ЧТО-ТО ВДРУГ ВСПОМНИЛ
Консультант уверен, что решает ту проблему, которая у вас есть.
Опытный консультант уверен, что у вас есть та проблема, которую он решает.
Вы, который и не подозревали, сколько у вас ещё разных проблем есть.
#экспериментальныйЮмор
Консультант уверен, что решает ту проблему, которая у вас есть.
Опытный консультант уверен, что у вас есть та проблема, которую он решает.
Вы, который и не подозревали, сколько у вас ещё разных проблем есть.
#экспериментальныйЮмор
😁7👍3🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
САБОТАЖ И ТВОРЧЕСТВО
Вы верите, что успех проекта зависит от «вовлеченности команды»?
Если бы я получал 1 рубль за каждую фразу «Человеческий фактор» — был бы в списке Форбс. Люди ненадёжны, они устают, ошибаются, обижаются, интригуют и саботируют.
Дайте им четкую инструкцию и они сделают плохо, но сделают. А в следующий раз чуть улучшат — так а разве не в этом суть «непрерывного совершенствования»?
Другой вопрос, что значит «четкую»?
Строгая последовательность шагов, с подробными критериями успеха
(у этого есть сопудствующий эффект — сотрудник не нуждается в оценке руководителя, он преодолел все точки контроля, он знает, что молодец).
В то же время, малые шаги буквально бросают вызов компетенциям антагониста — как не справиться с элементарной задачей?!
Таким образом, строгий порядок, «узкий коридор» и короткие реперные точки практически исключают возможность для бездействия или скрытого противодействия проекту.
Формализм — ещё один «чёрствый пряник» мотивации
vs. дискретность и детерминированностьВы верите, что успех проекта зависит от «вовлеченности команды»?
Если бы я получал 1 рубль за каждую фразу «Человеческий фактор» — был бы в списке Форбс. Люди ненадёжны, они устают, ошибаются, обижаются, интригуют и саботируют.
Дайте им четкую инструкцию и они сделают плохо, но сделают. А в следующий раз чуть улучшат — так а разве не в этом суть «непрерывного совершенствования»?
Другой вопрос, что значит «четкую»?
Строгая последовательность шагов, с подробными критериями успеха
(у этого есть сопудствующий эффект — сотрудник не нуждается в оценке руководителя, он преодолел все точки контроля, он знает, что молодец).
В то же время, малые шаги буквально бросают вызов компетенциям антагониста — как не справиться с элементарной задачей?!
Таким образом, строгий порядок, «узкий коридор» и короткие реперные точки практически исключают возможность для бездействия или скрытого противодействия проекту.
Формализм — ещё один «чёрствый пряник» мотивации
🔥3👍2🤔2
#AdminCell: РЕПЕРНЫЕ ТОЧКИ
1. Конкретизированы цели (план) подразделения (бизнес-единицы).
2. Цели #QCDM декомпозированы по участкам линии (см. #VSM).
3. Организован цикл (см. #PDCA) производственного контроля на участках линии.
4. Стандартизированы обзорные встречи (#Obeya) по результатам.
5. Выполнена привязка показателей к финансовой деятельности (#TCO).
6. Проведён анализ возможностей потока создания ценности (см. #VSA).
7. Согласован баланс параметров качества (см. #SLA).
8. Утвержден трансформационный план подразделения (#TPOC).
формальные признаки зрелости:1. Конкретизированы цели (план) подразделения (бизнес-единицы).
2. Цели #QCDM декомпозированы по участкам линии (см. #VSM).
3. Организован цикл (см. #PDCA) производственного контроля на участках линии.
4. Стандартизированы обзорные встречи (#Obeya) по результатам.
5. Выполнена привязка показателей к финансовой деятельности (#TCO).
6. Проведён анализ возможностей потока создания ценности (см. #VSA).
7. Согласован баланс параметров качества (см. #SLA).
8. Утвержден трансформационный план подразделения (#TPOC).
#FMEA: РЕПЕРНЫЕ ТОЧКИ
1. Зафиксировать целевые параметры (например, Кипяток для кофе: 92-96°С).
2. Собрать виды отклонений от целевых параметров (например:
— t > 96°C
— t < 92°C
— t < 85°C
— t < 70°C
— t < 25°C).
3. Оценить критичность последствий отклонений (от 1 до 10): S (англ. severity — суровость, тяжесть), где 10 — это катастрофа для процесса или актива.
4. Подготовить по каждому отклонению (более одной ветки, и не дальше зоны влияния) причины возникновения.
5. Оценить вероятность по каждой причине отклонения (от 1 до 10): O (англ. occurrence — возникновение), где 10 — это гарантированное событие.
6. Укажите используемые методы диагностики выявления причин и противодействия отклонениям (#BAKA, #POKA, #ANDON, #IoT,... светозвуковая сигнализация).
7. Оцените проактивность методов диагностики (от 1 до 10): D (англ. detection — обнаружение), где 10 — это отсутствие возможности диагностировать причину по факту.
8. Рассчитайте пограничное число риска S×O×D=RPN (Risk Priority Number).
9. Выделите (#80l20) причин отклонений с максимальным значением RPN.
10. Разработать мероприятия по снижению RPN — уменьшение S степени влияния отклонения, O вероятности возникновения и/или развития методов тестирования и диагностирования.
