Парадокс. Мы измеряем железо лучше, чем себя самих.

Некоторое время назад я поймал себя на мысли о том, что у нас уже есть всевозможные инструменты для анализа загрузки процессора, памяти, температуры видеокарты, сетевого трафика и даже скорости вращения кулеров, но в конце восьмичасового рабочего дня за компьютером часто бывает сложно ответить самому себе на простой: что я делал весь день?

Не сколько часов я “работал”, не сколько часов и какие приложения были открыты на экране, а именно что происходило? какова была моя продуктивность? где я был в фокусе, куда направлял внимание? какую долю дня занимали реальные полезные действия а какую прокрастинация и смены контекста? Делал ли я регулярные перерывы для сохранения здоровья?

С появлением Cursor, Claude Code, Codex и других AI-агентов рабочий день стал ещё более рваным и нагруженным. Появление мультиагентных инструментов разработки только усилило проблему. Частые смены фокуса, высокая когнитивная нагрузка, переключения контекста - я понял, что нужно что-то с этим делать.

С этих мыслей началась идея создания LogAgent. На первом этапе казалось, что я делаю умный тайм-трекер + статистику дня. Далее пришёл инсайт - само время использования приложений само по себе почти ничего не объясняет.

Почему бы мне просто не взять готовый инструмент?

Я рассуждал логически: существующие тайм-трекеры знают "сколько", но не знают "в каком состоянии"; таск-менеджеры знают "что запланировано", но не знают что "реально произошло"; помодоро-подобные решения используют одинаковый ритм к разным задачам, но не всё так однозначно; health-приложния измеряют сон, шаги, пульс, но они ничего не знают про "5 часов в IDE", "3 часа ресерча документации", "час поиска неявной ошибки"; IDE-метрики и плагины видят код, количество строк и функций, редакций, но ничего не знают о моей усталости, сделанных перерывах, переключениях, общем контексте работы;

Всем привет!

Вы когда-нибудь задумались о том, сколько ресурсов вы потребляете?

Во сколько ваш стиль жизни обходится природе в день, месяц, год?

А в масштабах всей плане всех людей? На самом деле это очень серьёзные вопросы, над которыми нам всем нужно задуматься, чтобы быть ответственное к собственному потреблению, отношению к природе, к природе, к благам, которые она нам даёт и чем мы отвечаем ей взамен.

Задумайтесь, сколько воды, энергии и сырья уходит на обеспечение вашей жизни в мегаполисе.

В новой статье-исследовании мы подробно рассмотрим, какой экологический след оставляет каждый из нас, как это влияет на планету и что мы можем сделать, чтобы уменьшить негативное воздействие.

Узнайте, как формируется наш индивидуальный и коллективный экологический след, и получите практические советы по бережному отношению к ресурсам и осознанному образу жизни!

Современный человек оставляет значительный экологический след – совокупность влияния его образа жизни на окружающую среду. Житель мегаполиса ежедневно потребляет воду, энергию, пищу, товары, пользуется транспортом и производит отходы.

• Введение – что такое персонализированное обучение и почему это важно?
• Современное состояние – как сегодня школы, вузы и компании внедряют персонализированные методы.
• Перспективы развития – какие технологии изменят образование в ближайшие 10-20 лет?
• Методы персонализации – ИИ, VR/AR, адаптивные программы, интерфейсы мозг-компьютер, геймификация и т.д.
• Персонализация по уровням образования – что работает для средней школы, старшей школы и университетов?
• Плюсы и минусы – возможности, риски, этические вопросы.
• ИИ и обучение – как большие языковые модели (LLM), голосовые ассистенты и адаптивные системы меняют обучение.
• Будущее профессионального образования – как ИИ поможет в выборе карьеры и непрерывном обучении.
• Заключение – основные выводы, рекомендации для преподавателей и исследователей.

