Теперь разные отделы компании как большой, так и маленькой, могут работать вместе над одной задачей, что упрощает коммуникацию и делает бизнес более эффективным и производительным, а благодаря помощи поддержки на Трекер легко перейти с другой системы.
В Трекере можно работать с разными подходами, но над одной задачей, а еще Трекер встроен в Yandex Cloud и Яндекс 360, что позволяет использовать все знакомые инструменты.
Что еще умеет Трекер:
• Одно пространство для всех подразделений: Возможность разным командам работать в одном пространстве по разным методологиям (waterfall, scrum, гибридная).
• Универсальность и гибкость благодаря тому, что можно настраивать Трекер так, как удобно (доски задач, портфели проектов и дэшборды).
• 3 сервиса в одном: в Трекере есть Вики (для корпоративной базы знаний) и Формы (конструктор опросов и заявок).
• Визуализация данных и аналитика, встроенная в Трекер.
• Интеграция со сторонними системами (через API).
С Яндекс Трекером можно работать по-разному, но всем вместе!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Кредитное безумие в России продолжается – новые рекорды.
Совсем немного не хватило до рекорда по чистому приросту задолженности по кредитам физлиц – в июне рост на 963 млрд руб vs рекорда 978 млрд млрд руб в авг.23.
Тогда в августе прошлого года рекордный рост кредитов объяснялся опережающим наращиванием долгов перед ожиданиями неизбежного роста ставок по кредитам на траектории ужесточения ДКП.
Прошел почти год, ключевая ставка не меняется с дек.23 и вновь появляются, так называемые, «разовые» факторы которые мешают Банку России нормализовать кредитную активность – это даже немного комично.
Общий прирост задолженности по всем видам кредитов физлиц составил 3.37 трлн с начала 2024 vs 2.56 трлн за аналогичный период в 2023 (при стабильной ключевой ставке 7.5%) и всего 2.4 трлн за 1П21 (тот момент, когда кредитный бум казался невероятным).
Кредитный ажиотаж на треть превышает максимумы предыдущего кредитного бума и это в условиях экстремально жестких ДКУ.
Ипотечные кредиты выросли на 586 млрд в июне перед завершением льготных программ, с начала года – 1.65 трлн vs 1.59 трлн в 1П23 и 1.32 трлн в 1П22.
Доля ипотеки с господдержкой в июне составила 80%, где по всем типам программ рекордный прирост, но и рыночная ипотека выросла на 28% м/м до максимума с дек.23!
Потребительское кредитование выросло на 291 млрд, повторив около рекордный результат в мае и это второй лучший результат в истории после 314 млрд в авг.23. За 1П24 прирост потребительских кредитов составил 1.33 трлн vs 0.85 трлн в 1П23 и 0.95 трлн в 1П22.
Активность выросла почти 1.6 раза по рекордным ставкам! ЦБ это объясняет манипуляциями с грейс-периодом и зажиточным населением на фоне роста дохода, что открывает пространство для кредитной активности тех, кто раньше не мог получить кредит.
Автокредитование выросло на 87 млрд – почти рекордные темпы, а за 1П24 невероятные +458 млрд vs 150 млрд в 1П23 и +109 млрд в 1П21.
Банк России вновь ужесточил нормативы и правила выдачи кредитов, но пока не помогает. Население с особым ожесточением выжирает кредиты по рекордным ставкам.
Совсем немного не хватило до рекорда по чистому приросту задолженности по кредитам физлиц – в июне рост на 963 млрд руб vs рекорда 978 млрд млрд руб в авг.23.
Тогда в августе прошлого года рекордный рост кредитов объяснялся опережающим наращиванием долгов перед ожиданиями неизбежного роста ставок по кредитам на траектории ужесточения ДКП.
Прошел почти год, ключевая ставка не меняется с дек.23 и вновь появляются, так называемые, «разовые» факторы которые мешают Банку России нормализовать кредитную активность – это даже немного комично.
Общий прирост задолженности по всем видам кредитов физлиц составил 3.37 трлн с начала 2024 vs 2.56 трлн за аналогичный период в 2023 (при стабильной ключевой ставке 7.5%) и всего 2.4 трлн за 1П21 (тот момент, когда кредитный бум казался невероятным).
Кредитный ажиотаж на треть превышает максимумы предыдущего кредитного бума и это в условиях экстремально жестких ДКУ.
Ипотечные кредиты выросли на 586 млрд в июне перед завершением льготных программ, с начала года – 1.65 трлн vs 1.59 трлн в 1П23 и 1.32 трлн в 1П22.
Доля ипотеки с господдержкой в июне составила 80%, где по всем типам программ рекордный прирост, но и рыночная ипотека выросла на 28% м/м до максимума с дек.23!
Потребительское кредитование выросло на 291 млрд, повторив около рекордный результат в мае и это второй лучший результат в истории после 314 млрд в авг.23. За 1П24 прирост потребительских кредитов составил 1.33 трлн vs 0.85 трлн в 1П23 и 0.95 трлн в 1П22.
Активность выросла почти 1.6 раза по рекордным ставкам! ЦБ это объясняет манипуляциями с грейс-периодом и зажиточным населением на фоне роста дохода, что открывает пространство для кредитной активности тех, кто раньше не мог получить кредит.
Автокредитование выросло на 87 млрд – почти рекордные темпы, а за 1П24 невероятные +458 млрд vs 150 млрд в 1П23 и +109 млрд в 1П21.
Банк России вновь ужесточил нормативы и правила выдачи кредитов, но пока не помогает. Население с особым ожесточением выжирает кредиты по рекордным ставкам.
Кредитная активность юрлиц в России остается на высоком уровне.
Корпоративные кредиты выросли на 1 трлн руб в июне или +1.2% м/м (нефинансовые компании и прочие финансовые организации за исключением банков в рублях и валюте с исключением курсового эффекта).
Однако, с корректировкой на погашение бридж-кредита, выданного в мае, на 0.5 трлн, кредитование выросло на рекордные 1.5 трлн руб.
Здесь также, как и кредитованием физлиц – каждый раз действуют какие то «временные» или «разовые» факторы, которые ультимативно объясняют высокую кредитную активность и так до следующего месяца – то крабы, то застройщики, то внезапно появившиеся инвестиционные проекты на фоне высокой прибыли или ожидания роста ставок, как в этот раз объяснил Банк России.
В июне 0.3 трлн от прироста забрали на себя девелоперы в рамках проектного строительства жилья. Весь прирост кредитования обеспечили рублевые кредиты, т.к. валютные сократились на 0.3 трлн в рублевом эквиваленте.
Чистый прирост корпоративных кредитов за 1П24 составил 5.55 трлн vs 4 трлн за аналогичный период в 2023 и 2.4 трлн руб за 1П21.
За последние 12 месяцев чистый прирост составил 13.8 трлн, а общий объем кредитного портфеля по непогашенной задолженности составляет 78.8 трлн (подробная детализация по валютной структуре с разделением на нефинансовые компании будет в конце месяца).
В отличие от потребительского кредитования, прирост задолженности по корпоративным кредитам обычно коррелирует с инвестциклами, а следовательно, с лагом приводит к увеличению предложения товаров и услуг, что расширяет экономическую активность и увеличивает ВВП.
Расширение предложения товаров также снижает инвестиционное давление, но нужно понимать контекст условий.
Ставки запредельные, половина кредитов по плавающим ставкам, остальные кредиты рефинансируется по максимальным ставкам с 2015 года. Данная схема работает в инфляционном сценарии, либо на госгарантиях, либо в условиях экономического бума.
Риски долгового кризиса нарастают.
Корпоративные кредиты выросли на 1 трлн руб в июне или +1.2% м/м (нефинансовые компании и прочие финансовые организации за исключением банков в рублях и валюте с исключением курсового эффекта).
Однако, с корректировкой на погашение бридж-кредита, выданного в мае, на 0.5 трлн, кредитование выросло на рекордные 1.5 трлн руб.
Здесь также, как и кредитованием физлиц – каждый раз действуют какие то «временные» или «разовые» факторы, которые ультимативно объясняют высокую кредитную активность и так до следующего месяца – то крабы, то застройщики, то внезапно появившиеся инвестиционные проекты на фоне высокой прибыли или ожидания роста ставок, как в этот раз объяснил Банк России.
