ИИ дорисовывает невидимые атомы Чтобы просчитать на компьютере свойства материала нужно точно знать, где в кристалле стоит каждый атом. Координаты берут из баз данных, собранных по результатам рентгеновской дифракции. И вот тут вылезает досадная беда: водород этот метод улавливает плохо. В итоге в описании структуры водород либо стоит не там, либо отсутствует вовсе. Кристалл выглядит почти целым — и при этом непригоден для расчётов. Группа учёных из университетов Пармы и Модены решили исправить это с помощью компьютерного зрения. Там есть задача под названием inpainting: восстановить вырезанный кусок изображения. Нейросеть смотрит на то, что вокруг, и достраивает недостающее так, чтобы оно сошлось с окружением. Старые методы засыпали шумом всю картинку целиком и собирали её заново. Современные бьют сильным шумом только по неизвестной области. Ровно этот приём перенесли на кристаллы. Модель XtalPaint шумит только там, где координат нет. Известные позиции атомов остаются на месте и служат опорой всё время реконструкции. Отсюда, по словам аспиранта Тимо Реентса, и рост точности, и экономия вычислений. Проверяли так: брали структуры, где водород уже был найден, стирали его координаты и просили модель восстановить. В 87% случаев она попала точно в известную конфигурацию. Ещё в 10% предложила расположение, энергетически более устойчивое, чем записанное в базе. Итого 97% успеха. Побочный эффект оказался не менее полезным: методом уже ловят ошибки в базах, которые возникают при переносе данных из оригинальных статей. Дальше — литий и натрий. Их позиции модель тоже умеет восстанавливать, а это прямая дорога к поиску материалов для аккумуляторов. Ну и к водородным хранилищам с возможными новыми сверхпроводниками — ради них всё и затевалось. @vselennayaplus

Джейми Тиван (Chief Scientist в Microsoft) пару дней назад выложила свои семь предсказаний про будущее работы. Они в первую очередь про knowledge work. Но в любом случае, звучит это всё очень оригинально и свежо. 1. Reading will become asking. Writing will become answering. Questions will become the bridge that connects knowledge seekers and knowledge creators. Я это читаю как ещё одно напоминание, что управление знаниями и экспертизой — это теперь context engineering. А может даже и context-to-enablement engineering. А может и context-to-experience engineering. Это мои авторские формулировки 🙂 — Тиван ничего такого не пишет. 2. The audience will start to talk back. The smartest person in the room is about to become the room. Собрания и лекции — неоптимальный способ обмениваться знаниями. Будет что-то другое и асинхронное. 3. You’ll attend meetings asynchronously. Meetings will become places to return to, not moments to attend. Идём дальше по этому же пути — все встречи должны стать асинхронными. И превратиться в непрерывное пространство для диалога, куда участники заходят в удобное для них время. 4. Meetings will make room for being alone. The best way to think together will be to spend part of that thinking apart. Но встречи будут нужны, чтобы поговорить с собой. Или так: первые минуты встречи участники будут проводить один на один с AI, который введет их в курс дела с учетом их персональной роли и поможет сформулировать вопросы. 5. Strategy will be discovered, not declared. Organizations will finally become legible to themselves. Стратегия перестанет быть артефактом и трансформируется в тот самый context-to-enablement инструмент, помогающий принимать ежедневные решения и фокусироваться. 6. Knowledge will outgrow publication. Every discovery will become infrastructure for the next one. Научные знания будут создаваться не в форме больших монолитных статей, а станут распределенными «small contributions» и «form of microproductivity». 7. We’ll start to cache human thought. Human attention will become AI’s most valuable resource. В будущем AI начнет организовывать работу вокруг внимания человека, а не просто списка задач. Анализируя проекты, система будет прогнозировать, какие решения понадобятся в будущем, и задавать вопросы в наиболее подходящие моменты, когда вам проще всего на них ответить. Полученные ответы будут кэшироваться AI и автоматически применяться тогда, когда в них возникнет необходимость, помогая человеку тратить когнитивные ресурсы только на самое важное. → https://microsoft.github.io/nfw-reader/posts/seven-predictions

Меньше трат — больше прибыли Каждая статья расходов влияет на себестоимость продукции или услуг. А от себестоимости напрямую зависит цена для клиента — чем она выше, тем труднее конкурировать на рынке. Поэтому снижение затрат — это не просто экономия, а стратегия увеличения прибыли. Реальный пример: один предприниматель, занимающийся продажей автомобилей, нашёл способ получать дополнительный доход — он размещает свободные средства на краткосрочных депозитах. Несмотря на невысокие ставки, благодаря крупным суммам эта «мелочь» приносит ему ощутимую прибыль — нередко больше, чем основной доход других владельцев малого бизнеса. Такие подходы показывают: внимательное отношение к деньгам, даже в мелочах, и грамотное управление ресурсами позволяют существенно повысить рентабельность и устойчивость компании Фаундер | Бизнес и Стартапы

