Минутка спецкурса:

Мышление это сборка решения задачи из разных фрагментов — анализа, логики, интуиции, воображения, но это всё главные инструменты творческой работы интеллекта. Соединить воедино опыт, лучшие теории и самые креативные практики мы предложили с 20-29 апреля, десять дней, вечерами в телеграм.

Продолжается набор на наш спецкурс о мышлении, подробней можно узнать здесь. Сотни прошли через наш спецкурс с чувством, что им очень даже повезло и по нашей традиции мы постоянно обновляем материал, делаем его ещё более актуальным, ведь творческому мышлению можно учить только креативно и оригинально.

Спецкурс часть креативной культуры сообщества нашего канала — присоединяйтесь командами и лично. Будем совершенствовать вместе инструменты мышления.

А еще есть книга где часть идей и подходов изложена детально и полезно для всех.

Мышление — это главный инструмент профессионала.

Alexey Romashin: «Краткий курс брендинга для дизайнеров»
https://designpub.ru/827c4d9d589c

UX Teddy: «Как работать с огромными шрифтами в вебе»
https://designpub.ru/094b9a2043f2

Junior

Автор

🟢 Погрузитесь в разработку на Vue.js и усильте свое резюме!

Начните с бесплатного практического урока «Разработка SEO-оптимизированных сайтов с Nuxt3. Возможности Nuxt» от OTUS, спикер Михаил Кузнецов — Fullstack developer и тимлид в немецкой компании Zalando.

На вебинаре вы подробно разберете:
➖ возможности, плагины и расширения Nuxt3;
➖ основные API Nuxt;
➖ чем SSR лучше и для каких проектов подходит.


👉 Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить запись: https://otus.pw/Yn0U/

Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru

🖐🏼Amazon One улучшает взаимодействие с клиентами благодаря новому мобильному приложению

Система идентификации по ладони Amazon One упрощает регистрацию пользователей с помощью нового мобильного приложения. Теперь клиенты могут зарегистрироваться в сервисе, просто сделав снимок своей ладони в приложении.

🧰 Duotones — простой плагин, позволяющий добавить на фотографии эффект дуотона.

Поддерживаю мадам, несмотря на то что такая схема двереоткрывания нужна чтоб эффективнее сохранять тепло в помещении. Лучше удариться лбом внутри крутящихся дверей, чем искать с какой стороны диагональный проход работает.

Абеляр и Элоиза схоластики XXI века: Инженерия знаний и Инженерия промтов

В этом мире, где каждая технологическая инновация стремится к определенному виду апокалипсиса знаний, роль инженерии знаний, безусловно, выходит на передний план. Основанная на онтологиях и тезаурусах, она представляет собой бастарда между архивариусом и алхимиком, вечно стремящимся к созданию экспертных систем и баз данных, подобно древним библиотекам Александрии… Последние 40 лет теорией, которая должна была наполнять данными ИИ была теория инженерии знаний, которая ориентирована на разработку экспертных систем и баз знаний при помощи онтологий и тезаурусов. К каждой такой инженерии прикладывался в рамках корпорации и свой менеджер знаний: фактически каждая компания имела отдельного менеджера знаний и инженеров знаний. На моей практике в СНГ это заменялось экспериментами с пресловутым и запрещенным ныне конфлюенс, а роль менеджера знаний редко когда выходила дальше редактирования этого пакета.
https://ru.wikipedia.org/wiki/%D0%98%D0%BD%D0%B6%D0%B5%D0%BD%D0%B5%D1%80%D0%B8%D1%8F_%D0%B7%D0%BD%D0%B0%D0%BD%D0%B8%D0%B9

Кажется, что LLM может быть интересной новацией, которая направлена именно на подзабытые дисциплины инженерии и менеджмента знаний внутри контура организаций. В октябрьской статье 2023 года Knowledge Engineering using Large Language Models предлагается взглянуть через призму больших языковых моделей, которые могут быть потенциальной революцией
https://arxiv.org/abs/2310.00637

Инженерия знаний приобрела известность в семидесятых годах, когда Эдвард Фейгенбаум и другие убедились, что автоматизация производства знаний посредством применения исследований в области искусственного интеллекта требует сосредоточения внимания на конкретной предметной области . В период с середины 1970-х по 1980-е годы возникла инженерия знаний основанных на правилах экспертных систем для целей автоматизации принятия решений в корпорация, но к началу девяностых годов стало ясно, что подход экспертных систем привел к созданию систем, которые были дорогими в обслуживании и трудными в адаптации, они не могли быстро изменяться в зависимости от контекста и изменяться вместе с требованиями. Фейгенбаум утверждал, что для успеха будущие системы, основанные на знаниях, должны быть масштабируемыми и глобально распределенными - в том числе, чтобы не увязнуть в бюрократических лабиринтах согласований.
LLM — это вероятностные модели естественного языка, обученные на очень больших массивах контента, в основном полученных из Интернета. Подобно предыдущим подходам к языковому моделированию, учитывая последовательность токенов, LLM прогнозируют вероятную следующую последовательность токенов на основе изученного распределения вероятностей таких последовательностей. Однако, из-за огромного количества контента, обрабатываемого при обучении, а также большого размера и архитектуры задействованных нейронных сетей, LLM демонстрируют замечательные возможности обработки естественного языка, которые намного превосходят более ранние подходы