В июне 0.3 трлн от прироста забрали на себя девелоперы в рамках проектного строительства жилья. Весь прирост кредитования обеспечили рублевые кредиты, т.к. валютные сократились на 0.3 трлн в рублевом эквиваленте.
Чистый прирост корпоративных кредитов за 1П24 составил 5.55 трлн vs 4 трлн за аналогичный период в 2023 и 2.4 трлн руб за 1П21.
За последние 12 месяцев чистый прирост составил 13.8 трлн, а общий объем кредитного портфеля по непогашенной задолженности составляет 78.8 трлн (подробная детализация по валютной структуре с разделением на нефинансовые компании будет в конце месяца).
В отличие от потребительского кредитования, прирост задолженности по корпоративным кредитам обычно коррелирует с инвестциклами, а следовательно, с лагом приводит к увеличению предложения товаров и услуг, что расширяет экономическую активность и увеличивает ВВП.
Расширение предложения товаров также снижает инвестиционное давление, но нужно понимать контекст условий.
Ставки запредельные, половина кредитов по плавающим ставкам, остальные кредиты рефинансируется по максимальным ставкам с 2015 года. Данная схема работает в инфляционном сценарии, либо на госгарантиях, либо в условиях экономического бума.
Риски долгового кризиса нарастают.
Создание фейковой ИИ реальности вокруг бигтехов.
Удивительно, но почти никто не касался вопроса адекватности искусственно сконструированных и нагнетаемых завышенных ожиданий роста финансовых показателей бигтехов в рамках концепции экспансии ГИИ.
Обратите внимание на следующее: ни одна компания из бигтехов среди софтверного сегмента (Microsoft, Google, Meta, Amazon, Apple) не создала НИ ОДНОГО работоспособного и эффективного инструмента или продукта на базе ГИИ.
Примечание: весь оголтелый хайп с 2023 происходит исключительно вокруг ГИИ, поэтому комплексный подход к ИИ пока опускаю.
Весь прогресс в сегменте публичных ГИИ двигают исключительно стартапы и только они. Ни один из успешных проектов в нише ГИИ не принадлежит бигтехам.
Смотрите сами: ChatGPT (OpenAI), Perplexity, Claude AI (Anthropic), Midjourney, Stable Diffusion AI (в состоянии банкротства), Leonardo AI, Luma AI, Runway AI и многие другие эффективные стартапы изначально создавались вне контура бигтехов и лишь впоследствии входили под крыло крупнейших технологических корпораций.
Формально OpenAI в партнерстве с Microsoft, но Альтман неоднократно заявлял, что путь технологического развития OpenAI определяет самостоятельно, а партнерство заключается в использовании мощностей Microsoft и предоставлении разработок OpenAI для первоочередной интеграции в продукты Microsoft.
Perplexity под крылом Amazon, но скорее как партнерство, а Anthropic под Google (партнерство), но каждая из них двигается самостоятельно и независимо, а бигтехи инвестировали в эти проекты уже после проявления успешности стартапов.
А то же есть у бигтехов? Попробую разобрать:
▪️Microsoft имеет Microsoft Copilot полностью выстроенный на базе продуктов OpenAI (чистое паразитирование) с интеграцией в Microsoft 365, Azure и Dynamics 365, где самое известное – это 240 долларовая годовая подписка на Copilot для Microsoft 365.
Это похоже на издевательство, потому что Copilot для Microsoft 365 содержал ошибки и был настолько криво интегрирован, что изначально это был полный провал и пока им и остается – особенно в Excel. Пробовал, смысла нет никакого, имея активный доступ к нативному ChatGPT.
GitHub Copilot за $100– неплохо, но есть не менее прогрессивный и бесплатный Codeium, а во-вторых, лично для меня удобнее через оригинальный ChatGPT в связке с Codeium.
Azure AI в виде Azure OpenAI Service и Azure AI Studio представляет собой средства для разработчиков и имеет косвенное отношение к ГИИ.
▪️Meta развивает ИИ через свою платформу Meta AI, которая включает передовую модель Meta Llama 3, но в целом Meta Llama 3 оказалась «требухой» в сравнении с более мощными ChatGPT и Claude. Если не было бы конкурентов, Llama 3 могла удивить, но так нет – слабо и сразу мимо. Нишевый продукт внутри экосистемы Meta AI.
▪️Google выкатила Gemini Ecosystem спустя почти 1.5 года после релиза ChatGPT 3.5, но смею доложить после 6 месяцев использования Gemini Advanced (240 баксов в год, но сам не платил ни доллара в режиме тестирования) – это редкостная дрянь и феноменальное дерьмо. Хорошо, что это тестирование закончилось.
Причем с каждым месяцем все хуже. Все ответы Gemini сводятся «я лишь нейросеть и не могу ответить на этот вопрос, иди сам и найди информацию по этим ссылкам» или просто гонит адскую дичь.
Gemini отличается тем, что не просто лепит невероятное количество ошибок и неточностей – эта мерзость вообще не способна ответить ни на один относительно сложный вопрос. Чистый скам, пользы ноль.
Рекламы и бравады много в рамках развития экосистемы продуктов Google на базе ИИ, но все обещания Google так и остались обещаниями. Не сделано ничего, а то, что сделано – реализовано отвратительно. 1 из 10, полный позор и провал в контексте условий и ожиданий (размер Google и доступные аналоги конкурентов из успешных стартапов).
Google Cloud Vertex AI – единственный адекватный продукт Google, имеющий отношение к ГИИ, но это исключительно для разработчиков, как облачная платформа для развертывания моделей машинного обучения, включая генеративные модели ИИ.
Продолжение следует...
Удивительно, но почти никто не касался вопроса адекватности искусственно сконструированных и нагнетаемых завышенных ожиданий роста финансовых показателей бигтехов в рамках концепции экспансии ГИИ.
Обратите внимание на следующее: ни одна компания из бигтехов среди софтверного сегмента (Microsoft, Google, Meta, Amazon, Apple) не создала НИ ОДНОГО работоспособного и эффективного инструмента или продукта на базе ГИИ.
Примечание: весь оголтелый хайп с 2023 происходит исключительно вокруг ГИИ, поэтому комплексный подход к ИИ пока опускаю.
Весь прогресс в сегменте публичных ГИИ двигают исключительно стартапы и только они. Ни один из успешных проектов в нише ГИИ не принадлежит бигтехам.
Смотрите сами: ChatGPT (OpenAI), Perplexity, Claude AI (Anthropic), Midjourney, Stable Diffusion AI (в состоянии банкротства), Leonardo AI, Luma AI, Runway AI и многие другие эффективные стартапы изначально создавались вне контура бигтехов и лишь впоследствии входили под крыло крупнейших технологических корпораций.
Формально OpenAI в партнерстве с Microsoft, но Альтман неоднократно заявлял, что путь технологического развития OpenAI определяет самостоятельно, а партнерство заключается в использовании мощностей Microsoft и предоставлении разработок OpenAI для первоочередной интеграции в продукты Microsoft.
Perplexity под крылом Amazon, но скорее как партнерство, а Anthropic под Google (партнерство), но каждая из них двигается самостоятельно и независимо, а бигтехи инвестировали в эти проекты уже после проявления успешности стартапов.
А то же есть у бигтехов? Попробую разобрать:
▪️Microsoft имеет Microsoft Copilot полностью выстроенный на базе продуктов OpenAI (чистое паразитирование) с интеграцией в Microsoft 365, Azure и Dynamics 365, где самое известное – это 240 долларовая годовая подписка на Copilot для Microsoft 365.
Это похоже на издевательство, потому что Copilot для Microsoft 365 содержал ошибки и был настолько криво интегрирован, что изначально это был полный провал и пока им и остается – особенно в Excel. Пробовал, смысла нет никакого, имея активный доступ к нативному ChatGPT.
GitHub Copilot за $100– неплохо, но есть не менее прогрессивный и бесплатный Codeium, а во-вторых, лично для меня удобнее через оригинальный ChatGPT в связке с Codeium.
Azure AI в виде Azure OpenAI Service и Azure AI Studio представляет собой средства для разработчиков и имеет косвенное отношение к ГИИ.
