Прокрастинометрия: основы
количественного анализа откладывания дел

В.А. Завтраков

Страницы   1   2   3   4   5   6   7   8
Дедлайн D, дн. Iс Примечание
Зеленый 7 2 — 3 Игнорируется
Средний дедлайн 3 5 — 7 Отмечается в календаре
Жёсткий дедлайн 1 15 — 20 Начинается беспокойство
Критический дедлайн 2 час. → ∞ Достигается pкрит., начинается работа

Эффективность метода. Гарантирует выполнение задачи, но с максимальным стрессом.

6.4 Парадоксальная интенция откладывания

Метод, разработанный на основе логотерапии
Логотерапия — один из видов экзистенциальной психотерапии, основанный на поиске смысла существования.
 
 
 
  В. Франкла.
ФранклВиктор Франкл — австрийский психиатр, психолог, философ и невролог, бывший узник нацистского концентрационного лагеря.
 
 
 
 
  Прокрастинатору предписывается целенаправленно откладывать выполнение задачи, составив подробный план откладывания. Парадоксальным образом, это часто приводит к спонтанному началу работы из духа противоречия самому себе.
Эффективность метода. Непредсказуема, зависит от степени развития рефлексии у прокрастинатора.

7. Прокрастинометрическое оборудование

Для точных измерений в прокрастинометрии разработан ряд специализированных приборов.

7.1 Прокрастинометр базовый (ПБ-100)

Портативное устройство для измерения текущего Ҡоткл.. Оснащено датчиками движения мыши, анализатором открытых вкладок
ВкладкаВладка — элемент графического интерфейса пользователя, который даёт возможность переключения в одном окне приложения между несколькими открытыми документами или предопределёнными наборами элементов интерфейса, когда их доступно несколько, а на выделенном для них пространстве окна можно показывать только один из них.
 
 
  браузера
БраузерБраузер — прикладное программное обеспечение для просмотра страниц, содержания веб-документов, компьютерных файлов и их каталогов; управления веб-приложениями; а также для решения других задач.
 
 
 
  и счётчиком переключений между задачами.
Технические характеристики:

  • диапазон измерения Ҡоткл.: 1 — 1000;
  • точность: ± 5%;
  • время измерения: непрерывное;
  • питание: от собственной лени пользователя (вечный источник энергии).

7.2 Спектроанализатор отговорок (САО-50)

Профессиональный прибор для качественного и количественного анализа отговорок. Использует технологию распознавания речи и анализа тональности.
Возможности:

  • определение типа отговорки с точностью до 99%;
  • оценка степени убедительности отговорки;
  • прогнозирование времени до следующей отговорки;
  • база данных из 10000+ стандартных отговорок.

7.3 Детектор pкрит. (ДКПП-3000)

Стационарное устройство для мониторинга приближения к pкрит.. Измеряет физиологические параметры (пульс, давление, частоту нервного смеха) и психологические показатели (количество слов ужас, кошмар, всё пропало в мин.).

Страницы   1   2   3   4   5   6   7   8

Александра Патрушева, Анастасия Павлова. Второй разум:
как развивается искусственный интеллект и что его ждёт в будущем

Продолжение Назад
9. Робототехника объединяет ИИ, машинное обучение и физические системы, чтобы создавать интеллектуальные машины, которые могут взаимодействовать с реальным миром. Яркий пример — роботы Boston Dynamics. Они используют ИИ для балансирования, навигации, преодоления препятствий и перетаскивания предметов.

Принципы ИИ

1. ИИ нужен доступ к большим объёмам данных для обучения, обработки и принятия решений. Например, ИИ-ассистенты вроде Алисы и Siri используют знания всего интернета для ответа на вопросы пользователей. Системы распознавания рукописного текста обучаются на тысячах образцов текста.
Чтобы понять, сколько данных нужно для обучения небольшой модели, применяют «правило 10 раз». Это значит, что объём входных данных (примеров) должен в 10 раз превышать количество параметров или степеней свободы, которыми обладает модель. Допустим, наш алгоритм отличает изображения кошек от изображений сов на основе 1000 параметров. Значит, нам потребуется 10 000 изображений для обучения модели.
2. Вычислительная мощность. Представим, что мы учим нейронную сеть распознавать изображения. Более мощные вычислительные системы позволяют обрабатывать большое количество изображений и ускоряют процесс обучения.
3. Алгоритмы и модели машинного обучения. Например, использование глубоких нейронных сетей вместо более простых алгоритмов может улучшить точность предсказания искусственного интеллекта в задачах распознавания изображений или речи.
4. ИИ должен адаптироваться к новым условиям и требованиям. Например, если искусственный интеллект используется для управления автономным автомобилем, он должен быть способен адаптироваться к изменяющимся дорожным условиям и улучшать свою работу с течением времени. Водитель также должен иметь возможность контролировать работу ИИ.
5. Коммуникация на естественном языке. Один из примеров — чат-боты. Они могут общаться с пользователями: понимать их и предоставлять им информацию.
6. Интерпретируемость и объяснимость. Если ИИ используется для принятия решений о кредитах, он должен объяснить, на основе каких факторов было принято решение. Это поможет клиентам понять причины отказа, а банковским работникам — контролировать работу системы.
7. Безопасность и приватность данных. Например, в медицинском ИИ, который анализирует данные анализов и исследований для диагностики, нужно защитить личную информацию пациентов. Так получится предотвратить утечку данных и сохранить конфиденциальность.
8. Этические принципы. Если искусственный интеллект используется для отбора кандидатов на работу, он должен быть разработан таким образом, чтобы не допускать дискриминации по полу, расе, возрасту или другим характеристикам, обеспечивая справедливый и равноправный подход.
9. Интеграция с другими системами. ИИ для автоматизации процесса заказа товаров в интернет-магазине должен взаимодействовать с системами управления запасами, доставки и платёжными системами.

Перспективы развития: что говорят аналитики

В 2022 — 2023 многих волнует генеративный ИИ. Бизнес хочет использовать его, чтобы сократить расходы, а специалисты боятся, что он отнимет у них работу. Консалтинговая компания McKinsey спрогнозировала влияние generative AI на производительность, автоматизацию и рабочую силу. Согласно новому отчету, генеративный ИИ может ежегодно приносить мировой экономике от 2,6 до 4,4 T долларов (примерно 2 – 4% от совокупного мирового валового внутреннего продукта в этом году).
Авторы рассмотрели сценарии с 2040 по 2060 и их влияние на производительность труда до 2040. Они также оценили потенциал технологии для автоматизации задач примерно в 850 профессиях. Основные выводы:
   Картинка: right