Традиционно подходы к инженерии знаний фокусировались на знаниях, выраженных на формальных языках. Появление больших языковых моделей и их возможностей эффективно работать с естественным языком в самом широком смысле ставит вопросы об основах и практике инженерии знаний. Авторы статьи обрисовывают потенциальную роль LLM в инженерии знаний, выделяя два центральных направления: 1) создание гибридных нейросимволических систем знаний; и 2) обеспечение возможности инженерии знаний на естественном языке. В истории компьютерных исследований инженерии знаний знания часто рассматривались в первую очередь как символические выражения. Однако, знания на самом деле кодируются в различных средах и формах, в первую очередь в естественном языке, но также в изображениях, видео или даже электронных таблицах. Этот факт становится еще более очевидным, если взглянуть на практики институционального знания, которые развивались веками, например, в науке или архивах, библиотеках и фондах.

В итоге инженерам знаний нужно формализовать знания, что составляет существенную часть их работы. С появлением LLM с их возможностями изучения и обработки языка стало очевидным, что они предоставляют новый и мощный инструмент общего назначения для картографирования.

Во-первых, LLM может быть полезным компонентом для различных процессов, которые являются частью более крупного рабочего процесса инженерии знаний; во-вторых, LLM — это когнитивный артефакт, который сам по себе можно рассматривать как базу знаний (т. е. «LM как базы знаний»]). Мы используем эту дихотомию, чтобы сформулировать пару возможных будущих сценариев использования LLM. Один из них — использовать LLM в качестве технологии или инструмента для поддержки реализации задач по сбору знаний, которые традиционно создавались с использованием старых технологий, таких как базы правил и обработка естественного языка. Другой способ — использовать LLM, чтобы устранить необходимость для инженеров по знаниям свободно владеть формальным языком, т. е. позволяя выражать знания для данной задачи знаний на естественном языке, а затем использовать быстрое проектирование в качестве основной парадигмы для реализации рассуждение и обучение.
Если угодно промт-инженер это знаниевый инженер в той же степени в какой дизайнер интерфейсов это фронтенд-разработчик.


Как компонент и инструмент:
Приобретение и извлечение знаний LLM могут использоваться для поддержки приобретения и извлечения знаний в заданной области интересов. Инженеры могут создавать промты, ориентированные на конкретные аспекты предметной области, используя ответы в качестве отправной точки для создания базы знаний. Диалоги между LLM, обученными с использованием таких подсказок, и поставщиками знаний, экспертами в предметной области, могут способствовать анализу, проверке и уточнению полученных знаний
Организация знаний LLM можно использовать для организации приобретенных знаний в последовательную структуру с использованием естественного языка, что упрощает их понимание и обновление. Разработка подсказок может использоваться для разработки набора промтов, которые извлекают формальный язык с использованием LLM, например, для генерации текста в графики или наоборот. Более того, LLM используются для синтеза программ, генерации метаданных или для объединения графов знаний
Data augmentation LLM для увеличения данных можно использовать для генерации синтетических обучающих данных, которые помогут в тестировании системы знаний путем оценки ее производительности в экземплярах конкретной задачи

Тестирование и обратная связь с экспертом при помощи LLM

Как база знаний
Инженерия знаний как промт инженерия
Учитывая, что LLM позволяют моделировать знания на естественном языке, вполне возможно, что программирование модулей знаний может происходить полностью на естественном языке. Учтите, что программирование промтов — это «поиск наиболее подходящей промта, позволяющей LLM решить задачу». Через эту призму инженерию знаний можно рассматривать как создание диалогов, в которых эксперт в предметной области (SME) приходит к выводу, рассматривая предшествующий контекст и аргументацию
Вывод на естественном языке.
LLM можно использовать для создания механизмов вывода на естественном языке, которые используют организованные знания для выполнения конкретной задачи, принимая входные запросы и генерируя выходные данные с использованием быстрого проектирования, чтобы направлять LLM к генерированию точных выводов. Преимущество здесь заключается в том, что разрыв между инженером знаний, поставщиком знаний (специалистом в данной области) и пользователем меньше, поскольку перевод на формальный язык (язык инженера) больше не требуется.

Да никто эти названия не знает, а кто знает - тот врет

Плакаты Влада Буракова из Москвы

Больше плакатов: awdee.ru/posters-by-vlad-burakov-from-moscow

#awd_poster via readymag.website/burakov/vlad/3