Разрыв между ментальными представлениями и реальностью который я рассматривал ранее (тут и здесь) это не только про бытовые когнитивные искажения и бытовые идеи отстающие от реальности (бытовые тут в том числе и "рабочие/проектные"), но и про концепции более научные.

Например плоды теоретической математики остаются больше похожими на очень сложную художественную литературу ровно до тех пор, пока эта математика не начинает применяться для измерений реального мира и влияния на этот мир.

Там где хорошая математика начинает проникать в реальность все становится эффективнее. Чисто интуитивно сравните степень заземленности математики самой по себе, и например математики используемой в физике. Разница очевидна: во втором случае абстрактные концепции непосредственно описывают и предсказывают реальные явления.

Возможно отсутствие хорошего заземления в реальность это одна из причин по которым большую часть математических трудов может быть так сложно изучать – они же вакууме самой математики, а значит сложнее строить ассоциации в мозгах, ибо более высокие математические концепции завязаны на другие более "простые", которые нифига не простые.

Как и с физикой, примерно то же самое происходит с computer science. На первый взгляд кажется, что это какая-то неприкладная теория.

Что может быть практического в изоморфизмах, гомоморфизмах, теории типов или теории категорий? И прочих непривычных для обсуждения в широких кругах концепциях, о которых я периодически пишу? вот и сейчас, например 🙂

Да практически все 💪

Прелесть в том, что часто это та самая хорошая математика, которая проникает в реальность, если с ней немного разобраться.

Потому что computer science в принципе как область почти во всех исследованиях сразу направлена на реальный мир – как бы вчисления оптимизировать? какая мат. модель подойдет лучше? Как бы нам шифрование усилить в целях безопасности?
И так далее.

Чисто в прикладном смысле для программных инженеров ценность изучения этих темок проявляется в виде способности мозгов распознавать интересные отношения между одним куском кода и другим, или между структурами данных и операциями над ними.

Эта "неприкладная теория" трансформируется в совершенно прикладной навык — например, способность отрефакторить говняный API во вполне вменяемый, или создать элегантную абстракцию, которая упрощает сложную систему.

Когда мы понимаем изоморфизмы, мы можем увидеть и зарыдать как преобразовать реляционные "объекты" базы данных в объектные структуры в коде и обратно (ORM'ки).

Когда мы осваиваем теорию типов, мы вдруг становимся способны создавать более надёжные и безопасные программы, в том числе на динамически типизируемых языках 👉

Ставь Бейтмана если тема интересна, но ничего не понятно и надо больше примеров на пальцах.
Ставь Гарольда если готов скинуться админу на лечение.

Фраза – "Ты то, что ты ешь" приписывается Гиппократу, и в целом довольно толковая.

Чтобы быть здоровым, надо здорОво кушать (не здОрово!)

В моей нейронной сети схожей всплывает старинный CS принцип GIGO – garbage in, garbage out, который стал крайне актуальным к упоминанию в ML.

Наверное один из самых важных (если не самый) этапов в обучении нейросетей – это подготовка датасета.

Учишь на фигне – выдавать, вероятнее всего, и будет фигню.

***

Каким-то интуитивным макаром в последние годы я пришел к образу жизни в котором фигню практически перестал поглощать.

Смотрим мы вот с женой сериал какой нибудь (иногда-периодически :) а я на 70% внимания в чтении чего нибудь из инженерных рассылок, или избранных каналов в телеге, или моих заметок – вычитываю и "подгружаю" в мозги для дополнительной обработки в фоне.

Ну или на худой и частый конец – все вместе + брейншторм этих идей вместе с какой нибудь thinking нейросетью.

Процесс не очень эффективный, потому что в ухо все равно бубнит условная "фигня" из наушника и отвлекает, поэтому очень важно хоть сколько нибудь ценные мысли / находки сразу фиксировать в заметках/экзокортексе. По этой причине очень удобно с нейросетями - все диалоги сохранены, и самые ценные утром можно извлечь и дорабатывать.

Так вот, говорит она – "не отдыхаешь вообще".