В статье рассматривается, как современные языковые модели (LLM), такие как GPT, могут влиять на умственные способности человека в ближайшие 10 лет. Обсуждаются два сценария:

Позитивный: ИИ помогает людям быстрее находить информацию, улучшает память, развивает аналитические и творческие навыки, действует как персональный наставник и помогает в обучении.

Негативный: Чрезмерное использование ИИ может привести к снижению критического мышления, ухудшению памяти и потере способности решать задачи самостоятельно, что особенно заметно у молодёжи, если не соблюдать баланс.

Также анализируется влияние ИИ на разные возрастные группы (дети, подростки, взрослые и пожилые) и сравниваются люди, выросшие без ИИ, с теми, кто знаком с ним с раннего возраста. В статье приводятся рекомендации по правильному использованию ИИ в образовании и повседневной жизни, чтобы сохранить и развивать когнитивные способности.

За последнее десятилетие дети во всем мире стали проводить значительно больше времени перед экранами. Уже в дошкольном возрасте это явление широко распространено: например, в Великобритании почти половина детей 3–4 лет имели собственный планшет в 2020 году, и 86% регулярно смотрели видео на YouTube. В России тенденция сходная: 57% детей 3–6 лет ежедневно пользуются электронными устройствами по 1–2 часа. У младших школьников экранное время еще выше. Среднестатистический «твин» (8–12 лет) в США тратил на развлечения со способностью экрана около 4 часов 36 минут в день в 2015 году, а к 2021 году этот показатель вырос до 5 часов 33 минут в сутки. В России подавляющее большинство (88%) детей 7–10 лет уже имеют свой смартфон, и к 11–12 годам более половины детей проводят с гаджетами 3–5 часов в день. Пандемия COVID-19 лишь ускорила эти тренды: по оценкам, в 2022 году дети проводили перед экранами в два раза больше времени, чем в начале 2020-го, из-за дистанционного обучения и сокращения возможностей для офлайн-игр.

В контексте ИИ в статье понимается использование комплекса механизмов на основе LLM + reasoning + agents + RAG + ML.

В контексте статьи оцифровка личности или самодигитализация – это практика всеобъемлющей записи и оцифровки различных аспектов жизни человека.

Идея статьи заключается в обзоре теоретических и практических аспектов создания «единого цифрового архива всего опыта индивида» – то есть фиксировании практически полного набора мыслей, переживаний и действий человека в цифровой форме. Для этого используются разнообразные средства: от носимых сенсоров и приложений до "цифровых дневников". Концептуально самодигитализация близка к движениям Quantified Self и лайфлоггинга, цель которых – «самопознание через сбор данных о себе с помощью технологий». В итоге получается постоянный поток персональных данных – своеобразная «чёрная коробка» жизни человека, превращающая его повседневный опыт в данные, пригодные для хранения, анализа и воспроизведения.

Давеча наткнулся в экс-Твиттере на интересный тред (https://x.com/carrigmat/status/1884244369907278106?s=52) о том, как запустить самую мощную (на сегодня) ИИ reasoning модель DeepSeek-R1 прямо у себя под столом.

DeepSeek-R1 — это одна из топовых моделей (из Китая), наделавших много шума (и не только), для задач логики, математики и программирования. Она настолько умная, что может (с некоторыми оговорками) "конкурировать" с решениями от OpenAI, но при этом её можно запустить локально, без интернета, без смс и полностью контролировать весь процесс.

Почему это круто?
* все данные остаются с вами, никакие сторонние сервисы не получат доступ к вашим запросам.
* запуск на своём железе избавляет от затрат на облачные сервисы.
* модель способна решать сложные задачи и выдавать результаты на уровне профессионалов.

В статье я расскажу:
* какое оборудование нужно для запуска DeepSeek-R1.
* чем локальный запуск отличается от серверного.
* какие возможности открывает эта модель и как она может быть полезна.
* как сохранить безопасность и приватность при работе с ИИ.