▪️Meta развивает ИИ через свою платформу Meta AI, которая включает передовую модель Meta Llama 3, но в целом Meta Llama 3 оказалась «требухой» в сравнении с более мощными ChatGPT и Claude. Если не было бы конкурентов, Llama 3 могла удивить, но так нет – слабо и сразу мимо. Нишевый продукт внутри экосистемы Meta AI.
▪️Google выкатила Gemini Ecosystem спустя почти 1.5 года после релиза ChatGPT 3.5, но смею доложить после 6 месяцев использования Gemini Advanced (240 баксов в год, но сам не платил ни доллара в режиме тестирования) – это редкостная дрянь и феноменальное дерьмо. Хорошо, что это тестирование закончилось.
Причем с каждым месяцем все хуже. Все ответы Gemini сводятся «я лишь нейросеть и не могу ответить на этот вопрос, иди сам и найди информацию по этим ссылкам» или просто гонит адскую дичь.
Gemini отличается тем, что не просто лепит невероятное количество ошибок и неточностей – эта мерзость вообще не способна ответить ни на один относительно сложный вопрос. Чистый скам, пользы ноль.
Рекламы и бравады много в рамках развития экосистемы продуктов Google на базе ИИ, но все обещания Google так и остались обещаниями. Не сделано ничего, а то, что сделано – реализовано отвратительно. 1 из 10, полный позор и провал в контексте условий и ожиданий (размер Google и доступные аналоги конкурентов из успешных стартапов).
Google Cloud Vertex AI – единственный адекватный продукт Google, имеющий отношение к ГИИ, но это исключительно для разработчиков, как облачная платформа для развертывания моделей машинного обучения, включая генеративные модели ИИ.
Продолжение следует...
Создание фейковой ИИ реальности вокруг бигтехов (продолжение)...
▪️Amazon в рамках Amazon Web Services (AWS) предлагает широкий спектр ИИ-услуг для создания, обучения и развертывания моделей машинного обучения среди которых Amazon SageMaker и AWS Deep Learning AMIs.
Лично не пробовал, но продукты Amazon имеют косвенное отношения к ГИИ и больше относятся к машинному обучению, глубокому обучению и облачным технологиям непосредственно для разработчиков.
ИИ продукты Amazon используются в основном профессиональными разработчиками и компаниями в рамках решения бизнес-задач и здесь условия отличаются от массового хайпа вокруг ГИИ, т.к. непосредственно прорывного ГИИ у Amazon нет (инструменты преобразования текста в речь и обратно, ассистент Alexa и рекомендации музыки и товаров не в счет, т.к. были раньше и не представляют нового опыта взаимодействия).
▪️Apple в своем фирменном стиле тормозит на два-три поколения и выкатывает продукты тогда, как из каждого мусорного бака раздается пронзительный вой новоиспеченных адептов очередной вундервафли – это было с VR/AR, электрокарами и теперь и с ИИ, не говоря уже о эволюции смартфонов и планшетов, где большинство решений были позаимствованы у конкурентов.
Apple проспала все, что только можно проспать (как обычно) и не нашла ничего лучше, чем тупо встроить ChatGPT в ОС, т.к ничего собственного в недрах Apple создано не было (сопоставимого с передовыми разработками).
Apple была занята проектами VR/AR – весьма бессмысленной «нашлепкой на котелок» Apple Vision и электромобилями. Ничего не получилось, но зато отбросили лишний пафос и просто нырнули в объятия OpenAI.
Что получаем?
• Microsoft паразитирует на достижениях OpenAI (в рамках ГИИ), не сделав ничего самостоятельно и даже не сумев адекватно интегрировать продукты OpenAI, представляя лишь кастрированный клон ChatGPT.
• Google создала много шума и пафоса, но сделала на удивление поганый Gemini, который бессмысленный чуть менее, чем полностью, но при этом имея перспективные средства для разработчиков Google Cloud Vertex AI.
• Meta бултыхается в рамках своей экосистемы, имея посредственные и безликие инструменты ГИИ, сильно уступающие конкурентам во всех аспектах. Даже не интересно рассматривать.
• Apple вышла из летаргического сна, очутившись в новой ИИ реальности, отбросив ложное целомудрие, решила в засос поцеловать Альтмана, а о результатах обещала сообщить осенью.
• Amazon не имеет передовых собственных разработок нейросети на базе ГИИ, но имеет обширные средства разработки в сегменте машинного обучения.
В контексте ГИИ имеем сильно отставание бигтехов от мировых трендов, где стартапы тотально доминирует в этом сегменте.
Логика вполне предсказуемая: стартап рождается и показывает свою значимость и перспективность, а бигтехи, имея неограниченный кэш, скупают стартапы, поглощая их частично или полностью. Так и сейчас: все перспективные стартапы рано или поздно будут поглощены бигтехами.
Здесь интересно то, что:
• Крупнейшие технологические корпорации не способны самостоятельно драйвить технологический прогресс на новой и неизведанной территории из-за своей неповоротливости и бюрократии;
• Пузырь в 10 трлн создан на пустом месте на ИИ галлюцинациях и неадекватных ожиданиях для компаний, которые вообще не имеют отношения к ГИИ хайпу – весь прогресс у стартапов.
• Стартапы похоже на минный трал, расчищая риски отрасли, а бигтехи поглощают успешные компании в безрисковых условиях.
▪️Amazon в рамках Amazon Web Services (AWS) предлагает широкий спектр ИИ-услуг для создания, обучения и развертывания моделей машинного обучения среди которых Amazon SageMaker и AWS Deep Learning AMIs.
Лично не пробовал, но продукты Amazon имеют косвенное отношения к ГИИ и больше относятся к машинному обучению, глубокому обучению и облачным технологиям непосредственно для разработчиков.
ИИ продукты Amazon используются в основном профессиональными разработчиками и компаниями в рамках решения бизнес-задач и здесь условия отличаются от массового хайпа вокруг ГИИ, т.к. непосредственно прорывного ГИИ у Amazon нет (инструменты преобразования текста в речь и обратно, ассистент Alexa и рекомендации музыки и товаров не в счет, т.к. были раньше и не представляют нового опыта взаимодействия).
▪️Apple в своем фирменном стиле тормозит на два-три поколения и выкатывает продукты тогда, как из каждого мусорного бака раздается пронзительный вой новоиспеченных адептов очередной вундервафли – это было с VR/AR, электрокарами и теперь и с ИИ, не говоря уже о эволюции смартфонов и планшетов, где большинство решений были позаимствованы у конкурентов.
Apple проспала все, что только можно проспать (как обычно) и не нашла ничего лучше, чем тупо встроить ChatGPT в ОС, т.к ничего собственного в недрах Apple создано не было (сопоставимого с передовыми разработками).
Apple была занята проектами VR/AR – весьма бессмысленной «нашлепкой на котелок» Apple Vision и электромобилями. Ничего не получилось, но зато отбросили лишний пафос и просто нырнули в объятия OpenAI.
Что получаем?
• Microsoft паразитирует на достижениях OpenAI (в рамках ГИИ), не сделав ничего самостоятельно и даже не сумев адекватно интегрировать продукты OpenAI, представляя лишь кастрированный клон ChatGPT.
• Google создала много шума и пафоса, но сделала на удивление поганый Gemini, который бессмысленный чуть менее, чем полностью, но при этом имея перспективные средства для разработчиков Google Cloud Vertex AI.
• Meta бултыхается в рамках своей экосистемы, имея посредственные и безликие инструменты ГИИ, сильно уступающие конкурентам во всех аспектах. Даже не интересно рассматривать.
• Apple вышла из летаргического сна, очутившись в новой ИИ реальности, отбросив ложное целомудрие, решила в засос поцеловать Альтмана, а о результатах обещала сообщить осенью.
• Amazon не имеет передовых собственных разработок нейросети на базе ГИИ, но имеет обширные средства разработки в сегменте машинного обучения.
В контексте ГИИ имеем сильно отставание бигтехов от мировых трендов, где стартапы тотально доминирует в этом сегменте.
Логика вполне предсказуемая: стартап рождается и показывает свою значимость и перспективность, а бигтехи, имея неограниченный кэш, скупают стартапы, поглощая их частично или полностью. Так и сейчас: все перспективные стартапы рано или поздно будут поглощены бигтехами.
