Про развитие технологий через призму доступности. Lyft и Aptiv договорились с Национальной ассоциацией слепых (США) развивать беспилотный транспорт (такси) с дополнительным фокусом на незрячих и слабовидящих людей, которые не могут водить из-за ограничений здоровья.

И это прямо крутая тема, причем не только потому что так правильно и, следуя принципам инклюзивного дизайна, они вовлекают людей с нарушением зрения в проектирование сценариев и решений. Но и также потому что через такой экстремальный кейс они ищут решения фундаментальной проблемы информирования пассажира о том, что происходит с машиной.

https://techcrunch.com/2019/07/08/lyft-aptiv-and-the-national-federation-of-the-blind-partner-on-self-driving-for-low-vision-riders/

Для тех, кто хочет разобраться, как же там внутри сеточек. Исследователи из Microsoft Research запустили проект TensorWatch для отладки и визуализации процесса обучения. Библиотека работает поверх Jupyter Notebook и помогает анализировать потоки данных.

Обзор: https://www.microsoft.com/en-us/research/blog/microsoft-makes-ai-debugging-and-visualization-tool-tensorwatch-open-source/
Исходный код: https://github.com/microsoft/tensorwatch

🛰🛰🛰 Про важность альтернативности и дублирования глобальных систем. Тут уже несколько дней лежит GNSS Galileo — европейская спутниковая система навигации, запущенная как альтернатива GPS и ГЛОНАСС для Европейского союза. Большинство пользователей этого не заметило, потому что у них в смартфонах стоит по два чипа.

https://www.popmech.ru/technologies/news-493182-evropeyskaya-sistema-sputnikovoy-navigacii-polnostyu-vyshla-iz-stroya/

Ну вот. Теперь Россия становится источником уникальных датасетов. 🌨❄️🚖

"РВК опубликовала первый в мире открытый «зимний» датасет с уникальной базой из 600 тысяч изображений, снятых на российских дорогах зимой."

https://www.facebook.com/rusventure/photos/a.314127111949711/2742856039076794/

Скачать датасет можно тут: http://oscar.skoltech.ru/

В QuantaMagazine вышло интервью с Ли Смолиным (Lee Smolin), одним из ведущих ученых в области теории струн и петлевой квантовой гравитации. Одно из направлений исследований Ли — это (потенциальное) отсутствие у вселенной внешней границы, а заодно и внешних систем или наблюдателей, которых можно было бы считать за точку опоры.

В этих условиях, следуя большой дискуссии между Ньютоном и Лейбницом, Смолин говорит о невозможности задать абсолютную систему координат или физических законов и необходимости определения физики через систему отношений между объектами, а точнее между срезами мира (views) и их различием.

Срезы описывают разные события, происходящие где-то в пространстве и времени с какими-то параметрами (энергией), как следствие предыдущих событий. Каждый срез несет только частичную информацию о вселенной, при этом законы физики (природа) пытаются максимизировать разнообразие таких срезов. Близость в пространстве срезов заменяет локальность в пространстве-времени, соответственно, два события, вероятно, будут взаимодействовать, если срезы их прошлого близки. И эта близость не требует следования причинной структуре из пространства-времени (хотя если два события близки в последнем, они, скорее всего, будут близки и в пространстве срезов, но не обязательно наоборот).

Внезапно, это приводит к уравнению Шрёдингера и идее о том, что на вероятностную модель волновой функции можно смотреть как на результат взаимодействия реальных объектов с близкими срезами. То есть волновая функция описывает не ансамбль возможных состояний, скажем, молекулы воды, а ансамбль всех молекул воды во вселенной. Они формируют ансамбль ровно потому, что достаточно простые, чтобы их срезы были близки друг к другу. И они взаимодействуют друг с другом, потому что вероятность взаимодействия определяется близостью срезов, а не расположением в пространстве.

Интервью (тут еще много про философию): https://www.quantamagazine.org/were-stuck-inside-the-universe-lee-smolin-has-an-idea-for-how-to-study-it-anyway-20190627/

Публикация: https://arxiv.org/pdf/1712.04799.pdf

Пока это лишь крутая гипотеза, -- физическая, но во многом философская, -- я подумал, что это очень хорошо перекликается с темой цифровых следов и моделями компетенций и принятия решений, которые коллеги из Университета 2035 обкатывали на Острове 10-22.

