Шрифт Inglobal by Andrey Kochetov, Denis Davydov, Evgeny Yurtaev

Бесплатно для личных и коммерческих проектов.

📁Скачать Шрифт

#Latin #Free #Cyrillic

🅰️ Новые шрифты

⭐️ 15 марта в Москве состоится одно из самых ярких и масштабных событий в мире дизайна — UPROCK FEST.
Около 1500 гостей и мощный состав спикеров:

1️⃣ Артемий Лебедев (Студия Артемия Лебедева)
Самый яркий представитель российской дизайн-индустрии, внесший колоссальный вклад в ее развитие. Около 30 лет его студия создает масштабный и значимый дизайн, от сайтов до брендинга городов. Среди достижений Студии Артемия Лебедева — айдентика и сайт компании Яндекс, сайты Газпрома, Билайна, Альфа-банка. И, конечно, схема Московского метрополитена.

2️⃣ Анжелика Лурс Кур (DD.NYC)
Основательница и креативный директор нью-йоркской дизайн-студии DD.NYC, специализирующейся на инновационных решениях для бизнеса. Среди ее разработок — сайты знаменитого архитектурного бренда BAS Stone NYC, лидера в сфере элитной недвижимости SJP Properties, футбольного стадиона New York City FC.

3️⃣ Артем Геллер (дизайн-студия СМЕНА (группа AIC))
Человек, которого мы знаем, в первую очередь, по его образовательной миссии «Дизайн-выходные». Эти масштабные конференции по всей России вносят важный вклад в развитие дизайн-индустрии вот уже больше 12 лет. А ещё именно студия Артема Геллера разработала ряд современных государственных веб-ресурсов, включая сайт Президента России, сайт Правительства и сайт Государственной Думы.

4️⃣ Макс Орлов (ONY)
Проекты его студии постоянно нас впечатляют и являются эталоном масштабности и эстетики. Именно в студию Макса Орлова обращались за ребрендингом многие известные компании — такие, как МТС, МегаФон, Kaspersky. Для них же ONY разрабатывала и мобильные приложения (например, «МТС музыка» и «МегаФон IPTV»).

5️⃣ Евгений Кузьмин (UPROCK)
Основатель и арт-директор школы дизайна UPROCK и одноименной студии. Работал с Panasonic, Honda, Coca-Cola, S7, OnePlus и другими крупными брендами. Автор уникальных учебных методик. Успех онлайн-школы URPOCK — отличный пример того, как амбициозные образовательные проекты могут стать неотъемлемой частью профессионального сообщества и способствовать развитию всей индустрии.

Количество мест ограничено!

Дата: 15 марта 2025 г.
Время: с 12:00 до 20:00 по Мск.
Адрес: Москва, ул. Новый Арбат, 24, Кинотеатр «КАРО 11 Октябрь».

➡️ Купить билет

Реклама
ИП Кузьмин Евгений Леонидович
ИНН 63450264173
erid: 2VtzqwyCqmR

Цифровой геноцид ревью: Что нового в UX? Гонзо-новости UX и HCI статей в феврале

AI-Instruments: Embodying Prompts as Instruments to Abstract & Reflect Graphical Interface Commands as General-Purpose Tools
https://arxiv.org/html/2502.18736v1

Промты на основе чата отвечают многословными линейно-последовательными текстами, что затрудняет изучение и уточнение неоднозначных намерений, резервное копирование и переосмысление или изменение направлений в творческой работе по проектированию с помощью ИИ. Вместо этого AI-Instruments воплощают «подсказки» как объекты интерфейса

На самом деле речь идет о скетчах или набросках - логичное продолжение, загружаете скетч рисунка, ЛЛМ дорабатывает, потом исправляете промтами. Синергия разных моделей графических и языковых это, конечно, очевидная мысль. Итак предлагаются четыре инструмента (Technology Probes): Fragments (Фрагменты) - Разбивают промпт на атрибуты (например, [стиль, иллюстрация]), которые можно манипулировать.Transformative Lenses (Трансформирующие линзы): Накладываются на контент для создания новых изображений (например, добавление фона). Generative Containers (Генеративные контейнеры):Генерируют набор вариантов (2×2 сетка) для одного промпта. Fillable Brushes (Заполняемые кисти): Позволяют локально изменять изображение (например, стиль или цвет).

