуры и сбора терабайтов данных. Данные стали дешевым сырьем, а алгоритмы - доступным
Галлюцинации моделей, потеря контекста и ценностные искажения в современных решениях провоцируются ошибками структуры и составом исходных данных. Модели спотыкаются о непонимание ИИ доменов и междоменной разницы семантик, путаются в словарных определениях используемой терминологии, об этом ранее уже писал.
Эти смысловые конструктивные ошибки возникают в том числе из-за отсутствия жесткой
Пытаясь исправить ситуацию, разработчики лишь лечат симптомы: накладывают внешние этические запреты или фильтруют выходы готовых систем. Но это тупиковый путь. Проблема ИИ — это всегда проблема качества онтологического каркаса.
Потребовались специалисты, способные проектировать не технические пайплайны, а смысловые единицы, правила логики и строгие концептуальные схемы. Индустрии понадобилась прикладная философия.
Наблюдая за рынком, я вижу, как традиционный
В следующих публикациях я по шагам разберу, как фундаментальная российская концептуальная школа дает готовые инструменты для преодоления этого хаоса. Мы пройдем путь от метафизики смыслов до жестких государственных стандартов и измеримых индексов.
Глобальный технологический сектор упёрся в смысловой тупик. (Мысли по результатам анализа материалов конференции).
Ведущие мировые лаборатории - от Google DeepMind до Anthropic - экстренно открывают вакансии для философов. Феномен, который на рынке труда уже называют «местью выпускников философских факультетов», - это не дань моде. Это больше похоже на жесткую производственную необходимость.
Индустрия ИИ успешно решила технические проблемы масштабирования кода, инфраструктуры и сбора терабайтов данных. Данные стали дешевым сырьем, а алгоритмы - доступным
commodity. Но на следующем шаге выяснилось: классическая ИТ-инженерия бессильна перед семантическим хаосом.Галлюцинации моделей, потеря контекста и ценностные искажения в современных решениях провоцируются ошибками структуры и составом исходных данных. Модели спотыкаются о непонимание ИИ доменов и междоменной разницы семантик, путаются в словарных определениях используемой терминологии, об этом ранее уже писал.
Эти смысловые конструктивные ошибки возникают в том числе из-за отсутствия жесткой
онтологической конструкции.Пытаясь исправить ситуацию, разработчики лишь лечат симптомы: накладывают внешние этические запреты или фильтруют выходы готовых систем. Но это тупиковый путь. Проблема ИИ — это всегда проблема качества онтологического каркаса.
Потребовались специалисты, способные проектировать не технические пайплайны, а смысловые единицы, правила логики и строгие концептуальные схемы. Индустрии понадобилась прикладная философия.
Наблюдая за рынком, я вижу, как традиционный
Data Management заходит в тупик. Накопление «цифрового мусора» больше не гарантирует преимущество ни бизнесу, ни государству. Мы переросли этап, когда специалист по данным был просто настройщиком СУБД. Наступает эпоха инженерии смыслов.В следующих публикациях я по шагам разберу, как фундаментальная российская концептуальная школа дает готовые инструменты для преодоления этого хаоса. Мы пройдем путь от метафизики смыслов до жестких государственных стандартов и измеримых индексов.
👍6👌2💯2
Big Data умерла. Эра семантической энтропии
Долгое время в ИТ-индустрии доминировал экстенсивный подход: «собираем все данные в корпоративные озера, а искусственный интеллект потом сам во всем разберется».
Сегодня эта иллюзия окончательно разрушена. Результаты анализа мировых экспертных публикаций и результатов конференций по DG и ИИ подтверждают факты.
Накопление терабайтов неструктурированной информации без жесткого онтологического и смыслового каркаса порождает колоссальную
Бизнес и государство продолжают тратить огромные бюджеты на хранение и обработку данных, которые фактически превращаются в бесполезный балласт.
Информационный хаос в корпоративных системах, сбои при интеграции платформ и некорректные выводы аналитических моделей провоцируются отсутствием однозначно трактуемых связей между сущностями. Системы тонут в синонимии, омонимии и размытых отраслевых терминах, поскольку традиционные инструменты
Выход из этого тупика лежит в смене парадигмы - переходе от хаотичной
Управление данными должно быть переопределено как термодинамический процесс борьбы с энтропией. Здесь ключевым элементом становится не техническая запись в базе данных, а
Порядок в цифровой среде должен в компаниях начинаться не с покупки нового софта, а с концептуального анализа. Нам необходим переход к жестким онтологическим конструкциям, способным связать физический мир, человеческое понимание и машинный код в единую непротиворечивую систему.
В следующем посте мы обратимся к истокам и разберем, какой фундаментальный задел оставила нам российская концептуальная школа, и как метафизика смыслов моего учителя В.А. Рубанова (https://mirovizor.com/) становится фундаментом для современных ИТ-решений.
Долгое время в ИТ-индустрии доминировал экстенсивный подход: «собираем все данные в корпоративные озера, а искусственный интеллект потом сам во всем разберется».
Сегодня эта иллюзия окончательно разрушена. Результаты анализа мировых экспертных публикаций и результатов конференций по DG и ИИ подтверждают факты.
Накопление терабайтов неструктурированной информации без жесткого онтологического и смыслового каркаса порождает колоссальную
семантическую энтропию - неуправляемый цифровой хаос.Бизнес и государство продолжают тратить огромные бюджеты на хранение и обработку данных, которые фактически превращаются в бесполезный балласт.
Информационный хаос в корпоративных системах, сбои при интеграции платформ и некорректные выводы аналитических моделей провоцируются отсутствием однозначно трактуемых связей между сущностями. Системы тонут в синонимии, омонимии и размытых отраслевых терминах, поскольку традиционные инструменты
Data Governance оптимизируют лишь процессы передачи и хранения физических файлов, но никак не управляют их содержанием.Выход из этого тупика лежит в смене парадигмы - переходе от хаотичной
Big Data к управляемой Smart Data.Управление данными должно быть переопределено как термодинамический процесс борьбы с энтропией. Здесь ключевым элементом становится не техническая запись в базе данных, а
информационный объект - смысловая единица, имеющая строгий онтологический статус.Порядок в цифровой среде должен в компаниях начинаться не с покупки нового софта, а с концептуального анализа. Нам необходим переход к жестким онтологическим конструкциям, способным связать физический мир, человеческое понимание и машинный код в единую непротиворечивую систему.
В следующем посте мы обратимся к истокам и разберем, какой фундаментальный задел оставила нам российская концептуальная школа, и как метафизика смыслов моего учителя В.А. Рубанова (https://mirovizor.com/) становится фундаментом для современных ИТ-решений.
👍7🔥3💯1
Вижу смысл: наследие школы В.А. Рубанова
Переход от хаотичной
Ошибки в автоматизации и проектировании современных ИТ-систем часто уходят корнями в игнорирование метафизической природы знания. Огромный шаг к преодолению этого разрыва сделал мой учитель - выдающийся российский философ и государственный деятель Владимир Арсентьевич Рубанов.
В своей фундаментальной трилогии «Вижу смысл» (https://www.litres.ru/book/vladimir-arsentevich-rubanov-3353…) он заложил основания для решения ключевого вызова цифровой эпохи - достижения однозначного взаимопонимания между человеком и машиной.
Центральным понятием его философии стала концепция
Смысловые искажения и дефекты интеграции в современных корпоративных экосистемах провоцируются попытками упаковать живую реальность в плоские, сугубо технические таблицы баз данных. Владимир Арсентьевич в своих трудах доказал, что смысл имеет самостоятельный онтологический статус.
Развивая его идеи, в своей методологии я перевожу
Метафизические построения школы Рубанова дают нам ключ к созданию систем, где человек и алгоритм ИИ наконец-то начинают понимать термины одинаково. Но чтобы эта «алгебра смыслов» ожила в машинном коде, ей необходим жесткий, стандартизированный и однозначный технический язык.
В следующем посте мы детально разберем, как именно этот семантический мост материализуется в нашей разработке -
Переход от хаотичной
Big Data к управляемой Smart Data невозможен без прочного философского фундамента.Ошибки в автоматизации и проектировании современных ИТ-систем часто уходят корнями в игнорирование метафизической природы знания. Огромный шаг к преодолению этого разрыва сделал мой учитель - выдающийся российский философ и государственный деятель Владимир Арсентьевич Рубанов.
В своей фундаментальной трилогии «Вижу смысл» (https://www.litres.ru/book/vladimir-arsentevich-rubanov-3353…) он заложил основания для решения ключевого вызова цифровой эпохи - достижения однозначного взаимопонимания между человеком и машиной.