Ведь смотрите, какая штука: гипотеза о возможности описания, скажем, компетентностного профиля человека заведомо предполагает наличие какой-то абсолютной системы координат (например, идеального рубрикатора). Но, что если она не возможна и мы описываем систему изнутри? Альтернативно, мы можем попробовать описать срезы человека (понятий), например, как те самые онто-семантические графы и понять их близость и взаимосвязь. И дальше мы говорим, что в следующий момент времени наиболее вероятно взаимодействие именно тех носителей, чьи срезы наиболее близки (например, совпадают в каком-то сегменте).

При этом законы природы (обучения) таковы, что такое взаимодействие близкого должно приводить к суммарному увеличению разнообразия срезов, а не их синхронизации. Только так может происходить усложнение концепций.

А вот дальше мозг начинает ломаться и сопротивляться, потому что мы уходим то ли в мир Платоновских идей, то ли в ноосферу Вернадского в ее изотерической трактовке. Чем более примитивные срезы мы рассматриваем, тем более размытыми и "квантовыми" они являются.

В классической трактовке размытость понятия является его имманентным свойством, а фиксация состояния (коллапс) происходит в момент среза и проявления контекста (связей с другими понятиями). Причем в голове конкретного человека. И если мы хотим это предсказать, нам надо знать "волновую функцию" понятия в голове этого человека.

В трактовке "реальных ансамблей" мы смотрим на мир через призму информации и говорим, что размытость понятия определяется разнообразием того, что с ним происходит в близких срезах (фактически, в головах других людей). А это уже перекликается с тем, как мы пытаемся предсказать эволюцию графа через машинное обучение, обученное на анализе графов всех людей. Другими словами, мы живем в матрице.

Про направленную генерацию датасетов. Исследователи из MSR и Mila/McGill University (США) рассказывают о кореферентном корпусе предложений KnowRef, предназначенном для обучения ИИ вытягивать из предложений более глубокие связи между словами.

Формулировка задачи кажется простой для человека: в предложениях вроде "пожарные приехали после полицейских, потому что они ехали издалека" научиться понимать, к какому слову относится "они". Часть ученых предлагает такие примеры использовать как альтернативу тесту Тьюринга — т.н. Winograd Schema Challenge (WSC).

Во многих подобных предложениях вывод можно сделать из согласования числа или рода, но в остальных случаях нужно "вытаскивать" понимание контекста, это компьютерные модели делают сегодня очень плохо. В том числе потому что не хватает размеченных датасетов.

Чтобы составить корпус сложных предложений, исследователи взяли предложения из Википедии и Реддита и перевели их в "сложные" версии себя. Задача бьется на два этапа: 1) вычленение предложений, похожих на требования в WSC, и в которых согласование понятно, и 2) генерация предложений, в которых убирается согласование в числе или роде.

На выходе получился новый датасет, который можно положить в основу соответствующего бенчмарка.

https://www.microsoft.com/en-us/research/blog/the-knowref-coreference-corpus-a-resource-for-training-and-evaluating-common-sense-in-ai/

Продолжим тему генерации специфичных датасетов. QuantaMagazine рассказывает о типичной проблеме сеточек, распознающих изображения: в большинстве случаев они учатся распознавать текстуры объектов, а не их формы. Отсюда, например, возникают кейсы о существенном влиянии незначительных для человеческого глаза изменений в изображении на алгоритмы распознавания.

В прошлом году исследователи из Тюбингенского университета (Германия)  провели серию качественных экспериментов, уменьшая степень детализации изображений и повышая уровень шума. Тогда оказалось, что хотя сеточка справлялась лучше людей, незначительные изменения в алгоритме зашумления по-прежнему искажали результаты распознавания. Пытаясь объяснить результаты, команда пришла как раз к выводу, что все дело в текстурах: форма объектов практически остается неизменной, и человек может ее считать.

В новом исследовании они создали серию изображений с двумя конфликтующими подсказками: текстурой, взятой от одного объекта, и формой от другого. Например, силуэт кота с текстурой слона, или медведь из бутылок, или очертания самолета с изображениями часов. Хотя датасет был размечен в соответствии с формой, четыре разных алгоритма классификации показывали тенденцию разделять объекты на основании текстуры. Фактически, это означает, что эта связка заложена существенно глубже на уровне архитектуры самой сети.

С другой стороны, сетки, обученные на распознавание форм, оказались более устойчивыми к добавлению шума к изображениям. Это лишний раз показывает наличие внутренних предрасположенностей в данных и алгоритмах (например, CNN, обученных на ImageNet) и возможность их корректировать, вводя сознательные  искажения в тренировочные данные.

