ОШИБКА МАСКА
Результаты исследования «Саклеровского центра наук о сознании» университета Сассекса позволяют дать новую интерпретацию гипотезе Илона Маска о пребывании человечества в матрице.
Эту громко озвученную Маском гипотезу поддерживают некоторые философы, физики, космологи и специалисты в области AI
(обзор различных версий гипотезы здесь).
Аналитики Bank of America Merrill Lynch в своем отчете даже подсчитали вероятность того, что эта гипотеза окажется правдой (шансы оцениваются до 50%). А Ник Бостром из Оксфордского университета дал важное пояснение:
«Важно понимать, что то, что мы находимся в симуляции, несет не метафорический, а буквальный смысл, что мы сами и весь этот мир вокруг нас, который мы видим, слышим и чувствуем, существует внутри компьютера, построенного некоторой развитой цивилизацией».
Еще в 19-ом столетии Гельмгольц предположил, что мозг – это машина прогнозирования. А то, что мы видим, слышим и ощущаем, является не чем иным, как предположениями мозга о причинах сигналов на его сенсорных входах. Ведь мозг заперт в костном черепе. И все, что он получает, - это неоднозначные и шумные сенсорные сигналы, которые только косвенно связаны с объектами окружающего мира. Следовательно, восприятие должно быть процессом вывода, в котором неопределенные сенсорные сигналы сочетаются с предыдущими ожиданиями или «убеждениями» о том, как устроен мир. Цель этого процесса - формировать оптимальные гипотезы мозга о причинах поступающих в него сенсорных сигналов. Т.е. то, что мы осознаем, - это «результирующее предположение» мозга о том, каков мир вокруг нас.
Спустя 150 лет идея Гельмгольца находит все больше сторонников, будучи обогащена результатами междисциплинарных исследований функциональной мозговой визуализации, теоретического и вычислительного моделирования и базовой нейробиологии.
Со-директор «Саклеровского центра наук о сознании» проф. Анил Сет рассказал об этой идее и подтверждающем ее исследовании.
Резюме таково.
Все, что мы переживаем - даже если это основано на трезвом расчете - всего лишь своего рода «контролируемая галлюцинация» очень своеобразного вида. Наше восприятие - это просто «разумное» предположение мозга о том, что происходит, базируясь на поступающих сенсорных сигналах. И если, как это бывает в большинстве случаев, мы соглашаемся друг с другом о наших «галлюцинациях», то мы называем их реальностью.
Видео рассказа на 17 мин
Подборка популярных статей
Эссе с кратким изложением теории (на 20 мин)
#Нейронаука #Сознание #АнилСет
МИР – НЕ МАТРИЦА, А КОЛЛЕКТИВНАЯ ГАЛЛЮЦИНАЦИЯРезультаты исследования «Саклеровского центра наук о сознании» университета Сассекса позволяют дать новую интерпретацию гипотезе Илона Маска о пребывании человечества в матрице.
Эту громко озвученную Маском гипотезу поддерживают некоторые философы, физики, космологи и специалисты в области AI
(обзор различных версий гипотезы здесь).
Аналитики Bank of America Merrill Lynch в своем отчете даже подсчитали вероятность того, что эта гипотеза окажется правдой (шансы оцениваются до 50%). А Ник Бостром из Оксфордского университета дал важное пояснение:
«Важно понимать, что то, что мы находимся в симуляции, несет не метафорический, а буквальный смысл, что мы сами и весь этот мир вокруг нас, который мы видим, слышим и чувствуем, существует внутри компьютера, построенного некоторой развитой цивилизацией».
ОДНАКО, АБСОЛЮТНО НЕ ПОНЯТНО, ГДЕ ОН – ЭТОТ КОМПЬЮТЕР?
Новое исследование отвечает на этот вопрос - ЭТИМ КОМПЬЮТЕРОМ ЯВЛЯЕТСЯ НАШ МОЗГ.
Еще в 19-ом столетии Гельмгольц предположил, что мозг – это машина прогнозирования. А то, что мы видим, слышим и ощущаем, является не чем иным, как предположениями мозга о причинах сигналов на его сенсорных входах. Ведь мозг заперт в костном черепе. И все, что он получает, - это неоднозначные и шумные сенсорные сигналы, которые только косвенно связаны с объектами окружающего мира. Следовательно, восприятие должно быть процессом вывода, в котором неопределенные сенсорные сигналы сочетаются с предыдущими ожиданиями или «убеждениями» о том, как устроен мир. Цель этого процесса - формировать оптимальные гипотезы мозга о причинах поступающих в него сенсорных сигналов. Т.е. то, что мы осознаем, - это «результирующее предположение» мозга о том, каков мир вокруг нас.
Спустя 150 лет идея Гельмгольца находит все больше сторонников, будучи обогащена результатами междисциплинарных исследований функциональной мозговой визуализации, теоретического и вычислительного моделирования и базовой нейробиологии.
Со-директор «Саклеровского центра наук о сознании» проф. Анил Сет рассказал об этой идее и подтверждающем ее исследовании.
Резюме таково.
Все, что мы переживаем - даже если это основано на трезвом расчете - всего лишь своего рода «контролируемая галлюцинация» очень своеобразного вида. Наше восприятие - это просто «разумное» предположение мозга о том, что происходит, базируясь на поступающих сенсорных сигналах. И если, как это бывает в большинстве случаев, мы соглашаемся друг с другом о наших «галлюцинациях», то мы называем их реальностью.
Видео рассказа на 17 мин
Подборка популярных статей
Эссе с кратким изложением теории (на 20 мин)
#Нейронаука #Сознание #АнилСет
Nature
Increased spontaneous MEG signal diversity for psychoactive doses of ketamine, LSD and psilocybin
Scientific Reports - Increased spontaneous MEG signal diversity for psychoactive doses of ketamine, LSD and psilocybin
НАЙДЕНА ФОРМУЛА ПРЕСТУПНОСТИ
Одним из важнейших успехов междисциплинарного подхода в науке последнего десятилетия стало создание современной теории городов, как биологических организмов (об этом я подробно писал здесь).
Новая прорывная работа Шоумо Банерджи из Математического института Оксфордского университета существенно развивает эту теорию, дополняя ее аппаратом вычислительной социобиологии и теории искусственных иммунных систем. Статья публикуется в выходящем номере Interdisciplinary Description of Complex Systems.
Разработанная Шоумо Банерджи ТЕОРИЯ ПРЕСТУПНОСТИ И НАСИЛИЯ В ГОРОДАХ, построена как аналог иммунной системы человека, где преступность уподобляется патогенным инфекциям, а ответ на нее со стороны общества – иммунным ответам организма.
Революционная теория Шоумо Банерджи позволила ему:
➖ вывести «Формулу преступности» и соответствующую модель, описывающую равновесное состояние и динамику развития преступности в зависимости от плотности преступников, полицейских и законопослушных граждан;
➖ определить ряд конкретных практических приложений для этой формулы – например, определение оптимальных: месторасположений и численности полицейских в участках, путей децентрализации деятельности полиции по мере развития гражданского общества и т.д.
➖ доказать на численной модели, что тупое увеличение численности полиции:
(1) не является эффективным путем борьбы с преступностью;
(2) ведет к возникновению «аутоиммунных заболеваний» в обществе, когда размножение «аутоагрессивных клонов полицейских» приводит к повреждению и разрушению жизни нормальных законопослушных членов общества.
- - - - - -
Природа куда реалистичней, сложнее и эффективней сценаристов Голливуда. Придумываемые ими истории, типа Minority Report или Person of Interest, про опережающее выявление преступников и предсказание еще не произошедших преступлений, - так и останутся неисполнимой фантастикой.
Зато возможности предсказания поведения больших ансамблей элементов (частиц, людей) при непредсказуемости поведения отдельных элементов, на наших глазах становятся объектом научных исследований: от статистической физики до социбиофизики.
#ТеорияГородов #Cоцибиофизика #ИскусственныеИммунныеСистемы
Одним из важнейших успехов междисциплинарного подхода в науке последнего десятилетия стало создание современной теории городов, как биологических организмов (об этом я подробно писал здесь).
Новая прорывная работа Шоумо Банерджи из Математического института Оксфордского университета существенно развивает эту теорию, дополняя ее аппаратом вычислительной социобиологии и теории искусственных иммунных систем. Статья публикуется в выходящем номере Interdisciplinary Description of Complex Systems.
Разработанная Шоумо Банерджи ТЕОРИЯ ПРЕСТУПНОСТИ И НАСИЛИЯ В ГОРОДАХ, построена как аналог иммунной системы человека, где преступность уподобляется патогенным инфекциям, а ответ на нее со стороны общества – иммунным ответам организма.
Прямые аналогии этой теории выглядят так:
✔️ вирусы (в биологической системе) – это преступность (в обществе);
✔️восприимчивые к вирусам нормальные клетки – это обычные люди;
✔️ инфицированные клетки – это преступники;
✔️ иммунная система – это система борьбы с преступностью;
✔️ врожденная иммунная система (дендритные клетки) – это полиция;
✔️ адаптивная иммунная система (Т-клетки и В-клетки) – это спецподразделения полиции и внутренние войска;
✔️ иммунная память – это криминальная база данных;
✔️ лимфатические узлы – это полицейские участки;
✔️ циркуляционные Т-клетки – это патрульная полиция
и т.д. – еще дюжина аналогий.
Революционная теория Шоумо Банерджи позволила ему:
➖ вывести «Формулу преступности» и соответствующую модель, описывающую равновесное состояние и динамику развития преступности в зависимости от плотности преступников, полицейских и законопослушных граждан;
➖ определить ряд конкретных практических приложений для этой формулы – например, определение оптимальных: месторасположений и численности полицейских в участках, путей децентрализации деятельности полиции по мере развития гражданского общества и т.д.
➖ доказать на численной модели, что тупое увеличение численности полиции:
(1) не является эффективным путем борьбы с преступностью;
(2) ведет к возникновению «аутоиммунных заболеваний» в обществе, когда размножение «аутоагрессивных клонов полицейских» приводит к повреждению и разрушению жизни нормальных законопослушных членов общества.
- - - - - -
Природа куда реалистичней, сложнее и эффективней сценаристов Голливуда. Придумываемые ими истории, типа Minority Report или Person of Interest, про опережающее выявление преступников и предсказание еще не произошедших преступлений, - так и останутся неисполнимой фантастикой.
Зато возможности предсказания поведения больших ансамблей элементов (частиц, людей) при непредсказуемости поведения отдельных элементов, на наших глазах становятся объектом научных исследований: от статистической физики до социбиофизики.
#ТеорияГородов #Cоцибиофизика #ИскусственныеИммунныеСистемы
ЭТНИЧЕСКОЕ НАСИЛИЕ ПРЕДОТВРАТИМО
Cчитается, что ключевыми факторами конфликтов между народами разных культур, религий и языков являются историческая вражда, экономические и социальные различия. Оценка и прогнозирование этих факторов весьма субъективны, противоречивы и затруднительны. И потому – конфликты.
Новое исследование Института комплексных систем (NECSI) позволило найти иной, весьма оригинальный способ. Знание крупномасштабной структуры общества позволяет точно прогнозировать и, что еще более важно, предотвращать этническое насилие.
Оказалось, что ключом к прогнозированию и предотвращению этнического насилия является этническая география, изучающая характер расселения различных групп населения.
У всех людей есть естественная тенденция селиться среди себе подобных. Математически довольно легко доказать, что даже если изначально население замешено в регионе случайным образом, то желание жить рядом с себе подобными все равно приведет к географической сегрегации. Люди будут переселяться поближе к себе подобным, и все неотвратимо закончится образованием «лоскутного расселения». Каждая этническая группа будет собираться в свои географические «лоскуты». Ну а по мере роста этнических групп, размеры их «лоскутов» будут расти.
Динамика и математическое описание модели такого процесса показаны на этом рисунке.
Для лучшего понимания процесса, я бы вам очень рекомендовал самостоятельно поиграть с упрощенной моделью. Это интересно и захватывающе, как в хорошей компьютерной игре. И при этом вы наглядно увидите, что для понимания глубинной основы сегрегации не нужны сложные гуманитарные заморочки. Достаточно одной математики.
Внизу, в разделе Translation можно выбрать любой из 14 языков, включая Russian.
Возвращаясь же к ошеломительным результатам исследования NECSI, получается следующее:
N.B. Этот размер проистекает из многотысячелетней истории человека и представляет собой максимальное расстояние, которое человек может пройти за день.
Когда «острова» или «полуострова» этнической группы, окруженные другой группой или группами, попадают в критический диапазон, скорее всего, произойдет этническое насилие. Причем с наибольшей вероятностью это случится на стыке «лоскутов».
Населяющие свой «лоскут» представители конкретной этнической группы хотят и рассчитывают на то, что их ценности, обычаи и традиции будут уважаться во всех общественных местах и пространствах.