Центральным понятием его философии стала концепция
семантического орнамента - оригинальная компьютерная модель смысла и проект метапредметной онтологии, применимой к любой предметной области. Это математически строгий алфавит универсальных смыслов, позволяющий отображать и исчислять знания в искусственных средах.Смысловые искажения и дефекты интеграции в современных корпоративных экосистемах провоцируются попытками упаковать живую реальность в плоские, сугубо технические таблицы баз данных. Владимир Арсентьевич в своих трудах доказал, что смысл имеет самостоятельный онтологический статус.
Развивая его идеи, в своей методологии я перевожу
семантический орнамент из теоретической абстракции в инженерную практику. Мы заменяем пассивную «запись в БД» на информационный объект - динамическую смысловую единицу с четко определенными границами и правилами управления.Метафизические построения школы Рубанова дают нам ключ к созданию систем, где человек и алгоритм ИИ наконец-то начинают понимать термины одинаково. Но чтобы эта «алгебра смыслов» ожила в машинном коде, ей необходим жесткий, стандартизированный и однозначный технический язык.
В следующем посте мы детально разберем, как именно этот семантический мост материализуется в нашей разработке -
Упрощённом техническом русском языке (УТР), и почему без него невозможно построить суверенный искусственный интеллект.Литрес
Вижу смысл. Том 1. Метафизика смыслов — Владимир Арсентьевич Рубанов | Литрес
Книга посвящена анализу и поиску путей решения проблем становящейся цифровой реальности. Главная из них — достижение «взаимопонимания» между людьми и машинами, между людьми с участием машин, а также …
👍5💯3🔥2
Языковой барьер машин. Причины внедрения УТР
Математическая точность больших языковых моделей (LLM) - это миф. На практике точность работы нейросетей упирается в качество данных и терминологической базы. Нынешний бум галлюцинаций ИИ, потеря контекста AI-агентами и ценностные искажения в промышленных решениях имеют одну причину - модели обучают на размытых, многозначных интернет-корпусах текстов. Без стандартизированного метаязыка искусственный интеллект гарантированно путается в словарных определениях и междоменной семантике.
Для ликвидации этого фундаментального кризиса мы с коллегами разработали проект Упрощённого технического русского языка - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Сейчас мы эти правила и словари в технологиях ИИ верифицируем и тестируем для патентования.
Мы не адаптируем авиационный стандарт ASD-STE100 (asd-ste100.org). Наш УТР - самостоятельный инструмент, переводящий «алгебру смыслов» школы В.А. Рубанова, описанную в его трилогии «Вижу смысл» (https://www.litres.ru/book/vladimir-arsentevich-rub/vizhu-smysl-tom-2-metayazyk-i-ischislenie-smyslov-72478330/), в практическую цифровую реальность.
Хаос при интеграции человека с ИИ в госуправлении и финансах провоцируется отсутствием однозначного метаязыка. Базовый ГОСТ Р 58049-2017 (cntd.ru) закрывает лишь мизерную часть проблемы.
Наш УТР идет дальше. Использование очищенного по правилам УТР корпуса данных с доменной (предметной) синхронизацией и терминологией снижает риск галлюцинаций LLM на порядок - до 80%. Получаем идеальный фундамент для тонкой настройки (fine-tuning) моделей и точного построения RAG-систем (Retrieval-Augmented Generation - систем генерации ответов ИИ с привлечением внешней базы знаний) специально для решений on premises.
УТР переводит абстрактную онтологию в плоскость операционального инструмента. Без него невозможно объективно измерить готовность данных к интеграции с технологиями будущего.
В следующих публикациях расскажу еще про другие инструменты оцифровки порядка. Переведем качество данных из категории ощущений в жесткий математический индекс - DRI (Data Readiness Index - Индекс готовности данных).
Математическая точность больших языковых моделей (LLM) - это миф. На практике точность работы нейросетей упирается в качество данных и терминологической базы. Нынешний бум галлюцинаций ИИ, потеря контекста AI-агентами и ценностные искажения в промышленных решениях имеют одну причину - модели обучают на размытых, многозначных интернет-корпусах текстов. Без стандартизированного метаязыка искусственный интеллект гарантированно путается в словарных определениях и междоменной семантике.
Для ликвидации этого фундаментального кризиса мы с коллегами разработали проект Упрощённого технического русского языка - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Сейчас мы эти правила и словари в технологиях ИИ верифицируем и тестируем для патентования.
Мы не адаптируем авиационный стандарт ASD-STE100 (asd-ste100.org). Наш УТР - самостоятельный инструмент, переводящий «алгебру смыслов» школы В.А. Рубанова, описанную в его трилогии «Вижу смысл» (https://www.litres.ru/book/vladimir-arsentevich-rub/vizhu-smysl-tom-2-metayazyk-i-ischislenie-smyslov-72478330/), в практическую цифровую реальность.
Хаос при интеграции человека с ИИ в госуправлении и финансах провоцируется отсутствием однозначного метаязыка. Базовый ГОСТ Р 58049-2017 (cntd.ru) закрывает лишь мизерную часть проблемы.
Наш УТР идет дальше. Использование очищенного по правилам УТР корпуса данных с доменной (предметной) синхронизацией и терминологией снижает риск галлюцинаций LLM на порядок - до 80%. Получаем идеальный фундамент для тонкой настройки (fine-tuning) моделей и точного построения RAG-систем (Retrieval-Augmented Generation - систем генерации ответов ИИ с привлечением внешней базы знаний) специально для решений on premises.
УТР переводит абстрактную онтологию в плоскость операционального инструмента. Без него невозможно объективно измерить готовность данных к интеграции с технологиями будущего.
В следующих публикациях расскажу еще про другие инструменты оцифровки порядка. Переведем качество данных из категории ощущений в жесткий математический индекс - DRI (Data Readiness Index - Индекс готовности данных).
Литрес
Вижу смысл. Том 2. Метаязык и исчисление смыслов — Владимир Арсентьевич Рубанов | Литрес
Во втором томе показано семантическое наполнение топологической структуры метаязыка концептами – обобщающими понятиями с универсальными значениями.Соответствие структуры метаязыка формализмам математ…
👍4💯2
НСИ 4.0. Переход от статичных справочников к термодинамике данных
Традиционный подход к нормативно-справочной информации - НСИ - полностью исчерпал себя.
В эпоху больших данных и распределенных систем классическая концепция НСИ, определяемая как совокупность статичных корпоративных справочников, классификаторов и реестров, превратилась в ИТ-рутину по технической поддержке плоских таблиц. Она потеряла всякую связь с реальной бизнес-логикой.
Непрерывный рост семантической энтропии - хаоса и размытия смыслов в информационных системах - требует принципиального изменения взгляда на управление цифровыми активами.
В нашей методологии мы переопределяем НСИ как динамическую, триединую модель: Надежность · Стоимость · Информация.
Сбои в автоматизации, непредсказуемое поведение алгоритмов и лавинообразное накопление цифрового мусора в современных архитектурах провоцируются попытками управлять данными в отрыве от законов термодинамики и теории систем. Триада для НСИ 4.0 связывает эти элементы в жесткую измеримую конструкцию.
Надежность здесь выступает аналогом стабильности системы и обосновывается через критерий устойчивости по предсказуемости ДОТУ (Достаточно общей теории управления) К.П. Петрова.
Стоимость - это мера вычислительных и человеческих ресурсов, необходимых для поддержания порядка, описываемая через балансовые модели В.В. Леонтьева и оптимизацию Л.В. Канторовича.
Информация (набор информационных объектов) - это негэнтропия, то есть чистое смысловое содержание и онтологический статус объектов, восходящий к метафизике В.А. Рубанова и А.Г. Теслинова.
Управление Данными как управленческая дисциплина не является технической настройкой СУБД (систем управления базами данных). Это процесс балансирования указанной триады. Только через разработанный нами Упрощённый технический русский язык - УТР – онтологию, показатели надежности и затрат становятся математически интерпретируемыми.
В следующей публикации мы в очередной раз на канале детально разберем Индекс готовности данных - DRI (Data Readiness Index), состоящий из 58 жестких критериев порядка.
Если у вас остался вопрос почему именно НСИ 4.0. Пишите - ответим.
Традиционный подход к нормативно-справочной информации - НСИ - полностью исчерпал себя.
В эпоху больших данных и распределенных систем классическая концепция НСИ, определяемая как совокупность статичных корпоративных справочников, классификаторов и реестров, превратилась в ИТ-рутину по технической поддержке плоских таблиц. Она потеряла всякую связь с реальной бизнес-логикой.