#FMEA #FMECA #FMEDA
формальные признаки зрелости:1. Зафиксировать целевые параметры (например, Кипяток для кофе: 92-96°С).
2. Собрать виды отклонений от целевых параметров (например:
— t > 96°C
— t < 92°C
— t < 85°C
— t < 70°C
— t < 25°C).
3. Оценить критичность последствий отклонений (от 1 до 10): S (англ. severity — суровость, тяжесть), где 10 — это катастрофа для процесса или актива.
4. Подготовить по каждому отклонению (более одной ветки, и не дальше зоны влияния) причины возникновения.
5. Оценить вероятность по каждой причине отклонения (от 1 до 10): O (англ. occurrence — возникновение), где 10 — это гарантированное событие.
6. Укажите используемые методы диагностики выявления причин и противодействия отклонениям (#BAKA, #POKA, #ANDON, #IoT,... светозвуковая сигнализация).
7. Оцените проактивность методов диагностики (от 1 до 10): D (англ. detection — обнаружение), где 10 — это отсутствие возможности диагностировать причину по факту.
8. Рассчитайте пограничное число риска S×O×D=RPN (Risk Priority Number).
9. Выделите (#80l20) причин отклонений с максимальным значением RPN.
10. Разработать мероприятия по снижению RPN — уменьшение S степени влияния отклонения, O вероятности возникновения и/или развития методов тестирования и диагностирования.
#FMEA #FMECA #FMEDA
#МУМ: РЕПЕРНЫЕ ТОЧКИ
1. Построить карту потока (#VSM) — порядок производства (без привязки к местности).
2. Построить мат.модель отражающую базовый уровень (#TaktTime/#OEE).
3. Утвердить план мероприятий по смещению «узкого места» (#TPOC).
4. Выявить потенциал — ограничение потока, следующее за «узким местом».
5. Автоматизировать учет потерь (#OEE) в процессе «узкого места».
5. Организовать систему контроля на коротком интервале (#SIC) в циклах.
6. Внедрить систему регистрации типовых ошибок цикла (#APC).
7. Собрать из доступных уровней сквозную модель контроля:
APC › SIC › OEE › VSM › EVSM
формальные признаки зрелости:1. Построить карту потока (#VSM) — порядок производства (без привязки к местности).
2. Построить мат.модель отражающую базовый уровень (#TaktTime/#OEE).
3. Утвердить план мероприятий по смещению «узкого места» (#TPOC).
4. Выявить потенциал — ограничение потока, следующее за «узким местом».
5. Автоматизировать учет потерь (#OEE) в процессе «узкого места».
5. Организовать систему контроля на коротком интервале (#SIC) в циклах.
6. Внедрить систему регистрации типовых ошибок цикла (#APC).
7. Собрать из доступных уровней сквозную модель контроля:
APC › SIC › OEE › VSM › EVSM
#SMED: РЕПЕРНЫЕ ТОЧКИ
1. Провести наблюдения, на диаграмме (#Gantt) разделить операции на внешние и внутренние.
2. Выявить (выделить красным) критический путь по внутренним операциям.
3. Убрать все подготовительные операции с критического пути.
4. Стандартизировать операции на критическом пути (делай #SOP).
5. Выявить лучшую практику (время) выполнения каждой стандартной операции.
6. Построить модель выполнения операций критического пути из лучших практик (только минимальное время).
7. Разницу между лучшим временем и стандартным по критическому пути, определить в буфер.
8. Остальные внутренние операции (вне критического пути) оптимизировать под лучшее время пути, без учёта буфера.
9. Организовать систему контроля за ресурсом буфера в режиме реального времени.
формальные признаки зрелости:1. Провести наблюдения, на диаграмме (#Gantt) разделить операции на внешние и внутренние.
2. Выявить (выделить красным) критический путь по внутренним операциям.
3. Убрать все подготовительные операции с критического пути.
4. Стандартизировать операции на критическом пути (делай #SOP).
5. Выявить лучшую практику (время) выполнения каждой стандартной операции.
6. Построить модель выполнения операций критического пути из лучших практик (только минимальное время).
7. Разницу между лучшим временем и стандартным по критическому пути, определить в буфер.
8. Остальные внутренние операции (вне критического пути) оптимизировать под лучшее время пути, без учёта буфера.
9. Организовать систему контроля за ресурсом буфера в режиме реального времени.
ХОЛОДНОЕ ДЫХАНИЕ В СПИНУ
Целые поколения фантастов грезили о том, что вот-вот роботы примут из натруженных рук тяжелые профессии, освободив человечеству время для творчества. А выходит всё наоборот: стихи, песни, музыка, проза, анализы, синтез и прочие исследования уже на стороне ИИ (или с их применением).
Возможно, дело в том, что мы сами плохо понимаем природу Творчества. Упростили понятие до создания нового (незарегистрированного) контента и скатились на днище в копирайтинг (англ. copywriting, copy — копировать, write — писать)²
Превратили искусство в конвейер и штампуем по лекалам трендов в погоне за дешевым эндорфином, а машина делает это быстрей.
А где огонь и страсть, испепеляющая душу, и страх быть преданным огню?