В хорошо смешанном обществе с небольшими «лоскутами» ни одна из групп не имеет, да и не ожидает монополии на поведение в общественных местах.
Когда же размер «лоскута» очень велик, большинство населяющих его людей просто не сталкиваются с членами других групп, и поэтому их шансы участвовать в конфликтах не велики.
Разработанная в NECSI модель позволяет предложить 3 решения проблемы этнического насилия:
1) принуждение групп к максимальному смешению, уменьшая тем самым размеры «лоскутов»;
2) ускоренное разделение и консолидация групп, чтобы их «лоскуты» достигли бОльших размеров;
3) разделение групп четко определенными политическими и даже физическими границами (идеальным примером здесь является Швейцария, где весьма разнообразное население из католиков и протестантов, говорящих на французском, немецком и итальянском языках четко разделены политическими границами кантонов и физическими границами, образованными изобилием гор и озер страны).
А в Югославии, к сожалению, было иначе (см. 1 и 2).
И в Сирии так же (видео).
Подробней здесь
#NECSI #ЭтноГеография #Насилие
Междисциплинарная наука позволяет прогнозировать и предотвращать этнические конфликтыCчитается, что ключевыми факторами конфликтов между народами разных культур, религий и языков являются историческая вражда, экономические и социальные различия. Оценка и прогнозирование этих факторов весьма субъективны, противоречивы и затруднительны. И потому – конфликты.
Новое исследование Института комплексных систем (NECSI) позволило найти иной, весьма оригинальный способ. Знание крупномасштабной структуры общества позволяет точно прогнозировать и, что еще более важно, предотвращать этническое насилие.
Оказалось, что ключом к прогнозированию и предотвращению этнического насилия является этническая география, изучающая характер расселения различных групп населения.
У всех людей есть естественная тенденция селиться среди себе подобных. Математически довольно легко доказать, что даже если изначально население замешено в регионе случайным образом, то желание жить рядом с себе подобными все равно приведет к географической сегрегации. Люди будут переселяться поближе к себе подобным, и все неотвратимо закончится образованием «лоскутного расселения». Каждая этническая группа будет собираться в свои географические «лоскуты». Ну а по мере роста этнических групп, размеры их «лоскутов» будут расти.
Динамика и математическое описание модели такого процесса показаны на этом рисунке.
Для лучшего понимания процесса, я бы вам очень рекомендовал самостоятельно поиграть с упрощенной моделью. Это интересно и захватывающе, как в хорошей компьютерной игре. И при этом вы наглядно увидите, что для понимания глубинной основы сегрегации не нужны сложные гуманитарные заморочки. Достаточно одной математики.
Внизу, в разделе Translation можно выбрать любой из 14 языков, включая Russian.
Возвращаясь же к ошеломительным результатам исследования NECSI, получается следующее:
✔️ ВЕРОЯТНОСТЬ ЭТНИЧЕСКИХ КОНФЛИКТОВ ТОЧНО ОПИСЫВАЕТСЯ РАЗМЕРАМИ «ЛОСКУТОВ»
✔️ МАКСМАЛЬНАЯ ВЕРОЯТНОСТЬ КОНФЛИКТОВ ВОЗНИКАЕТ ПРИ РАЗМЕРАХ «ЛОСКУТА» 20-60 КМ
N.B. Этот размер проистекает из многотысячелетней истории человека и представляет собой максимальное расстояние, которое человек может пройти за день.
Когда «острова» или «полуострова» этнической группы, окруженные другой группой или группами, попадают в критический диапазон, скорее всего, произойдет этническое насилие. Причем с наибольшей вероятностью это случится на стыке «лоскутов».
Населяющие свой «лоскут» представители конкретной этнической группы хотят и рассчитывают на то, что их ценности, обычаи и традиции будут уважаться во всех общественных местах и пространствах.
В хорошо смешанном обществе с небольшими «лоскутами» ни одна из групп не имеет, да и не ожидает монополии на поведение в общественных местах.
Когда же размер «лоскута» очень велик, большинство населяющих его людей просто не сталкиваются с членами других групп, и поэтому их шансы участвовать в конфликтах не велики.
Разработанная в NECSI модель позволяет предложить 3 решения проблемы этнического насилия:
1) принуждение групп к максимальному смешению, уменьшая тем самым размеры «лоскутов»;
2) ускоренное разделение и консолидация групп, чтобы их «лоскуты» достигли бОльших размеров;
3) разделение групп четко определенными политическими и даже физическими границами (идеальным примером здесь является Швейцария, где весьма разнообразное население из католиков и протестантов, говорящих на французском, немецком и итальянском языках четко разделены политическими границами кантонов и физическими границами, образованными изобилием гор и озер страны).
А в Югославии, к сожалению, было иначе (см. 1 и 2).
И в Сирии так же (видео).
Подробней здесь
#NECSI #ЭтноГеография #Насилие
КАК AI ОЦЕНИВАЕТ ПУТИНА И ТРАМПА
Понимание эмоционального подтекста сетевых высказываний (твитов, коментов и т.д.) – задача стоимостью в десятки миллиардов долларов.
Ее решение до последнего времени никак не находилось. Куда там эмоциональный подтекст, - нам бы точный смысл понять.
И вот прорыв. Причем идея лежала перед носом уже не один год.
Поскольку эмоциональный подтекст упрятан в языке неимоверно глубоко, что, если и не пытаться его самим оттуда откапывать, а предложить AI заняться этим, обучая его на текстах, содержащих эмодзи - идеограммы и смайлики, используемые в электронных сообщениях и веб-страницах.
Идея оказалась крайне продуктивной. Натасканный на текстах с эмодзи AI научился определять сарказм лучше людей.
Столь великолепный результат поставил 2 новых, весьма неожиданных, вопроса:
Первое, что приходит в голову по вопросу 1 на волне хайпа рэп-батла Oxxxymiron против Гнойного – использовать утонченный сарказм AI для написания панчлайнов (это короткая строка или фраза, которая должна сильно задеть соперника).
Эту идею уже пытаются реализовать на http://deepbeat.org/ , но пока не сильно удачно: со смыслом и ритмом AI кое-как справляется. А вот сарказм они пока реализовать не смогли (почему - см. здесь и здесь)
Ответ на 2й вопрос может быть дан на примере здесь.
Например, что за «скрытая от нас мысль» подвигает AI при оценке фразы Putin is the best president ever оценить эмоциональный подтекст имени Putin - эмодзи 👏 , а эмоциональный подтекст имени Trump во фразе Trump is the best president ever - эмодзи 💀?
О чем это AI – о возможном ядерном ударе Трампа по КНДР или его вероятном импичменте?
И так ли уж для AI мил Путин?
Ответ на последний вопрос я попробовал получить на http://deepbeat.org/ (если будете повторять, не забудьте включить режим Deep Learning справа сверху), задав 1й строчкой нового рэпа
Putin is the best president ever
AI думал 30 сек и выдал набор вариантов 2й строки. Например, такой:
Truth be told never made a deal with Satan 😈
#AI
Последние несколько постов получились с претензией на некое высоконаучное знание. И чтобы чуть понизить градус претенциозности, попробую сегодня рассказать о чем-то не только малоизвестном и интересном, но и забавно-прикольном. 😃 Понимание эмоционального подтекста сетевых высказываний (твитов, коментов и т.д.) – задача стоимостью в десятки миллиардов долларов.
Ее решение до последнего времени никак не находилось. Куда там эмоциональный подтекст, - нам бы точный смысл понять.
И вот прорыв. Причем идея лежала перед носом уже не один год.
Поскольку эмоциональный подтекст упрятан в языке неимоверно глубоко, что, если и не пытаться его самим оттуда откапывать, а предложить AI заняться этим, обучая его на текстах, содержащих эмодзи - идеограммы и смайлики, используемые в электронных сообщениях и веб-страницах.
Идея оказалась крайне продуктивной. Натасканный на текстах с эмодзи AI научился определять сарказм лучше людей.
Столь великолепный результат поставил 2 новых, весьма неожиданных, вопроса:
1) Как еще (кроме оценки эмоционального подтекста сетевых высказываний) можно использовать столь утонченное понимание AI человеческого сарказма?
2) Поскольку «ход мыслей» AI при выявлении сарказма нам неизвестен (что типично при глубинном обучении), могут ли за этим «ходом мыслей» прятаться некие скрытые для нас смыслы?
Первое, что приходит в голову по вопросу 1 на волне хайпа рэп-батла Oxxxymiron против Гнойного – использовать утонченный сарказм AI для написания панчлайнов (это короткая строка или фраза, которая должна сильно задеть соперника).
Эту идею уже пытаются реализовать на http://deepbeat.org/ , но пока не сильно удачно: со смыслом и ритмом AI кое-как справляется. А вот сарказм они пока реализовать не смогли (почему - см. здесь и здесь)
Ответ на 2й вопрос может быть дан на примере здесь.
Например, что за «скрытая от нас мысль» подвигает AI при оценке фразы Putin is the best president ever оценить эмоциональный подтекст имени Putin - эмодзи 👏 , а эмоциональный подтекст имени Trump во фразе Trump is the best president ever - эмодзи 💀?
О чем это AI – о возможном ядерном ударе Трампа по КНДР или его вероятном импичменте?
И так ли уж для AI мил Путин?
Ответ на последний вопрос я попробовал получить на http://deepbeat.org/ (если будете повторять, не забудьте включить режим Deep Learning справа сверху), задав 1й строчкой нового рэпа
Putin is the best president ever
AI думал 30 сек и выдал набор вариантов 2й строки. Например, такой:
Truth be told never made a deal with Satan 😈
#AI
MIT Technology Review
An Algorithm Trained on Emoji Knows When You’re Being Sarcastic on Twitter
Understanding sarcasm could help AI fight racism, abuse, and harassment.
ЗАОБЛАЧНЫЕ ТЕХНОЛОГИИ ИЗМЕНЯТ МИР
Прогнозов о революционных IT технологиях будущего хоть отбавляй. И цена им ноль. Ведь ни одна из IT технологий, революционизировавших сегодняшний мир (смартфоны, облака, большие данные, интернет вещей, глубинное обучение и т.д.) даже не была известна 25 лет назад. И через 25 лет будет то же самое.
Однако, тренды можно прогнозировать даже на 25 летнем горизонте. И потому я попробую, на основании анализа трендов, назвать, возможно, самую революционную IT технологию будущего.
О ней сегодня еще не пишут статей и не обсуждают на конференциях. Но она уже придумана и имеет большие шансы перевернуть будущий мир IT технологий, как это сделали в последнее десятилетие облачные технологии.
Облака – это не просто модно и перспективно. Это сотни миллиардов долларов бюджетов на IT-инфраструктуру. Но всему этому может прийти конец, т.к. облака – это тренд на централизацию и закрытость. А доминирующий тренд в мире (по крайней мере, как это видится из 2017) - обратный: децентрализация и открытость
Что будет, если идея децентрализации и открытости (плодом которой является блокчейн) победит облака в будущем мире хранения информации?
Тогда и появятся заоблачные технологии и архитектуры, первую из которых под названием RAIN (в смысле, что из облаков получается дождь) только что придумали четверо совсем молодых гиков (и я бы даже сказал, - гроков – о чем дальше), которые собираются впервые рассказать миру об этом в сентябре на международной конференции в Лионе.
Альтернативная облачной, архитектура хранения данных RAIN является распределенной и децентрализованной, а также превосходит облачные архитектуры по следующим характеристикам:
— конфиденциальность,
— безопасность,
— масштабируемость,
— устойчивость,
— эффективность (цена/качество для пользователя)
— надежность
Ко всему прочему, это архитектура с открытым исходным кодом, а сама система хранения не будет иметь одного владельца, а будет принадлежать всем ее пользователям.
И последний по счету, но не по значению, фактор.
— энергозатраты современных датаценторов мира – это почти 500 тераватт-часов (только 5 стран в мире потребляют больше этого);
— архитектура RAIN будет экономить примерно половину этой электроэнергии.
- - - - -
Говоря об авторах архитектуры RAIN, я назвал их гроками. Есть такое «марсианское» слово, обозначающее тех, кто способен не просто понимать, а грокать.
Этимология слова понимать – это поймать (уловить) смысл мысли, «брошенной» вам кем-то со стороны.
Грокать – это больше чем поймать смысл (как поймал, так можно и выронить, потерять и т.д.).
Грок – это тот, кто умеет «переваривать» и превращать новые смыслы в часть себя, делать их частью своей жизни.
Такими диджитал гроками мне видятся авторы архитектуры RAIN.
И для таких диджитал гроков пишет на авторском канале @groks Илья Пестов — о технологических трендах и маркетинге (отчёты, данные, графики, новости, подборки статей на русском и английском, собственный взгляд на события от человека, работающего в этой индустрии).