Towards Bidirectional Human-AI Alignment: A Systematic Review
https://arxiv.org/html/2406.09264v3

Достижения в области универсального искусственного интеллекта (ИИ) подчеркнули важность направления ИИ-систем на достижение целей, этических принципов и ценностей, присущих как отдельным людям, так и группам — концепция, широко известная как контроля или выравнивания (alignment). Выравнивание— это процесс кодирования человеческих ценностей и целей в большие языковые модели, чтобы сделать их максимально полезными, безопасными и надежными.

Вообще, интересно, например, вот тут IBM рассуждает как моделировать ценности и цели в языковых моделях
https://www.ibm.com/think/topics/ai-alignment

Однако отсутствие четких определений и рамок человеческо-ИИ выравнивания представляет собой значительное препятствие, затрудняющее совместные усилия в различных исследовательских областях для достижения этого контроля. В частности, исследования выравнивания, ориентированные на машинное обучение (ML) и философию, часто рассматривают выравнивание ИИ как статичный, однонаправленный процесс (то есть направленный на то, чтобы цели ИИ-систем соответствовали целям людей), а не как продолжающуюся проблему взаимного выравнивания. Такой подход в значительной степени игнорирует долгосрочное взаимодействие и динамические изменения в процессе выравнивания. Чтобы понять эти пробелы, мы представляем систематический обзор более 400 статей. Какие ценности зашивают в промты для контроля ЛЛМ? Ценности сгруппированы по четырем основным категориям: "Openness to Change", "Self-Enhancement", "Conservation", "Self-Transcendence" и дополнительная категория "Desired Values for AI Tools".
Openness to Change (Открытость к переменам):
Self-Direction: Свобода выбора, творчество, независимость.
Stimulation: Возбуждение, новизна, вызов .
Hedonism: Наслаждение, чувственное удовлетворение.
Self-Enhancement (Самосовершенствование):
Achievement: Компетентность по социальным стандартам).
Power: Статус, контроль, доминирование .
Conservation (Сохранение):
Security: Безопасность, стабильность .
Tradition: Уважение традиций.
Conformity: Соответствие нормам, дисциплина .
Self-Transcendence (Самотрансценденция):
Benevolence: Благотворительность, забота о других .
Universalism: Защита благополучия всех, равенство .
Desired Values for AI Tools (Желаемые ценности для ИИ-инструментов):
Competency: Компетентность ИИ .
Human-Likeness: Сходство с человеком .

Applying the Gricean Maxims to a Human-LLM Interaction Cycle: Design Insights from a Participatory Approach
https://arxiv.org/abs/2503.00858

Прагматика Грайса это достаточно старая тема, которая возникла еще в 60ые, помню писал диплом и диссертацию на эту тему, как собственно, и статью на русской википедии о Грайсе. Тут надо отметить, что это опять таки история про выравнивание, но теперь в духе лингвистической прагматики
Каждый этап оценивается по четырем параметрам:
Quality (Качество): Точность и полезность вывода.
Relation (Связь): Соответствие запросу пользователя.
Quantity (Количество): Объем предоставленной информации.
Manner (Способ): Стиль и структура представления.
Как это может работать? Прописывать максимы Грайса в каждом промте, возможно, чтобы получить ответы. Другой вопрос - а с чем сравнивать?

Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior
https://arxiv.org/abs/2502.20349
Авторы утверждают, что повышение натурализма в когнитивной науке необходимо для создания моделей, которые могут обобщать поведение человека в более широком диапазоне условий. Традиционные упрощенные настройки часто не способны отразить сложность естественных систем, поэтому эксперименты, охватывающие натуралистические условия, крайне важны. Статья разделена на части, посвященные вопросам «Что», «Зачем» и «Как» достичь этой цели, а также содержит примеры и предложенную структуру.
Что: Цель — разработать модели интеллекта на основе обучения, которые могут предсказывать поведение человека как в упрощенных, так и в натуралистических стимулах и задачах, постепенно увеличивая натурализм (раздел 2, рисунок 1).
Зачем: Увеличение натурализма повышает экологическую валидность моделей, позволяя им обрабатывать разнообразные данные и лучше обобщать. Упрощенные условия ограничивают спектр задач и дают менее разнообразные результаты по сравнению с натуралистическими (раздел 3).
Как: Это предполагает использование практик экспериментального дизайна из когнитивной науки и машинного обучения, таких как создание воспроизводимых моделей, ориентация на изучение явлений и тестирование для ускорения прогресса. Процесс включает разработку и оценку моделей, начиная с упрощенных условий и постепенно добавляя элементы натурализма (раздел 5, рисунок 2).
Авторы предлагают рабочий процесс, при котором модели сначала обучаются на упрощенных данных, затем тестируются и дорабатываются с использованием все более натуралистических данных для улучшения предсказаний. Ключевые аспекты включают акцент на моделях, которые предсказывают поведение человека в разнообразных условиях, и использование устоявшихся методов (например, рационального анализа) вместе с новыми инструментами для построения когнитивных теорий.
Примеры увеличения натурализма:
В статье приведены примеры по различным аспектам: парадигмы задач, окружающая среда, архитектура моделей и алгоритмы обучения:
Парадигмы задач: Тестирование моделей на множестве задач (например, обучение с подкреплением или задачи выбора), а не на одной; использование разнообразных стимулов (например, синтетические изображения с реальными или видео); учет различных скрытых факторов, а не только очевидных переменных.
Окружающая среда: Использование больших пространств состояний, отражающих сложность реального мира, включение социальных агентов, постоянно меняющихся условий и динамических взаимодействий.
Архитектура моделей: Переход от простого распознавания 2D-объектов к 3D, обработке естественного языка или дополненной реальности, что позволяет охватить более широкий спектр входных данных.
Алгоритмы обучения: Применение методов обучения без учителя, самообучения, внутреннего, социального, культурного или перспективного обучения для адаптации к изменяющимся задачам.
Подход и цели:
Авторы отмечают, что недавние достижения в компьютерных науках и инженерии делают более натуралистичные экспериментальные дизайны доступными.

