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
This media is not supported in your browser
VIEW IN TELEGRAM
МНОГОГРАННОСТЬ И СТЕРЕОТИПЫ
Многие маркетинговые теории делят потребителей на бумеров, зумеров и миллениалов. По мне так верить, что поведение человека определяет дата рождения, это как следовать указаниям гороскопа из радио.
В то же время, сложно отрицать что ценности формируются в контексте бытия (политика, медиа, образование, социум) — экономические события определяют наши привычки, а информационный фон — восприятие действительности.
Таким образом, утверждение что одни и те же экономические потрясения и технологическое развитие по-разному проникает в привычки и ценности разных поколений, вполне справедливо. Но есть нюанс.
Влияние факторов размыто не только возрастом (жизненным опытом), но и регионом/географией, профессией, отраслевыми трендами и социальным благополучием.
В конечном счете, теория поколений У. Штрауса и Н. Хаува (так-то 1991г.) ярко описывает механику и различия в мотивации, которые важно понять, принять и применять.
Ищите «ключи» — берегите команду
Как бы всё, и ничего в частностиМногие маркетинговые теории делят потребителей на бумеров, зумеров и миллениалов. По мне так верить, что поведение человека определяет дата рождения, это как следовать указаниям гороскопа из радио.
В то же время, сложно отрицать что ценности формируются в контексте бытия (политика, медиа, образование, социум) — экономические события определяют наши привычки, а информационный фон — восприятие действительности.
Таким образом, утверждение что одни и те же экономические потрясения и технологическое развитие по-разному проникает в привычки и ценности разных поколений, вполне справедливо. Но есть нюанс.
Влияние факторов размыто не только возрастом (жизненным опытом), но и регионом/географией, профессией, отраслевыми трендами и социальным благополучием.
В конечном счете, теория поколений У. Штрауса и Н. Хаува (так-то 1991г.) ярко описывает механику и различия в мотивации, которые важно понять, принять и применять.
Ищите «ключи» — берегите команду
😁3👍2
ПРОДОЛЖЕНИЕ О ВЫГОРАНИИ
Тезис для обсуждения: выгорание — это ваш неосознанный выбор.
1. Например, фрилансеры хватают по 5-7 проектов, чтобы не пропустить «клёв» и подкопить «подушку». Страх просесть в доходе отучил делиться и делегировать, такая вот соло-стратегия лидерства в тренде.
2. Переработка как критерий успеха — своего рода признание востребованости в моменте, и перспектив в будущем. Сюда же социальное одобрение усердного труда, уважение и сочувствие окружающих.
3. Стоит признать, что в период переработки нет времени на хобби.
Или наоборот — у вас просто хобби нет. Есть лишь самореализация в работе и сублимация хобби в переработке.
4. Редко кто проявляет позицию жертвы — «меня заставили», как правило, звучат причины «сейчас такой период», «тут нельзя было отказаться», «ну а кто, если не я?» — обстоятельства (но мы же знаем что это выбор).
5. Промедление в развитии или полное отсутвие динамики. Переработка — удобное оправдание поставить важное на паузу, разгребая срочное. Жизнь становится проще — ты делаешь, что умеешь, и у тебя хорошо получается.
К чему всё это? Важным рычагом в управлении ментальным здоровьем является осознание своего выбора.
Осознанный выбор — это уже вопрос приоритетов.
Условно занятость можно разделить на операционную и проектную (даже если вы занимаетесь только проектами, но они однотипные — это операционка).
И если вы уже хороши в операционке (выдаёте как из пушки), то не пора ли снова к проектам — за новыми знаниями и навыками?
см.предыдущую дискуссию тутТезис для обсуждения: выгорание — это ваш неосознанный выбор.
1. Например, фрилансеры хватают по 5-7 проектов, чтобы не пропустить «клёв» и подкопить «подушку». Страх просесть в доходе отучил делиться и делегировать, такая вот соло-стратегия лидерства в тренде.
2. Переработка как критерий успеха — своего рода признание востребованости в моменте, и перспектив в будущем. Сюда же социальное одобрение усердного труда, уважение и сочувствие окружающих.
3. Стоит признать, что в период переработки нет времени на хобби.
Или наоборот — у вас просто хобби нет. Есть лишь самореализация в работе и сублимация хобби в переработке.
4. Редко кто проявляет позицию жертвы — «меня заставили», как правило, звучат причины «сейчас такой период», «тут нельзя было отказаться», «ну а кто, если не я?» — обстоятельства (но мы же знаем что это выбор).
5. Промедление в развитии или полное отсутвие динамики. Переработка — удобное оправдание поставить важное на паузу, разгребая срочное. Жизнь становится проще — ты делаешь, что умеешь, и у тебя хорошо получается.
К чему всё это? Важным рычагом в управлении ментальным здоровьем является осознание своего выбора.
Осознанный выбор — это уже вопрос приоритетов.
Условно занятость можно разделить на операционную и проектную (даже если вы занимаетесь только проектами, но они однотипные — это операционка).
И если вы уже хороши в операционке (выдаёте как из пушки), то не пора ли снова к проектам — за новыми знаниями и навыками?
🔥4