Ведь одно дело - смотреть на мир диджитал со стороны, а другое - жить в нём и уже сегодня делать его таким, каким он станет через 25 лет.
#ОблачныеТехнологии
Прогнозов о революционных IT технологиях будущего хоть отбавляй. И цена им ноль. Ведь ни одна из IT технологий, революционизировавших сегодняшний мир (смартфоны, облака, большие данные, интернет вещей, глубинное обучение и т.д.) даже не была известна 25 лет назад. И через 25 лет будет то же самое.
Однако, тренды можно прогнозировать даже на 25 летнем горизонте. И потому я попробую, на основании анализа трендов, назвать, возможно, самую революционную IT технологию будущего.
О ней сегодня еще не пишут статей и не обсуждают на конференциях. Но она уже придумана и имеет большие шансы перевернуть будущий мир IT технологий, как это сделали в последнее десятилетие облачные технологии.
Облака – это не просто модно и перспективно. Это сотни миллиардов долларов бюджетов на IT-инфраструктуру. Но всему этому может прийти конец, т.к. облака – это тренд на централизацию и закрытость. А доминирующий тренд в мире (по крайней мере, как это видится из 2017) - обратный: децентрализация и открытость
Что будет, если идея децентрализации и открытости (плодом которой является блокчейн) победит облака в будущем мире хранения информации?
Тогда и появятся заоблачные технологии и архитектуры, первую из которых под названием RAIN (в смысле, что из облаков получается дождь) только что придумали четверо совсем молодых гиков (и я бы даже сказал, - гроков – о чем дальше), которые собираются впервые рассказать миру об этом в сентябре на международной конференции в Лионе.
Альтернативная облачной, архитектура хранения данных RAIN является распределенной и децентрализованной, а также превосходит облачные архитектуры по следующим характеристикам:
— конфиденциальность,
— безопасность,
— масштабируемость,
— устойчивость,
— эффективность (цена/качество для пользователя)
— надежность
Ко всему прочему, это архитектура с открытым исходным кодом, а сама система хранения не будет иметь одного владельца, а будет принадлежать всем ее пользователям.
И последний по счету, но не по значению, фактор.
— энергозатраты современных датаценторов мира – это почти 500 тераватт-часов (только 5 стран в мире потребляют больше этого);
— архитектура RAIN будет экономить примерно половину этой электроэнергии.
- - - - -
Говоря об авторах архитектуры RAIN, я назвал их гроками. Есть такое «марсианское» слово, обозначающее тех, кто способен не просто понимать, а грокать.
Этимология слова понимать – это поймать (уловить) смысл мысли, «брошенной» вам кем-то со стороны.
Грокать – это больше чем поймать смысл (как поймал, так можно и выронить, потерять и т.д.).
Грок – это тот, кто умеет «переваривать» и превращать новые смыслы в часть себя, делать их частью своей жизни.
Такими диджитал гроками мне видятся авторы архитектуры RAIN.
И для таких диджитал гроков пишет на авторском канале @groks Илья Пестов — о технологических трендах и маркетинге (отчёты, данные, графики, новости, подборки статей на русском и английском, собственный взгляд на события от человека, работающего в этой индустрии).
Ведь одно дело - смотреть на мир диджитал со стороны, а другое - жить в нём и уже сегодня делать его таким, каким он станет через 25 лет.
#ОблачныеТехнологии
www.santafe.edu
sfiscience
Welcome to Santa Fe Institute.
НОВЫЙ БЕСПРЕЦЕДЕНТНЫЙ ВЫЗОВ ЧЕЛОВЕЧЕСТВУ - РЕАГИРОВАНИЕ НА ЕГО СОБСТВЕННУЮ ОШЕЛОМЛЯЮЩУЮ СЛОЖНОСТЬ
События прошлой недели породили новую волну весьма авторитетных призывов к немедленному импичменту Трампа. Обвинения звучат громко: «Он почти единолично уничтожил моральный авторитет Президента Соединенных Штатов в стране и за рубежом; не посоветовавшись ни с кем, привел нас на грань ядерной войны; посеял рознь и ненависть».
Но точно ли, что виною всему именно Трамп? И если бы Президентом США сейчас был кто-то другой, были бы принимаемые им решения существенно лучше?
Как считает известный американский физик Янир Бар-Ям (Yaneer Bar-Yam), президент независимого исследовательского института сложных систем NECSI (New Englang Complex Systems Institute) и автор мировых бестселлеров «Making Things Work» и «Solving Complex Problems in a Complex World», - проблема не в Трампе, а в несоответствии возможностей самого института президентства сильно возросшей сложности стоящих перед ним задач.
В своих недавних интервью (см. 1 и 2) Янир Бар-Ям, опираясь на результаты многолетнего цикла исследований социальной сложности с применением аппарата статистической физики и квантовой теории поля (см. 1 и 2), сформулировал вывод, имеющий колоссальное значение не только для США, но и для всего человечества.
В результате, как показывают исследования NECSI, лидеры современных «вертикалей власти» крайне быстро выходят на уровень своей некомпетентности при принятии ответственных решений, а сами системы, будь то правительство США или руководство транснациональных компаний, теряют управляемость, деградируя в качестве принимаемых ими решений.
Восстановить управляемость и предотвратить все новые волны кризисов в рамках иерархической системы управления, как показывают исследования, невозможно. Сложность мира уже превысила потолок возможностей иерархических систем управления.
Это сформировало новый, глобальный и беспрецедентный вызов для человечества – реагирование на его собственную ошеломляющую сложность.
Системы управления нужно принципиально менять. Иначе, нарастающие ошибки при принятии ответственных решений грозят человечеству всевозможными кризисами и даже гибелью.
Поэтому необходимость отказа от иерархической системы управления на государственном уровне, включая представительную демократию и институт президентства, - это главный вызов человечеству, как системе.
Не сделав этого, человечество с неотвратимостью будет констатировать все большую деградацию уровня своих лидеров и принимаемых ими решений. А в международных вопросах такая деградация – прямой путь к большой войне, после которой история нашей цивилизации может и закончиться.
#Complexity #NECSI
События прошлой недели породили новую волну весьма авторитетных призывов к немедленному импичменту Трампа. Обвинения звучат громко: «Он почти единолично уничтожил моральный авторитет Президента Соединенных Штатов в стране и за рубежом; не посоветовавшись ни с кем, привел нас на грань ядерной войны; посеял рознь и ненависть».
Но точно ли, что виною всему именно Трамп? И если бы Президентом США сейчас был кто-то другой, были бы принимаемые им решения существенно лучше?
Как считает известный американский физик Янир Бар-Ям (Yaneer Bar-Yam), президент независимого исследовательского института сложных систем NECSI (New Englang Complex Systems Institute) и автор мировых бестселлеров «Making Things Work» и «Solving Complex Problems in a Complex World», - проблема не в Трампе, а в несоответствии возможностей самого института президентства сильно возросшей сложности стоящих перед ним задач.
В своих недавних интервью (см. 1 и 2) Янир Бар-Ям, опираясь на результаты многолетнего цикла исследований социальной сложности с применением аппарата статистической физики и квантовой теории поля (см. 1 и 2), сформулировал вывод, имеющий колоссальное значение не только для США, но и для всего человечества.
Социальная сложность современного мира неуклонно и с ускорением возрастает и уже достигла такого уровня, что существующие иерархические системы государственного и корпоративного управления даже теоретически не в состоянии вырабатывать эффективные ответы на вызовы такой сложности.В результате, как показывают исследования NECSI, лидеры современных «вертикалей власти» крайне быстро выходят на уровень своей некомпетентности при принятии ответственных решений, а сами системы, будь то правительство США или руководство транснациональных компаний, теряют управляемость, деградируя в качестве принимаемых ими решений.
Восстановить управляемость и предотвратить все новые волны кризисов в рамках иерархической системы управления, как показывают исследования, невозможно. Сложность мира уже превысила потолок возможностей иерархических систем управления.
Это сформировало новый, глобальный и беспрецедентный вызов для человечества – реагирование на его собственную ошеломляющую сложность.
Системы управления нужно принципиально менять. Иначе, нарастающие ошибки при принятии ответственных решений грозят человечеству всевозможными кризисами и даже гибелью.
Поэтому необходимость отказа от иерархической системы управления на государственном уровне, включая представительную демократию и институт президентства, - это главный вызов человечеству, как системе.
Не сделав этого, человечество с неотвратимостью будет констатировать все большую деградацию уровня своих лидеров и принимаемых ими решений. А в международных вопросах такая деградация – прямой путь к большой войне, после которой история нашей цивилизации может и закончиться.
#Complexity #NECSI
HuffPost
Remove Him Now
How can this nation endure another 41 months of this man?
БОЛЬШИЕ ДЕБАТЫ: НАСИЛИЕ, ЧЕЛОВЕЧЕСТВО, БУДУЩЕЕ
С удивлением узнал, что пропустил интереснейшие «Большие дебаты: Насилие, Человечество, Будущее – Лоуренс Краусс, Стивен Пинкер и др.».
Тема дебатов весьма близка моему «бестселлеру» - Большой войны не миновать.
А кроме того, мне очень понравилось, как это сделано (состав участников и тексты выступлений, а также сценарий и продакшн).
Потому смело вам рекомендую:
— видео-тизер 1:53 https://www.youtube.com/watch?v=cIa4UPZ8n44
— видео-выступление Эрики Ченауэт о Гражданском Сопротивлении 5:16 https://www.youtube.com/watch?v=GFgtE5nneuo
— полное видео дебатов 1:18:36 https://www.youtube.com/watch?v=hZKzW5oK2jw
Обратите внимание, - проект краудфандинговый. 1я часть уже готова (см. выше).
На 2ю (Ричард Докинз, Крейг Вентер, Эрик Хорвитс, Эстер Дайсон и др.) сбор еще идет
И хотя число подписчиков моего канала не дотягивает даже до 5К, а у сообщества
«Это работает | Наука - Самое интересное из мира науки», что ведет менеджер рекомендуемого вам проекта Алан Грант, подписчиков уже 262 666, я все же уверен, что для многих из вас информация об этом проекте окажется, как и для меня, - малоизвестной и интересной 👍
С удивлением узнал, что пропустил интереснейшие «Большие дебаты: Насилие, Человечество, Будущее – Лоуренс Краусс, Стивен Пинкер и др.».
Тема дебатов весьма близка моему «бестселлеру» - Большой войны не миновать.
А кроме того, мне очень понравилось, как это сделано (состав участников и тексты выступлений, а также сценарий и продакшн).
Потому смело вам рекомендую:
— видео-тизер 1:53 https://www.youtube.com/watch?v=cIa4UPZ8n44
— видео-выступление Эрики Ченауэт о Гражданском Сопротивлении 5:16 https://www.youtube.com/watch?v=GFgtE5nneuo
— полное видео дебатов 1:18:36 https://www.youtube.com/watch?v=hZKzW5oK2jw
Обратите внимание, - проект краудфандинговый. 1я часть уже готова (см. выше).
На 2ю (Ричард Докинз, Крейг Вентер, Эрик Хорвитс, Эстер Дайсон и др.) сбор еще идет
И хотя число подписчиков моего канала не дотягивает даже до 5К, а у сообщества
«Это работает | Наука - Самое интересное из мира науки», что ведет менеджер рекомендуемого вам проекта Алан Грант, подписчиков уже 262 666, я все же уверен, что для многих из вас информация об этом проекте окажется, как и для меня, - малоизвестной и интересной 👍
Medium
Большой войны не миновать
Caмым важным для понимания будущего событием 2016го года, на мой взгляд, стали не нашумевшие избрание Трампа и Брекзит, а мало кем…
АРАБСКУЮ ВЕСНУ УСТРОИЛИ ВСЕ ЖЕ США … СДУРУ
Лоуренс Питер
Некоторые из прочитавших мой пост «Новый беспрецедентный вызов человечеству …» попросили привести конкретный пример того, как сложность мира превосходит потолок возможностей иерархических систем управления, в результате чего принимаются решения, ведущие к масштабным и абсолютно непрогнозируемым негативным последствиям.
Т.е. по сути, пример того, как непредумышленные действия лидеров рождают «Черных лебедей».
Вот такой пример – «Арабская весна».
В этом взрыве насилия и революций пророссийские пропагандисты обвиняют ЦРУ. В свою очередь, проамериканские пропагандисты обвиняют диктаторские режимы и их поддержку Россией.
На самом деле, виноваты были все-таки США. Но сделали они это не по злому или доброму умыслу, а просто сдуру, не поняв, какие могут быть последствия одновременного регулирования рынка этанола и дерегулирования товарных рынков (закон Commodities Futures Modernization Act 2000).