Здесь интересно то, что:
• Крупнейшие технологические корпорации не способны самостоятельно драйвить технологический прогресс на новой и неизведанной территории из-за своей неповоротливости и бюрократии;
• Пузырь в 10 трлн создан на пустом месте на ИИ галлюцинациях и неадекватных ожиданиях для компаний, которые вообще не имеют отношения к ГИИ хайпу – весь прогресс у стартапов.
• Стартапы похоже на минный трал, расчищая риски отрасли, а бигтехи поглощают успешные компании в безрисковых условиях.
О научно-технической революции…
Способен ли ГИИ ускорить научно-технический прогресс?
Вы часто в новостях слышите: «ГИИ открыл новые материалы с невиданной скорость, создал новые лекарства, изобрел ракетный двигатель». Все это фейк из-за непонимания нюансов работы технологии.
Изначально сделаю разделение на продукты (ChatGPT, Claud, Gemini и другие) и технологию, на которой базируется ГИИ. С продуктами все понятно – это забавная игрушка, имеющая околонулевую практическую ценность и нулевой научно-технический потенциал, но с технологией иначе и не все так однозначно.
Наука – это сложная система, включающая изучение причинно-следственных связей, а также механизмов взаимодействия объектов и процессов.
ГИИ – это лишь инструмент, базирующийся на совершенно иной технологии, которая не может быть напрямую применима к R&D.
С точки зрения науки ГИИ помогает работать с неструктурированными массивами информации, искать корреляции и зависимости, обеспечивать классификацию данных и создавать пространство векторов/вероятностей.
Например, лично в своих исследовательских проектах я использую связку Excel + Python + SQL + комплекс дата провайдеров по финансовой и экономической статистике + Google/Yandex, которые были заменены на связку ChatGPT/Perplexity.
ChatGPT/Perplexity работают в связке для поиска актуальной информации, как решить какую-то проблему или задачу в программировании, настройке ИТ комплексов, разработке формулы или как навигатор по инструкциям/гайдам/мануалам + очень редко в классификации неструктурированных массивов данных.
Как показывает опыт, ГИИ имеет нулевую ценность в аналитике данных и научно-исследовательских проектах – пользы действительно нет, но как более эффективная замена Google и Wikipedia – да. Конспектирование / экстракт отчетов с использованием ГИИ (основная функция у них) редко провожу.
Поэтому, когда вижу, что ГИИ создал ракетный двигатель – это просто смех от вопиющей тупости журналистов. Даже в микромодуле для простых расчетов ГИИ налепит десятки ошибок, которые придется исправлять три часа, а сложные и многофакторные проекты – тут даже речи не идет.
Весь раздутый хайп вокруг ГИИ действительно выглядит необоснованным.
• Проблема в критически низкой точности выходных результатов, что абсолютно неприемлемо для научных расчетов и проектов, где требуется подтвержденная качественная информация (юриспруденция, финансы и страхование, медицина и т.д.).
• ГИИ регулярно галлюцинирует (в будущем этот баг можно минимизировать, хотя полностью исключить не получится).
Низкая надежность приводит к тому, что к любой выходной информации ГИИ относишься с недоверием, что требует времени и ресурсов для проверки и верификации, что снижает производительность.
LLM производят низкокачественную и ненадежную информацию, которая затем всасывается обратно в другие LLM. Модели становятся необратимо загрязненными.
• Современные большие языковые модели (LLM) научились распознавать шаблоны/паттерны, но не понимают лежащие в их основе концепции и причинно-следственные связи, поэтому они изначально тупы, хотя чисто технически «эрудированы» из-за концентрации данных. LLM обучают на наборе доступных данных — тексте, изображениях и аудио, а не на прямом взаимодействии с физическим миром.
• Модели могут отражать предвзятости и перекосы в данных, на которых они обучались. Обучение на доступных данных приводит к тому, что модели не могут выйти за пределы предоставленной информации и сделать выводы на основе реального опыта или экспериментов. Это ограничивает их способность к инновациям и приспособлению к новым и неожиданным ситуациям.
• Ограниченная длина контекстного окна, что приводит к утрате нити повествования или «забывании» исходных корректировок.
• Ограниченность масштабирования и отсутствие самообучения в публичных моделях.
• Нет критерия оценки выходных данных (нет критерия ошибки), поэтому ГИИ не может эффективно управлять вектором генерации результатов.
Способен ли ГИИ ускорить научно-технический прогресс?
Вы часто в новостях слышите: «ГИИ открыл новые материалы с невиданной скорость, создал новые лекарства, изобрел ракетный двигатель». Все это фейк из-за непонимания нюансов работы технологии.
Изначально сделаю разделение на продукты (ChatGPT, Claud, Gemini и другие) и технологию, на которой базируется ГИИ. С продуктами все понятно – это забавная игрушка, имеющая околонулевую практическую ценность и нулевой научно-технический потенциал, но с технологией иначе и не все так однозначно.
Наука – это сложная система, включающая изучение причинно-следственных связей, а также механизмов взаимодействия объектов и процессов.
ГИИ – это лишь инструмент, базирующийся на совершенно иной технологии, которая не может быть напрямую применима к R&D.
С точки зрения науки ГИИ помогает работать с неструктурированными массивами информации, искать корреляции и зависимости, обеспечивать классификацию данных и создавать пространство векторов/вероятностей.
Например, лично в своих исследовательских проектах я использую связку Excel + Python + SQL + комплекс дата провайдеров по финансовой и экономической статистике + Google/Yandex, которые были заменены на связку ChatGPT/Perplexity.
ChatGPT/Perplexity работают в связке для поиска актуальной информации, как решить какую-то проблему или задачу в программировании, настройке ИТ комплексов, разработке формулы или как навигатор по инструкциям/гайдам/мануалам + очень редко в классификации неструктурированных массивов данных.
Как показывает опыт, ГИИ имеет нулевую ценность в аналитике данных и научно-исследовательских проектах – пользы действительно нет, но как более эффективная замена Google и Wikipedia – да. Конспектирование / экстракт отчетов с использованием ГИИ (основная функция у них) редко провожу.
Поэтому, когда вижу, что ГИИ создал ракетный двигатель – это просто смех от вопиющей тупости журналистов. Даже в микромодуле для простых расчетов ГИИ налепит десятки ошибок, которые придется исправлять три часа, а сложные и многофакторные проекты – тут даже речи не идет.
Весь раздутый хайп вокруг ГИИ действительно выглядит необоснованным.
• Проблема в критически низкой точности выходных результатов, что абсолютно неприемлемо для научных расчетов и проектов, где требуется подтвержденная качественная информация (юриспруденция, финансы и страхование, медицина и т.д.).
• ГИИ регулярно галлюцинирует (в будущем этот баг можно минимизировать, хотя полностью исключить не получится).
Низкая надежность приводит к тому, что к любой выходной информации ГИИ относишься с недоверием, что требует времени и ресурсов для проверки и верификации, что снижает производительность.
LLM производят низкокачественную и ненадежную информацию, которая затем всасывается обратно в другие LLM. Модели становятся необратимо загрязненными.
• Современные большие языковые модели (LLM) научились распознавать шаблоны/паттерны, но не понимают лежащие в их основе концепции и причинно-следственные связи, поэтому они изначально тупы, хотя чисто технически «эрудированы» из-за концентрации данных. LLM обучают на наборе доступных данных — тексте, изображениях и аудио, а не на прямом взаимодействии с физическим миром.
• Модели могут отражать предвзятости и перекосы в данных, на которых они обучались. Обучение на доступных данных приводит к тому, что модели не могут выйти за пределы предоставленной информации и сделать выводы на основе реального опыта или экспериментов. Это ограничивает их способность к инновациям и приспособлению к новым и неожиданным ситуациям.
• Ограниченная длина контекстного окна, что приводит к утрате нити повествования или «забывании» исходных корректировок.
• Ограниченность масштабирования и отсутствие самообучения в публичных моделях.
• Нет критерия оценки выходных данных (нет критерия ошибки), поэтому ГИИ не может эффективно управлять вектором генерации результатов.
О научно-технической революции… (продолжение)
Технологии совершенствуются очень быстро, особенно быстро масштабируемые ИИ технологии. То, что казалось невозможным вчера, может быть реальностью в ближайшем времени.
Сложно сказать, к чему нас заведет этот тернистый ИИ путь?
