Прокрастинометрия: основы
количественного анализа откладывания дел

В.А. Завтраков

где:	Jважн. —	важность задачи по 10-балльной шкале;
	D —	количество дней до дедлайна Дедлайн — дата выполнения задачи или работы, определённый момент времени, к которому должна быть достигнута цель или задача.

При D = 0 (дедлайн сегодня) I_с стремится к бесконечности, что соответствует состоянию крайней паники.

2.4 Критическая точка паники

Критическая точка паники (p_крит.) — момент времени, когда прокрастинатор прекращает откладывать дело и начинает его выполнение в авральном режиме. p_крит. наступает, когда:

3. Фундаментальные законы прокрастинодинамики

Общее количество намерений сделать что-либо в изолированной системе остается постоянным, независимо от того, выполняются эти намерения или нет.
Математическая формулировка:

Следствие Невыполненные сегодня намерения автоматически переносятся на завтра, создавая иллюзию продуктивного планирования.

3.2 Второй закон (закон возрастания энтропии откладывания)

В любой системе прокрастинации энтропия
Энтропия — широко используемый в естественных и точных науках термин, обозначающий меру необратимого рассеивания энергии или бесполезности энергии.
 
 
 
  (степень беспорядка в списке дел) может только возрастать или оставаться постоянной.

Практическое проявление Список дел постоянно растет, но количество выполненных пунктов остается неизменным или уменьшается.

3.3 Третий закон (закон абсолютного нуля продуктивности)

При приближении дедлайна к бесконечности (D → ∞) продуктивность стремится к абсолютному нулю:

Следствие Задачи без дедлайна никогда не будут выполнены.

3.4 Четвертый закон (принцип неопределенности завтра)

Невозможно одновременно точно определить, что именно и когда именно будет сделано завтра:

где:	Δt —	неопределенность во времени начала работы;
	Δm —	неопределенность в выборе задачи
	hпл. —	постоянная Планирования (ℏпл.≈6,626 × 10-34 Дж×с — совпадение с постоянной Планка не случайно)

Характеристики:

• 5 < Ҡ_откл. < 20;
• постоянно составляют списки дел;
• искренне верят, что выполнят всё завтра;
• средняя продолжительность откладывания: 1 — 3 дня

Девиз Завтра я точно начну новую жизнь!

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

в мозге. Вместо того чтобы писать сложные алгоритмы для решения задач, нейросети обучаются на основе большого количества данных и находят в них закономерности.
Чтобы работать с нейросетями, не нужно быть учёным. Например, можно освоить профессию инженера машинного обучения. Он работает с данными и создаёт на их основе алгоритмы машинного обучения, которые помогают решать прикладные задачи.

История возникновения ИИ

Несмотря на медиашум вокруг chatGPT и генеративных нейросетей, искусственный интеллект — не новая область исследований.

1950-е: тест Тьюринга и конференция в Дартмуте

Математик Алан Тьюринг предложил идею мыслящей машины. Он считал, что машины, как и люди, могут использовать доступную информацию для принятия решений. Чтобы это проверить, он разработал тест. Человек с помощью текстового интерфейса задавал вопросы одновременно другому человеку и машине. Если отличить их ответы не получалось, считалось, что машина прошла тест и обладает искусственным интеллектом.
Проверить концепцию Тьюринга оказалось сложно из-за ограниченной функциональности компьютеров и дорогой техники. Такие исследования были доступны только крупным технологическим компаниям и престижным университетам.
В 1956 в Дартмутском колледже прошла конференция о «механизации интеллекта», на которой Джон Маккарти, когнитивист и специалист по информатике, предложил термин искусственный интеллект. Этот момент можно считать началом истории ИИ.

1960-е: золотые годы искусственного интеллекта

Компьютеры становились доступнее, дешевле, быстрее и могли хранить больше информации. Алгоритмы машинного обучения также совершенствовались:

• Начали разрабатывать первые экспертные системы — компьютерные программы, которые моделируют знания человека в определенной области. Например, в химии или физике. Эти системы обычно состояли из двух компонентов: базы знаний и механизма вывода. База знаний содержала информацию о предметной области, а механизм вывода работал как диалоговое окно. Например система DENDRAL помогала определять структуру молекул неизвестных органических соединений.
• Появились персептроны — первые нейронные сети, которые смогли обучаться на данных и решать простые задачи классификации. Например, распознавать рукописные цифры.
• Разработан язык программирования LISP, который стал основным языком для исследований в области ИИ.
• В середине 1960-х Джозеф Вайценбаум создал ELIZA — первого чат-бота, который имитировал работу психотерапевта и мог общаться с человеком на естественном языке.