Непрерывный рост семантической энтропии - хаоса и размытия смыслов в информационных системах - требует принципиального изменения взгляда на управление цифровыми активами.
В нашей методологии мы переопределяем НСИ как динамическую, триединую модель: Надежность · Стоимость · Информация.
Сбои в автоматизации, непредсказуемое поведение алгоритмов и лавинообразное накопление цифрового мусора в современных архитектурах провоцируются попытками управлять данными в отрыве от законов термодинамики и теории систем. Триада для НСИ 4.0 связывает эти элементы в жесткую измеримую конструкцию.
Надежность здесь выступает аналогом стабильности системы и обосновывается через критерий устойчивости по предсказуемости ДОТУ (Достаточно общей теории управления) К.П. Петрова.
Стоимость - это мера вычислительных и человеческих ресурсов, необходимых для поддержания порядка, описываемая через балансовые модели В.В. Леонтьева и оптимизацию Л.В. Канторовича.
Информация (набор информационных объектов) - это негэнтропия, то есть чистое смысловое содержание и онтологический статус объектов, восходящий к метафизике В.А. Рубанова и А.Г. Теслинова.
Управление Данными как управленческая дисциплина не является технической настройкой СУБД (систем управления базами данных). Это процесс балансирования указанной триады. Только через разработанный нами Упрощённый технический русский язык - УТР – онтологию, показатели надежности и затрат становятся математически интерпретируемыми.
В следующей публикации мы в очередной раз на канале детально разберем Индекс готовности данных - DRI (Data Readiness Index), состоящий из 58 жестких критериев порядка.
Если у вас остался вопрос почему именно НСИ 4.0. Пишите - ответим.
👍4🔥3💯2
Пятьдесят восемь критериев порядка. Количественная оценка систем через индекс DRI
Философия управления смысловой структурой данных и информации на основе данных должна быть измеримой, надеюсь, с этим все согласны. Без жесткого математического инструмента оценка качества корпоративной или государственной информационной среды неизбежно скатывается в субъективизм. Хаотичные оценки экспертов и невозможность автоматизировать аудит систем провоцируются отсутствием единых эталонных шкал и измеримых критериев готовности инфо-активов.
Для преодоления этого разрыва нами была разработана методология количественной оценки - Индекс готовности данных.
DRI (Data Readiness Index) - это прямая шкала от 0 до 1200 баллов, содержащая 58 жестких критериев порядка, разбитых на 7 ключевых секций для оценки готовности конкретного набора данных к интеграции с искусственным интеллектом. Здесь 1200 баллов означают условно идеальный порядок. Падение показателя ниже 300 баллов фиксирует полный семантический хаос. Это критический порог, при котором любая автоматизация процессов должна быть заблокирована.
Абстрактные регламенты управления качеством из серии стандартов ГОСТ РИСО 8000 (cntd.ru) часто остаются на бумаге, описывая лишь общие требования к процессам.
Наш DRI переводит аудит в плоскость инженерных и математических измерений, оценивая само семантическое ядро. При этом сопоставимость результатов анализа между отраслями напрямую зависит от терминологической определенности и точности. Различия в оценках разными командами и ошибки автоматического скоринга провоцируются отсутствием единого понятийного базиса.
Если критерии интерпретируются двояко, метрика умирает. Именно поэтому все 58 критериев DRI жестко сформулированы на разработанном нами Упрощённом техническом русском языке - УТР.
УТР и DRI образуют неразрывную пару: язык обеспечивает однозначность понятий, а индекс оцифровывает качество этой терминологической базы в конкретной предметной области. Этот прикладной дуэт логически вытекает из нашей авторской бизнес-методологии по Управлению данными «Антихаос» (litres.ru, Шувалов И.П., Аншина М.Л., 2025 г.), которая ставит ИТ в полную зависимость от структуры, условий создания и однозначного понимания сущности самих данных.
В следующей публикации мы разберем главный прецедент институционализации нашей школы. Покажем, как концептуальный анализ и разделение данных на смысловые объекты были закреплены на уровне государственного законодательства России.
Философия управления смысловой структурой данных и информации на основе данных должна быть измеримой, надеюсь, с этим все согласны. Без жесткого математического инструмента оценка качества корпоративной или государственной информационной среды неизбежно скатывается в субъективизм. Хаотичные оценки экспертов и невозможность автоматизировать аудит систем провоцируются отсутствием единых эталонных шкал и измеримых критериев готовности инфо-активов.
Для преодоления этого разрыва нами была разработана методология количественной оценки - Индекс готовности данных.
DRI (Data Readiness Index) - это прямая шкала от 0 до 1200 баллов, содержащая 58 жестких критериев порядка, разбитых на 7 ключевых секций для оценки готовности конкретного набора данных к интеграции с искусственным интеллектом. Здесь 1200 баллов означают условно идеальный порядок. Падение показателя ниже 300 баллов фиксирует полный семантический хаос. Это критический порог, при котором любая автоматизация процессов должна быть заблокирована.
Абстрактные регламенты управления качеством из серии стандартов ГОСТ РИСО 8000 (cntd.ru) часто остаются на бумаге, описывая лишь общие требования к процессам.
Наш DRI переводит аудит в плоскость инженерных и математических измерений, оценивая само семантическое ядро. При этом сопоставимость результатов анализа между отраслями напрямую зависит от терминологической определенности и точности. Различия в оценках разными командами и ошибки автоматического скоринга провоцируются отсутствием единого понятийного базиса.
Если критерии интерпретируются двояко, метрика умирает. Именно поэтому все 58 критериев DRI жестко сформулированы на разработанном нами Упрощённом техническом русском языке - УТР.
УТР и DRI образуют неразрывную пару: язык обеспечивает однозначность понятий, а индекс оцифровывает качество этой терминологической базы в конкретной предметной области. Этот прикладной дуэт логически вытекает из нашей авторской бизнес-методологии по Управлению данными «Антихаос» (litres.ru, Шувалов И.П., Аншина М.Л., 2025 г.), которая ставит ИТ в полную зависимость от структуры, условий создания и однозначного понимания сущности самих данных.
В следующей публикации мы разберем главный прецедент институционализации нашей школы. Покажем, как концептуальный анализ и разделение данных на смысловые объекты были закреплены на уровне государственного законодательства России.
👍2
Приказ № 61н. 10.02.2026г. Минтруд. От концептуального анализа к государственным стандартам. Реакция рынка и онтологический раскол.
Часть 1.
Философия и бизнес-методология управления данными в России преодолевают этап сугубо теоретических дискуссий.
Наша многолетняя работа по декомпозиции смыслового хаоса и систематизации сложных систем получила высшую форму институционального признания.
Ранее мы анонсировали в сообществе выход Приказа Минтруда России № 61н от 10.02.2026 г. (mintrud.gov.ru), закрепившего разработанный соавторским коллективом представителей крупнейших Российских компаний и государственных структур профессиональный стандарт «Специалист по управлению данными и информационными объектами».
Документ официально зарегистрирован в Минюсте России 10.03.2026 г. под № 85578. До даты его вступления в силу - 1 сентября 2026 года - остаются считанные дни.
Теперь, как я считаю, самое время препарировать реакцию рынка.
Рыночные HR-директора (директора по человеческим ресурсам), руководители по кадрам государственных структур и ведомств и консалтинговые агентства пока трактуют стандарт поверхностно. Они видят в нем лишь очередное описание требований к ИТ-персоналу и путают квалификационные уровни.
Популярные обзоры сводят суть документа к легитимизации должностей линейных аналитиков. Это в корне неверное, сугубо утилитарное понимание нормативного акта.
Главная онтологическая эволюция этого стандарта заключается в жестком законодательном разделении сырых «данных» и информационных объектов.
Информационный объект - это динамическая смысловая единица реальности, обладающая самостоятельным онтологическим статусом и единой трактовкой для всех систем. Мы сознательно проектировали этот каркас так, чтобы вытащить рынок из синтаксической ловушки кодинга в семантическое и смысловое управление.
Настоящий специалист и руководитель по данным (Управлению данными) - это прикладной онтолог, отвечающий за смыслы, действия и результаты, а не просто настройщик баз данных.
В следующей публикации мы декомпозируем структуру стандарта, покажем его жесткую связь с фундаментальной наукой и приложим наш развернутый аналитический обзор.
Часть 1.
Философия и бизнес-методология управления данными в России преодолевают этап сугубо теоретических дискуссий.
Наша многолетняя работа по декомпозиции смыслового хаоса и систематизации сложных систем получила высшую форму институционального признания.