Для справки: этот закон, разработанный аналитиками JP Morgan, поступил в Конгресс США в последний день перед Рождеством 2000 года. Несмотря на огромный объем (тысячи страниц), он был принят в тот же день, в Сенате не обсуждался и был немедленно подписан Клинтоном, которого уже переизбрали, и он готовился покинуть Белый дом, сдавая дела Бушу.
В результате цены на продовольствие удвоились, и это (а вовсе не злая воля Кремля или Белого дома) послужило запалом для массовых волнений, насилия и революций.
Вышеизложенное – не версия событий, а результат всестороннего моделирования, учитывающего горы факторов и океан больших данных.
Вот график https://goo.gl/skQ7Du , а вот видео 2:47 http://www.necsi.edu/news/arabspring , иллюстрирующие сказанное.
Вот упоминаемый в видео отчет http://necsi.edu/research/social/food_crises.pdf.
А это новая серия исследований, продолжающих моделирование: как будет развиваться дальше http://www.necsi.edu/research/social/revolutions/ Арабская весна и как она в итоге развивалась http://www.necsi.edu/research/social/arabspring.html.
- - - - -
Приведенный пример – ярчайшая иллюстрация неспособности «вертикали власти» понять всю сложность, неоднозначность, а во многих случаях, непредсказуемость последствий принимаемых решений.
Сколько бы аналитиков ни готовило проект решения. Сколько бы экспертов ни анализировало возможные последствия. Сколько бы комитетов не вырабатывали рекомендации по рискам. Все тщетно, когда решение принимает ЛИДЕР «вертикали власти».
Почему же лидера должна постичь неудача?
Потому что лидеры, будь это самопровозгласившие себя диктаторы или избранные чиновники, неспособны понять, какие решения будут хороши для сложного общества. Невольные последствия выходят за рамки их понимания. Вне зависимости от ценностей и целей лидеров, результаты будут далеки от того, что было предметом их намерений.
В современном сложном обществе большинство решаемых лидерами проблем – т.н. «Дьявольские проблемы» (Wicked Problem http://letopisi.org/index.php/Wicked_problem) , для которых различные заинтересованные стороны могут с трудом согласовать лишь их определение, не говоря уж о том, что такое их решение.
Ну а в довершение всего, закон Эшби - управление может быть обеспечено только в том случае, если сложность управляющего, по крайней мере не меньше, чем сложность управляемой им ситуации.
Ну а теперь задумайтесь, - какова сложность Трампа, Макрона и т.п. в сравнении со сложностью стоящих перед ними проблем? 😰😫
#Complexity #NECSI
«В иерархической системе каждый индивидуум имеет тенденцию подняться до уровня своей некомпетентности»
«Некоторые проблемы настолько сложны, что нужно быть очень умным и очень хорошо информированным, чтобы не быть уверенным в их решении»
Лоуренс Питер
Некоторые из прочитавших мой пост «Новый беспрецедентный вызов человечеству …» попросили привести конкретный пример того, как сложность мира превосходит потолок возможностей иерархических систем управления, в результате чего принимаются решения, ведущие к масштабным и абсолютно непрогнозируемым негативным последствиям.
Т.е. по сути, пример того, как непредумышленные действия лидеров рождают «Черных лебедей».
Вот такой пример – «Арабская весна».
В этом взрыве насилия и революций пророссийские пропагандисты обвиняют ЦРУ. В свою очередь, проамериканские пропагандисты обвиняют диктаторские режимы и их поддержку Россией.
На самом деле, виноваты были все-таки США. Но сделали они это не по злому или доброму умыслу, а просто сдуру, не поняв, какие могут быть последствия одновременного регулирования рынка этанола и дерегулирования товарных рынков (закон Commodities Futures Modernization Act 2000).
Для справки: этот закон, разработанный аналитиками JP Morgan, поступил в Конгресс США в последний день перед Рождеством 2000 года. Несмотря на огромный объем (тысячи страниц), он был принят в тот же день, в Сенате не обсуждался и был немедленно подписан Клинтоном, которого уже переизбрали, и он готовился покинуть Белый дом, сдавая дела Бушу.
В результате цены на продовольствие удвоились, и это (а вовсе не злая воля Кремля или Белого дома) послужило запалом для массовых волнений, насилия и революций.
Вышеизложенное – не версия событий, а результат всестороннего моделирования, учитывающего горы факторов и океан больших данных.
Вот график https://goo.gl/skQ7Du , а вот видео 2:47 http://www.necsi.edu/news/arabspring , иллюстрирующие сказанное.
Вот упоминаемый в видео отчет http://necsi.edu/research/social/food_crises.pdf.
А это новая серия исследований, продолжающих моделирование: как будет развиваться дальше http://www.necsi.edu/research/social/revolutions/ Арабская весна и как она в итоге развивалась http://www.necsi.edu/research/social/arabspring.html.
- - - - -
Приведенный пример – ярчайшая иллюстрация неспособности «вертикали власти» понять всю сложность, неоднозначность, а во многих случаях, непредсказуемость последствий принимаемых решений.
Сколько бы аналитиков ни готовило проект решения. Сколько бы экспертов ни анализировало возможные последствия. Сколько бы комитетов не вырабатывали рекомендации по рискам. Все тщетно, когда решение принимает ЛИДЕР «вертикали власти».
Почему же лидера должна постичь неудача?
Потому что лидеры, будь это самопровозгласившие себя диктаторы или избранные чиновники, неспособны понять, какие решения будут хороши для сложного общества. Невольные последствия выходят за рамки их понимания. Вне зависимости от ценностей и целей лидеров, результаты будут далеки от того, что было предметом их намерений.
В современном сложном обществе большинство решаемых лидерами проблем – т.н. «Дьявольские проблемы» (Wicked Problem http://letopisi.org/index.php/Wicked_problem) , для которых различные заинтересованные стороны могут с трудом согласовать лишь их определение, не говоря уж о том, что такое их решение.
Ну а в довершение всего, закон Эшби - управление может быть обеспечено только в том случае, если сложность управляющего, по крайней мере не меньше, чем сложность управляемой им ситуации.
Ну а теперь задумайтесь, - какова сложность Трампа, Макрона и т.п. в сравнении со сложностью стоящих перед ними проблем? 😰😫
#Complexity #NECSI
На пороге управленческой революции
(почему даже хорошие лидеры иерархий принимают все больше плохих решений)
В завершение темы «Новый беспрецедентный вызов человечеству …» важно пояснить следующее.
Речь вовсе не о том, что все нацлидеры и высшие руководители бизнеса – плохие. Да пусть даже и хорошие. Но мир настолько усложнился (технологии, общество и их взаимосвязанность), что иерархическое управление принципиально не в состоянии обеспечить принятие эффективных решений.
В бизнесе это уже осознали. Прочтите, например, превосходную статью Ицхака Адизеса — одного из непревзойденных бизнес-консультантов мира, блестящего специалиста в области эффективного управления бизнес-процессами – «На пороге управленческой революции» (1я статья этого отличного сборника).
На вопрос «Что ждет менеджмент в будущем», автор называет: «Закат авторитарного стиля управления» и «Конец иерархии».
Причин здесь две. Во все более усложняющемся, информационно-экономически и культурно взаимосвязанном мире:
1. становится все больше «Дьявольских (или как их еще называют, - дурных, диких, злобных, грязных,) проблем» - сложных, не имеющих очевидного решения или вообще неразрешимых проблем, являющихся таковыми в силу нелинейных зависимостей, неполноты, противоречий, изменчивости и даже непредсказуемости требований к их решениям;
2. «нейробиология решений» (особенности работы мозга при принятии решений) уже не оставляет шансов индивидууму (будь он хоть Эйнштейн) самому выявлять ошибки в своих оценках и принимать адекватные меры предосторожности при принятии решений.
«Дьявольские проблемы» существовали всегда. Но в ХХI в. этот класс проблем стал почти повсеместным: от проблем климата и генной модификации до этнического насилия, ожирения, образования, сексуальных меньшинств, гарантированного дохода и т.д. и т.п. И причина такой «дьявольской» трансформации проблем – рост социальной сложности/.
Что же до усложнения «нейробиологии решений», так это даже привело к возникновению новой одноименной науки. В качестве обзорной статьи о ней рекомендую Кемпбелла-Уайтхеда-Финкельстайн «Почему хорошие руководители принимают плохие решения» (4я в этом интересном сборнике). Здесь обобщен опыт анализа 83х изначально ошибочных важных решений высших руководителей: от главы Национального оперативного центра безопасности США до главы Daimler-Benz.
Прочтите и поразитесь. Казалось бы, такое понятное психологическое свойство – личная заинтересованность. Но в условиях усложнившегося мира – это свойство ведет к непреодолимым когнитивным искажениям, когда мозг «подсовывает» нам не тот паттерн или эмоциональный ярлык. А есть еще 2е и 3е свойство, искажающие «нейробиологию решений». Короче, если интересно, почитайте.
- - - - -
В итоге приходим к поразительному выводу. «Конец иерархий» предопределен психологическими ограничениями индивидуума в условиях колоссально возросшей социальной сложности. Т.е. все упирается в психологию!
Поэтому сегодня так важно ориентироваться в вопросах психологии. И я с удовольствием рекомендую вам аж 3 авторских канала Алексея Карачинского о психологии человеческого поведения и мышления, а также о критическом мышлении (@PsyEducation, @dianalysis и @ThinkCritical). У этих каналов уже тысячи подписчиков, и, подписавшись, вы можете оказаться в достойной компании.
#Complexity #Психология #ДьявольскиеПроблемы #НейробиологияРешений
(почему даже хорошие лидеры иерархий принимают все больше плохих решений)
В завершение темы «Новый беспрецедентный вызов человечеству …» важно пояснить следующее.
Речь вовсе не о том, что все нацлидеры и высшие руководители бизнеса – плохие. Да пусть даже и хорошие. Но мир настолько усложнился (технологии, общество и их взаимосвязанность), что иерархическое управление принципиально не в состоянии обеспечить принятие эффективных решений.
В бизнесе это уже осознали. Прочтите, например, превосходную статью Ицхака Адизеса — одного из непревзойденных бизнес-консультантов мира, блестящего специалиста в области эффективного управления бизнес-процессами – «На пороге управленческой революции» (1я статья этого отличного сборника).
На вопрос «Что ждет менеджмент в будущем», автор называет: «Закат авторитарного стиля управления» и «Конец иерархии».
Причин здесь две. Во все более усложняющемся, информационно-экономически и культурно взаимосвязанном мире:
1. становится все больше «Дьявольских (или как их еще называют, - дурных, диких, злобных, грязных,) проблем» - сложных, не имеющих очевидного решения или вообще неразрешимых проблем, являющихся таковыми в силу нелинейных зависимостей, неполноты, противоречий, изменчивости и даже непредсказуемости требований к их решениям;
2. «нейробиология решений» (особенности работы мозга при принятии решений) уже не оставляет шансов индивидууму (будь он хоть Эйнштейн) самому выявлять ошибки в своих оценках и принимать адекватные меры предосторожности при принятии решений.
«Дьявольские проблемы» существовали всегда. Но в ХХI в. этот класс проблем стал почти повсеместным: от проблем климата и генной модификации до этнического насилия, ожирения, образования, сексуальных меньшинств, гарантированного дохода и т.д. и т.п. И причина такой «дьявольской» трансформации проблем – рост социальной сложности/.
Что же до усложнения «нейробиологии решений», так это даже привело к возникновению новой одноименной науки. В качестве обзорной статьи о ней рекомендую Кемпбелла-Уайтхеда-Финкельстайн «Почему хорошие руководители принимают плохие решения» (4я в этом интересном сборнике). Здесь обобщен опыт анализа 83х изначально ошибочных важных решений высших руководителей: от главы Национального оперативного центра безопасности США до главы Daimler-Benz.
Прочтите и поразитесь. Казалось бы, такое понятное психологическое свойство – личная заинтересованность. Но в условиях усложнившегося мира – это свойство ведет к непреодолимым когнитивным искажениям, когда мозг «подсовывает» нам не тот паттерн или эмоциональный ярлык. А есть еще 2е и 3е свойство, искажающие «нейробиологию решений». Короче, если интересно, почитайте.
- - - - -
В итоге приходим к поразительному выводу. «Конец иерархий» предопределен психологическими ограничениями индивидуума в условиях колоссально возросшей социальной сложности. Т.е. все упирается в психологию!
Поэтому сегодня так важно ориентироваться в вопросах психологии. И я с удовольствием рекомендую вам аж 3 авторских канала Алексея Карачинского о психологии человеческого поведения и мышления, а также о критическом мышлении (@PsyEducation, @dianalysis и @ThinkCritical). У этих каналов уже тысячи подписчиков, и, подписавшись, вы можете оказаться в достойной компании.