— Ренессанс, который мы заслужили
В конечном счёте, проблема не в том, что ИИ скопирует Борхеса, а в том что 🫵 ты не заметишь разницы.
И остаётся верить, что машины на деле — не огонь крадут, а "переписывают" копинг (англ. coping — справиться)³ во спасение наших душ.
Осталось года два¹Целые поколения фантастов грезили о том, что вот-вот роботы примут из натруженных рук тяжелые профессии, освободив человечеству время для творчества. А выходит всё наоборот: стихи, песни, музыка, проза, анализы, синтез и прочие исследования уже на стороне ИИ (или с их применением).
Возможно, дело в том, что мы сами плохо понимаем природу Творчества. Упростили понятие до создания нового (незарегистрированного) контента и скатились на днище в копирайтинг (англ. copywriting, copy — копировать, write — писать)²
Превратили искусство в конвейер и штампуем по лекалам трендов в погоне за дешевым эндорфином, а машина делает это быстрей.
А где огонь и страсть, испепеляющая душу, и страх быть преданным огню?
— Ренессанс, который мы заслужили
В конечном счёте, проблема не в том, что ИИ скопирует Борхеса, а в том что 🫵 ты не заметишь разницы.
И остаётся верить, что машины на деле — не огонь крадут, а "переписывают" копинг (англ. coping — справиться)³ во спасение наших душ.
👍3🔥1
ГЕНЕРАЦИЯ ТВОРЧЕСТВА
ИИ хорошо продаётся тем, кому нет разницы, большая это языковая модель или генеративная сеть 🤷♂
До тех пор, пока они не переходят к решению профессиональных задач. Будучи компетентным в вопросе, и получая посредственное 💩 решение, приходит глубокое разочарование.
Причина в том, что языковая модель (LLM, Large Language Model) — это всё ещё предсказательная математическая модель «нечёткой логики».
На вход (X1—Xn) задаётся набор единиц и нулей, а на выход Y — верный ответ. Модель подгоняет вес (%) коэффициента к каждому X, чтобы (сумма) ответ соответсвовал заданному Y.
В следующий цикл, снова корректирует веса входов, чтобы обеспечить сходимость уже двух ответов. И так далее, чем больше выборка (уникальных ответов), тем точнее система подберёт формулу их формирования — экий реинжиниринг уравнения.
👅 LLM — это предсказание Слова по ряду использованных слов (поэтому первые модели так «любят» отвечать большими простынями размышлений).
Элементом Творчества здесь является применение рандомного коэффициента (генерации случайного числа) при получении равных вероятностей и сохранение цепочки повествования.
Как результат, при одном и том же запросе, мы получаем набор неповторяющихся ответов.
Кардинально подход к моделям изменился, когда вместо последовательного предсказания следующего слова, стали применятся параллельные модели.
Таким образом, модель оценивала вероятность следующего слова, не в рамках текущего ряда слов, а из ассоциативного ряда к каждому слову.
В результате изменения подхода модель начала выстраивать ассоциативные связи, подтягивать новые опции ответа, лучше удерживала контекст запроса.
Знаковый прорыв случился, когда модель обучили на реальных переписках с форума в объеме более 40Gb текста (для сравнения: собрание всех сочинений Л.Н. Толстого – 4,2Gb).
Подобно тому, как вы смотрели на картинку и сравнивали с верным ответом (или зазубривали) билеты ПДД, проникая в таинство принципов организации дорожного движения. Модель научилась имитировать осознанную (типовой набор патернов, интересов, ассоциаций) личность.
Появление Творчества в виде свободы интерпретации (генерации случайных ассоциаций) позволило LLM преодолеть тест Тьюринга и задачи Виноградова.
В следующем поколение материал для обучения увеличили до 420Gb, добавив структурированную информацию: Википедия, библиотеки электронных книг и архивы интернет-изданий.
За счёт организованности информации модель стала лучше выполнять задачи экстраполяции – прогнозировать не чаще встречаемый, а соответствующий «фреймворку» (возможно редкий, но более ценный) вариант ответа.
В то же время модели стали «подгючивать» — перепрыгивать цепочки рассуждения (#CoT) предвосхищая ответ. Чтобы снизить негативный эффект в промт стали добавлять пошаговое предсказание или использовать каскад промтов, пресекая Творчество на корню.
А теперь, на примере данных о GPT-4, рассмотрим текущее поколение моделей. Помимо увеличение вычислительной мощности, а также ограничения размера промта до 32k токенов (важно знать, что суффиксы, корень слова и окончание — это три отдельных токена, то есть промт менее 10k слов), применены:
1. Лицензированные данные – переход от доступной информации к значимой, а также удобная лазейка по вопросам авторских прав.
2. Мультифункциональные модули, думаю, именно так был решён вопрос загрузки изображений на входе и нравственной безопасности на выходе.
Технология комбинации нескольких нейронных сетей называется генеративно-состязательной сетью (#GAN, Generative adversarial network).
Например, одна сеть выступает генератором — Творцом, а вторая дискриминатором — Экспертом.
Чтобы стать Экспертом в сеть загрузили выборку успешных работ для построения «нечёткой формулы».
Далее Творец, со скоростью вычеслительной машины, генерирует случайные результаты, получая от Эксперта лишь оценку (%) соответствия «успеху».