Ранее мы анонсировали в сообществе выход Приказа Минтруда России № 61н от 10.02.2026 г. (mintrud.gov.ru), закрепившего разработанный соавторским коллективом представителей крупнейших Российских компаний и государственных структур профессиональный стандарт «Специалист по управлению данными и информационными объектами».
Документ официально зарегистрирован в Минюсте России 10.03.2026 г. под № 85578. До даты его вступления в силу - 1 сентября 2026 года - остаются считанные дни.
Теперь, как я считаю, самое время препарировать реакцию рынка.
Рыночные HR-директора (директора по человеческим ресурсам), руководители по кадрам государственных структур и ведомств и консалтинговые агентства пока трактуют стандарт поверхностно. Они видят в нем лишь очередное описание требований к ИТ-персоналу и путают квалификационные уровни.
Популярные обзоры сводят суть документа к легитимизации должностей линейных аналитиков. Это в корне неверное, сугубо утилитарное понимание нормативного акта.
Главная онтологическая эволюция этого стандарта заключается в жестком законодательном разделении сырых «данных» и информационных объектов.
Информационный объект - это динамическая смысловая единица реальности, обладающая самостоятельным онтологическим статусом и единой трактовкой для всех систем. Мы сознательно проектировали этот каркас так, чтобы вытащить рынок из синтаксической ловушки кодинга в семантическое и смысловое управление.
Настоящий специалист и руководитель по данным (Управлению данными) - это прикладной онтолог, отвечающий за смыслы, действия и результаты, а не просто настройщик баз данных.
В следующей публикации мы декомпозируем структуру стандарта, покажем его жесткую связь с фундаментальной наукой и приложим наш развернутый аналитический обзор.
👍4💯2
Читайте «Data Капитал» там, где вам удобно!
Напоминаем, что у нашего Telegram-канала есть официальная страница на Дзене. Там мы публикуем те же полезные материалы в привычном для чтения формате.
Подписывайтесь, чтобы оставаться на связи:
🔗 Дзен: https://dzen.ru/data_capital
🔗 Telegram: https://t.me/data_capital
Напоминаем, что у нашего Telegram-канала есть официальная страница на Дзене. Там мы публикуем те же полезные материалы в привычном для чтения формате.
Подписывайтесь, чтобы оставаться на связи:
🔗 Дзен: https://dzen.ru/data_capital
🔗 Telegram: https://t.me/data_capital
Дзен
Data capital | Дзен
Канал автора «Data capital» в Дзен ⭐: Данные - ваш новый капитал. Управляйте им!
👍2
Приказ № 61н. 10.02.2026г. Минтруд. От концептуального анализа к государственным стандартам. Реакция рынка и онтологический раскол.
Часть 2.
Размытие зон ответственности в ИТ-командах и технологическая слепота менеджмента провоцируются непониманием законов систем.
Трудовые функции нашего соавторского профессионального стандарта, закрепленного Приказом Минтруда России № 61н от 10.02.2026 г. (mintrud.gov.ru), создавались как прямое отражение триединой бизнес-методологии «Антихаос» (litres.ru, Шувалов И.П., Аншина М.Л., 2025 г.). Каждая закрепленная законом функция жестко привязана к фундаментальному научному базису.
Надежность информационных систем обеспечивается на четвертом и пятом квалификационных уровнях стандарта через функции проектирования информационных объектов. Эта работа математически обосновывается через критерий устойчивости по предсказуемости ДОТУ - Достаточно общей теории управления - К.П. Петрова.
Стоимость и жизненный цикл инфо-активов контролируются на шестом и седьмом уровнях стандарта. Здесь ведение нормативно-справочной информации и оптимизация ресурсов опираются на экономические балансовые модели В.В. Леонтьева и методы линейного программирования Л.В. Канторовича.
Информация как чистая негэнтропия, то есть смысловое содержание и онтологический статус объектов, разворачивается на высшем, восьмом уровне стандарта. Стратегическое управление активами базируется на метафизике развития А.Г. Теслинова и исчислении смыслов школы В.А. Рубанова.
Мы юридически легитимизировали превосходство системного подхода С.П. Никанорова над ситуативным хаосом.
Профстандарт создает нормативную базу для очистки цифровых сред. Но закон работает только тогда, когда работает воспроизводство подготовленных профессиональных кадров.
Чтобы декомпозировать эту научную архитектуру и вооружить генеральных директоров юридическими инструментами защиты ИТ-бюджетов, мы подготовили краткое аналитическое исследование.
К публикации прикреплен аналитический обзор на несколько страниц, где пошагово укрупненно расписана методология применения профстандарта для капитализации данных с учетом информации из ранее опубликованной книги «Антихаос».
В следующем посте мы перейдем к образовательным программам дополнительного профессионального образования (ДПО) в Государственном Университете Управления. Покажем, где концептуальный анализ превращается в навыки управления цифровой реальностью.
Часть 2.
Размытие зон ответственности в ИТ-командах и технологическая слепота менеджмента провоцируются непониманием законов систем.
Трудовые функции нашего соавторского профессионального стандарта, закрепленного Приказом Минтруда России № 61н от 10.02.2026 г. (mintrud.gov.ru), создавались как прямое отражение триединой бизнес-методологии «Антихаос» (litres.ru, Шувалов И.П., Аншина М.Л., 2025 г.). Каждая закрепленная законом функция жестко привязана к фундаментальному научному базису.
Надежность информационных систем обеспечивается на четвертом и пятом квалификационных уровнях стандарта через функции проектирования информационных объектов. Эта работа математически обосновывается через критерий устойчивости по предсказуемости ДОТУ - Достаточно общей теории управления - К.П. Петрова.
Стоимость и жизненный цикл инфо-активов контролируются на шестом и седьмом уровнях стандарта. Здесь ведение нормативно-справочной информации и оптимизация ресурсов опираются на экономические балансовые модели В.В. Леонтьева и методы линейного программирования Л.В. Канторовича.
Информация как чистая негэнтропия, то есть смысловое содержание и онтологический статус объектов, разворачивается на высшем, восьмом уровне стандарта. Стратегическое управление активами базируется на метафизике развития А.Г. Теслинова и исчислении смыслов школы В.А. Рубанова.
Мы юридически легитимизировали превосходство системного подхода С.П. Никанорова над ситуативным хаосом.
Профстандарт создает нормативную базу для очистки цифровых сред. Но закон работает только тогда, когда работает воспроизводство подготовленных профессиональных кадров.
Чтобы декомпозировать эту научную архитектуру и вооружить генеральных директоров юридическими инструментами защиты ИТ-бюджетов, мы подготовили краткое аналитическое исследование.
К публикации прикреплен аналитический обзор на несколько страниц, где пошагово укрупненно расписана методология применения профстандарта для капитализации данных с учетом информации из ранее опубликованной книги «Антихаос».
В следующем посте мы перейдем к образовательным программам дополнительного профессионального образования (ДПО) в Государственном Университете Управления. Покажем, где концептуальный анализ превращается в навыки управления цифровой реальностью.
👍2
Где учат инженеров смыслов. ДПО ГУУ
Легитимизация новой профессии на уровне профессионального стандарта № 61н от 10.02.2026 г. (mintrud.gov.ru) - лишь первый шаг к тектоническому сдвигу в современной Российской индустрии. Нормативный акт начинает реально трансформировать рынок только при запуске «фабрики» подготовки кадров, способных применять его инструментарий на практике. Без сильного академического контура любая передовая бизнес-методология рискует остаться декларацией на бумаге.
Системный кризис квалификации руководителей (менеджмента) и предметных специалистов обусловлен острым дефицитом междисциплинарных образовательных программ. Эта проблема сквозная для всех отраслей. Даже в жестко регламентированной медицине профильные учреждения вынуждены выживать, так как информационные решения для них создаются командами, не понимающими природы данных, процессов работы с ними и их трансформации.
Традиционные вузы штампуют либо сугубо технических исполнителей, либо оторванных от реальности теоретиков. На базе Государственного университета управления - ГУУ - мы развернули две версии программы ДПО (Дополнительного профессионального образования) объемом 320 академических часов, спроектированные для государственного и коммерческого секторов, где 65% времени отведено практике.
Данный подход необходим, так как хаос в архитектурах провоцируется отсутствием системного мышления в обучении. Наша программа соединяет в себе концептуальный анализ для сборки изначально управляемых систем, метафизику развития для понимания контура как живой развивающейся целостности, а также обязательный 16-часовой модуль по Упрощённому техническому русскому языку - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Слушатели учатся рассчитывать Индекс готовности данных - DRI (Data Readiness Index) - по прямой шкале от 0 до 1200 баллов, исключая саму возможность автоматизации хаоса.