Обзор: https://www.quantamagazine.org/where-we-see-shapes-ai-sees-textures-20190701/

Публикация: https://openreview.net/pdf?id=Bygh9j09KX

Про перемещение тел. Исследователи из университета Дуйсбурга — Эссена (Германия) продолжили известные эксперименты с фантомными телами, перенеся историю в VR.

Вопрос примерно такой: как заставить мозг человека думать, что он управляет телом существа, отличного от его собственного, в том числе с точки зрения морфологии. Например, какого это быть пауком или летучей мышью? Причем не наблюдать со стороны, как в компьютерной игре, а быть внутри иллюзии погружения, когда мозг перестает различать границы.

Интересный побочный эффект исследования заключается в том, что некоторые другие тела, помогают лучше переживать специфичный опыт. Например, ощущения полета лучше "переносятся" в теле летучей мыши, чем в человеческом.

Обзор: https://www.technologyreview.com/s/613976/a-vr-illusion-that-makes-us-think-we-have-a-spiders-body-could-change-gaming/

Публикация: https://arxiv.org/pdf/1907.05220.pdf

В Nature вышла большая серия статей про мозг (буду потихоньку про них писать):

🧠 ⇆ 👾 Этика интерфейсов машина-мозг. О том, как "машинные вставки" воспринимают пациенты, для которых они являются своего рода спасением и становятся обыденностью. О смене позиции нейробиологов от "быть полицейскими" к "давайте заложим этику в начальный дизайн". И о неконтролируемом процессе взаимодействия мозга и алгоритмов, при том, что ни одну из частей мы полностью не понимаем.

https://www.nature.com/articles/d41586-019-02214-2

🧠 vs 🤖. Четыре большие проблемы симуляции мозга. Про технологические барьеры и рубежи нейронаук:

1. Масштаб. Заход в лоб с симуляцией миллиардов нейронов и триллионов связей не работает, максимум, что человечество смогло сделать -- это симуляция зрительной системы макаки с 4 миллионами упрощенных нейронов. Самая детальная симуляция включала 31 тысячу нейронов мыши 207 разных типов, соединенных 36 миллионами связей. За рамками наших возможностей остается не только количество самих нейронов, но и количество их типов, состояний, механизмов передачи сигналов и т. п.

2. Сложность. Реалистичная симуляция требует учета множества дополнительных параметров, включая внеклеточное взаимодействие и процессы связывания рецепторов на молекулярном уровне. Ключевое ограничение сегодня — невозможность исследовать мозг, не вмешиваясь в его работу на физическом уровне (неинвазивно). Надежда в том, что мы сможем понять принципы работы мозга и этого будет достаточно для создания алгоритмов.

3. Скорость. Человеческий мозг развивается годами и десятилетиями. Ни одна современная технология не позволяет прогонять симуляцию быстрее, чем в реальном времени (а то и еще медленнее). Надежда на новые вычислительные парадигмы: от квантовых до нейроморфных вычислений. Сюда же входят проблемы энергоэффективности и нейропластичности (динамичной смены алгоритма).

4. Интеграция. Для моделирования мозга нам нужно научиться стыковать более простые модели отдельных регионов, причем в двунаправленном процессе: сверху вниз в модели мозга как системы тестирования гипотез и снизу вверх в био-физической модели. Но у нас нет строгой теории, как мозг работает в целом и в деталях, как реализуются понимание, свобода выбора и сознание.

https://www.nature.com/articles/d41586-019-02209-z

🧠 + 💊. Забытая часть памяти. О том, что исследователи все чаще рассматривают забывание как важный процесс для функционирования мозга, а не глюк, с которым надо бороться.

Еще десять лет назад большинство ученых рассматривало забывание как пассивный процесс "выцветания" старых знаний наподобие фотографии, оставленной на солнце. Но все больший корпус работ входит в противоречие с этой концепцией. Кажется, забывание -- это активный механизм мозга. Более того: забывать -- это стандартное базовое состояние большинства (если не всех) животных.

В 2012 это удалось проконтролировать в серии экспериментов на плодовых мушках: активируя допаминергические нейроны, ученые наблюдали, как выпуск допамина приводит к забыванию.