В итоге (вопрос вычислительной мощности), мы получим «красивую картинку» — результат соответствующий критериям приемлемого, но☝️в рамках предсказуемой математики.
продолжение ›››
дуэт энтузиаста и снобаИИ хорошо продаётся тем, кому нет разницы, большая это языковая модель или генеративная сеть 🤷♂
До тех пор, пока они не переходят к решению профессиональных задач. Будучи компетентным в вопросе, и получая посредственное 💩 решение, приходит глубокое разочарование.
Причина в том, что языковая модель (LLM, Large Language Model) — это всё ещё предсказательная математическая модель «нечёткой логики».
На вход (X1—Xn) задаётся набор единиц и нулей, а на выход Y — верный ответ. Модель подгоняет вес (%) коэффициента к каждому X, чтобы (сумма) ответ соответсвовал заданному Y.
В следующий цикл, снова корректирует веса входов, чтобы обеспечить сходимость уже двух ответов. И так далее, чем больше выборка (уникальных ответов), тем точнее система подберёт формулу их формирования — экий реинжиниринг уравнения.
👅 LLM — это предсказание Слова по ряду использованных слов (поэтому первые модели так «любят» отвечать большими простынями размышлений).
Элементом Творчества здесь является применение рандомного коэффициента (генерации случайного числа) при получении равных вероятностей и сохранение цепочки повествования.
Как результат, при одном и том же запросе, мы получаем набор неповторяющихся ответов.
Кардинально подход к моделям изменился, когда вместо последовательного предсказания следующего слова, стали применятся параллельные модели.
Таким образом, модель оценивала вероятность следующего слова, не в рамках текущего ряда слов, а из ассоциативного ряда к каждому слову.
В результате изменения подхода модель начала выстраивать ассоциативные связи, подтягивать новые опции ответа, лучше удерживала контекст запроса.
Знаковый прорыв случился, когда модель обучили на реальных переписках с форума в объеме более 40Gb текста (для сравнения: собрание всех сочинений Л.Н. Толстого – 4,2Gb).
Подобно тому, как вы смотрели на картинку и сравнивали с верным ответом (или зазубривали) билеты ПДД, проникая в таинство принципов организации дорожного движения. Модель научилась имитировать осознанную (типовой набор патернов, интересов, ассоциаций) личность.
Появление Творчества в виде свободы интерпретации (генерации случайных ассоциаций) позволило LLM преодолеть тест Тьюринга и задачи Виноградова.
В следующем поколение материал для обучения увеличили до 420Gb, добавив структурированную информацию: Википедия, библиотеки электронных книг и архивы интернет-изданий.
За счёт организованности информации модель стала лучше выполнять задачи экстраполяции – прогнозировать не чаще встречаемый, а соответствующий «фреймворку» (возможно редкий, но более ценный) вариант ответа.
В то же время модели стали «подгючивать» — перепрыгивать цепочки рассуждения (#CoT) предвосхищая ответ. Чтобы снизить негативный эффект в промт стали добавлять пошаговое предсказание или использовать каскад промтов, пресекая Творчество на корню.
А теперь, на примере данных о GPT-4, рассмотрим текущее поколение моделей. Помимо увеличение вычислительной мощности, а также ограничения размера промта до 32k токенов (важно знать, что суффиксы, корень слова и окончание — это три отдельных токена, то есть промт менее 10k слов), применены:
1. Лицензированные данные – переход от доступной информации к значимой, а также удобная лазейка по вопросам авторских прав.
2. Мультифункциональные модули, думаю, именно так был решён вопрос загрузки изображений на входе и нравственной безопасности на выходе.
Технология комбинации нескольких нейронных сетей называется генеративно-состязательной сетью (#GAN, Generative adversarial network).
Например, одна сеть выступает генератором — Творцом, а вторая дискриминатором — Экспертом.
Чтобы стать Экспертом в сеть загрузили выборку успешных работ для построения «нечёткой формулы».
Далее Творец, со скоростью вычеслительной машины, генерирует случайные результаты, получая от Эксперта лишь оценку (%) соответствия «успеху».
В итоге (вопрос вычислительной мощности), мы получим «красивую картинку» — результат соответствующий критериям приемлемого, но☝️в рамках предсказуемой математики.
продолжение ›››
👍4🤯1
ВМЕСТО ЗАКЛЮЧЕНИЯ
ИИ, по своей природе, выдает хорошо структурированный результат, с нужным уровнем детализации и аргументации.
В то же время, это как попугая учить цитатам Жванецкого — выглядит впечатляюще, но доверия нет.
Нет практики, противоречия и иррациональности. Все изящество инженерной мысли в укращении вредного воздействия, в адаптации системы к среде, в трансформации недостатков в преимущества.
Сила истинного интеллекта в иррациональности поступков. Не безумие и отвага, а холодный расчёт ресурса за рамками исходных данных.
Главным козырем ИИ остаётся скорость перебора вариантов и масштаб управления данными, так используй это!
Будь исследователем, стань учителем, расширяй фреймворк — скармливай студенту слой за слоем контекст проекта. Ты — повелитель хаоса. Твоя «чуйка» заточена предвидеть непредвиденное и ожидать неожиданное. Только ты способен распознать раздолбайство или коварный замысел антагонистов.