Мы готовим прикладных специалистов и руководителей, способных переводить данные в статус реального капитала компании согласно принципам нашей книги «Антихаос» (litres.ru, 2025 г.).
В следующей публикации мы соберем все элементы воедино и сформулируем Манифест Антихаоса.
Легитимизация новой профессии на уровне профессионального стандарта № 61н от 10.02.2026 г. (mintrud.gov.ru) - лишь первый шаг к тектоническому сдвигу в современной Российской индустрии. Нормативный акт начинает реально трансформировать рынок только при запуске «фабрики» подготовки кадров, способных применять его инструментарий на практике. Без сильного академического контура любая передовая бизнес-методология рискует остаться декларацией на бумаге.
Системный кризис квалификации руководителей (менеджмента) и предметных специалистов обусловлен острым дефицитом междисциплинарных образовательных программ. Эта проблема сквозная для всех отраслей. Даже в жестко регламентированной медицине профильные учреждения вынуждены выживать, так как информационные решения для них создаются командами, не понимающими природы данных, процессов работы с ними и их трансформации.
Традиционные вузы штампуют либо сугубо технических исполнителей, либо оторванных от реальности теоретиков. На базе Государственного университета управления - ГУУ - мы развернули две версии программы ДПО (Дополнительного профессионального образования) объемом 320 академических часов, спроектированные для государственного и коммерческого секторов, где 65% времени отведено практике.
Данный подход необходим, так как хаос в архитектурах провоцируется отсутствием системного мышления в обучении. Наша программа соединяет в себе концептуальный анализ для сборки изначально управляемых систем, метафизику развития для понимания контура как живой развивающейся целостности, а также обязательный 16-часовой модуль по Упрощённому техническому русскому языку - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Слушатели учатся рассчитывать Индекс готовности данных - DRI (Data Readiness Index) - по прямой шкале от 0 до 1200 баллов, исключая саму возможность автоматизации хаоса.
Мы готовим прикладных специалистов и руководителей, способных переводить данные в статус реального капитала компании согласно принципам нашей книги «Антихаос» (litres.ru, 2025 г.).
В следующей публикации мы соберем все элементы воедино и сформулируем Манифест Антихаоса.
👍3🔥1
Манифест Антихаоса. Контуры роли генерального конструктора семантических пространств
Девять публикаций назад этот путь начинался с фиксации глобального кризиса. Классическое управление данными зашло в тупик. Технологии искусственного интеллекта замерли перед барьером семантического хаоса.
Сегодня, когда все элементы структуры разложены по местам, пришло время для финальной сборки. Мы воссоздали контуры новой фундаментальной роли для цифровой эпохи - современного философа в области управления данными.
Хаос в архитектурах, галлюцинации языковых моделей и потеря бизнесом контроля над собственными информационными активами провоцируются попытками решать семантические проблемы сугубо техническими методами. Наш ответ - онтологическая этика данных.
Данный подход необходим, так как информационный объект несет в себе ценностные маркеры и требует жесткого концептуального проектирования. Весь наш путь, от метаязыка школы В.А. Рубанова («семантический орнамент») и Упрощённого технического русского языка - УТР - до математических матриц Индекса готовности данных - DRI - подчинен одной задаче.
Мы даем индустрии прикладной инструмент борьбы с семантической энтропией.
Слепое копирование западных подходов, деградация квалификации и потеря технологической независимости в сфере искусственного интеллекта обусловлены отсутствием суверенной понятийной базы. Эффект наведения порядка достигается за счет отечественной концептуальной школы.
Наша методология, подробно описанная в книге «Антихаос. Управление данными» (litres.ru, 2025 г.), переведена в статус закона через утвержденный Профстандарт № 61н от 10.02.2026 г. (mintrud.gov.ru) и масштабируется на программах дополнительного профессионального образования в Государственном университете управления.
Современный философ управления данными - это не созерцатель. Это Генеральный конструктор семантических пространств. Мы не пишем абстрактные кодексы, а проектируем жесткие онтологические каркасы. Они делают данные управляемыми, технологии - осмысленными, а страну - интеллектуально суверенной.
Пазл собран. Метаязык создан. Инструменты готовы.
Девять публикаций назад этот путь начинался с фиксации глобального кризиса. Классическое управление данными зашло в тупик. Технологии искусственного интеллекта замерли перед барьером семантического хаоса.
Сегодня, когда все элементы структуры разложены по местам, пришло время для финальной сборки. Мы воссоздали контуры новой фундаментальной роли для цифровой эпохи - современного философа в области управления данными.
Хаос в архитектурах, галлюцинации языковых моделей и потеря бизнесом контроля над собственными информационными активами провоцируются попытками решать семантические проблемы сугубо техническими методами. Наш ответ - онтологическая этика данных.
Данный подход необходим, так как информационный объект несет в себе ценностные маркеры и требует жесткого концептуального проектирования. Весь наш путь, от метаязыка школы В.А. Рубанова («семантический орнамент») и Упрощённого технического русского языка - УТР - до математических матриц Индекса готовности данных - DRI - подчинен одной задаче.
Мы даем индустрии прикладной инструмент борьбы с семантической энтропией.
Слепое копирование западных подходов, деградация квалификации и потеря технологической независимости в сфере искусственного интеллекта обусловлены отсутствием суверенной понятийной базы. Эффект наведения порядка достигается за счет отечественной концептуальной школы.
Наша методология, подробно описанная в книге «Антихаос. Управление данными» (litres.ru, 2025 г.), переведена в статус закона через утвержденный Профстандарт № 61н от 10.02.2026 г. (mintrud.gov.ru) и масштабируется на программах дополнительного профессионального образования в Государственном университете управления.
Современный философ управления данными - это не созерцатель. Это Генеральный конструктор семантических пространств. Мы не пишем абстрактные кодексы, а проектируем жесткие онтологические каркасы. Они делают данные управляемыми, технологии - осмысленными, а страну - интеллектуально суверенной.
Пазл собран. Метаязык создан. Инструменты готовы.
👍4🔥1
Онтологический аудит. Разбор рыночного факапа RAG-систем
Технологический сбой в свежих обновлениях коммерческих искусственных интеллектов и некорректные действия внедренных роботов-помощников в крупных банках выявили системную уязвимость ИТ-инфраструктуры. Речь идет о массовых отказах RAG-систем.
RAG (Retrieval-Augmented Generation) - это метод генерации ответов искусственного интеллекта с привлечением внешней базы знаний для минимизации ложных фактов.
Критический порог сбоев обусловлен не дефектами программирования, а логическими ошибками верхнеуровневых абстракций. Модели пытаются соединить разнородные данные без жестких онтологических ограничений.
Этот системный кризис детально зафиксирован в свежих аналитических отчетах за июль 2026 года. Неуправляемые сбои происходят из-за отсутствия междоменной адаптации семантик, когда ИИ-агенты выдергивают термины из разных контекстов, порождая уверенный бред.
Разработчики судорожно пытаются лечить симптомы, переобучая модели или расширяя векторные хранилища.
Данный подход бесполезен, так как корень проблемы лежит в смысловой плоскости.
Эффект наведения порядка в таких интеллектуальных контурах достигается только через процедуру онтологического аудита.
Онтологический аудит - это метод выявления семантических искажений и ошибок в структуре знаний, разработанный в рамках методологии концептуального проектирования систем С.П. Никанорова.
В нашей бизнес-методологии, изложенной в книге «Антихаос. Управление данными» (litres.ru, 2025 г.), этот инструмент переведен в инженерную практику. Мы накладываем жесткие семантические фильтры еще до того, как данные попадут в векторное пространство модели.
Если компания игнорирует смысловой каркас, ее ИИ-система продолжит сжигать бюджеты. Оцифрованная и защищенная онтология - единственный барьер для семантического хаоса.
В следующей публикации мы разберем анатомию размытого регламента. Покажем, как омонимия и сленг разрушают ИТ-архитектуру крупного ритейла.
Технологический сбой в свежих обновлениях коммерческих искусственных интеллектов и некорректные действия внедренных роботов-помощников в крупных банках выявили системную уязвимость ИТ-инфраструктуры. Речь идет о массовых отказах RAG-систем.
RAG (Retrieval-Augmented Generation) - это метод генерации ответов искусственного интеллекта с привлечением внешней базы знаний для минимизации ложных фактов.
Критический порог сбоев обусловлен не дефектами программирования, а логическими ошибками верхнеуровневых абстракций. Модели пытаются соединить разнородные данные без жестких онтологических ограничений.
Этот системный кризис детально зафиксирован в свежих аналитических отчетах за июль 2026 года. Неуправляемые сбои происходят из-за отсутствия междоменной адаптации семантик, когда ИИ-агенты выдергивают термины из разных контекстов, порождая уверенный бред.