Область применения очень ограниченная, если вывести из анализа бытовое применение и концентрировать внимание исключительно на коммерческом применении.
Переводчики, редакторы, корректоры, копирайтеры и новостные журналисты, художники, дизайнеры, аниматоры, программисты, операторы колл-центров, консультанты, офисные работники/секретари, рекламные менеджеры. Многие профессии под угрозой трансформации частичной или полной.
И все же, если говорить именно о потенциале научно-технического прогресса и R&D, здесь я скептик.
Если опустить продукты (ChatGPT, Claud, Gemini и другие), которые в науке действительно полный ноль в плане положительного эффекта, а рассматривать технологию, можно выделить:
• Вариационные автокодировщики (VAE)
• Генеративные состязательные сети (GAN)
• Графовые нейронные сети (GNN)
• Рекуррентные нейронные сети (RNN)
• Сверточные нейронные сети (CNN).
Каждая из нейросетей может быть полезна в какой-то области, но подчеркну – лишь как дополнение и надстройка к существующим научно-исследовательским проектам и комплексам.
Например, в сегменте биотехнологиях очень популярны TensorFlow и PyTorch (библиотеки для построения и обучения моделей глубокого обучения, применяемых в том числе в химии), которые используются много лет и являются частью ИИ.
CellDesigner для моделирования биохимических сетей и COPASI для моделирования и анализа биохимических систем, GROMACS для молекулярной динамики и так далее.
В аэродинамике и аэрокосмическом проектировании применяются научно-исследовательские комплексы в вычислительной гидродинамике (CFD) такие как ANSYS Fluent и NASA's FUN3D. В аэродинамическом моделировании - XFLR5, в термодинамическом моделировании - ANSYS Thermal, для оптимизации конструкций – OptiStruct, для общих математических расчетов – комплексы MATLAB и т.д.
Какие программные и научные комплексы используются в финансовом моделировании, статистике и макроэкономическом анализе?
R, Python, MATLAB, SAS и Excel для расчётов, автоматизации, статистического анализа и программировании. TensorFlow и PyTorch для машинного обучения, Tableau, Power BI, D3.js и Excel для визуализации и так далее.
В чем суть? Под каждую задачу свой комплекс. В реальном мире научные комплексы учитывают физику объектов и их взаимодействие, молекулярное и химическое моделирование на основе целого комплекса моделей.
ГИИ из-за архитектурных особенностей не может применяться для моделирования – это вообще другая область и класс задач, но ГИИ может классифицировать и в каком-то смысле анализировать полученные результаты при моделировании, создавая вектор распределения и пространство решений.
Еще раз, ГИИ не создает технологии, это в принципе невозможно даже теоретически. ГИИ может участвовать в создании технологии, лишь как дополнение к существующим комплексам с множеством допущений (высокая вероятность ошибок).
В этом смысле я не вижу ничего, чтобы могло качественно ускорить технологический прогресс. С 2023 не появилось ничего принципиально нового. Машинное и глубокое обучение существует уже несколько десятилетий и активно применяется в R&D.
Технологии совершенствуются очень быстро, особенно быстро масштабируемые ИИ технологии. То, что казалось невозможным вчера, может быть реальностью в ближайшем времени.
Сложно сказать, к чему нас заведет этот тернистый ИИ путь?
Область применения очень ограниченная, если вывести из анализа бытовое применение и концентрировать внимание исключительно на коммерческом применении.
Переводчики, редакторы, корректоры, копирайтеры и новостные журналисты, художники, дизайнеры, аниматоры, программисты, операторы колл-центров, консультанты, офисные работники/секретари, рекламные менеджеры. Многие профессии под угрозой трансформации частичной или полной.
И все же, если говорить именно о потенциале научно-технического прогресса и R&D, здесь я скептик.
Если опустить продукты (ChatGPT, Claud, Gemini и другие), которые в науке действительно полный ноль в плане положительного эффекта, а рассматривать технологию, можно выделить:
• Вариационные автокодировщики (VAE)
• Генеративные состязательные сети (GAN)
• Графовые нейронные сети (GNN)
• Рекуррентные нейронные сети (RNN)
• Сверточные нейронные сети (CNN).
Каждая из нейросетей может быть полезна в какой-то области, но подчеркну – лишь как дополнение и надстройка к существующим научно-исследовательским проектам и комплексам.
Например, в сегменте биотехнологиях очень популярны TensorFlow и PyTorch (библиотеки для построения и обучения моделей глубокого обучения, применяемых в том числе в химии), которые используются много лет и являются частью ИИ.
CellDesigner для моделирования биохимических сетей и COPASI для моделирования и анализа биохимических систем, GROMACS для молекулярной динамики и так далее.
В аэродинамике и аэрокосмическом проектировании применяются научно-исследовательские комплексы в вычислительной гидродинамике (CFD) такие как ANSYS Fluent и NASA's FUN3D. В аэродинамическом моделировании - XFLR5, в термодинамическом моделировании - ANSYS Thermal, для оптимизации конструкций – OptiStruct, для общих математических расчетов – комплексы MATLAB и т.д.
Какие программные и научные комплексы используются в финансовом моделировании, статистике и макроэкономическом анализе?
R, Python, MATLAB, SAS и Excel для расчётов, автоматизации, статистического анализа и программировании. TensorFlow и PyTorch для машинного обучения, Tableau, Power BI, D3.js и Excel для визуализации и так далее.
В чем суть? Под каждую задачу свой комплекс. В реальном мире научные комплексы учитывают физику объектов и их взаимодействие, молекулярное и химическое моделирование на основе целого комплекса моделей.
ГИИ из-за архитектурных особенностей не может применяться для моделирования – это вообще другая область и класс задач, но ГИИ может классифицировать и в каком-то смысле анализировать полученные результаты при моделировании, создавая вектор распределения и пространство решений.
Еще раз, ГИИ не создает технологии, это в принципе невозможно даже теоретически. ГИИ может участвовать в создании технологии, лишь как дополнение к существующим комплексам с множеством допущений (высокая вероятность ошибок).
В этом смысле я не вижу ничего, чтобы могло качественно ускорить технологический прогресс. С 2023 не появилось ничего принципиально нового. Машинное и глубокое обучение существует уже несколько десятилетий и активно применяется в R&D.
Отчет Google за 2 квартал 2024.
Первая компания из ТОП 7 отчиталась, есть ли прогресс?
Выручка за 2кв24 выросла на 14% до 84.7 млрд, за два года рост на 21.5%, за 5 лет рост на 118% - соответствует среднегодовому росту на 17% (основной рост выручки в 2020-2021), а за прошлую пятилетку (2кв19 к 2кв14) выручка выросла на 143% (около 20% в год).
Рекламные доходы Google за 2кв24 составили 64.6 млрд или 76.3% в структуре выручки vs 77.9% годом ранее. Среди рекламных доходов на Google Search приходится 48.5 млрд (+13.8%), YouTube – 8.66 млрд (+13.1%), а Google Network – 7.44 млрд (падение на 5.3%).
Сегмент Google Network включает в себя доходы, полученные от рекламы, размещаемой на сайтах и в приложениях, которые не принадлежат компании Google, но используют её рекламные технологии и сети для показа объявлений (AdSense, AdMob).
В Google Search входит поисковая система, андроид и все приложения Google.
Google subscriptions, platforms, and devices имеет выручку 9.3 млрд (+14.4%) – входят девайсы Google в том числе Pixel, подписки на сервисы Google, в том числе YouTube Premium и YouTube TV , Google One (Gemini), а основная выручка от Google Play (комиссии от продажи платных подписок).
Google Cloud – имеет выручку 10.3 млрд (+29.3%), сюда входят средства для разработчиков и облачная экосистема для предоставления вычислительных мощностей Google внешним провайдерам и разработчикам.
Операционная прибыль составила 27.5 млрд (+26.4%) – абсолютный рекорд, а чистая прибыль выросла до 23.6 млрд (+28.4%) – повторение рекордного показателя 1кв24. Операционный денежный поток сократился на 7.2% до 26.64 млрд.
Капитальные расходы растут по экспоненте – 13.2 млрд vs 6.9 млрд годом ранее (+91%).
Расходы на чистый байбэк, опционы для сотрудников и дивиденды составили 21.4 млрд vs 17.7 млрд в 2кв23 – новый рекорд и компания заплатила рекордные дивы в 2.5 млрд.