Если ты ждал знак, когда занятся ИИ — вот он 🏁🏁🏁🚀
сети разные важны, сети разные нужныИИ, по своей природе, выдает хорошо структурированный результат, с нужным уровнем детализации и аргументации.
В то же время, это как попугая учить цитатам Жванецкого — выглядит впечатляюще, но доверия нет.
Нет практики, противоречия и иррациональности. Все изящество инженерной мысли в укращении вредного воздействия, в адаптации системы к среде, в трансформации недостатков в преимущества.
Сила истинного интеллекта в иррациональности поступков. Не безумие и отвага, а холодный расчёт ресурса за рамками исходных данных.
Главным козырем ИИ остаётся скорость перебора вариантов и масштаб управления данными, так используй это!
Будь исследователем, стань учителем, расширяй фреймворк — скармливай студенту слой за слоем контекст проекта. Ты — повелитель хаоса. Твоя «чуйка» заточена предвидеть непредвиденное и ожидать неожиданное. Только ты способен распознать раздолбайство или коварный замысел антагонистов.
Если ты ждал знак, когда занятся ИИ — вот он 🏁🏁🏁🚀
👍1🤩1
This media is not supported in your browser
VIEW IN TELEGRAM
БЛА-БЛА-БЛА, ДАЕШЬ ПРАКТИКУ!
Нейроэксперт – сервис от Яндекса для работы с авторской информацией.
Изолированный «умный» ассистент, который работает только в рамках загруженных вами материалов (текст, таблица, аудио и видео до 25 файлов).
Сервис только запущен, поэтому не удивляйтесь «шероховатостям» бета версии, но по сути это отечественный ответ NotenookLM , Spaces и Project.
Понятно, у всех свои фичи (плюсы и минусы), главное же преимущество «Нейроэксперта» — это поддержание свободного диалога: поиск, пересказ, сравнение, анализ, синтез, вывод.
☝️ ИИ-агент, который не придумывает, а отвечает строго по загруженным материалам – это «облако», чат-бот и ИИ-поисковик в одном флаконе.
Пока для загрузки доступны форматы файлов: pdf, docx, pptx, xls, mp4, mp3, txt, а также ссылки на страницы и видеохостинги (YouTube 😳, VK, Rutube).
— Алиса-а-а, сервис — просто песня!
Ждем корпоративную версию, где и масштабы побольше, и безопасность повыше.
А я говорил вам, Константин, не надо им рассказыватьНейроэксперт – сервис от Яндекса для работы с авторской информацией.
Изолированный «умный» ассистент, который работает только в рамках загруженных вами материалов (текст, таблица, аудио и видео до 25 файлов).
Сервис только запущен, поэтому не удивляйтесь «шероховатостям» бета версии, но по сути это отечественный ответ NotenookLM , Spaces и Project.
Понятно, у всех свои фичи (плюсы и минусы), главное же преимущество «Нейроэксперта» — это поддержание свободного диалога: поиск, пересказ, сравнение, анализ, синтез, вывод.
☝️ ИИ-агент, который не придумывает, а отвечает строго по загруженным материалам – это «облако», чат-бот и ИИ-поисковик в одном флаконе.
Пока для загрузки доступны форматы файлов: pdf, docx, pptx, xls, mp4, mp3, txt, а также ссылки на страницы и видеохостинги (YouTube 😳, VK, Rutube).
— Алиса-а-а, сервис — просто песня!
Ждем корпоративную версию, где и масштабы побольше, и безопасность повыше.
🔥2💯1
This media is not supported in your browser
VIEW IN TELEGRAM
Привет всем кто переобулся, от тех кто даже не переоделся 😁
😁6🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
ПОЯСА SIX SIGMA — ВСЁ
Представьте что вы ведёте самолёт на посадку, а приборная панель обновляется раз в 20 минут 😱
Данные точны, но устарели и не соответствуют действительности.
Серьёзно, со времён Шухарта—Дейминга прошло более 70 лет — за это время мир не просто ускорился, а сменил две передачи.
Требования к точности прогноза растут как снежный ком, пока вы собираетестатистику, да что там —
Посмотри на офисную кофемашину: один льёт горячую воду, другой холодную, третий не может определиться — разбавляет до тёплой, гурманы ставят мелкий помол, торопыжки — крупнее, кто-то притащил какао порошок! 🤦♂ Кусочками, Карл!
ВСЁ, пояса в урну, здесь другие условия:
— Потоковые данные не ждут чистки (Null-обработки) или тестирования
— Источники состоят из непрерывных журналов времени и IoT-ряда
— Один IoT-ряд регистрирует несколько событий (без структуры а-ля SQL)
— Никакой утилизации ресурса, только онлайн, только хардкор 🤘
#dataStreaming
время потоковой обработкиПредставьте что вы ведёте самолёт на посадку, а приборная панель обновляется раз в 20 минут 😱
Данные точны, но устарели и не соответствуют действительности.
Серьёзно, со времён Шухарта—Дейминга прошло более 70 лет — за это время мир не просто ускорился, а сменил две передачи.