#Complexity #Психология #ДьявольскиеПроблемы #НейробиологияРешений
Эволюция продолжается… и довольно быстро
(про гибридизацию и почему мы теперь не негры)
Работа «Геномные сигнатуры сложной интрогрессии и адаптивной эволюции у больших кошек» (популярно здесь, оригинал тут) доказала – наши представления об эволюции весьма неполны.
Cуть в том, что филогенетическое дерево оказалось вовсе не деревом, а сетью.
Биологическая концепция вида, по которой основным критерием вида есть нескрещиваемость оказалась неверной.
Виды скрещиваются. И получающиеся в результате гибриды - важный адаптационный фактор эволюции, позволяющий приспосабливаться к изменениям условий существования (климат и т.п.)
Исследователям удалось просчитать формирование ДНК 5и больших кошек - наглядный пример гибридизации.
Аналогичным образом, уже в наше время, происходит гибридизация белых медведей и гризли - 2 вида, разошедшиеся сотни лет назад.
Аналогичная история произошла и с человеком. Наши далекие предки – это предки двух видов древних людей: «обычных людей» (как мы с вами) и необычных людей – вымерших потом неандертальцев.
Примерно 40-60 тыс. лет назад «обычные люди», переселявшиеся из Африки, скрещивались с неандертальцами, населявшими Европу. Позже «обычные люди» стали скрещиваться и с другим видом наших предков – т.н. денисовцами. Дети в обоих случаях продолжали спариваться с другими «обычными людьми», передавая гены, которые и дошли до нас. Наши современники унаследовали до 2% своей ДНК от неандертальцев и до 6% от денисовцев.
Результаты гибридных скрещиваний поразительны. Например, полученные от денисовцев гены позволяют сегодняшним жителям Тибета прекрасно чувствовать себя в условиях высокогорья.
Но казалось бы, дальнейшая гибридизация человека невозможна – мы все один вид. Похоже, что нет. Ведь люди продолжают эволюционировать, и национальные различия все же есть.
Например, голландцы — самый высокий народ в мире, при этом их средний рост растет с головокружительной скоростью.
Согласно одной из гипотез, человечество эволюционирует в сторону высокого роста, и голландцы — в авангарде. А, например, португальцы с вьетнамцами плетутся в хвосте. Это отбросы эволюции что ли?
В статье также рассказывается, как всего за 8 тыс лет наши предки превратились из негров в белых, заодно научившись пить молоко.
Автор статьи задается резонным вопросом - «мы же не расисты, и оттого нам неочевидно, чем белые уж настолько лучше негров, чтобы так стремительно победить их в эволюционной схватке (даже если воевали не сами люди разных рас, а всего лишь их гены). И, кстати, далось нам это молоко, если подумать: во многих нищих и голодных регионах мира без него прекрасно обходятся.»
Ответ на этот вопрос становится все очевидней – «вместо выковывания расы сверхразумных сверхлюдей естественный отбор занят более прозаическими проблемами: делает нас более приспособленными к не слишком благоприятным условиям, в которых мы живем».
Но все же жаль, что у эволюции получилось аж 5 больших кошек, а человек - лишь один.
Зря наши предки неандертальцев и денисовцев съели. Какое адаптационное подспорье для гибридных скрещиваний во все ухудшающейся экологии мы потеряли!
#Эволюция
(про гибридизацию и почему мы теперь не негры)
Работа «Геномные сигнатуры сложной интрогрессии и адаптивной эволюции у больших кошек» (популярно здесь, оригинал тут) доказала – наши представления об эволюции весьма неполны.
Cуть в том, что филогенетическое дерево оказалось вовсе не деревом, а сетью.
Биологическая концепция вида, по которой основным критерием вида есть нескрещиваемость оказалась неверной.
Виды скрещиваются. И получающиеся в результате гибриды - важный адаптационный фактор эволюции, позволяющий приспосабливаться к изменениям условий существования (климат и т.п.)
Исследователям удалось просчитать формирование ДНК 5и больших кошек - наглядный пример гибридизации.
Аналогичным образом, уже в наше время, происходит гибридизация белых медведей и гризли - 2 вида, разошедшиеся сотни лет назад.
Аналогичная история произошла и с человеком. Наши далекие предки – это предки двух видов древних людей: «обычных людей» (как мы с вами) и необычных людей – вымерших потом неандертальцев.
Примерно 40-60 тыс. лет назад «обычные люди», переселявшиеся из Африки, скрещивались с неандертальцами, населявшими Европу. Позже «обычные люди» стали скрещиваться и с другим видом наших предков – т.н. денисовцами. Дети в обоих случаях продолжали спариваться с другими «обычными людьми», передавая гены, которые и дошли до нас. Наши современники унаследовали до 2% своей ДНК от неандертальцев и до 6% от денисовцев.
Результаты гибридных скрещиваний поразительны. Например, полученные от денисовцев гены позволяют сегодняшним жителям Тибета прекрасно чувствовать себя в условиях высокогорья.
Но казалось бы, дальнейшая гибридизация человека невозможна – мы все один вид. Похоже, что нет. Ведь люди продолжают эволюционировать, и национальные различия все же есть.
Например, голландцы — самый высокий народ в мире, при этом их средний рост растет с головокружительной скоростью.
Согласно одной из гипотез, человечество эволюционирует в сторону высокого роста, и голландцы — в авангарде. А, например, португальцы с вьетнамцами плетутся в хвосте. Это отбросы эволюции что ли?
В статье также рассказывается, как всего за 8 тыс лет наши предки превратились из негров в белых, заодно научившись пить молоко.
Автор статьи задается резонным вопросом - «мы же не расисты, и оттого нам неочевидно, чем белые уж настолько лучше негров, чтобы так стремительно победить их в эволюционной схватке (даже если воевали не сами люди разных рас, а всего лишь их гены). И, кстати, далось нам это молоко, если подумать: во многих нищих и голодных регионах мира без него прекрасно обходятся.»
Ответ на этот вопрос становится все очевидней – «вместо выковывания расы сверхразумных сверхлюдей естественный отбор занят более прозаическими проблемами: делает нас более приспособленными к не слишком благоприятным условиям, в которых мы живем».
Но все же жаль, что у эволюции получилось аж 5 больших кошек, а человек - лишь один.
Зря наши предки неандертальцев и денисовцев съели. Какое адаптационное подспорье для гибридных скрещиваний во все ухудшающейся экологии мы потеряли!
#Эволюция
Quanta Magazine
Interspecies Hybrids Play a Vital Role in Evolution
Hybrids, once treated as biological misfits, play a vital role in the evolution of many animal species. Now conservationists are trying to reconcile that truth with policies.
Матмодель уточнила слова Спасителя и Эффект Матфея
(богатые не просто продолжат богатеть, а бедные беднеть, - ситуация еще хуже)
Фраза Спасителя «ибо кто имеет, тому дано будет и приумножится, а кто не имеет, у того отнимется и то, что имеет» уже 2 тыс лет считается непреложной истиной, используемой в науке под названием Эффект Матфея.
И вот сенсация! Матмодель, проверенная на основе достоверной статистики распределения богатств за последние 100 лет существенно уточнила слова Спасителя и, соответственно, Эффект Матфея.
Моделирование показало, что у тех, кто не имеет, отнимется не только то, что они имеют, но и то, чего они не имеют.
Звучит дико, но это факт, подтвержденный не только математической формулой, но и достоверной статистикой динамики распределения богатств.
N.B. Для нас также важно, что эти результаты применимы и к сегодняшней России, поскольку относятся к любой рыночной экономике.
Про то, что богатые богатеют быстрее, полагаю, объяснять не нужно. Как сказано еще в Евангелие: «Получивший пять талантов пошёл, употребил их в дело и приобрёл другие пять талантов; точно так же и получивший два таланта приобрёл другие два; получивший же один талант пошёл и закопал его в землю» (как сделало в 90е большинство со своими ваучерами).
В современном капитализме существует система госраспределения средств от богатых к бедным через коллективные инвестиции в инфраструктуру, образование, социальные программы, налогообложение и пр.
Упрощенно это можно представить так, что каждый год любой индивидуум вносит определенную долю своего богатства в государственный котел, а государство потом в равных долях распределяет эти средства по всем. Назовем этот процесс усредненным возвратом богатств.
В результате усредненного возврата богатств, если я богаче среднего, то стану немного беднее. Если же я беднее среднего, - стану немного богаче.
Теперь о модели.
Ее математическая основа – усовершенствованная модель геометрического броуновского движения - активно применяется при моделировании роста биомассы, популяций и расчета динамики цен на акции. Новая модель работает так.
1) Авторы закачали в компьютер статистику распределения богатств в США за 1913-2014 гг.
2) «Населили» модель 100 млн. индивидуумов.
3) Установили коэффициенты модели из статистики 1913 г. и состояния тогдашних фондовых рынков.
4) Запустили моделирование, позволив компьютеру каждый модельный год подстраивать коэффициенты так, чтобы модель воспроизводила реальные статданные за соответствующий год.
Теперь о результатах.
Показав высокую точность совпадения результатов моделирования со статданными, модель построила такой процесс усредненного возврата богатств, что, начиная с 1980 г. бедные стали отдавать в общий котел государства больше, чем они имели.
Казалось бы, - этого не может быть. Как можно отдавать больше, чем имеешь? Что это – ошибка модели? Оказалось - нет. Эффект реален.
Проверив этот эффект на дополнительных статданных, авторы обнаружили, что с 1980 в США происходит отрицательное перераспределение богатств.
Его суть в том, что совокупное богатство более бедной части американского населения примерно равно нулю. А это значит, что должен существовать большой класс людей с отрицательным богатством (см. график https://goo.gl/QG11jW ), т.е. тех, у кого долг превышает состояние.
Но как это может продолжаться в течение длительного времени? Задолженности не только нужно выплачивать, но и обслуживать. А чтобы обслуживать растущую задолженность, необходимо постоянно снижать процентные ставки.
Так вот, в реальности ровно это и происходит. Процентные ставки падают с 1980 года (см. график https://goo.gl/1UQxTr ) - точно с того же года, когда ставка перераспределения в модели стала отрицательной.
Что будет дальше, ведь ставки уже достигли нуля? Это будет продолжаться бесконечно или произойдет слом в процессе перераспределения богатств от бедных к богатым?
Спаситель этого не сказал. Но модель, возможно, покажет.
Отчет по исследованию https://goo.gl/To6NCJ
Его популярное изложение https://goo.gl/cTodUW
#РаспределениеБогатств
(богатые не просто продолжат богатеть, а бедные беднеть, - ситуация еще хуже)
Фраза Спасителя «ибо кто имеет, тому дано будет и приумножится, а кто не имеет, у того отнимется и то, что имеет» уже 2 тыс лет считается непреложной истиной, используемой в науке под названием Эффект Матфея.
И вот сенсация! Матмодель, проверенная на основе достоверной статистики распределения богатств за последние 100 лет существенно уточнила слова Спасителя и, соответственно, Эффект Матфея.
Моделирование показало, что у тех, кто не имеет, отнимется не только то, что они имеют, но и то, чего они не имеют.
Звучит дико, но это факт, подтвержденный не только математической формулой, но и достоверной статистикой динамики распределения богатств.
N.B. Для нас также важно, что эти результаты применимы и к сегодняшней России, поскольку относятся к любой рыночной экономике.
Про то, что богатые богатеют быстрее, полагаю, объяснять не нужно. Как сказано еще в Евангелие: «Получивший пять талантов пошёл, употребил их в дело и приобрёл другие пять талантов; точно так же и получивший два таланта приобрёл другие два; получивший же один талант пошёл и закопал его в землю» (как сделало в 90е большинство со своими ваучерами).
В современном капитализме существует система госраспределения средств от богатых к бедным через коллективные инвестиции в инфраструктуру, образование, социальные программы, налогообложение и пр.
Упрощенно это можно представить так, что каждый год любой индивидуум вносит определенную долю своего богатства в государственный котел, а государство потом в равных долях распределяет эти средства по всем. Назовем этот процесс усредненным возвратом богатств.
В результате усредненного возврата богатств, если я богаче среднего, то стану немного беднее. Если же я беднее среднего, - стану немного богаче.
Теперь о модели.
Ее математическая основа – усовершенствованная модель геометрического броуновского движения - активно применяется при моделировании роста биомассы, популяций и расчета динамики цен на акции. Новая модель работает так.
1) Авторы закачали в компьютер статистику распределения богатств в США за 1913-2014 гг.
2) «Населили» модель 100 млн. индивидуумов.
3) Установили коэффициенты модели из статистики 1913 г. и состояния тогдашних фондовых рынков.
4) Запустили моделирование, позволив компьютеру каждый модельный год подстраивать коэффициенты так, чтобы модель воспроизводила реальные статданные за соответствующий год.
Теперь о результатах.
Показав высокую точность совпадения результатов моделирования со статданными, модель построила такой процесс усредненного возврата богатств, что, начиная с 1980 г. бедные стали отдавать в общий котел государства больше, чем они имели.