Полное позиционирование в ИИ: консолидация команд, работающих над разработкой моделей ИИ, в рамках Google Research и Google DeepMind и укрепление лидерства в области инфраструктуры.
Первая компания из ТОП 7 отчиталась, есть ли прогресс?
Выручка за 2кв24 выросла на 14% до 84.7 млрд, за два года рост на 21.5%, за 5 лет рост на 118% - соответствует среднегодовому росту на 17% (основной рост выручки в 2020-2021), а за прошлую пятилетку (2кв19 к 2кв14) выручка выросла на 143% (около 20% в год).
Рекламные доходы Google за 2кв24 составили 64.6 млрд или 76.3% в структуре выручки vs 77.9% годом ранее. Среди рекламных доходов на Google Search приходится 48.5 млрд (+13.8%), YouTube – 8.66 млрд (+13.1%), а Google Network – 7.44 млрд (падение на 5.3%).
Сегмент Google Network включает в себя доходы, полученные от рекламы, размещаемой на сайтах и в приложениях, которые не принадлежат компании Google, но используют её рекламные технологии и сети для показа объявлений (AdSense, AdMob).
В Google Search входит поисковая система, андроид и все приложения Google.
Google subscriptions, platforms, and devices имеет выручку 9.3 млрд (+14.4%) – входят девайсы Google в том числе Pixel, подписки на сервисы Google, в том числе YouTube Premium и YouTube TV , Google One (Gemini), а основная выручка от Google Play (комиссии от продажи платных подписок).
Google Cloud – имеет выручку 10.3 млрд (+29.3%), сюда входят средства для разработчиков и облачная экосистема для предоставления вычислительных мощностей Google внешним провайдерам и разработчикам.
Операционная прибыль составила 27.5 млрд (+26.4%) – абсолютный рекорд, а чистая прибыль выросла до 23.6 млрд (+28.4%) – повторение рекордного показателя 1кв24. Операционный денежный поток сократился на 7.2% до 26.64 млрд.
Капитальные расходы растут по экспоненте – 13.2 млрд vs 6.9 млрд годом ранее (+91%).
Расходы на чистый байбэк, опционы для сотрудников и дивиденды составили 21.4 млрд vs 17.7 млрд в 2кв23 – новый рекорд и компания заплатила рекордные дивы в 2.5 млрд.
Полное позиционирование в ИИ: консолидация команд, работающих над разработкой моделей ИИ, в рамках Google Research и Google DeepMind и укрепление лидерства в области инфраструктуры.
Отчет Tesla за 2 квартал 2024.
Активная экспансия Tesla завершилась в 4кв22 и вот уже 1.5 года Илон Маск ищет новую точку равновесия в быстро меняющемся автомобильном рынке.
Формально выручка за 2кв24 является рекордной – 25.5 млрд (до 100 млрд годового дохода), но рост за год всего на 2.4%, тогда как за два года прирост в 1.5 раза! Неплохо? Да, но период экспансии закончен, т.к. за 5 лет до этого (2кв22 к 2кв17) выручка выросла в 6 раз!
Из компании роста Tesla превращается в типичную автомобильную компанию, которая непрерывно находится в фазе трансформации и адаптации (реконфигурация модельного ряда, оптимизация логистики, расходов и т.д.).
Точка перелома для Tesla – 4кв22-1кв23, когда впервые реализация авто вышла на нисходящую траектории. Рост глобальной конкуренции, где Tesla теснят на всех фронтах (особенно в Китае) и замедление экспансии электрокаров в США и Европе. Это вынуждает снижать цены и темпы производства авто, которые сократились на 14% г/г.
Выручка автомобильного сегмента Tesla сократилась на 7% г/г до 19.9 млрд, тогда как выручка генерации и аккумуляции/ хранении электричества выросла на 100% до 3 млрд и это за квартал!
Tesla входит в мировые лидеры по предоставлению возобновляемой энергии. Электроэнергетика Tesla имеет потенциал экспансии до 15-20 млрд годовой выручки. Tesla установила и ввела в эксплуатацию системы хранения энергии общей емкостью 9.4 ГВт·ч (+158% г/г).
Сервисные услуги и прочие доходы выросли на 21% г/г до 2.6 млрд.
Операционная прибыль сократилась на треть до 1.6 млрд, а чистая прибыль сократилась на 45% г/г до 1.5 млрд, несмотря на то, что Tesla агрессивно снижает расходы на аккумуляторы.
Пик операционной и чистой прибыли был достигнут в 2П22, с тех пор показатели рухнули примерно на 60%. Операционный денежный поток чуть лучше, но сглаженный годовой показатели снизился на 30%.
Tesla не платит дивидендов и не совершает байбэков, а наоборот, активно размещается на рынке. Через доразмещение акций с 2020 года привлекли 15 млрд, а до этого еще 7 млрд.
Активная экспансия Tesla завершилась в 4кв22 и вот уже 1.5 года Илон Маск ищет новую точку равновесия в быстро меняющемся автомобильном рынке.
Формально выручка за 2кв24 является рекордной – 25.5 млрд (до 100 млрд годового дохода), но рост за год всего на 2.4%, тогда как за два года прирост в 1.5 раза! Неплохо? Да, но период экспансии закончен, т.к. за 5 лет до этого (2кв22 к 2кв17) выручка выросла в 6 раз!
Из компании роста Tesla превращается в типичную автомобильную компанию, которая непрерывно находится в фазе трансформации и адаптации (реконфигурация модельного ряда, оптимизация логистики, расходов и т.д.).
Точка перелома для Tesla – 4кв22-1кв23, когда впервые реализация авто вышла на нисходящую траектории. Рост глобальной конкуренции, где Tesla теснят на всех фронтах (особенно в Китае) и замедление экспансии электрокаров в США и Европе. Это вынуждает снижать цены и темпы производства авто, которые сократились на 14% г/г.
Выручка автомобильного сегмента Tesla сократилась на 7% г/г до 19.9 млрд, тогда как выручка генерации и аккумуляции/ хранении электричества выросла на 100% до 3 млрд и это за квартал!
Tesla входит в мировые лидеры по предоставлению возобновляемой энергии. Электроэнергетика Tesla имеет потенциал экспансии до 15-20 млрд годовой выручки. Tesla установила и ввела в эксплуатацию системы хранения энергии общей емкостью 9.4 ГВт·ч (+158% г/г).
Сервисные услуги и прочие доходы выросли на 21% г/г до 2.6 млрд.
Операционная прибыль сократилась на треть до 1.6 млрд, а чистая прибыль сократилась на 45% г/г до 1.5 млрд, несмотря на то, что Tesla агрессивно снижает расходы на аккумуляторы.
Пик операционной и чистой прибыли был достигнут в 2П22, с тех пор показатели рухнули примерно на 60%. Операционный денежный поток чуть лучше, но сглаженный годовой показатели снизился на 30%.
Tesla не платит дивидендов и не совершает байбэков, а наоборот, активно размещается на рынке. Через доразмещение акций с 2020 года привлекли 15 млрд, а до этого еще 7 млрд.
Агрессивные инвестиции технологических корпораций США в ИТ инфраструктуру.
Инвестиции не технологических корпораций, а всего 4 компаний (Microsoft, Google, Amazon и Meta). Если считать Amazon за технологическую компанию, по всем компаниям США в этом секторе инвестиции за 1кв24 оцениваются в 71-72 млрд, тогда как ТОП 4 формируют поток инвестиций в 44.3 млрд или около 62% всего сектора – невероятно.
Так, для сравнения, все металлургические и химические компании США формируют капексы на уровне 5.7-6 млрд за 1кв24, а нефтегазовые компании всего 27-28 млрд, а наибольший поток капитальных расходов от энергетических и коммунальных компаний – 40-42 млрд. Все транспортные компании имеют капексы на уровне 12-13 млрд, а телекоммуникационные компании – 13-14 млрд. Это наиболее фондовооруженные сектора экономики США.
Расходы на капексы среди ТОП-4 росли задолго до внедрения ГИИ в массовый сегмент – так к 4кв22 капитальные расходы ТОП-4 достигли 40 млрд.
Экспоненциальный рост начался с 2017 года на траектории развития облачных технологий предоставления вычислительных ресурсов корпоративным клиентам.