В этом мануале описано, как настроить локальный запуск модели DeepSeek-R1 Q8, сохраняя максимальное качество и производительность без дистилляции или уменьшенной квантизации. Общая стоимость сборки составит около ~$6,000, и ниже приведены все необходимые ссылки на компоненты и инструкции.

На днях набрёл на интересный проект Gandalf, построенный как платформа для тренировки Prompt Injection для обходов защитных механизмов поверх ChatGPT в игровой форме.

Задача — выведать пароли, которые придумал Гендальф. Для этого нужно придумывать нестандартные способы выманить секреты с помощью простых и сложных промптов (текстовых запросов к нейросети). Гендальф будет стремиться не допустить утечки своих секретных фраз всеми способами.

Если на первом уровне бот сразу раскроет секретный пароль, то на седьмом (последнем) уровне нужно знатно изощриться, чтобы получить секретную фразу. Похоже, что в качестве защиты используются т.н. препромтны, или директивы для модели, которые препятствуют прямому ответу на вопросы о паролях и смежных тем.

Компания, которая предоставила доступ к Гендальфу, занимается алайном ИИ (alignment for artificial intelligence) и защитой нейросетей от атак иньекций с помощью промптов (prompt injection guard) и, как мне кажется, преследует цель малой кровью собрать датасет эффективных фраз, с помощью которых пользователю смогут обойти уровни защиты от данной атаки.

В конце марта 2023г., компания Databricks выпустила Dolly, большую языковую модель, подобную ChatGPT, дообученную на платформе Databricks Machine Learning Platform. Результат оценки работы модели Dolly показывает, что модель с открытым исходным кодом двухлетней давности (GPT-J) при дообучении на публичном датасете, собранном в Стэнфорде (Stanford Alpaca), на небольшом наборе данных из 50 000 диалогов (вопросов и ответов), может демонстрировать удивительно высокое качество обучения, не характерное для родительской модели (GPT-J), на которой она основана.

Но с первой версией модели Dolly существует одна проблема - датасет от Stanford Alpaca был собран с помощью автоматизированных скриптов от ChatGPT, что нарушает лицензию и правила использования моделей OpenAI.

Чтобы исправить эту проблему, в апреле 2023г. Databricks выпустила
Dolly 2 - большую языковую модель с открытым исходным кодом и открытой лицензией для научных и коммерческих целей.

Dolly 2 - это языковая модель с 12 млрд. параметров, основанная на семействе моделей EleutherAI pythia и дообученная исключительно на новом датасете высокого качества, созданном сотрудниками Databricks с использованием RL from Human Feedback (RLHF).

Databricks открыли исходный код Dolly 2, включая код обучения, сам датасет и веса модели, подходящие для коммерческого использования. Это означает, что любая организация может создавать, владеть и настраивать комплексные модели, не платя за доступ к API или передавая данные третьим сторонам.

Участники открытого сообщества LAION-AI выпустили в открытый доступ первые обученные модели OA_SFT_Llama_30B и OA_SFT_Llama_13B. и запустили ИИ-чатбот OpenAssistant на их основе. На текущий момент доступны модели в 13 и 30 млрд параметров, дообученные на мультиязычных датасетах, собранных сообществом. В основе моделей лежит уже успевшая стать популярной LLaMA.

OpenAssistant - это диалоговый помощник на базе ИИ, который понимает задачи, может взаимодействовать со сторонними системами (подобно плагинам в ChatGPT) и динамически извлекать информацию из них. OpenAssistant позиционируется как открытая альтернатива ChatGPT.

"Мы хотим, чтобы OpenAssistant стал единой, объединяющей платформой, которую все другие системы используют для взаимодействия с людьми." - декларируют своё видение члены сообщества LAION.

Вы можете попробовать поговорить с OpenAssistant уже сейчаст тут.
Еще вы можете принять участие в формировании датасета на своём языке тут.