Спустя несколько лет, аналогичные эффекты наблюдали на крысах. С одной стороны, стабильность памяти зависит от числа AMPA-рецепторов в синапсах, формирующих связи. С другой, фактические наблюдения показывают, что рецепторы не стабильны, они постоянно перемещаются из и в синапсы. В эксперименте исследователи заблокировали процессы, приводящие к удалению AMPA-рецепторов, и, как следствие, получили крыс, которые не забывали о расположении объектов. Резюме: в мозге есть естественный базовый процесс "удаления" рецепторов и есть отдельный процесс, занимающийся экспрессией рецепторов для поддержания связей.

Другие эксперименты на мышах показали, что стимуляция процесса нейрогенезиса в гиппокаме взрослых мышей (похоже на то, что происходит естественно в мозге молодых особей), приводит не к улучшению памяти, а к забыванию. Интеграция новых нейронов в существующую сеть приводит к перезаписи связей и ухудшает адресацию информации.

Сейчас ученые склоняются к тому, что в мозге человека действуют схожие механизмы. Наша возможность обобщать новый опыт отчасти связана с контролируемым процессом забывания. Это же помогает справляться с эффектом информационной перегрузки. Изучение людей с выдающейся автобиографической памятью показывает, что одновременно с этим они имеют повышенную склонность к зацикленности, что "соответствует ожиданиям от человека, не способного отделить себя от частных ситуаций".

Наоборот, люди с дефицитом автобиографичной памяти (например, в следствие нарушений) не могут вспомнить в деталях события из своей жизни, и, как следствие, им трудно представить, что с ними может случиться в будущем, но при этом хороши в работе, требующей абстрактного мышления. Они легко "перепрыгивают" между эпизодами и хороши в решении проблем.

Свежие исследования показывают связь успешного забывания с эмиссией нейротрансмиттера GABA. Как следствие, ученые наконец-то начали понимать в деталях, как работают лекарства вроде диазепама. Про их влияние на GABA-рецепторы было известно давно, но как это влияет на снижение тревожности, не было известно. Сейчас ученые выдвигают такую гипотезу: когда префронтальная кора запрашивает гиппокам подавить "мысль", последний не может среагировать, пока не накопит достаточного количества GABA.

GABA также играет критическую роль в развитии фобий, шизофрении и депрессии. Часть ученых связывают развитие болезни Альцгеймера не с нарушением запоминания, а с нарушением забывания. Другими словами, возможно, что проблема в нарушении активности естественного процесса забывания, которое приводит к стиранию большего, чем нужно.

https://www.nature.com/articles/d41586-019-02211-5

Шутки в сторону! Исследователи из MIT посягнули на святое — бабушкины носочки и шарфики с котиками. Задача такая: 1) упростить проектирование вязанных изделий непрофессионалами и 2) научиться переводить пользовательские картинки в наборы инструкций для машин 3D-вязания. Если для первой задачи нужен просто удобный и упрощенный интерфейс, то со второй задачей прекрасно справляются нейронные сеточки, если их натренировать на специально подобранном датасете из реальных инструкций и фотографий итоговой продукции.

Обзор: https://www.fastcompany.com/90385826/the-wild-neural-network-powered-future-of-knitting-is-here
Публикация: https://arxiv.org/pdf/1904.05681.pdf

Поделюсь немного личным-рабочим. Ищу ко мне в команду человека несуществующей еще профессии будущего — интегратора дизайна данных.

Ниже описание, но сначала выскажу несколько гипотез о том, откуда такие люди могут взяться:
✳️Вы менеджер дата-продукта, ваш продукт создан для генерации размеченных данных, но приносит попутно и какую-то другую важную ценность своим пользователям.
✳️ Вы дата-социолог, который не только понимает, кого, как и под каким предлогом опрашивать и что нужно сделать, чтобы собрать достоверные сведения в массе, но еще и сами можете спроектировать модель данных и провести их дальнейший анализ.
✳️ Вы проектируете интерфейсы и тащитесь от визуализации данных, но всю жизнь мечтали, чтобы на вход приходили правильные размеченные данные, а не как обычно. Даже знаете что именно нужно, как это выглядит в структуре данных и можете объяснить, как спроектировать интерфейс, чтобы пользователи с радостью их отдавали в нужном формате.
---
🛠Конечно, вы с радостью готовы засучить рукова и влезть по уши в код, а не только раздавать ценные указания, советы и рекомендации. Другими словами, это инженерная вакансия в правильном смысле этого слова.