Капитальные расходы за год выросли на 31%, за два года +25%, за 5 лет рост в 3.1 раза, за 10 лет рост почти в 9 раз (!) и в 22 раза с 2011 года!
В структуре капитальных расходов на Amazon приходится 14.9 млрд за 1кв24 (53.4 млрд за год), на Microsoft – 11 млрд и 39.5 млрд за год, на Google – 12 млрд и 38 млрд за 12 месяцев, а Meta – 6.4 млрд и 26.8 млрд соответственно.
От 30 до 70% вычислительных ресурсов используется для внешних клиентов: Microsoft через платформу Azure, Amazon через Amazon Web Services (AWS), Google через Google Cloud Platform, а Meta активно развивает Llama с открытым исходным кодом для расширения экосистемы разработчиков и PyTorch для машинного обучения.
Практически вся мировая ИТ индустрия зациклена и замыкается (софт и облачный хард) на эти 4 компании, включая банки, транспортную, телекоммуникационную и энергосистему. Это и есть контроль над миром.
Инвестиции не технологических корпораций, а всего 4 компаний (Microsoft, Google, Amazon и Meta). Если считать Amazon за технологическую компанию, по всем компаниям США в этом секторе инвестиции за 1кв24 оцениваются в 71-72 млрд, тогда как ТОП 4 формируют поток инвестиций в 44.3 млрд или около 62% всего сектора – невероятно.
Так, для сравнения, все металлургические и химические компании США формируют капексы на уровне 5.7-6 млрд за 1кв24, а нефтегазовые компании всего 27-28 млрд, а наибольший поток капитальных расходов от энергетических и коммунальных компаний – 40-42 млрд. Все транспортные компании имеют капексы на уровне 12-13 млрд, а телекоммуникационные компании – 13-14 млрд. Это наиболее фондовооруженные сектора экономики США.
Расходы на капексы среди ТОП-4 росли задолго до внедрения ГИИ в массовый сегмент – так к 4кв22 капитальные расходы ТОП-4 достигли 40 млрд.
Экспоненциальный рост начался с 2017 года на траектории развития облачных технологий предоставления вычислительных ресурсов корпоративным клиентам.
Капитальные расходы за год выросли на 31%, за два года +25%, за 5 лет рост в 3.1 раза, за 10 лет рост почти в 9 раз (!) и в 22 раза с 2011 года!
В структуре капитальных расходов на Amazon приходится 14.9 млрд за 1кв24 (53.4 млрд за год), на Microsoft – 11 млрд и 39.5 млрд за год, на Google – 12 млрд и 38 млрд за 12 месяцев, а Meta – 6.4 млрд и 26.8 млрд соответственно.
От 30 до 70% вычислительных ресурсов используется для внешних клиентов: Microsoft через платформу Azure, Amazon через Amazon Web Services (AWS), Google через Google Cloud Platform, а Meta активно развивает Llama с открытым исходным кодом для расширения экосистемы разработчиков и PyTorch для машинного обучения.
Практически вся мировая ИТ индустрия зациклена и замыкается (софт и облачный хард) на эти 4 компании, включая банки, транспортную, телекоммуникационную и энергосистему. Это и есть контроль над миром.
Кто контролирует этот мир?
Компании из ВПК, может банки? Нет, всего 4 компаний (Microsoft, Google, Amazon и Meta), если говорить о "цифровом мире".
Весьма показателен недавний инцидент с прерыванием критической ИТ инфраструктуры, вызванный обновлением от компании CrowdStrike, которое затронуло множество IT-систем по всему миру.
Сбой был вызван дефектным обновлением программного обеспечения, выпущенным CrowdStrike, компанией, специализирующейся на кибербезопасности. Обновление содержало ошибку в логике, которая привела к сбоям в работе компьютеров под управлением Windows (примерно 8.5 млн устройств), вызывая синий экран смерти (BSOD).
Пострадали авиакомпании, банки, СМИ и многие другие критические сектора.
Так причем здесь ТОП-4? Сейчас почти любой софт, любая ИТ система, имеющая выход в сеть, замыкается на экосистему ТОП-4.
Что такое экосистема? Вычислительные мощности + средства хранения данных + базы данных + сеть + ИИ и машинное обучение + инструменты разработки приложений.
Microsoft Azure:
• Вычисления: Виртуальные машины (VMs), контейнеры, Kubernetes, функции без сервера (Azure Functions).
• Хранение: Объектное хранение (Blob Storage), файловое хранение (Azure Files), дисковое хранение (Managed Disks).
• Базы данных: SQL Database, Cosmos DB, Azure Database for MySQL, PostgreSQL.
• Сеть: Виртуальные сети, балансировка нагрузки, CDN, VPN.
• ИИ и машинное обучение: Azure Machine Learning, Cognitive Services.
• Разработка приложений: App Services, Logic Apps, DevOps, API Management.
Google Cloud Platform (GCP):
• Вычисления: Google Compute Engine (виртуальные машины), Google Kubernetes Engine (GKE), Cloud Functions.
• Хранение: Google Cloud Storage, Persistent Disks, Filestore.
• Базы данных: Cloud SQL, Bigtable, Firestore, Spanner.
• Сеть: VPC, Cloud CDN, Cloud Load Balancing, Cloud VPN.
• ИИ и машинное обучение: AI Platform, AutoML, TensorFlow.
• Аналитика: BigQuery, Dataflow, Pub/Sub, Data Studio.
Amazon Web Services (AWS):
• Вычисления: Amazon EC2 (виртуальные машины), Lambda (функции без сервера), ECS и EKS (контейнеры).
• Хранение: S3 (объектное хранение), EBS (дисковое хранение), Glacier (архивное хранение).
• Базы данных: RDS (реляционные базы данных), DynamoDB, Redshift (хранилище данных), Aurora.
• Сеть: VPC, Route 53, CloudFront (CDN), Elastic Load Balancing.
• ИИ и машинное обучение: SageMaker, Rekognition, Polly, Lex.
• Аналитика: EMR (Hadoop), Kinesis, Athena, QuickSight.
Meta Platforms пошла другим путем. Нет привычной экосистемы, но есть комплекс ИТ услуг, преимущественно внутри экосистемы самой Meta, например:
• Parse Platform: Платформа для создания и управления мобильными приложениями.
• PyTorch: Глубокая обучающая библиотека с открытым исходным кодом.
• Facebook API и SDK: Инструменты для интеграции функций Facebook в приложения.
• React и React Native: Инструменты для создания веб и мобильных приложений.
• Facebook Analytics: Платформа для анализа данных пользователей.
Сейчас Meta продвигает Llama с открытым исходным кодом для расширения экосистемы разработчиков.
Почему все это важно? ТОП-4 вышли на ошеломляющие капитальные расходы в ИТ инфраструктуру и, подобно черной дыре, поглощают всю мировую информационную среду в свои эко системы. С 2023 с агрессивным акцентом в ИИ.
Экосистема в контексте информационных технологий представляет собой комплекс взаимосвязанных сервисов и технологий, предлагаемых компаниями для поддержки полного цикла разработки, развертывания и управления приложениями.
Что это означает? Тотальная монополизация и централизация глобальной ИТ индустрии, где практическая каждая отрасль становится зависимой от ТОП-4, которые контролируют весь цикл разработки и внедрения.
ТОП-4 через свое избыточное доминирование контролируют данные, технологии, инновации и формируют тренды, создавая условия тотальной зависимости внешних клиентов от сформированных правил ТОП-4.
Одним переключателем раз и вне игры, не говоря уже о промышленном шпионаже…
Компании из ВПК, может банки? Нет, всего 4 компаний (Microsoft, Google, Amazon и Meta), если говорить о "цифровом мире".
Весьма показателен недавний инцидент с прерыванием критической ИТ инфраструктуры, вызванный обновлением от компании CrowdStrike, которое затронуло множество IT-систем по всему миру.
Сбой был вызван дефектным обновлением программного обеспечения, выпущенным CrowdStrike, компанией, специализирующейся на кибербезопасности. Обновление содержало ошибку в логике, которая привела к сбоям в работе компьютеров под управлением Windows (примерно 8.5 млн устройств), вызывая синий экран смерти (BSOD).