Требования к точности прогноза растут как снежный ком, пока вы собираете
статику, большую часть компонентов заменили.Посмотри на офисную кофемашину: один льёт горячую воду, другой холодную, третий не может определиться — разбавляет до тёплой, гурманы ставят мелкий помол, торопыжки — крупнее, кто-то притащил какао порошок! 🤦♂ Кусочками, Карл!
ВСЁ, пояса в урну, здесь другие условия:
— Потоковые данные не ждут чистки (Null-обработки) или тестирования
— Источники состоят из непрерывных журналов времени и IoT-ряда
— Один IoT-ряд регистрирует несколько событий (без структуры а-ля SQL)
— Никакой утилизации ресурса, только онлайн, только хардкор 🤘
#dataStreaming
👍6🤣2🔥1
ПРИНЦИПЫ ПОТОКОВОЙ ОБРАБОТКИ
Синхронная микропакетная обработка (#microBatch), как автобус по расписанию — ждём комплект данных за временной слот (микропакет), режем на кусочки (сеты) и паралелим. Плюсы очевидны:
— быстро (малый размер)
— дёшево (малый ресурс)
— сердито (минимальная задержка)
Но, неравномерность данных в сетах, может тормозить весь пакет.
Асинхронная микропакетная обработка (#eventDrive) решает эту проблему словно маршрутка — тригером выступает не расписание, а объем данных: «Набралось — поехали».
В то же время возникает проблема агрегирования данных, поскольку задачи по-прежнему изолированы.
Потоковая модель обработки #DAG формирует графы (конечная совокупность точек), которые с одной стороны полностью изолированы, с другой — не нуждаются в синхронизации.
Как генерация спарклайнов в Excel, где под каждую задачу клонируется (паралелится) свой граф.
В то же время, потоковая модель рассматривает данные как ресурс для принятия решения, и когда «окно» закрывается — решение принято, инные данные не могут быть интегрированы в «окно». Что исключает возможность повторной обработки исторических данных тем же кодом.
Модель непрерывного обновления (#stateful) не считает решение (окончательно) принятым и поэтому обновляет данные. Таким образом, в модели данные рассматриваются как поток изменений, где каждое изменение обновляет состояние вычисления.
В то же время буфер сохраняет возможность пересчитать историю с новым кодом — сделать ретроспективу. Например, подогнать уровень чувствительности к нужным решениям.
Помимо гибридных моделей (#lambda- и #kappa-архитектуры), отдельно стоит выделить специализированые #CEP-модели, которые работают внутри конкретных паттернов данных.
В любом случае, цель данного обзора — лишь познакомить с базывами методами работы в потоке, выделяя отличия от стат.анализа.
#dataStreaming
ловись data большая и маленькаяСинхронная микропакетная обработка (#microBatch), как автобус по расписанию — ждём комплект данных за временной слот (микропакет), режем на кусочки (сеты) и паралелим. Плюсы очевидны:
— быстро (малый размер)
— дёшево (малый ресурс)
— сердито (минимальная задержка)
Но, неравномерность данных в сетах, может тормозить весь пакет.
Асинхронная микропакетная обработка (#eventDrive) решает эту проблему словно маршрутка — тригером выступает не расписание, а объем данных: «Набралось — поехали».
В то же время возникает проблема агрегирования данных, поскольку задачи по-прежнему изолированы.
Потоковая модель обработки #DAG формирует графы (конечная совокупность точек), которые с одной стороны полностью изолированы, с другой — не нуждаются в синхронизации.
Как генерация спарклайнов в Excel, где под каждую задачу клонируется (паралелится) свой граф.
В то же время, потоковая модель рассматривает данные как ресурс для принятия решения, и когда «окно» закрывается — решение принято, инные данные не могут быть интегрированы в «окно». Что исключает возможность повторной обработки исторических данных тем же кодом.
Модель непрерывного обновления (#stateful) не считает решение (окончательно) принятым и поэтому обновляет данные. Таким образом, в модели данные рассматриваются как поток изменений, где каждое изменение обновляет состояние вычисления.
В то же время буфер сохраняет возможность пересчитать историю с новым кодом — сделать ретроспективу. Например, подогнать уровень чувствительности к нужным решениям.
Помимо гибридных моделей (#lambda- и #kappa-архитектуры), отдельно стоит выделить специализированые #CEP-модели, которые работают внутри конкретных паттернов данных.
В любом случае, цель данного обзора — лишь познакомить с базывами методами работы в потоке, выделяя отличия от стат.анализа.
#dataStreaming
👍2
#TAGUCHI: ФУНКЦИЯ КАЧЕСТВА
Геничи Тагути, формализовал метод оптимизации требований посредством проектирования качества процессов.
Концепция основана на отказе от традиционной классификации брак/годный через математическую функцию потерь (экономически обоснованную оценку вариативности).
В рамках концепции актуальны понятия сигнал (целевое значение переменной) и шум (величина отклонения). В свою очередь факторы шума разделяются на управляемые (регулируемые) и неуправляемые — факторы среды.
Проектирование параметров качества (целевых значений сигнала системы) осуществляется с учётом остаточного уровня шума.
Изначально, метод позиционировался как инструмент #LEAN, но применение ортогональных массивов и статистического анализа #SPC, позволили занять почётное место в западной методологии SixSigma.