Что думаю? Что хочу попробовать на опросниках собирать данные экспериментальные - подобно проблемы вагонетки или других экземпляров из поведенческой экономики. Вообще, таких сложных вопросов много можно придумать, например, “Какое доказательство бытия бога вам кажется наиболее убедительным? Онтологический, космологический, моральный и телеологический и т.д.”, которые будут важными способами описать этическую или экономическую природу поведения аудитории

Без комментариев. Некоторые отрывки из статьи, можете почитать и ознакомиться сами

The Cartesian Crisis: Why You Will Believe Nothing
Картезианский кризис: Почему вы не будете верить ничему
https://www.mindprison.cc/p/the-cartesian-crisis

Коллапс доверия к институтам и непрозрачная стена реальностей, созданных искусственным интеллектом
Цивилизация находится на краю пропасти, где она вот-вот утратит способность любого человека различать реальность. Ясность истины разрушается различными сущностями, оставляя общество дрейфовать без освещённого ориентира, который мог бы спасти его от утопления в море иллюзий.

Что такое картезианский кризис?
Картезианский кризис возникает, когда состояние цивилизации таково, что люди больше не могут быть уверены в достоверности какой-либо информации. Это существование в мире, лишённом проверяемой истины или реальности. Способность различать реальность — фундаментальная потребность для нормального функционирования разума. Следовательно, этот сценарий предполагает исход, при котором мир погружается в полнейший хаос, поскольку истина и разум рушатся, а границы между здравомыслием и безумием исчезают.

Что является инструментальной причиной картезианского кризиса?
Этот кризис возникает из сочетания различных источников, и нет единственной главной причины, из которой проистекают все проблемы.

Он включает в себя провалы институтов знаний, которые поддались целям, не соответствующим их заявленной миссии, что привело к руководству, отравленному пропагандой и идеологией.

Информация в интернете теряется. В огромном море данных мало кто замечает затопление нескольких судов. Огромные объёмы данных, генерируемых ежедневно, помогают скрывать исчезающую информацию. Нам невозможно уделять этому внимание.

Мы теряем ссылки на важные юридические документы.

49% ссылок, процитированных в решениях Верховного суда, не работают

The Atlantic

Важные знания о нашем прошлом исчезают.

38% веб-страниц с 2013 года больше не доступны

Галлюцинирующий ИИ пишет наши ресурсы знаний
ИИ теперь пишет значительную часть контента, доступного в интернете, из-за конкуренции между людьми за производство большего объёма контента ради финансовых преимуществ для себя или организаций, на которые они работают.
Если ваши конкуренты используют ИИ для манипуляций системой и это приносит им выгоду, то неиспользование ИИ ставит вас в невыгодное положение. Это тревожное явление, при котором все погружаются в море машинно-генерируемого шума. Это "фаст-фуд" информации: низкое качество, но в больших объёмах.

Примечательно, что введение ChatGPT в ноябре 2022 года вызвало значительный всплеск научных статей, созданных ИИ, увеличив долю статей, идентифицированных как ИИ, с 3,61% в ноябре 2022 года до 6,22% в ноябре 2023 года.

Сегодня на Google Scholar 119 статей, созданных ИИ. По темам, таким как COVID-19, травмы позвоночника, грибковые инфекции, антибиотики