Разработчики судорожно пытаются лечить симптомы, переобучая модели или расширяя векторные хранилища.
Данный подход бесполезен, так как корень проблемы лежит в смысловой плоскости.
Эффект наведения порядка в таких интеллектуальных контурах достигается только через процедуру онтологического аудита.
Онтологический аудит - это метод выявления семантических искажений и ошибок в структуре знаний, разработанный в рамках методологии концептуального проектирования систем С.П. Никанорова.
В нашей бизнес-методологии, изложенной в книге «Антихаос. Управление данными» (litres.ru, 2025 г.), этот инструмент переведен в инженерную практику. Мы накладываем жесткие семантические фильтры еще до того, как данные попадут в векторное пространство модели.
Если компания игнорирует смысловой каркас, ее ИИ-система продолжит сжигать бюджеты. Оцифрованная и защищенная онтология - единственный барьер для семантического хаоса.
В следующей публикации мы разберем анатомию размытого регламента. Покажем, как омонимия и сленг разрушают ИТ-архитектуру крупного ритейла.
👍4💯2
Анатомия размытого регламента. Разрушение ИТ-архитектуры омонимией и сленгом
Внедрение систем управления данными требует обязательного вскрытия и анализа внутренних документов предприятий. Чтение регламента управления нормативно-справочной информацией крупного ритейлера на 80 страниц со всеми необходимыми государственными стандартами и подписями выявляет полную управленческую иллюзию.
Требование полноты и точности данных клиента звучит убедительно лишь до первой попытки автоматизации.
Возникающий хаос обусловлен тем, что для системы продаж клиент - это профиль сделок, для бухгалтерии - идентификационный номер налогоплательщика, а для логистики - адрес склада.
Независимое тестирование двадцати ключевых терминов компании среди пяти профильных экспертов выявляет критически низкий процент совпадения трактовок - всего 58%. Данная уязвимость спровоцирована привычкой человека выезжать в быту за счет интуиции и контекста.
Однако большие языковые модели лишены интуиции. Скармливание им размытых текстов ведет к генерации уверенного бреда, поскольку алгоритм просто выбирает первое попавшееся значение из грязной статистической выборки.
В авиации эта проблема давно ликвидирована международным стандартом контролируемого языка ASD-STE100 (asd-ste100.org), где за омонимию - одинаковое написание слов при разном смысле - платят катастрофами.
Для исправления ситуации на отечественных предприятиях необходим переход к Упрощённому техническому русскому языку - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Практика применения УТР, описанная в книге «Антихаос. Управление данными» (litres.ru, 2025 г.), доказывает: после перевода регламента на жесткий метаязык нейросети полностью прекращают галлюцинировать. Им просто больше нечего додумывать.
В следующей публикации мы перейдем к организационной структуре команд и спроектируем роль прикладного онтолога.
Внедрение систем управления данными требует обязательного вскрытия и анализа внутренних документов предприятий. Чтение регламента управления нормативно-справочной информацией крупного ритейлера на 80 страниц со всеми необходимыми государственными стандартами и подписями выявляет полную управленческую иллюзию.
Требование полноты и точности данных клиента звучит убедительно лишь до первой попытки автоматизации.
Возникающий хаос обусловлен тем, что для системы продаж клиент - это профиль сделок, для бухгалтерии - идентификационный номер налогоплательщика, а для логистики - адрес склада.
Независимое тестирование двадцати ключевых терминов компании среди пяти профильных экспертов выявляет критически низкий процент совпадения трактовок - всего 58%. Данная уязвимость спровоцирована привычкой человека выезжать в быту за счет интуиции и контекста.
Однако большие языковые модели лишены интуиции. Скармливание им размытых текстов ведет к генерации уверенного бреда, поскольку алгоритм просто выбирает первое попавшееся значение из грязной статистической выборки.
В авиации эта проблема давно ликвидирована международным стандартом контролируемого языка ASD-STE100 (asd-ste100.org), где за омонимию - одинаковое написание слов при разном смысле - платят катастрофами.
Для исправления ситуации на отечественных предприятиях необходим переход к Упрощённому техническому русскому языку - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Практика применения УТР, описанная в книге «Антихаос. Управление данными» (litres.ru, 2025 г.), доказывает: после перевода регламента на жесткий метаязык нейросети полностью прекращают галлюцинировать. Им просто больше нечего додумывать.
В следующей публикации мы перейдем к организационной структуре команд и спроектируем роль прикладного онтолога.
👍5
Проектирование роли Прикладного Онтолога в командах трансформации
Многолетнее наблюдение за структурой проектных офисов выявляет скрытую организационную драму. Инженеры данных, бизнес-аналитики и архитекторы сидят на одном проекте, говорят на русском языке, но не могут договориться. Бесконечные споры о трактовке сущностей «клиент» или «транзакция» парализуют процессы.
Данный кризис обусловлен отсутствием в команде роли, отвечающей за однозначность понятийного аппарата.
Этот пробел ликвидирует Прикладной Онтолог.
Прикладной Онтолог - это квалифицированный специалист, осуществляющий проектирование единого смыслового каркаса организации, координацию метаданных и обеспечение семантической совместимости информационных систем.
При разработке профессионального стандарта № 61н от 10.02.2026 г. (mintrud.gov.ru) мы законодательно зафиксировали эту роль через разделение сырых данных и информационных объектов. Пока инженер строит технологические дороги, онтолог создает карту местности.
В классических ИТ-структурах эта позиция отсутствует. Функции размыты между архитекторами и стюардами данных, что провоцирует провалы интеграций даже у глобальных лидеров калибра J.P. Morgan.
В нашем стандарте на четвертом и пятом уровнях квалификации закреплены жесткие трудовые функции онтолога: формирование, классификация и анализ информационных объектов на основе системного подхода С.П. Никанорова.
Развертывание этой роли в структуре компании, описанное в бизнес-методологии по Управлению данными «Антихаос» (litres.ru, 2025 г.), делает ИТ-контур полностью зависимым от бизнес-смыслов. Проект становится управляемым, предсказуемым и готовым к внедрению искусственного интеллекта.
В следующей публикации мы разберем проблему дрейфа концептов в обучающих выборках и покажем, почему модели деградируют через полгода после запуска.
Многолетнее наблюдение за структурой проектных офисов выявляет скрытую организационную драму. Инженеры данных, бизнес-аналитики и архитекторы сидят на одном проекте, говорят на русском языке, но не могут договориться. Бесконечные споры о трактовке сущностей «клиент» или «транзакция» парализуют процессы.
Данный кризис обусловлен отсутствием в команде роли, отвечающей за однозначность понятийного аппарата.
Этот пробел ликвидирует Прикладной Онтолог.
Прикладной Онтолог - это квалифицированный специалист, осуществляющий проектирование единого смыслового каркаса организации, координацию метаданных и обеспечение семантической совместимости информационных систем.
При разработке профессионального стандарта № 61н от 10.02.2026 г. (mintrud.gov.ru) мы законодательно зафиксировали эту роль через разделение сырых данных и информационных объектов. Пока инженер строит технологические дороги, онтолог создает карту местности.
В классических ИТ-структурах эта позиция отсутствует. Функции размыты между архитекторами и стюардами данных, что провоцирует провалы интеграций даже у глобальных лидеров калибра J.P. Morgan.
В нашем стандарте на четвертом и пятом уровнях квалификации закреплены жесткие трудовые функции онтолога: формирование, классификация и анализ информационных объектов на основе системного подхода С.П. Никанорова.
Развертывание этой роли в структуре компании, описанное в бизнес-методологии по Управлению данными «Антихаос» (litres.ru, 2025 г.), делает ИТ-контур полностью зависимым от бизнес-смыслов. Проект становится управляемым, предсказуемым и готовым к внедрению искусственного интеллекта.
В следующей публикации мы разберем проблему дрейфа концептов в обучающих выборках и покажем, почему модели деградируют через полгода после запуска.
👍3💯3
Проблема дрейфа концептов в обучающих выборках моделей
Критическое падение точности промышленных нейросетей через несколько месяцев после запуска в продакшн - стандартная рыночная реальность. Модель, показывавшая на тестах точность в 95%, внезапно начинает генерировать экономически опасные ошибки.
Данная деградация обусловлена феноменом, который в академической литературе классифицируется как дрейф концептов (Concept Drift).
Дрейф концептов - это непрерывное изменение статистических и смысловых связей между входными данными и целевой переменной, вызванное естественной эволюцией реального мира.