Метод #TAGUCHI — это элегантная математическая концепция, которая связывает вариативность и экономику предприятия. В то же время, метод остаётся абсолютно «ручным».
продолжение ›››
+1 гвоздь в крышку LSSГеничи Тагути, формализовал метод оптимизации требований посредством проектирования качества процессов.
Концепция основана на отказе от традиционной классификации брак/годный через математическую функцию потерь (экономически обоснованную оценку вариативности).
В рамках концепции актуальны понятия сигнал (целевое значение переменной) и шум (величина отклонения). В свою очередь факторы шума разделяются на управляемые (регулируемые) и неуправляемые — факторы среды.
Проектирование параметров качества (целевых значений сигнала системы) осуществляется с учётом остаточного уровня шума.
Изначально, метод позиционировался как инструмент #LEAN, но применение ортогональных массивов и статистического анализа #SPC, позволили занять почётное место в западной методологии SixSigma.
Метод #TAGUCHI — это элегантная математическая концепция, которая связывает вариативность и экономику предприятия. В то же время, метод остаётся абсолютно «ручным».
продолжение ›››
1😱1
САМОДОСТАТОЧНЫЙ КОТИК БУСТ
Ортогональные массивы — это мощный статистический ресурс позволяющий минимизировать риски, особенно в части планирования изменений (#DoE).
В то же время, в реальных условиях:
— Массивы громоздки даже для специализированного ПО и требуют сильных навыков в статистике
— Риск ложной точности SN-отношения в обеспечении устойчивости процесса (ориентация на шум)
— Фокус функции на влияние основных факторов без учёта их взаимодействия (критично для промышленных отраслей)
Главным же ограничением является само семантическое древо факторов (сигналы и шумы).
Метод #TAGUCHI оценивает влияние только установленных параметров.
Градиентный бустинг — это техника построения (семантического) дерева решений из простых моделей классификации и регрессии.
Такой подход позволяет выявить более сложные зависимости между наблюдаемыми данными.
Здесь особенно хочется выделить CatBoost (Category Boosting) от Яндекс, который работает «из коробки»
‹‹‹ назад
альтернатива «ручным» методамОртогональные массивы — это мощный статистический ресурс позволяющий минимизировать риски, особенно в части планирования изменений (#DoE).
В то же время, в реальных условиях:
— Массивы громоздки даже для специализированного ПО и требуют сильных навыков в статистике
— Риск ложной точности SN-отношения в обеспечении устойчивости процесса (ориентация на шум)
— Фокус функции на влияние основных факторов без учёта их взаимодействия (критично для промышленных отраслей)
Главным же ограничением является само семантическое древо факторов (сигналы и шумы).
Метод #TAGUCHI оценивает влияние только установленных параметров.
Градиентный бустинг — это техника построения (семантического) дерева решений из простых моделей классификации и регрессии.
Такой подход позволяет выявить более сложные зависимости между наблюдаемыми данными.
Здесь особенно хочется выделить CatBoost (Category Boosting) от Яндекс, который работает «из коробки»
‹‹‹ назад
👍4
#SIXSIGMA: МЕТОДОЛОГИЯ УСТАРЕЛА
Среди неофитов и даже практиков производственных систем SixSigma долго считалась «священной коровой» практически с момента её зарождения.
Математическое обоснование гипотез, точность стандартов успеха (вероятность дефекта на уровне 3,4:1000000), использование специализированного софта (даже у тарологов такого нет) и, конечно, стоимость обучения — создавали эффект элитарного клуба.
Методология для мира, которого нет:
1. Подход разработан в и для эпохи массового производства. Сегодня большая удача, если вам удастся выпустить один миллион изделий без изменений.
2. Формализм. Фреймворк подготовки эксперимента в разы длинее самого эксперимента, и это в эпоху хайпа вокруг #PoC и MVP.
3. Строгий функционал. Даже ветераны #LEAN приравняли #CJM к #VSM и изучают эмоции клиента (#UX/CX), пока 6б шлифуют холодные процессы.
4. «Ручная» обработка данных — вообще анахронизм в эпоху больших данных, машинного обучения и больших языковых моделей.
5. Смещение фокуса на дефекты (STB, smaller the better — меньше лучше) в оптимизации процессов. GE — символ успеха SixSigma, практически проиграл гонку инноваций.
К тому же, стандартизация компетенций, сертификация и стоимость обучения отгородили мастеров в «закрытое сообщество», став преградой к широкой популяризации практик.
Бесспорно, в свое время SixSigma была революционной методологией.
Но в мире, где скорость и адаптивность важнее совершенства, методология устарела, так и не успев стать базой операционного превосходства.
до того, как её успели освоитьСреди неофитов и даже практиков производственных систем SixSigma долго считалась «священной коровой» практически с момента её зарождения.
Математическое обоснование гипотез, точность стандартов успеха (вероятность дефекта на уровне 3,4:1000000), использование специализированного софта (даже у тарологов такого нет) и, конечно, стоимость обучения — создавали эффект элитарного клуба.
Методология для мира, которого нет:
1. Подход разработан в и для эпохи массового производства. Сегодня большая удача, если вам удастся выпустить один миллион изделий без изменений.
2. Формализм. Фреймворк подготовки эксперимента в разы длинее самого эксперимента, и это в эпоху хайпа вокруг #PoC и MVP.