Не знаю что ответить кроме как – "Отдыхаю я обычно когда сплю", и морда кирпичом :)

Я вас, конечно же, не призываю так же жить, лишь хочу донести мысль о том что GIGO – это целиком про нашу жизнь, и далеко не только про I/O жизнеобеспечения :)

Беллетристика, фантастика и прочая литература – это уже лучше чем тикток смотреть, так что тоже не обесцениваю. Научиться чему то новому можно, как минимум – пополнить словарный запас, тут книга книге большая рознь. Тикток же сделает из вас идиота с вероятностью примерно 100%

Просто проверяйте сами – по своим целям.

Если у вас амбиции ВО (^__________^)_Y, а в ваши "пайплайны" на вход заходит во - 🐠, да еще паршивого качества, то надо пересмотреть, иначе случится какая нибудь депрессия или вроде того.

Ну да, а еще этот пост прогрев-напоминалка к методичке по тайм трекингу, которую я обещал на прошлой неделе, но задержал из за простудного заболевания
😷

Очень сложно без метрик понять сколько времени и на какую фигню мы инвестируем на самом деле.

Методичка скоро будет, и надеюсь может быть даже кому то поможет!

---

Для покрепления – LIMO
Оказалось что довольно выские показатели в ризонинге моделей можно достичь датасетом в 100 раз меньше, чем использовался до этого, и конечно же – очистив от ерунды, оставив только hq материалы.

---

морда кирпичом отсюда

// off top

Text2voice?
Text2image?
Text2Code?
Text2Video?

Это все мы видели.

Как на счет Text2Robot?

https://interestingengineering.com/innovation/robots-from-text-using-ai

По-моему у нас в старости точно роботы-сиделки будут 🪨

Не могу не побурчать.

Вычитал в течрадаре (тот что Фаулер раз в пол года выкатывает) про приложуху - AnythingLLM.

Такой RAG комбайн с симпатичным интерфейсом.

Заявлено как no code и easy peezy configurable.
Ну… оно вроде так и есть - можно врубить быстро поиск в сети, накликать свой воркфлоу какой-то, выбрать чем молотить и где хранить эмбеддинги.

В лучших традициях поддерживаются разные форматы, парсинг по ссылке и тд.

Все выглядит очень неплохо, за исключением одного большого НО, да такого, которое делает приложение вообще не юзабельным для тех у кого уже есть своя база заметок.

Тупо нельзя добавить в воркспейс директорию ЦЕЛИКОМ, в смысле рекурсивно.

На скрине ответ от представителя команды разработки на issue тред где все это очень просят.

—

DDD, BDD, моделирование системы и нужд пользователей?

Это ведь самая очевидная фича, самая нужная, практически ключевая для персонального RAG!

Выходит что проект в текущем его состоянии полезен скорее как что-то типа локального NotebookLM, для какого нибудь школьника или студента который только Учится учИться.

// придется походу свой пилить все таки ⚰️

Совсем короткая заметка про настоящее и будущее, разработки и вообще.

А вообще это я красуюсь своим новым бложиком - сайтиком который доводил до ума насколько мог последние пару дней.

Все что не поддерживает маркдаун как база для блога и мышления письмом идет на фиг – сабстак, телеграф (этот вообще не индексируется поисковиками к тому же).

Новый блог я решил доделать потому что пост-методичка по тайм трекингу был готов еще в субботу, но неожиданно оказался письмом любви на 25 с лишним тысяч знаков.

Очень уж мне не хотелось пихать его в телеграф…

Скоро выложу 🌟

Если вам вдруг нечем заняться, то вот вам обещанный лонгрид про продуктивность, трекание времени и собранность.

Раздулось на 32 тыщи знаков 😨

Тык вышло, извиняйте. Тема обширная, и слишком эмоциональная. Меня этот эксперимент сильно вскрыл и дал мощный толчок в повышении работоспособности в целом.

Мало того, я работать то вроде меньше (или больше) не стал, но я наконец начал что-то двигать, вышкреб весь мусор из TODO, в целом перееоценил приоритеты!

Извиняйте, если есть сумбурные места. Критиковать в комментариях.

А если ты вдруг 32к знаков даже за два захода осилить не можешь, ну чтож... Эта статья как раз и в том числе для тебя!

P.S. Про много связанных, но менее раскрытых тем - вроде приоретизации задач, дофаминовой ловушки информационных помоек, и вообще про инженерную продуктивность я обязательно разгоню в будущем.

🍞 - это хлеб.