Казалось бы, - этого не может быть. Как можно отдавать больше, чем имеешь? Что это – ошибка модели? Оказалось - нет. Эффект реален.
Проверив этот эффект на дополнительных статданных, авторы обнаружили, что с 1980 в США происходит отрицательное перераспределение богатств.
Его суть в том, что совокупное богатство более бедной части американского населения примерно равно нулю. А это значит, что должен существовать большой класс людей с отрицательным богатством (см. график https://goo.gl/QG11jW ), т.е. тех, у кого долг превышает состояние.
Но как это может продолжаться в течение длительного времени? Задолженности не только нужно выплачивать, но и обслуживать. А чтобы обслуживать растущую задолженность, необходимо постоянно снижать процентные ставки.
Так вот, в реальности ровно это и происходит. Процентные ставки падают с 1980 года (см. график https://goo.gl/1UQxTr ) - точно с того же года, когда ставка перераспределения в модели стала отрицательной.
Что будет дальше, ведь ставки уже достигли нуля? Это будет продолжаться бесконечно или произойдет слом в процессе перераспределения богатств от бедных к богатым?
Спаситель этого не сказал. Но модель, возможно, покажет.
Отчет по исследованию https://goo.gl/To6NCJ
Его популярное изложение https://goo.gl/cTodUW
#РаспределениеБогатств
Прорыв в понимании КАК снижать коррупцию
Предыдущий пост о моделировании коррупции, показавшем, что ее быстро не извести получил 52 тыс. просмотров (спасибо за репост на @techsparks Андрею Себранту), и посему тема требует продолжения.
Новое международное (США, Канада, Британия), междисциплинарное (математика, психология, науки о поведении, экономика, эволюционная биология) исследование (как обычно, ни одной ссылки в Рунете 👎) – еще более прорывное, поскольку дает ответ на практический вопрос, как конкретно снижать коррупцию:
— какие действия в конкретных условиях работают хорошо, какие – плохо, а какие – вовсе не работают?
— можно ли одним и тем же - в одних условиях коррупцию снизить, а в других повысить?
Даже интуитивно понятно, что уровень коррупции коррелирует с институциональными, экономическими и культурными факторами. Однако причинные направления этих взаимозависимостей пока что не удавалось определить.
При этом для всех очевидно, что, например, в Кении и Дании снижать коррупцию нужно по-разному.
Для справки. В Кении 8 из 10 общений с чиновниками сопровождаются взятками, и в среднем человек ежемесячно дает 16 взяток. В Дании половина сегодняшнего населения с большой вероятностью не даст ни одной взятки за всю жизнь.
Так как узнать, - какими методами пользоваться в конкретной стране в конкретных условиях?
Ведь эксперименты здесь слишком длительны и дороги (в смысле последствий), да еще и не повторяемые. Остается только моделирование.
В данном исследовании удалось построить классическую обобщенную линейную смешанную регрессионную модель Маркова, основанную на методе Монте-Карло, для оценки влияния на взяточничество:
(1) различных методов борьбы со взятками и, в первую очередь:
— институциональное наказание (по суду)
— наказание со стороны лидера (по понятиям)
(2) крутости лидера в смысле его возможностей и желания наказывать за взятки
(3) состояния экономики в стране;
(4) культурного опыта населения (напр. число поколений, выросших в условиях сильного взяточничества).
N.B. Модель учитывает реалии нашего мира:
А) Госинституты и даже сам лидер также могут быть подвержены коррупции.
Б) У лидера всегда есть варианты действий:
— самому получить взятку за то, чтобы «не видеть» конкретное взяточничество
— возмутиться и наказать
— ничего не предпринимать
Результатов у этого исследования (интереснейших и порой совершенно контр-интуитивных) - море.
Приведу лишь основные.
1) Расширение карательных возможностей лидеров снижает антикоррупционное содействие общества (с точностью до наоборот к институциональному наказанию).
2) Любые антикоррупционные стратегии работают лишь до определенного предела. После этого предела, особенно, если лидер слаб и экономика не фонтан, эти стратегии вообще перестают работать.
3) При числе поколений, выросших при высокой коррупции > 1, ситуация резко осложняется – большинство стандартных стратегий перестают работать.
4) Есть несколько сочетаний условий в стране (здесь описывать долго, но к России, похоже, это применимо), когда прозрачность в вопросах коррупции может приносить больше вреда, чем пользы (интересный вывод для Навального).
5) Выбирая из 3х вариантов решения (см. выше п. Б), в условиях сильной экономики лидер, скорее всего, сам возьмет взятку. А для сильного лидера, этот вариант - основной (см. график).
Отчет об исследовании – 10 стр.
Детальное описание результатов - таблицы, графики … на 134 стр.
#Коррупция
Предыдущий пост о моделировании коррупции, показавшем, что ее быстро не извести получил 52 тыс. просмотров (спасибо за репост на @techsparks Андрею Себранту), и посему тема требует продолжения.
Новое международное (США, Канада, Британия), междисциплинарное (математика, психология, науки о поведении, экономика, эволюционная биология) исследование (как обычно, ни одной ссылки в Рунете 👎) – еще более прорывное, поскольку дает ответ на практический вопрос, как конкретно снижать коррупцию:
— какие действия в конкретных условиях работают хорошо, какие – плохо, а какие – вовсе не работают?
— можно ли одним и тем же - в одних условиях коррупцию снизить, а в других повысить?
Даже интуитивно понятно, что уровень коррупции коррелирует с институциональными, экономическими и культурными факторами. Однако причинные направления этих взаимозависимостей пока что не удавалось определить.
При этом для всех очевидно, что, например, в Кении и Дании снижать коррупцию нужно по-разному.
Для справки. В Кении 8 из 10 общений с чиновниками сопровождаются взятками, и в среднем человек ежемесячно дает 16 взяток. В Дании половина сегодняшнего населения с большой вероятностью не даст ни одной взятки за всю жизнь.
Так как узнать, - какими методами пользоваться в конкретной стране в конкретных условиях?
Ведь эксперименты здесь слишком длительны и дороги (в смысле последствий), да еще и не повторяемые. Остается только моделирование.
В данном исследовании удалось построить классическую обобщенную линейную смешанную регрессионную модель Маркова, основанную на методе Монте-Карло, для оценки влияния на взяточничество:
(1) различных методов борьбы со взятками и, в первую очередь:
— институциональное наказание (по суду)
— наказание со стороны лидера (по понятиям)
(2) крутости лидера в смысле его возможностей и желания наказывать за взятки
(3) состояния экономики в стране;
(4) культурного опыта населения (напр. число поколений, выросших в условиях сильного взяточничества).
N.B. Модель учитывает реалии нашего мира:
А) Госинституты и даже сам лидер также могут быть подвержены коррупции.
Б) У лидера всегда есть варианты действий:
— самому получить взятку за то, чтобы «не видеть» конкретное взяточничество
— возмутиться и наказать
— ничего не предпринимать
Результатов у этого исследования (интереснейших и порой совершенно контр-интуитивных) - море.
Приведу лишь основные.
1) Расширение карательных возможностей лидеров снижает антикоррупционное содействие общества (с точностью до наоборот к институциональному наказанию).
2) Любые антикоррупционные стратегии работают лишь до определенного предела. После этого предела, особенно, если лидер слаб и экономика не фонтан, эти стратегии вообще перестают работать.
3) При числе поколений, выросших при высокой коррупции > 1, ситуация резко осложняется – большинство стандартных стратегий перестают работать.
4) Есть несколько сочетаний условий в стране (здесь описывать долго, но к России, похоже, это применимо), когда прозрачность в вопросах коррупции может приносить больше вреда, чем пользы (интересный вывод для Навального).
5) Выбирая из 3х вариантов решения (см. выше п. Б), в условиях сильной экономики лидер, скорее всего, сам возьмет взятку. А для сильного лидера, этот вариант - основной (см. график).
Отчет об исследовании – 10 стр.
Детальное описание результатов - таблицы, графики … на 134 стр.
#Коррупция
Nature
Corrupting cooperation and how anti-corruption strategies may backfire
Nature Human Behaviour - Muthukrishna et al. experimentally model the cost, causes and cures for corruption, showing that anti-corruption strategies can occasionally backfire.
Новый поворот в развитии ИИ
С одной стороны, машинное обучение достигло многого. ИИ уже обыгрывает чемпионов в Го, неплохо управляет автомобилем, быстро прогрессирует в игре в покер, распознает рак на МРТ лучше врачей и т.д. и т.п.
С другой стороны, не понятно, куда двигаться дальше. А нужен какой-то принципиальный поворот. Ведь до универсальных возможностей мозга пока, как до Альфа Центавра. ИИ по-прежнему туп, как пробка, и лишь умеет перемалывать тонны данных, самосовершенствуясь в решении узких специализированных задач.
При смене задачи, приходится начинать учить ИИ (или давать ему самому учиться), по сути, с нуля. Да и с перемалыванием данных засада – ИИ не умеет сам отбирать нужные данные, а лишь способен очень быстро обрабатывать всё, поступающее ему на вход. А как известно – «мусор на входе – мусор на выходе».
И вот – новый поворот.
На только что закончившейся конференции IJCAI 2017 IBM представила 2 новых направления совершенствования ИИ, основанных на имитации функциональных свойств мозга.
1е направление – использование модели внимания, мотивируемого полезностью - способности быстро выбирать и обрабатывать самую нужную и важную информацию из огромного потока сенсорных сигналов (визуальных, слуховых и т. д.) – по англ. Quick adaptation with reward-driven attention.
Новый алгоритм учится быстро фокусировать внимание на обработке самых важных данных. И это обучение основано на вознаграждении (обратной связи), получаемом во время выполнения задания. Чем выше награда, тем больше внимания будет уделяться определенной части данных.
Новый подход абсолютно революционен. Он позволяет не просто мотивировать ИИ, но и увязывать мотивацию с целью действий. Т.е. действие перестает быть просто обучением ИИ, а способно, например, превратиться в обеспечение ИИ собственного существования (так, к примеру, работает мозг антилопы, в зоне внимания которой дрогнула ветка, за которой может скрываться тигр).
2е направление основано на нейрогенном обучении или нейропластичности - адаптации модели меняющегося мира в реальном времени – по англ. Building memories for long term adaptation: neurogenetic learning. В мозге это возможно за счет роста новых и разрушении старых клеток мозга (нейронов) и динамической перестройки их связей.
До сих пор основой машинного обучения было изменение силы нейронных связей. Новый революционный подход позволяет также расширять и сжимать скрытые слои сети, имитируя рождение и смерть нейронов.
Нейрогенез добавляет новое измерение в машинное обучение. Алгоритм не только адаптируется к новой среде (например, к новому классу задач), но также сохраняет воспоминания о прошлом опыте решения иных классов задач, тем самым делая шаг к ИИ, обучающемуся на протяжении всей его «жизни».
- - - - -
P.S. Революционность двух вышеописанных подходов такова, что кавычки в слове «жизнь» применительно к ИИ могут стать лишними.
Подробней со ссылками на научные статьи с описанием экспериментов – здесь
А тут и тут – статьи с популярным изложением.
#AI
С одной стороны, машинное обучение достигло многого. ИИ уже обыгрывает чемпионов в Го, неплохо управляет автомобилем, быстро прогрессирует в игре в покер, распознает рак на МРТ лучше врачей и т.д. и т.п.
С другой стороны, не понятно, куда двигаться дальше. А нужен какой-то принципиальный поворот. Ведь до универсальных возможностей мозга пока, как до Альфа Центавра. ИИ по-прежнему туп, как пробка, и лишь умеет перемалывать тонны данных, самосовершенствуясь в решении узких специализированных задач.
При смене задачи, приходится начинать учить ИИ (или давать ему самому учиться), по сути, с нуля. Да и с перемалыванием данных засада – ИИ не умеет сам отбирать нужные данные, а лишь способен очень быстро обрабатывать всё, поступающее ему на вход. А как известно – «мусор на входе – мусор на выходе».
И вот – новый поворот.
На только что закончившейся конференции IJCAI 2017 IBM представила 2 новых направления совершенствования ИИ, основанных на имитации функциональных свойств мозга.
1е направление – использование модели внимания, мотивируемого полезностью - способности быстро выбирать и обрабатывать самую нужную и важную информацию из огромного потока сенсорных сигналов (визуальных, слуховых и т. д.) – по англ. Quick adaptation with reward-driven attention.
Новый алгоритм учится быстро фокусировать внимание на обработке самых важных данных. И это обучение основано на вознаграждении (обратной связи), получаемом во время выполнения задания. Чем выше награда, тем больше внимания будет уделяться определенной части данных.