3. Строгий функционал. Даже ветераны #LEAN приравняли #CJM к #VSM и изучают эмоции клиента (#UX/CX), пока 6б шлифуют холодные процессы.
4. «Ручная» обработка данных — вообще анахронизм в эпоху больших данных, машинного обучения и больших языковых моделей.
5. Смещение фокуса на дефекты (STB, smaller the better — меньше лучше) в оптимизации процессов. GE — символ успеха SixSigma, практически проиграл гонку инноваций.
К тому же, стандартизация компетенций, сертификация и стоимость обучения отгородили мастеров в «закрытое сообщество», став преградой к широкой популяризации практик.
Бесспорно, в свое время SixSigma была революционной методологией.
Но в мире, где скорость и адаптивность важнее совершенства, методология устарела, так и не успев стать базой операционного превосходства.
👏4🤔3
В СУНДУЧКЕ СО СКАЗКАМИ
НОВЫЙ ТИП ИСТОРИЙ
Новый тип актива для меня и 😁 экстремальный эксперимент для коллег — проводили изменения без отраслевой экспертизы, с нулевой инерцией мышления 🤯
Формально, мы лишь перевели отчетность подземной добычи на классическую модель «узких мест» и организовали мониторинг #OEE.
Фактически, подтвердили отсутствие пиков (с учётом работы проходки) на магистральных конвейерах, разобрали все плановые/внеплановые (#КТГ) и нормируемые/ненормируемые (#КИО) простои. Сопоставили проектные показатели качества (зольность) и мощность забоя.
В результате, присоединившись к приборам технического учёта энергии, выделили (по профилю токовой нагрузки) целевой режим работы комбайна и установили систему учёта времени простоя для нецелевого.
Соответственно, любой выход комбайна из режима более 5 минут, считается простоем и требует точного учёта (описание причин и корректирующих мероприятий).
В свою очередь, критический взгляд на все типы остановок позволил найти решения, как их исключить 😏
НОВЫЙ ТИП ИСТОРИЙ
Новый тип актива для меня и 😁 экстремальный эксперимент для коллег — проводили изменения без отраслевой экспертизы, с нулевой инерцией мышления 🤯
Формально, мы лишь перевели отчетность подземной добычи на классическую модель «узких мест» и организовали мониторинг #OEE.
Фактически, подтвердили отсутствие пиков (с учётом работы проходки) на магистральных конвейерах, разобрали все плановые/внеплановые (#КТГ) и нормируемые/ненормируемые (#КИО) простои. Сопоставили проектные показатели качества (зольность) и мощность забоя.
В результате, присоединившись к приборам технического учёта энергии, выделили (по профилю токовой нагрузки) целевой режим работы комбайна и установили систему учёта времени простоя для нецелевого.
Соответственно, любой выход комбайна из режима более 5 минут, считается простоем и требует точного учёта (описание причин и корректирующих мероприятий).
В свою очередь, критический взгляд на все типы остановок позволил найти решения, как их исключить 😏
👍4
ЕСТЕСТВЕННЫЙ ИНТЕЛЛЕКТ
Из каждого «утюга» новости об адаптации ИИ к прикладным задачам, но в ежедневных жизненных ситуациях, кажется, что не используется даже естественный.
Согласен, заявление категоричное, но как часто люди действуют проактивно (не по привычке, а рационально или хотя бы логично)? Редко, потому что:
🙉 думать — больно
🙈 планировать — долго
🙊 отвечать за последствия — страшно
Удивительно, но популярная подобного рода «зона комфорта» — это работа.
Пришёл, увидел, переслал!
Рутина как стиль жизни — основные навыки: быть незаметным, выглядеть уставшим.
Пока ИИ учатся решать задачи выходящие из шаблонов, рутинеры их просто игнорируют: «так нельзя», «не положено», «не принято».
Рутино-менеджер, когда планка требований ниже чем зарплата.
Можно предположить, что зарплата — индикатор интеллектуального вклада для офисных сотрудников.
Тогда наименее оплачиваемые позиции прекрасные кандидаты на цифровизацию.
Вы уже запросили список позиций с окладом ниже среднего?
Работа, работа, перейди на чат-ботаИз каждого «утюга» новости об адаптации ИИ к прикладным задачам, но в ежедневных жизненных ситуациях, кажется, что не используется даже естественный.
Согласен, заявление категоричное, но как часто люди действуют проактивно (не по привычке, а рационально или хотя бы логично)? Редко, потому что:
🙉 думать — больно
🙈 планировать — долго
🙊 отвечать за последствия — страшно
Удивительно, но популярная подобного рода «зона комфорта» — это работа.
Пришёл, увидел, переслал!
Рутина как стиль жизни — основные навыки: быть незаметным, выглядеть уставшим.
Пока ИИ учатся решать задачи выходящие из шаблонов, рутинеры их просто игнорируют: «так нельзя», «не положено», «не принято».
Рутино-менеджер, когда планка требований ниже чем зарплата.
Можно предположить, что зарплата — индикатор интеллектуального вклада для офисных сотрудников.
Тогда наименее оплачиваемые позиции прекрасные кандидаты на цифровизацию.
Вы уже запросили список позиций с окладом ниже среднего?
🤔2👏1🤩1