Ну че, Thenkeng?
https://arxiv.org/abs/2504.09858

Что с этим делать, не совсем понятно.
Как пользователь клиентов я не то чтобы Thenkeng моделями часто пользуюсь, как пользователь API... ну как то все подряд

Короче говоря, да – Custom CoT это внатуре SoTA паттерн, и теперь стало еще понятнее почему оно так эффективно выходит.

Сакановский AI-Scientist которого на гитхаб выкинули недавно, reasoning модель (4o) использует только для генерации финальных отчетов.

Уот и думой 🤔

Один из лучших тестов, которые я когда-либо проходил (давным-давно), – это задача в крайне сжатый срок (10-15 минут) прочитать кусок сложной и незнакомой документации X, а после связно о нём порассуждать с испытателем.

Было это давно, тиктоков и трансформеров еще не было.

А актуальность такого испытания не только не утратилась, а кажется, что ещё больше выросла.

Способность быстро прочитать техническую документацию из незнакомой предметной области и хоть сколько-нибудь её понять, в смысле хотя бы как-то уловить основные онтологические элементы, – это уже показатель того, что в неокортексе что-то связное происходит.

Вспомнил я об этом тесте с некоторым содроганием, осознав, насколько часто я натыкаюсь на людей, не способных осилить и прожевать 3-5к знаков.

Господа, мы в дерьме 👁

Наткнулся на SQ3R (deep research нашел 🤤).

В общем и целом это такая техника для более глубокого изучения через чтение.

До этого я принял только одно, и самое главное правило — прочитал – запиши своими словами хоть что-то. Не можешь? Читай снова.

SQ3R задает ритм для того чтобы читать внимательнее и глубже.

Работает так:

S - Survey: быстро сканируем заголовки, подзаголовки, цитаты и все выделения которые автор применил. Если текст – простыня вообще без форматирования, но представляет ценность для изучения, то просто наискосок бегло читаем.

Q - Question:
На базе сканирования надо сформулировать хотя бы 2-3 вопроса, на которые мозги автоматически начнут искать ответ при чтении. Если вопросы вообще не формируются – сканирование не получилось.


R - Read: читаем текст, внимательно и в поиске ответов на вопросы. Тут еще можно накинуть что читать надо осознанно и проактивно, не ломится напролом, если встречаются непонятные слова или аббривеатуры, а останавливаться и отдельно из гуглить / прояснять с нейросетью.

R - Recite:
Закрываем книгу / материал и пересказываем своими словами. Тут источники описывающие метод не всегда делают явный акцент на том, что надо записывать эти пересказы а не просто проговаривать - и это плохо. Надо записывать еще как! Я баловался с voice2text - это удобно, когда совсем нет возможности записать, но мысль видится ценной и надо ее зафиксировать. Только вот на языке почти всегда как то корявее.
Говорим-думаем быстро, пишем-думаем почти всегда медленнее и глубже. Мышление письмом остается самым важным в изучении, как не крути.
Проговаривать вслух можно, например, рассуждая над куском в момент текста. Но почти всегда эти рассуждения такие интересные что бежишь их все равно записывать 🏃‍♂️


R - Review:
Смотрим на свои заметки и проверяем на все ли вопросы поставленные до чтения ответили? Здесь ключевое – ответить на вопросы только на базе записанного / запомненного.

***

Самая главная хитрость тут - это вопросы.
Составления вопросов это контракт который не оставляет тебе выбора кроме как читать внимательно, и обязательно помыслить о прочитанном и в момент чтения, и после него.

Даже с кое как начинающейся формироваться привычкой мыслить письмом, частенько можно соскачить вконце чтения и ничего не записать – итааааак запомнил. Ага 💀

OpenAI добавили в комплишенс и респонсес апихи параметр - flex_processing

Такие запросы будут идти на какие то дремучие подвальные цоды, таймауты могут достигать минут, прямым текстом на 10 намекают. И вообще, говорят, ошибки 408 тоже будьте готовы обрабатывать.

Уот такой вот SLA
🤷‍♂️🤷‍♂️🤷‍♂️

Зато запросы будут биллиться по цене Batched API (вроде как 50% скидка)

Ну…. Не знаю. Я серьезно настроен больше начинать юзать deepseek для своих автоматизашек 🐋