👩‍🔬 Хотя там ниже написано разное про данные, по ощущениям, кажется важным, чтобы у вас был опыт про взаимодействие с реальным миром, причем не так важно, что вы там исследовали — рамножение стерхов, геологические процессы, квантовые эффекты или социальные сообщества фанатов My Little Pony.
---

ФОРМАЛЬНО
🚀 Чем мы занимаемся:
Центр "Франшиза НТИ" — это новый отдел "Платформы НТИ", занимающийся проектированием разметки экосистемы, разработкой сопутствующих инструментов и анализом производимых данных.
Мы помогаем создавать методологии разметки данных под задачи других отделов и партнеров экосистемы, интегрировать цифровой слой в offline и online-активности, запускать масштабируемые механизмы сбора данных (в том числе в продуктовых и франшизных логиках) и разбираться в этих данных на человеко-понятных текстовых и визуальных языках.

🔮 Кто такой интегратор дизайна данных?
Наши идеальные кандидаты умеют думать одновременно в трех модальностях:
— Понимают, какие данные нужно собирать, чтобы потом с ними можно было работать;
— Понимают, как собирать данные так, чтобы люди не боялись их отдавать;
— Понимают, что делать с собранными данными и как их показать на понятном обычным людям языке.

Наши идеальные кандидаты — единорожки:
— способные ставить под вопрос проектируемую структуру данных с позиции ценности их содержания,
— заглядывающие на несколько шагов вперед и предвидящие возникновение мусора и помех,
— смотрящие на сбор данных глазами людей, их оставляющих, и понимающие как стимулировать достоверность цифрового следа;
— начинающие планировать и экспериментировать с визуализацией еще на этапе модели данных, потому что не терпится увидеть, как оно.

🦸‍♀️🦹‍♂️ Требования к кандидатам
Так как единорогов не существует, мы будем рады встрече с маленьким достаточно нердовым пони:
— Вы можете понятной инфографикой объяснить, почему Дастин Хендерсон из сериала "Очень странные дела" называет Эрику Синклер нёрдом;
— Вы можете, глядя на UML-диаграмму или SQL-скрипт создания структуры данных, объяснить, что нужно добавить/исправить, чтобы вы могли это визуализировать.
— Вы можете предложить, как перевести большой текстовый блок описания проекта в удобный интерфейс, генерирующий размеченные данные.
— Вы можете написать скрипт на TypeScript, Python или R, разворачивающий JSON-данные с переменным числом параметров в табличное представление в CSV.
— Вы можете создать динамичный отчет по данным на PowerBI или аналогичном инструменте, при необходимости написав кастомную SunBurst-диаграмму на D3.
— Вы можете экспериментально обосновать математическую модель обработки данных, объяснив, почему командные рейтинги должны быть удельными при переменном числе участников.
— Вы постоянно изучаете новые для себя темы и вас не пугает необходимость погрузиться за месяц в квантовые вычисления или особенности сплетения узелков в 3D-вязании.
— У вас есть чувство вкуса, и вы можете объяснить, как сделать визуализацию данных не только понятной, но и красивой.
— Вы грамотно пишете на русском и английском языках.
А если чего-то не можете, то самостоятельно научитесь за две недели.

✅ Почти формальные требования:
— Высшее физико-математическое или социологическое образование, или сопоставимый опыт работы со статистическими или численными данными;
— Опыт анализа и визуализации разнородных данных, включая дизайн и разработку кастомных визуализаций;
— Уверенное знание TypeScript (JavaScript), Python или R;
— Уверенное знание PowerBI, PowerQuery в Excel или аналогичных инструментов;
— Понимание основ Usability и особенностей проектирования мобильных и веб-интерфейсов;
— Базовое понимание алгоритмов Machine Learning и Deep Learning.

---
Писать (лучше сразу с резюме) можно мне в телеграм или на почту k.kichinsky@nti.work

Про VR и обман ощущений. Исследователи из National Taipei University of Technology (Тайвань) сделали прототип "подводной" VR-маски — LiquidMask. Идея в том, чтобы передать в лицо ощущения от подводного плавания, соприкосновения с водной средой и течения водных потоков при перемещении.

Конечно, сейчас это выглядит, как тяжелое решение, требующее специального оборудования. Но и первые мобильные телефоны требовали чемодана.

https://www.fastcompany.com/90386405/the-latest-thing-in-vr-a-face-mask-that-makes-it-feel-like-youre-underwater

Про зомби-профили в социальных сетях. Просто хорошая зарисовочка для утра понедельника про будущее социальных сетей.