Пострадали авиакомпании, банки, СМИ и многие другие критические сектора.
Так причем здесь ТОП-4? Сейчас почти любой софт, любая ИТ система, имеющая выход в сеть, замыкается на экосистему ТОП-4.
Что такое экосистема? Вычислительные мощности + средства хранения данных + базы данных + сеть + ИИ и машинное обучение + инструменты разработки приложений.
Microsoft Azure:
• Вычисления: Виртуальные машины (VMs), контейнеры, Kubernetes, функции без сервера (Azure Functions).
• Хранение: Объектное хранение (Blob Storage), файловое хранение (Azure Files), дисковое хранение (Managed Disks).
• Базы данных: SQL Database, Cosmos DB, Azure Database for MySQL, PostgreSQL.
• Сеть: Виртуальные сети, балансировка нагрузки, CDN, VPN.
• ИИ и машинное обучение: Azure Machine Learning, Cognitive Services.
• Разработка приложений: App Services, Logic Apps, DevOps, API Management.
Google Cloud Platform (GCP):
• Вычисления: Google Compute Engine (виртуальные машины), Google Kubernetes Engine (GKE), Cloud Functions.
• Хранение: Google Cloud Storage, Persistent Disks, Filestore.
• Базы данных: Cloud SQL, Bigtable, Firestore, Spanner.
• Сеть: VPC, Cloud CDN, Cloud Load Balancing, Cloud VPN.
• ИИ и машинное обучение: AI Platform, AutoML, TensorFlow.
• Аналитика: BigQuery, Dataflow, Pub/Sub, Data Studio.
Amazon Web Services (AWS):
• Вычисления: Amazon EC2 (виртуальные машины), Lambda (функции без сервера), ECS и EKS (контейнеры).
• Хранение: S3 (объектное хранение), EBS (дисковое хранение), Glacier (архивное хранение).
• Базы данных: RDS (реляционные базы данных), DynamoDB, Redshift (хранилище данных), Aurora.
• Сеть: VPC, Route 53, CloudFront (CDN), Elastic Load Balancing.
• ИИ и машинное обучение: SageMaker, Rekognition, Polly, Lex.
• Аналитика: EMR (Hadoop), Kinesis, Athena, QuickSight.
Meta Platforms пошла другим путем. Нет привычной экосистемы, но есть комплекс ИТ услуг, преимущественно внутри экосистемы самой Meta, например:
• Parse Platform: Платформа для создания и управления мобильными приложениями.
• PyTorch: Глубокая обучающая библиотека с открытым исходным кодом.
• Facebook API и SDK: Инструменты для интеграции функций Facebook в приложения.
• React и React Native: Инструменты для создания веб и мобильных приложений.
• Facebook Analytics: Платформа для анализа данных пользователей.
Сейчас Meta продвигает Llama с открытым исходным кодом для расширения экосистемы разработчиков.
Почему все это важно? ТОП-4 вышли на ошеломляющие капитальные расходы в ИТ инфраструктуру и, подобно черной дыре, поглощают всю мировую информационную среду в свои эко системы. С 2023 с агрессивным акцентом в ИИ.
Экосистема в контексте информационных технологий представляет собой комплекс взаимосвязанных сервисов и технологий, предлагаемых компаниями для поддержки полного цикла разработки, развертывания и управления приложениями.
Что это означает? Тотальная монополизация и централизация глобальной ИТ индустрии, где практическая каждая отрасль становится зависимой от ТОП-4, которые контролируют весь цикл разработки и внедрения.
ТОП-4 через свое избыточное доминирование контролируют данные, технологии, инновации и формируют тренды, создавая условия тотальной зависимости внешних клиентов от сформированных правил ТОП-4.
Одним переключателем раз и вне игры, не говоря уже о промышленном шпионаже…
Росстат фиксирует сильнейший с начала СВО обвал промпроизводства в России.
▪️Индекс промпроизводства снизился на 1.52% м/м с устранением сезонного и календарного эффекта (SA), что стало сильнейшим обвалом с апреля 2022 – 2.8%, за исключением статистических артефактов в январе.
Справедливости ради, в мае был сильнейший рост на 2.13% м/м, а за 4 месяца (фев-май.24) накопленный рост составил 3.6%, т.е. снижение в июне «снесло» около половины роста с начала года, а индекс промпроизводства все еще в плюсе на 1.9% относительно дек.23.
В июне промпроизводство выросло почти на 2% г/г и это минимальный рост с апр.23, что, конечно, скромно после интенсивного роста на 4-8%, к которому мы привыкли последний год.
Относительно июн.21 рост на 6.4%, а к июн.19 рост на 10.6%. За 1П24 промышленность выросла на 4.6% г/г, к 1П21 рост на 9.5%, а к 1П19 увеличение на 13.1%.
По сумме за 12 месяцев промпроизводство на 5.1% выше докризисного максимума в мар.22.
▪️Основной вклад в обвал внесла добыча полезных ископаемых – 2.4% м/м SA, что является худшей динамикой с апреля 2022 – падение на 5.5% м/м. При этом добыча обновила минимумы с начала СВО – более низкий показатель был только в середине 2020 в разгар COVID и принудительного сброса добычи.
Добыча в июне снизилась на 3.1% г/г, за 1П24 снижение на 0.4% г/г, но рост на 1.5% к 1П21 и минус 2.5% к 1П19.
По сумме за 12 месяцев добыча соответствует уровню июл.20 и фев.19 и на 3.2% ниже максимума в доковидный мар.20.
▪️Обработка относительно стабильна – снижение на 1.1% м/м SA. Накопленный рост с начала года очень мощный – 6%, поэтому 1.1% теряется на высокой базе сравнения, т.е. лишь 1/5 накопленного роста срезано.
Если сравнивать обработку в июн.24 со средним показателем за полгода до СВО, сейчас на 5.4% выше, а по сумме за 12 месяцев на 10.1% выше докризисного максимума в мар.22.
По обработке будет отдельный материал.
Пока это самый слабый отчет по промпроизводству с середины 2022. База высокая, пока не критично, но негативный импульс был по широкому фронту.
▪️Индекс промпроизводства снизился на 1.52% м/м с устранением сезонного и календарного эффекта (SA), что стало сильнейшим обвалом с апреля 2022 – 2.8%, за исключением статистических артефактов в январе.
Справедливости ради, в мае был сильнейший рост на 2.13% м/м, а за 4 месяца (фев-май.24) накопленный рост составил 3.6%, т.е. снижение в июне «снесло» около половины роста с начала года, а индекс промпроизводства все еще в плюсе на 1.9% относительно дек.23.
В июне промпроизводство выросло почти на 2% г/г и это минимальный рост с апр.23, что, конечно, скромно после интенсивного роста на 4-8%, к которому мы привыкли последний год.
Относительно июн.21 рост на 6.4%, а к июн.19 рост на 10.6%. За 1П24 промышленность выросла на 4.6% г/г, к 1П21 рост на 9.5%, а к 1П19 увеличение на 13.1%.
По сумме за 12 месяцев промпроизводство на 5.1% выше докризисного максимума в мар.22.
▪️Основной вклад в обвал внесла добыча полезных ископаемых – 2.4% м/м SA, что является худшей динамикой с апреля 2022 – падение на 5.5% м/м. При этом добыча обновила минимумы с начала СВО – более низкий показатель был только в середине 2020 в разгар COVID и принудительного сброса добычи.
Добыча в июне снизилась на 3.1% г/г, за 1П24 снижение на 0.4% г/г, но рост на 1.5% к 1П21 и минус 2.5% к 1П19.
По сумме за 12 месяцев добыча соответствует уровню июл.20 и фев.19 и на 3.2% ниже максимума в доковидный мар.20.
▪️Обработка относительно стабильна – снижение на 1.1% м/м SA. Накопленный рост с начала года очень мощный – 6%, поэтому 1.1% теряется на высокой базе сравнения, т.е. лишь 1/5 накопленного роста срезано.
Если сравнивать обработку в июн.24 со средним показателем за полгода до СВО, сейчас на 5.4% выше, а по сумме за 12 месяцев на 10.1% выше докризисного максимума в мар.22.
По обработке будет отдельный материал.
Пока это самый слабый отчет по промпроизводству с середины 2022. База высокая, пока не критично, но негативный импульс был по широкому фронту.