Новый подход абсолютно революционен. Он позволяет не просто мотивировать ИИ, но и увязывать мотивацию с целью действий. Т.е. действие перестает быть просто обучением ИИ, а способно, например, превратиться в обеспечение ИИ собственного существования (так, к примеру, работает мозг антилопы, в зоне внимания которой дрогнула ветка, за которой может скрываться тигр).
2е направление основано на нейрогенном обучении или нейропластичности - адаптации модели меняющегося мира в реальном времени – по англ. Building memories for long term adaptation: neurogenetic learning. В мозге это возможно за счет роста новых и разрушении старых клеток мозга (нейронов) и динамической перестройки их связей.
До сих пор основой машинного обучения было изменение силы нейронных связей. Новый революционный подход позволяет также расширять и сжимать скрытые слои сети, имитируя рождение и смерть нейронов.
Нейрогенез добавляет новое измерение в машинное обучение. Алгоритм не только адаптируется к новой среде (например, к новому классу задач), но также сохраняет воспоминания о прошлом опыте решения иных классов задач, тем самым делая шаг к ИИ, обучающемуся на протяжении всей его «жизни».
- - - - -
P.S. Революционность двух вышеописанных подходов такова, что кавычки в слове «жизнь» применительно к ИИ могут стать лишними.
Подробней со ссылками на научные статьи с описанием экспериментов – здесь
А тут и тут – статьи с популярным изложением.
#AI
Engadget
IBM is teaching AI to behave more like the human brain
IBM gives AI the ability to pay attention and make persistent memories.
О дивный новый мир человеко-машинных сетей
Человечество даже не заметило, как проскочило эпоху компьютерных сетей (КС). Сегодня мы живет уже в эпоху человеко-машинных сетей (ЧМС), встроенных в ежедневную жизнь, как для личного, так и для профессионального использования и оказывающих значительное влияние на все аспекты развития науки, технологий и общества.
ЧМС – это сети, узлами которых являются и компьютеры (смартфоны, гаджеты, устройства интернета вещей), и люди.
— Структура, архитектура и функционирование ЧМС принципиально иные, чем у КС.
— Их поведение, в отличие от КС, не только недетерминировано, но, зачастую, и непредсказуемо.
— ЧМС – самоорганизующиеся сложные системы, являющиеся источником синергии и проводником для инноваций.
Изучение ЧМС требует междисциплинарного подхода с привлечением теории сложных систем, концепций социотехнических систем, теории актор-сетей, кибер-физико-социальных систем и социальных машин, прикладных вычислений, законодательства, социальных и поведенческих наук.
ЧМС – столь новое научное направление, что в нем пока что отсутствует принятая таксономия (чтобы понимать, о чем идет речь), и потому классификация тем здесь пока что возможна лишь по ключевым словам.
В опубликованном междисциплинарном обзоре «Понимание ЧМС» рассмотрено 8 видов таких сетей:
✔️ общественно-ресурсные вычисления (ключевые слова: “public resource comput*” OR “volunteer comput*” OR “peer-to-peer comput*”,
✔️ краудсорсинг (crowdsourcing OR “crowd sourcing” OR “crowd work” OR “human computing” OR “human computation” OR “social comput*”)
✔️ веб-поисковые системы (“search engine” AND impact) OR (“search engine” AND design),
✔️ краудсенсинг – краудсорсинг данных с датчиков на мобильных устройствах (“phone sensing” OR “mobile sensing” OR “crowd sensing” OR crowdsensing OR “participatory sensing”),
✔️ онлайн-рынки (“e-commerce” OR “prediction market” OR “online market” OR C2C; “file sharing” OR “peer-to-peer”),
✔️ социальные медиа ((“social network” AND site) OR (“social network” AND online) OR “social media”),
✔️ многопользовательские онлайн-игры и виртуальные миры (“online game” OR “multiplayer game” OR “virtual world”),
✔️ массовое сотрудничество (“open source” OR wiki OR “mass collaboration”).
В обзоре систематически отобраны 200+ источников по всем указанным типам ЧМС. Они проанализированы с упором на особенности проектирования ЧМС. Также обсуждаются риски, связанные с ЧМС, и выявлены новых тенденций в области проектирования и развития ЧМС.
Так выглядит облако https://yadi.sk/i/juJz3ifH3MPVnf из 200+ отобранных источников.
А это ссылка на обзор https://arxiv.org/abs/1511.05324
Добро пожаловать в дивный новый мир ЧМС! Нам здесь жить.
#ЧеловекоМашинныеСети
Человечество даже не заметило, как проскочило эпоху компьютерных сетей (КС). Сегодня мы живет уже в эпоху человеко-машинных сетей (ЧМС), встроенных в ежедневную жизнь, как для личного, так и для профессионального использования и оказывающих значительное влияние на все аспекты развития науки, технологий и общества.
ЧМС – это сети, узлами которых являются и компьютеры (смартфоны, гаджеты, устройства интернета вещей), и люди.
— Структура, архитектура и функционирование ЧМС принципиально иные, чем у КС.
— Их поведение, в отличие от КС, не только недетерминировано, но, зачастую, и непредсказуемо.
— ЧМС – самоорганизующиеся сложные системы, являющиеся источником синергии и проводником для инноваций.
Изучение ЧМС требует междисциплинарного подхода с привлечением теории сложных систем, концепций социотехнических систем, теории актор-сетей, кибер-физико-социальных систем и социальных машин, прикладных вычислений, законодательства, социальных и поведенческих наук.
ЧМС – столь новое научное направление, что в нем пока что отсутствует принятая таксономия (чтобы понимать, о чем идет речь), и потому классификация тем здесь пока что возможна лишь по ключевым словам.
В опубликованном междисциплинарном обзоре «Понимание ЧМС» рассмотрено 8 видов таких сетей:
✔️ общественно-ресурсные вычисления (ключевые слова: “public resource comput*” OR “volunteer comput*” OR “peer-to-peer comput*”,
✔️ краудсорсинг (crowdsourcing OR “crowd sourcing” OR “crowd work” OR “human computing” OR “human computation” OR “social comput*”)
✔️ веб-поисковые системы (“search engine” AND impact) OR (“search engine” AND design),
✔️ краудсенсинг – краудсорсинг данных с датчиков на мобильных устройствах (“phone sensing” OR “mobile sensing” OR “crowd sensing” OR crowdsensing OR “participatory sensing”),
✔️ онлайн-рынки (“e-commerce” OR “prediction market” OR “online market” OR C2C; “file sharing” OR “peer-to-peer”),
✔️ социальные медиа ((“social network” AND site) OR (“social network” AND online) OR “social media”),
✔️ многопользовательские онлайн-игры и виртуальные миры (“online game” OR “multiplayer game” OR “virtual world”),
✔️ массовое сотрудничество (“open source” OR wiki OR “mass collaboration”).
В обзоре систематически отобраны 200+ источников по всем указанным типам ЧМС. Они проанализированы с упором на особенности проектирования ЧМС. Также обсуждаются риски, связанные с ЧМС, и выявлены новых тенденций в области проектирования и развития ЧМС.
Так выглядит облако https://yadi.sk/i/juJz3ifH3MPVnf из 200+ отобранных источников.
А это ссылка на обзор https://arxiv.org/abs/1511.05324
Добро пожаловать в дивный новый мир ЧМС! Нам здесь жить.
#ЧеловекоМашинныеСети
Yandex Disk
ЧМС.JPG
View and download from Yandex Disk
Интереснейшая иллюстрация влияния «лоскутного расселения» на рост насилия в регионе - из кулуаров проходящего съезда разведки США.
Для сравнения, вот так выглядел Сирак (Сирия+Ирак) 3 года назад. Детализация на карте разведки, конечно, повыше, чем у Businessinsider, но тренд понять можно.
#ЭтноГеография #Насилие
Для сравнения, вот так выглядел Сирак (Сирия+Ирак) 3 года назад. Детализация на карте разведки, конечно, повыше, чем у Businessinsider, но тренд понять можно.
#ЭтноГеография #Насилие
Yandex.Disk
Syraq 2017.JPG
View and download from Yandex.Disk
В дополнение к словам Спасителя
Исследование «Технологии, институты и неравенство за 11 тыс. лет» https://goo.gl/BwfX5u в пандан к моему посту «Матмодель уточнила слова Спасителя и Эффект Матфея» https://t.me/theworldisnoteasy/303 отвечает на 2 важнейших вопроса.
А) Зависит ли неравенство от общественно-политических формаций и уровня развития технологий?
Б) От чего сильнее всего зависит неравенство? (кроме собственных способностей людей и их таланта, характера и судьбы)
Ответы на эти вопросы опираются на анализ широченной базы документированных фактов за последние 11 тыс. лет. Ответы таковы.
А) Ни от общественно-политических формаций, ни от уровня развития технологий неравенство в обществе не зависит – см. рис. 1 https://yadi.sk/i/EwGJpGnG3MiNob.
Египет времен Клеопатры и современные США имеют примерно одинаковый коэффициент Джини (чем выше неравенство в распределении доходов, тем больше коэффициент приближается к единице).
Б) Сильнее всего неравенство зависит от наличия у общества государства.
Древнее рабовладельческое и современное капиталистическое общество примерно одинаковы по коэффициенту Джини - см. рис. 2 https://yadi.sk/i/t1IIPr9N3MiNqW.
Также не играет никакой роли демократическая или авторитарная форма управления государством – см. рис. 3 https://yadi.sk/i/MGLOH0eh3MiNrY.
Т.е. стоит только людям создать государство (форма самоорганизации общества, обладающая монополией на насилие), и платите в кассу – богатые будут богатеть, а бедные беднеть до конца веков.
N.B. Вообще-то общество может жить и без государства. Может стоит попробовать?
#РаспределениеБогатств
Исследование «Технологии, институты и неравенство за 11 тыс. лет» https://goo.gl/BwfX5u в пандан к моему посту «Матмодель уточнила слова Спасителя и Эффект Матфея» https://t.me/theworldisnoteasy/303 отвечает на 2 важнейших вопроса.
А) Зависит ли неравенство от общественно-политических формаций и уровня развития технологий?
Б) От чего сильнее всего зависит неравенство? (кроме собственных способностей людей и их таланта, характера и судьбы)
Ответы на эти вопросы опираются на анализ широченной базы документированных фактов за последние 11 тыс. лет. Ответы таковы.
А) Ни от общественно-политических формаций, ни от уровня развития технологий неравенство в обществе не зависит – см. рис. 1 https://yadi.sk/i/EwGJpGnG3MiNob.
Египет времен Клеопатры и современные США имеют примерно одинаковый коэффициент Джини (чем выше неравенство в распределении доходов, тем больше коэффициент приближается к единице).
Б) Сильнее всего неравенство зависит от наличия у общества государства.
Древнее рабовладельческое и современное капиталистическое общество примерно одинаковы по коэффициенту Джини - см. рис. 2 https://yadi.sk/i/t1IIPr9N3MiNqW.
Также не играет никакой роли демократическая или авторитарная форма управления государством – см. рис. 3 https://yadi.sk/i/MGLOH0eh3MiNrY.
Т.е. стоит только людям создать государство (форма самоорганизации общества, обладающая монополией на насилие), и платите в кассу – богатые будут богатеть, а бедные беднеть до конца веков.
N.B. Вообще-то общество может жить и без государства. Может стоит попробовать?
#РаспределениеБогатств
www.santafe.edu
sfiscience
Welcome to Santa Fe Institute.
Слова Спасителя с позиции теории игр
Эта статья просто и наглядно поясняет с позиции теории игр, почему иерархия власти (государство) ведет к росту неравенства при наличии 3х условий.
Для самого большого (по территории) государства мира, на примере задачи о пяти пиратах, это cформулировано так:
— рост неравенства будет продолжаться даже если 0,1% населения преуспевает за счет 99,9%, если:
1) общество с централизованным источником благосостояния (например, ресурсозависимое), и
2) страты не доверяют друг другу,
3) а вопрос власти решается большинством
В итоге «Капитан» сохраняет контроль над 98% добычи в обстановке тотального недоверия в команде и неспособности ее членов договариваться и соблюдать договоренности.
- - - -
Спаситель, по-видимому, был корифеем в теории игр и, зная человеческую натуру, точно определил ее следствие - богатые будут богатеть, а бедные беднеть.
#РаспределениеБогатств
Эта статья просто и наглядно поясняет с позиции теории игр, почему иерархия власти (государство) ведет к росту неравенства при наличии 3х условий.
Для самого большого (по территории) государства мира, на примере задачи о пяти пиратах, это cформулировано так:
— рост неравенства будет продолжаться даже если 0,1% населения преуспевает за счет 99,9%, если:
1) общество с централизованным источником благосостояния (например, ресурсозависимое), и
2) страты не доверяют друг другу,
3) а вопрос власти решается большинством
В итоге «Капитан» сохраняет контроль над 98% добычи в обстановке тотального недоверия в команде и неспособности ее членов договариваться и соблюдать договоренности.