Этот процесс наглядно иллюстрирует кейс крупной страховой компании в 2026 году. Построенная модель оценки рисков заемщиков начала сбоить из-за смещения законодательного контекста и методик расчета кредитных историй. Мир изменился, а алгоритм продолжал оперировать статичным слепком прошлого.
Большинство ИТ-команд пытаются лечить симптомы чисто технически - через постоянное переобучение моделей или перестройку конвейеров, о чем пишут исследователи в обзорах детекции дрейфа в агентных системах (gama.es). Данный подход неэффективен, так как корень проблемы лежит в деформации бизнес-смыслов.
Эффект раннего обнаружения семантического сдвига достигается за счет проектирования динамических онтологий, описанных в нашей бизнес-методологии по Управлению данными «Антихаос» (litres.ru, 2025 г.).
Мы интегрируем в архитектуру Упрощённый технический русский язык - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Изменение частоты и контекста использования терминов в корпоративных документах по правилам УТР служит автоматическим триггером дрейфа. Мы применяем метафизику развития А.Г. Теслинова, превращая онтологию из музейного экспоната в гибкий инструмент адаптации ИИ к живой реальности.
В следующей публикации мы разберем междоменную адаптацию семантик и покажем, как подружить финансы с логистикой.
Критическое падение точности промышленных нейросетей через несколько месяцев после запуска в продакшн - стандартная рыночная реальность. Модель, показывавшая на тестах точность в 95%, внезапно начинает генерировать экономически опасные ошибки.
Данная деградация обусловлена феноменом, который в академической литературе классифицируется как дрейф концептов (Concept Drift).
Дрейф концептов - это непрерывное изменение статистических и смысловых связей между входными данными и целевой переменной, вызванное естественной эволюцией реального мира.
Этот процесс наглядно иллюстрирует кейс крупной страховой компании в 2026 году. Построенная модель оценки рисков заемщиков начала сбоить из-за смещения законодательного контекста и методик расчета кредитных историй. Мир изменился, а алгоритм продолжал оперировать статичным слепком прошлого.
Большинство ИТ-команд пытаются лечить симптомы чисто технически - через постоянное переобучение моделей или перестройку конвейеров, о чем пишут исследователи в обзорах детекции дрейфа в агентных системах (gama.es). Данный подход неэффективен, так как корень проблемы лежит в деформации бизнес-смыслов.
Эффект раннего обнаружения семантического сдвига достигается за счет проектирования динамических онтологий, описанных в нашей бизнес-методологии по Управлению данными «Антихаос» (litres.ru, 2025 г.).
Мы интегрируем в архитектуру Упрощённый технический русский язык - УТР.
УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной.
Изменение частоты и контекста использования терминов в корпоративных документах по правилам УТР служит автоматическим триггером дрейфа. Мы применяем метафизику развития А.Г. Теслинова, превращая онтологию из музейного экспоната в гибкий инструмент адаптации ИИ к живой реальности.
В следующей публикации мы разберем междоменную адаптацию семантик и покажем, как подружить финансы с логистикой.
👍6
Междоменная адаптация семантик. Механизм устранения смысловых противоречий между финансами и логистикой
Попытки связать учетные ИТ-системы разных департаментов крупного ритейлера регулярно приводят к затяжным конфликтам и сбоям сквозных процессов.
Ситуация, когда финансовый блок и служба логистики оперируют одной сущностью, но видят принципиально разные наборы данных, является повсеместной. Возникающий технологический хаос обусловлен тем, что каждый департамент существует в собственной изолированной семантической вселенной.
Для финансистов важен артикул, цена и ставка налога, а для логистов - габариты, вес и условия хранения.
Этот барьер не преодолеть классической автоматизацией, так как построение бесконечных промежуточных справочников-посредников лишь увеличивает сложность ИТ-архитектуры.
В западной практике данную проблему пытаются решить через локальные стандарты типа ISO 20022 (iso20022.org) или внедрение дорогостоящих виртуальных семантических слоев, о чем регулярно пишет финансовый консалтинг (citigroup.com). Однако эти подходы либо слишком узкоспециализированы, либо коммерчески неэффективны при масштабном развертывании.
Решение кризиса интеграции достигается через механизм междоменной адаптации семантик на базе Упрощённого технического русского языка - УТР. УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной. Вместо сложного перевода терминов мы проектируем единый семантический каркас по правилам нашей бизнес-методологии «Антихаос» (litres.ru, 2025 г.).
Мы переопределяем базовое понятие «товар» как учетную единицу материального оборота, имеющую стоимостные, физические и юридические характеристики. Данная дефиниция объединяет обе картины мира.
Внедрение такого подхода на порядок снижает время согласования интеграций. Все подразделения начинают говорить на одном языке.
В следующей публикации мы перейдем к теме технологического суверенитета и разберем, почему заимствованные англоязычные нейросети смертельно опасны для суверенной экономики данных.
Попытки связать учетные ИТ-системы разных департаментов крупного ритейлера регулярно приводят к затяжным конфликтам и сбоям сквозных процессов.
Ситуация, когда финансовый блок и служба логистики оперируют одной сущностью, но видят принципиально разные наборы данных, является повсеместной. Возникающий технологический хаос обусловлен тем, что каждый департамент существует в собственной изолированной семантической вселенной.
Для финансистов важен артикул, цена и ставка налога, а для логистов - габариты, вес и условия хранения.
Этот барьер не преодолеть классической автоматизацией, так как построение бесконечных промежуточных справочников-посредников лишь увеличивает сложность ИТ-архитектуры.
В западной практике данную проблему пытаются решить через локальные стандарты типа ISO 20022 (iso20022.org) или внедрение дорогостоящих виртуальных семантических слоев, о чем регулярно пишет финансовый консалтинг (citigroup.com). Однако эти подходы либо слишком узкоспециализированы, либо коммерчески неэффективны при масштабном развертывании.
Решение кризиса интеграции достигается через механизм междоменной адаптации семантик на базе Упрощённого технического русского языка - УТР. УТР - это жесткая инженерная система правил и контролируемых словарей, исключающая омонимию и обеспечивающая однозначный семантический мост между человеком и машиной. Вместо сложного перевода терминов мы проектируем единый семантический каркас по правилам нашей бизнес-методологии «Антихаос» (litres.ru, 2025 г.).
Мы переопределяем базовое понятие «товар» как учетную единицу материального оборота, имеющую стоимостные, физические и юридические характеристики. Данная дефиниция объединяет обе картины мира.
Внедрение такого подхода на порядок снижает время согласования интеграций. Все подразделения начинают говорить на одном языке.
В следующей публикации мы перейдем к теме технологического суверенитета и разберем, почему заимствованные англоязычные нейросети смертельно опасны для суверенной экономики данных.
👍3❤1
Данные - это Ваш капитал, которым нужно уметь управлять 💼
Если вы хотите, чтобы информационные активы вашей компании приносили реальную прибыль, а не создавали убытки, не копились без пользы на серверах, приглашаем вас на наше ключевое мероприятие этой осени.
10 сентября мы с партнерами проводим открытый бизнес-семинар «Подготовка специалистов по управлению данными на основе Профессионального стандарта» на базе Государственного университета управления.
Этот семинар спроектирован специально для тех, кто строит data-driven культуру в бизнесе: CDO, CIO, директоров по данным и цифровой трансформации, а также для архитекторов, аналитиков и специалистов по качеству данных и ИИ.
Что будет за 4 часа интенсивной работы:
🔹 Разбор профстандарта: как правильно выстраивать роли и компетенции команды по управлению данными.
🔹 Презентация Центра компетенций ГУУ: покажем практические форматы работы и кейсы.
🔹 Сравнение программ: наглядно разберем две флагманские программы профессиональной переподготовки (о которых мы уже упоминали на канале).
🔹 Нетворкинг и консалтинг: вы сможете лично обсудить специфику и задачи управления данными именно в вашей организации.
📍 Где и когда: 10 сентября в 16:00, Москва, ГУУ (Рязанский проспект, 99).
💵 Участие бесплатное, но количество мест в аудитории ограничено.
👉 Узнать подробности и зафиксировать за собой место можно по ссылке: https://dpo.guu.ru/business-seminar-cdo-2026
Если вы хотите, чтобы информационные активы вашей компании приносили реальную прибыль, а не создавали убытки, не копились без пользы на серверах, приглашаем вас на наше ключевое мероприятие этой осени.
10 сентября мы с партнерами проводим открытый бизнес-семинар «Подготовка специалистов по управлению данными на основе Профессионального стандарта» на базе Государственного университета управления.