Как я просрал 9 месяцев жизни из-за разговоров 👹 Май 2024. Я и ещё два партнёра решили сделать сервис, который определяет что за автомобильная запчасть перед тобой, к каким маркам и моделям подходит и не подделка ли это Звучит скучно, но копни глубже - а на этом рынке происходит реальная вакханалия - Одна деталь подходит к десяткам моделей разных марок - У одной и той же детали может быть три разных кода от трех производителей, и они сами путаются в собственной номенклатуре - И вишенка на торте - рынок заполнен копиями и подделками, где на глаз их вообще не отличить от оригинала ➖ Короче, мы захотели построить сервис, который наводит в этом порядок Обучали модель, месяцами собирали данные по крупицам, созванивались с людьми из отрасли и в какой-то момент я уже зашарил в совместимости автозапчастей :) Но было большое НО Мы пытались продать индустрии решение проблемы, которую сами не могли решить в трех головах: кто за что отвечает. Модель мы обучили, да А вот управленческое решение - кто именно отвечает за продажи, кто за продукт, кто за сроки так и не приняли 🤩 Девять месяцев мы созванивались каждую неделю Обсуждали, уточняли, спорили, но проблема была в том, что тему, которую мы разбирали на седьмом месяце, мы закрыли ещё на втором и просто продолжали ее мусолить Продажами явно не занимался никто. Каждый по чуть-чуть касался всего и в итоге никто не отвечал ни за что целиком, а к февралю 2025 звонки стали реже, а потом их вовсе не стало Вывод, который обошёлся мне в 9 месяцев работы:

созвоны не двигатель проекта, особенно когда нет четких зон отвественности и четких задач + сроков после него

Я уже со многими подписчиками пообщался в директе на эту тему и понимаю, как бывает стремно такое обсуждать, а в особенности делиться своими факапами Но если вдруг у тебя есть ощущение, что на проекте что-то идет не так - под этим постом можно поделиться и получить фидбек со стороны (ни на что не намекаю как всегда)

Вообще не осталось продакт-менеджеров, которые бы не упоролись напрочь в нейросети. Мне кажется это какие-то неправильные менеджеры, кто этого еще не сделал. Поэтому я и веду свой второй канал @gleb_pro_ia, и делаю это примерно в 100 раз активнее, чем этот. Чего-то высасывать из пальца при этом тоже не хочется. И я все думал. а про что ж писать тут? Решение висело под носом. Тут уже написано в заголовке про бизнес, значит буду продолжать писать про бизнес. Пусть и с нейросетевым уклоном, так как без этого сейчас ну вообще без вариантов. А на втором канале продолжу исповедовать гонзо-журналистику про то, каких агентов я потрогал сегодня, и как они меня возблагодарили в ответ.

🤬 Новая охота на ведьм На The Verge вышла отличная статья, которая откликается у нашей редакции. Раньше преподаватели гоняли работы через антиплагиат: система сравнивала текст с базой сайтов и научных статей и выдавала процент совпадений. Теперь охотятся не за копипастой, а за нейросетью. Детекторы вроде GPTZero, Pangram и других, работают иначе. Собственная ИИ-модель анализирует лексику, ритм, структуру предложений, длину и тон и выносит вердикт. Оценка выходит субъективной и особенно часто спотыкается на тех, для кого английский неродной. Масштаб уже приличный: по опросу Center for Democracy and Technology, в 2024–2025 годах детекторами регулярно пользовались 43% американских учителей средних и старших классов. Француз Тьерри Риньоль судится с Йелем: профессор прогнал его экзаменационную работу через GPTZero, и студент получил незачёт и год отстранения. В феврале студент Университета Адельфи выиграл похожий иск. А недавно Джек Осборн, сын Оззи, обвинил журналистку Кэт Тенбардж в том, что статью за неё написала нейросеть, и показал 3,5 миллионам подписчиков «доказательство» из детектора. Опровержение она опубликовала, а он обвинение так и не снял и видео не удалил. Самое любопытное, что сами разработчики предупреждают о недостатках. Grammarly просит не полагаться на детектор в одиночку. GPTZero признаёт, что стопроцентного детектора не существует. OpenAI и вовсе закрыла свой ещё в 2023-м из-за низкой точности. Университеты мирового уровня: Йель, Джонс Хопкинс, Вандербильт, Джорджтаун и другие уже отключили или ограничили такие проверки. MIT вообще говорит, что детекторы не работают. Вместо них советуют менять сами задания — писать в аудитории, дробить длинные работы, разрешать указывать, где помогал ИИ. Мы, кстати, сталкиваемся с этим постоянно. И это, на наш взгляд, новый вид паранойи, который породил ИИ: читатель заранее подозревает текст, а живой автор старается писать так, чтобы «не звучать как нейросеть». Например, конструкция “это не просто А, а это Б”, вообще забанена нашим редактором. Хотя до появления нейросетей этот приём часто использовался в текстах. @droidergram