- - - -
Спаситель, по-видимому, был корифеем в теории игр и, зная человеческую натуру, точно определил ее следствие - богатые будут богатеть, а бедные беднеть.
#РаспределениеБогатств
«Общество с волонтерами» более живуче, чем «общество с МЧС»
Эта метафора резюмирует поразительный вывод большого кросс-культурного исследования «Социальная устойчивость к климатическим катастрофам в древних обществах», результаты которого скоро будут опубликованы известным американским антропологом и археологом Питером Перегрином.
Автор задался целью прояснять, какое из 2х типов социальных устройств общества:
А) общество с корпоративной политической стратегией и централизованным принятием решений,
Б) общество с широким участием членов общества в политической жизни и принятии решений,
- подвержено меньшему риску при возникновении крупных природных катастроф.
Практическая проверка и анализ фактов по 33 археологически исследованным обществам (Северная и Южная Америки, Европа, Африка, Ближний Восток и Индия), пережившим 22 крупные природные катастрофы в течение 3 тыс. лет, показал:
✔️ социальное устройство общества типа Б обеспечивает бОльшую устойчивость к катастрофическим последствиям климатических катастроф и, в целом, обеспечивает лучшее реагирование при возникновении подобных бедствий.
Казалось бы, - какое отношение имеют междисциплинарные исследования археологов, антропологов, математиков к поиску оптимального устройства общества, обеспечивающего его лучшее выживание?
И вот такой замечательный пример.
В свете неуклонного роста числа и масштабов стихийных бедствий и природных катастроф, надо мотать на ус.
#ПриродныеКатастрофы #СоциальноеУстройство #Общество
Эта метафора резюмирует поразительный вывод большого кросс-культурного исследования «Социальная устойчивость к климатическим катастрофам в древних обществах», результаты которого скоро будут опубликованы известным американским антропологом и археологом Питером Перегрином.
Автор задался целью прояснять, какое из 2х типов социальных устройств общества:
А) общество с корпоративной политической стратегией и централизованным принятием решений,
Б) общество с широким участием членов общества в политической жизни и принятии решений,
- подвержено меньшему риску при возникновении крупных природных катастроф.
Практическая проверка и анализ фактов по 33 археологически исследованным обществам (Северная и Южная Америки, Европа, Африка, Ближний Восток и Индия), пережившим 22 крупные природные катастрофы в течение 3 тыс. лет, показал:
✔️ социальное устройство общества типа Б обеспечивает бОльшую устойчивость к катастрофическим последствиям климатических катастроф и, в целом, обеспечивает лучшее реагирование при возникновении подобных бедствий.
Казалось бы, - какое отношение имеют междисциплинарные исследования археологов, антропологов, математиков к поиску оптимального устройства общества, обеспечивающего его лучшее выживание?
И вот такой замечательный пример.
В свете неуклонного роста числа и масштабов стихийных бедствий и природных катастроф, надо мотать на ус.
#ПриродныеКатастрофы #СоциальноеУстройство #Общество
Новая модель власти над умами
Разработана и протестирована модель распространения информационных каскадов, позволяющих меньшинству эффективно изменять преференции большинства при выборе конкурирующих продуктов, услуг, идей, кандидатов и т.п. Т.е. по сути, - управлять выбором масс в маркетинге, распространении новых идей или при избирательных кампаниях исключительно средствами сетевых технологий.
Новая модель показала, - сетевое меньшинство (реальные люди или боты) вполне способно убедить большинство в достоверности фейковой новости или внедрить в массовое сознание альтернативный доминирующему идеологический мем.
Подробней об этом я написал здесь https://goo.gl/98sVVn - 3 мин. чтения.
А таково резюме.
- - - - -
Мощность и действенность цифрового влияния напрямую зависит от возникновения каскада - вирусного эффекта эпидемического распространения контента по значительной части сети.
Исследование «Хипстеры в сетях: как меньшинство может превратиться в большинство противников истеблишмента» https://arxiv.org/abs/1707.07187 позволяет понять, как при возникновении каскада большинство меняет своё предпочтение (убеждение, точку зрения и т.д.) на альтернативное, индуцированное меньшинством.
Или, попросту говоря, - вместо выбираемого большинством продукта Х, склоняется к покупке другого продукта Y, рекомендуемого меньшинством.
Исследование показало:
1. Для переубеждения большинства, меньшинство может не превышать 10% (для высококластеризованной сети класса Facebook – до 20%). Таковым может быть число контролируемых ботами индивидуальных социо-медийных эккаунтов, создаваемых в целях переубеждения большинства - при проведении выборов, для победы над продуктом конкурента и т.д.
2. Важную роль для превращения идеи/предпочтения меньшинства в таковую для большинства играет временная задержка между получением человеком информации из своего локального и глобального окружения (например, своей ленты в Facebook и сообщений СМИ).
Особенно важно, что результаты этого исследования могут использоваться, как лидерами рынка или находящимся у власти истеблишментом, так и конкурентами или оппозицией.
Вопрос только, - какая из сторон быстрее освоит новую технологию каскадного изменения мнений большинства.
#Каскады #СоциальныеСети
Разработана и протестирована модель распространения информационных каскадов, позволяющих меньшинству эффективно изменять преференции большинства при выборе конкурирующих продуктов, услуг, идей, кандидатов и т.п. Т.е. по сути, - управлять выбором масс в маркетинге, распространении новых идей или при избирательных кампаниях исключительно средствами сетевых технологий.
Новая модель показала, - сетевое меньшинство (реальные люди или боты) вполне способно убедить большинство в достоверности фейковой новости или внедрить в массовое сознание альтернативный доминирующему идеологический мем.
Подробней об этом я написал здесь https://goo.gl/98sVVn - 3 мин. чтения.
А таково резюме.
- - - - -
Мощность и действенность цифрового влияния напрямую зависит от возникновения каскада - вирусного эффекта эпидемического распространения контента по значительной части сети.
Исследование «Хипстеры в сетях: как меньшинство может превратиться в большинство противников истеблишмента» https://arxiv.org/abs/1707.07187 позволяет понять, как при возникновении каскада большинство меняет своё предпочтение (убеждение, точку зрения и т.д.) на альтернативное, индуцированное меньшинством.
Или, попросту говоря, - вместо выбираемого большинством продукта Х, склоняется к покупке другого продукта Y, рекомендуемого меньшинством.
Исследование показало:
1. Для переубеждения большинства, меньшинство может не превышать 10% (для высококластеризованной сети класса Facebook – до 20%). Таковым может быть число контролируемых ботами индивидуальных социо-медийных эккаунтов, создаваемых в целях переубеждения большинства - при проведении выборов, для победы над продуктом конкурента и т.д.
2. Важную роль для превращения идеи/предпочтения меньшинства в таковую для большинства играет временная задержка между получением человеком информации из своего локального и глобального окружения (например, своей ленты в Facebook и сообщений СМИ).
Особенно важно, что результаты этого исследования могут использоваться, как лидерами рынка или находящимся у власти истеблишментом, так и конкурентами или оппозицией.
Вопрос только, - какая из сторон быстрее освоит новую технологию каскадного изменения мнений большинства.
#Каскады #СоциальныеСети
Medium
Новая модель власти над умами
Разработана и протестирована модель распространения информационных каскадов, позволяющих меньшинству эффективно изменять преференции…
Революция аналитических технологий
Живя в революционную эпоху, трудно это осознать, а зачастую, и просто заметить.
Последние 10 лет происходила революция аналитических технологий. Однако, чтобы ее полноценно отрефлексировать, нужно было, чтобы Томас Х. Дэвенпорт и Джейн Харрис почти заново переписали свой бестселлер 2007 года - «Competing on Analytics».
Ключевая идея этой книги была названа Harvard Business Review одной из двенадцати наиболее важных идей управления за последнее десятилетие, а резюмирующая книгу статья, вошла в ТОР 10 «must read» статей за всю 75-летнюю историю HBR.
Новое издание «Competing on Analytics» в бумажном виде выйдет 19го сентября, но в цифре уже доступна.
Не буду даже пытаться резюмировать 320 стр. интересного, полезного, «must read» текста.
Хочу лишь обратить внимание на 6 кардинальных новаций в аналитических технологиях. Эти новации 10 лет назад либо просто не существовали, либо присутствовали в виде концептов, а вовсе не технологий.
Их трансформация из концептов в технологии являются сутью произошедшей революции, для описания которой во 2м издании авторам потребовалось переписать почти всю книгу.
Вот эти 6 кардинальных новаций в аналитических технологиях:
1. Большие данные (Big Data):
— приведшие к появлению двух революционных технологических феноменов - Hadoop (масштабируемые, распределенные вычисления и хранение данных) и Озеро данных (Data Lake),
— и стимулировавшие новую Open-source революцию.
2. Операционная аналитика – интеграция аналитики в производственные процессы в реальном времени.
3. Компонентность и микроуслуги аналитики – создание «лего-конструкторов», облегчающих интеграцию.
4. Потоковая аналитика – системы реагирования на происходящие события (Event-Processing) путем аналитической обработки данных, непрерывно поступающих из потоковых источников (напр. Интеренет вещей).
5. Аналитика Grid / In-memory – новые аппаратные архитектуры, обеспечившие гигантский скачок в производительности аналитических технологий.
6. Когнитивные технологии – новация новаций (включающая в себя: машинное и глубокое обучение, обработку естественного языка, алгоритмическая роботизация и пр.), обеспечившая возможность появления Аналитики 3.0 – Бизнесообразующая аналитика – т.е. создание и постоянное совершенствование товаров и услуг на основе аналитики (это высшая форма аналитики в череде ее эволюционных ступеней: описывающая, объясняющая, предсказывающая, рекомендующая, оптимизирующая).
Поясняющее резюме Томаса Х. Дэвенпорта по каждой из 5 новаций можно прочесть здесь - на 2 мин чтения.
Также рекомендую по этой теме статью Дэвенпорта «Аналитика 3.0»и презентацию SAS
#АналитическиеТехнологии
Живя в революционную эпоху, трудно это осознать, а зачастую, и просто заметить.
Последние 10 лет происходила революция аналитических технологий. Однако, чтобы ее полноценно отрефлексировать, нужно было, чтобы Томас Х. Дэвенпорт и Джейн Харрис почти заново переписали свой бестселлер 2007 года - «Competing on Analytics».
Ключевая идея этой книги была названа Harvard Business Review одной из двенадцати наиболее важных идей управления за последнее десятилетие, а резюмирующая книгу статья, вошла в ТОР 10 «must read» статей за всю 75-летнюю историю HBR.
Новое издание «Competing on Analytics» в бумажном виде выйдет 19го сентября, но в цифре уже доступна.
Не буду даже пытаться резюмировать 320 стр. интересного, полезного, «must read» текста.
Хочу лишь обратить внимание на 6 кардинальных новаций в аналитических технологиях. Эти новации 10 лет назад либо просто не существовали, либо присутствовали в виде концептов, а вовсе не технологий.
Их трансформация из концептов в технологии являются сутью произошедшей революции, для описания которой во 2м издании авторам потребовалось переписать почти всю книгу.
Вот эти 6 кардинальных новаций в аналитических технологиях:
1. Большие данные (Big Data):
— приведшие к появлению двух революционных технологических феноменов - Hadoop (масштабируемые, распределенные вычисления и хранение данных) и Озеро данных (Data Lake),
— и стимулировавшие новую Open-source революцию.
2. Операционная аналитика – интеграция аналитики в производственные процессы в реальном времени.
3. Компонентность и микроуслуги аналитики – создание «лего-конструкторов», облегчающих интеграцию.
4. Потоковая аналитика – системы реагирования на происходящие события (Event-Processing) путем аналитической обработки данных, непрерывно поступающих из потоковых источников (напр. Интеренет вещей).
5. Аналитика Grid / In-memory – новые аппаратные архитектуры, обеспечившие гигантский скачок в производительности аналитических технологий.
6. Когнитивные технологии – новация новаций (включающая в себя: машинное и глубокое обучение, обработку естественного языка, алгоритмическая роботизация и пр.), обеспечившая возможность появления Аналитики 3.0 – Бизнесообразующая аналитика – т.е. создание и постоянное совершенствование товаров и услуг на основе аналитики (это высшая форма аналитики в череде ее эволюционных ступеней: описывающая, объясняющая, предсказывающая, рекомендующая, оптимизирующая).
Поясняющее резюме Томаса Х. Дэвенпорта по каждой из 5 новаций можно прочесть здесь - на 2 мин чтения.
Также рекомендую по этой теме статью Дэвенпорта «Аналитика 3.0»и презентацию SAS
#АналитическиеТехнологии
big-i.ru
Аналитика 3.0 | Большие Идеи
Большие идеи