Этот семинар спроектирован специально для тех, кто строит data-driven культуру в бизнесе: CDO, CIO, директоров по данным и цифровой трансформации, а также для архитекторов, аналитиков и специалистов по качеству данных и ИИ.
Что будет за 4 часа интенсивной работы:
🔹 Разбор профстандарта: как правильно выстраивать роли и компетенции команды по управлению данными.
🔹 Презентация Центра компетенций ГУУ: покажем практические форматы работы и кейсы.
🔹 Сравнение программ: наглядно разберем две флагманские программы профессиональной переподготовки (о которых мы уже упоминали на канале).
🔹 Нетворкинг и консалтинг: вы сможете лично обсудить специфику и задачи управления данными именно в вашей организации.
📍 Где и когда: 10 сентября в 16:00, Москва, ГУУ (Рязанский проспект, 99).
💵 Участие бесплатное, но количество мест в аудитории ограничено.
👉 Узнать подробности и зафиксировать за собой место можно по ссылке: https://dpo.guu.ru/business-seminar-cdo-2026
dpo.guu.ru
Бизнес-семинар по управлению данными — 10 сентября 2026 | ГУУ
Бизнес-семинар Центра компетенции по управлению данными ГУУ. 10 сентября 2026 года, 16:00–20:00. Участие бесплатное, по регистрации.
👍5🔥3
Технологический суверенитет. Угроза заимствованных смысловых моделей в национальной экономике данных
Законодательное регулирование сферы искусственного интеллекта в России вышло на уровень макроэкономической безопасности. В июле 2026 года Государственная Дума приняла Федеральный закон «О поддержке развития технологий искусственного интеллекта в Российской Федерации», вводящий жесткие категории суверенных и национальных больших фундаментальных моделей.
Регуляторные требования предписывают полную локализацию обработки данных внутри страны.
Однако данная инициатива рискует столкнуться с невидимым барьером. Принимая законы о суверенном коде, министерства и корпорации продолжают использовать алгоритмы, обученные на западных онтологических каркасах.( http://duma.gov.ru/news/63849/ )
Этот межотраслевой кризис затрагивает абсолютно все сферы.
Даже максимально структурированная и жестко регламентированная медицина сегодня вынуждена выживать в цифровом хаосе. Медицинские информационные системы и интеллектуальные подсказчики для врачей создаются ИТ-командами, которые совершенно не понимают природы отраслевых данных, процессов работы с ними и их трансформации. В результате клиники получают продукты, навязывающие чуждую семантическую логику.
Наложение отечественной специфики здравоохранения на импортные смысловые модели неизбежно провоцирует семантический дрейф - искажение сути сущностей при переносе между культурными и нормативными кодами.
Данная уязвимость обусловлена отсутствием собственной национальной понятийной базы. Зависимость от чужих чипов опасна, но зависимость от чужих смыслов критична.
Стабильность суверенных ИИ-моделей достигается не покупкой вычислительных мощностей, а проектированием чистых, онтологически выверенных обучающих корпусов на базе Упрощённого технического русского языка - УТР.
Внедрение УТР позволяет жестко изолировать доменные слои и разграничить терминологию, исключая синтаксические и логические ошибки на входе.
Без создания такого семантического щита любые отечественные разработки останутся лишь поверхностной калькой, уязвимой перед искажениями реальности.
В следующей публикации мы перейдем к практике инженерных решений. Разберем пошаговый алгоритм проектирования чистого обучающего корпуса для национальных моделей искусственного интеллекта.
Законодательное регулирование сферы искусственного интеллекта в России вышло на уровень макроэкономической безопасности. В июле 2026 года Государственная Дума приняла Федеральный закон «О поддержке развития технологий искусственного интеллекта в Российской Федерации», вводящий жесткие категории суверенных и национальных больших фундаментальных моделей.
Регуляторные требования предписывают полную локализацию обработки данных внутри страны.
Однако данная инициатива рискует столкнуться с невидимым барьером. Принимая законы о суверенном коде, министерства и корпорации продолжают использовать алгоритмы, обученные на западных онтологических каркасах.( http://duma.gov.ru/news/63849/ )
Этот межотраслевой кризис затрагивает абсолютно все сферы.
Даже максимально структурированная и жестко регламентированная медицина сегодня вынуждена выживать в цифровом хаосе. Медицинские информационные системы и интеллектуальные подсказчики для врачей создаются ИТ-командами, которые совершенно не понимают природы отраслевых данных, процессов работы с ними и их трансформации. В результате клиники получают продукты, навязывающие чуждую семантическую логику.
Наложение отечественной специфики здравоохранения на импортные смысловые модели неизбежно провоцирует семантический дрейф - искажение сути сущностей при переносе между культурными и нормативными кодами.
Данная уязвимость обусловлена отсутствием собственной национальной понятийной базы. Зависимость от чужих чипов опасна, но зависимость от чужих смыслов критична.
Стабильность суверенных ИИ-моделей достигается не покупкой вычислительных мощностей, а проектированием чистых, онтологически выверенных обучающих корпусов на базе Упрощённого технического русского языка - УТР.
Внедрение УТР позволяет жестко изолировать доменные слои и разграничить терминологию, исключая синтаксические и логические ошибки на входе.
Без создания такого семантического щита любые отечественные разработки останутся лишь поверхностной калькой, уязвимой перед искажениями реальности.
В следующей публикации мы перейдем к практике инженерных решений. Разберем пошаговый алгоритм проектирования чистого обучающего корпуса для национальных моделей искусственного интеллекта.
Государственная Дума
Принят закон о развитии технологий искусственного интеллекта в России
Новости. Принят закон о развитии технологий искусственного интеллекта в России.
👍6🔥1
Проектирование чистого корпуса для суверенных языковых моделей. Анализ хаоса в открытых датасетах
Критический порог галлюцинаций отечественных алгоритмов искусственного интеллекта обусловлен низким качеством исходных данных. Обучение нейросетей на неструктурированных текстах из интернета превращает их базы знаний в хаотичную свалку. Модели вычисляют статистические вероятности слов, полностью игнорируя контекст.
Самый тяжелый кризис разворачивается на стыке отраслей, когда система пытается увязать данные из разных индустрий без единого смыслового знаменателя.
Анализ пяти популярных датасетов - наборов данных для обучения моделей - с платформы Hugging Face выявляет полную семантическую анархию. В корпусах С4, RuWiki, Taiga и Stack Overflow качественная аналитика перемешана с бытовыми форумами. Модели не способны самостоятельно разделить юридические, технические и разговорные значения омонимов. Попытки МГУ и Яндекса исправить ситуацию через специализированный датасет LORuGEC, содержащий сорок восемь сложных правил русского языка, остаются каплей в море.
В результате коммерческие флагманы вроде GigaChat 3.5 Ultra от Сбера, YandexGPT 5 Lite, Saiga от SberDevices и iFORA.LLM от Высшей школы экономики неизбежно галлюцинируют при столкновении с реальными бизнес-процессами. Данный подход к обучению бесперспективен, так как увеличение вычислительных мощностей не решает проблему искажения смыслов.
Для построения истинно суверенного искусственного интеллекта необходим переход к жесткой семантической гигиене обучающих выборок на этапе их проектирования.
Критический порог галлюцинаций отечественных алгоритмов искусственного интеллекта обусловлен низким качеством исходных данных. Обучение нейросетей на неструктурированных текстах из интернета превращает их базы знаний в хаотичную свалку. Модели вычисляют статистические вероятности слов, полностью игнорируя контекст.
Самый тяжелый кризис разворачивается на стыке отраслей, когда система пытается увязать данные из разных индустрий без единого смыслового знаменателя.
Анализ пяти популярных датасетов - наборов данных для обучения моделей - с платформы Hugging Face выявляет полную семантическую анархию. В корпусах С4, RuWiki, Taiga и Stack Overflow качественная аналитика перемешана с бытовыми форумами. Модели не способны самостоятельно разделить юридические, технические и разговорные значения омонимов. Попытки МГУ и Яндекса исправить ситуацию через специализированный датасет LORuGEC, содержащий сорок восемь сложных правил русского языка, остаются каплей в море.
В результате коммерческие флагманы вроде GigaChat 3.5 Ultra от Сбера, YandexGPT 5 Lite, Saiga от SberDevices и iFORA.LLM от Высшей школы экономики неизбежно галлюцинируют при столкновении с реальными бизнес-процессами. Данный подход к обучению бесперспективен, так как увеличение вычислительных мощностей не решает проблему искажения смыслов.
Для построения истинно суверенного искусственного интеллекта необходим переход к жесткой семантической гигиене обучающих выборок на этапе их проектирования.
👍5✍1🔥1