Уже который год по сети гуляют рассуждения, что вот дескать осталось не так долго ждать (лет 30, если быть точным), пока в Facebook профилей мертвых людей станет больше, чем живых. Ситуация усиливается-ускоряется еще естественным оттоком людей, которые уходят с платформ по самым разным причинам.

Вот новая эпопея на эту тему из мира гейм-стриммеров. Tyler Blevins, также известный как “Ninja”, недавно покинул Twitch (Amazon) и перешел на Mixer (Microsoft). В идеале его команда хотела целиком выпилить старый аккаунт на Twitch, но так как платформа этого не позволяет, его просто перевели в "offline". Что сделали в Twitch с его миллионным "мертвым" аккаунтом? Они начали показывать там рекламу других каналов, включая какую-то порнографию. Цикл замкнулся, мертвые кормят живых.

https://www.theverge.com/2019/8/11/20801212/ninja-twitch-promoted-channels-porn-streaming

(P.S. Вот тут FastCompany рассуждает о проблеме мертвых на Facebook: https://medium.com/fast-company/how-facebook-is-designing-for-an-incoming-avalanche-of-dead-users-5c3569e6a83f.)

Про человеко-центричный ИИ — алгоритмы Медиума выкинули мне февральскую статью Оветты Сампсон (Ovetta Sampson), ведущей исследовательницы дизайна из IDEO.

В конце прошлого года Дон Норман разразился заметкой о том, что практика человеко-центричного дизайна стала опасной, так как масса дизайнеров заложенные принципы стала трактовать как неприложные истины, не сильно вдаваясь в их смысл.

Например, все вокруг молятся на идею познания своего пользователя, но это не масштабируемо: фокус на группе индивидуальных пользователей может ухудшить опыт для остальных; конкретный человек — это движущаяся цель, чьи задачи завтра не те же, что сегодня; подстройка под личные предпочтения уводит внимание от проектируемых активностей и т. д.

В своей статье Оветта рассуждает о том, как это проектируется на создание человеко-центричного искусственного интеллекта.

"Когда я читаю эти высказывания о том, как сильно мы нуждаемся в человеко-центричности в ИИ, меня не покидает ощущение, что люди в них — это просто надоевшие всем существа, вокруг которых нужно проектировать. Как будто мы препятствие на пути преимуществ ИИ, и, чтобы получить действительно хороший уровень ИИ-решений, нужно исходить из гипотезы "слабых людей". Они говорят об расширении [человека], но это больше похоже на разбор, чем на партнерство. Вы можете поместить человека в центр вашего дизайна и не быть человеко-центричными. В итоге вместо улучшения человеческих способностей, мы получаем ИИ-платформы и продукты, эксплуатирующие человеческую хрупкость и наши особенности поведения."

Неполный список примеров:
— Создание ложно чувства срочности, чтобы убедить людей в необходимости покупки;
— Проектирование системы уведомлений, привязывающей людей к их телефонам;
— Склонение людей отдавать данные в обмен на доступ к контенту с несоизмеримой отдачей назад;
— Распространение сомнительного контента без фильтрации в погоне за лайками и просмотрами.

Кажется, ничего из этого не попадает в логику человеко-центричного дизайна, как оно определено в стандарте ISO (предупреждение возможных негативных эффектов на здоровье, безопасность и эффективность людей). Но, наверняка, во всех этих кейсах исходили из "дизайна вокруг человека".

Заявляемая эффективность ИИ-решений строится вокруг конкретных задач (task), их автоматизации или повышении качества принимаемых решений в их разрезе. Но такой фокус на узких задачах строит решения, исходя из наших слабостей, а не нашей человечности.

Вместо человеко-центричного ИИ Оветта предлагает использовать термин "внимательного ИИ" (Mindful AI), который меньше сконцентрирован на том, что люди делают, и больше на том, почему они это делают. Практика внимательного ИИ — это про учет не просто человеческого поведения, но и человеческих ценностей и надежд.

https://medium.com/@writingprincess/keeping-it-100-when-it-comes-to-human-centered-ai-design-a14bc08cb3d7

P.S. Оригинальная заметка Д. Нормана: https://jnd.org/human-centered_design_considered_harmful/
Комментарий-пояснение к ней от автора: https://jnd.org/hcd_harmful_a_clarification/

Пятничное про визуализацию данных. Два простых вопроса, которые нужно задать при визуализацию заказчику:

1️⃣ Что вы хотите доказать? Какую мысль вы хотите донести зрителю? Если данные не должны ничего доказывать, не надо их показывать. (© ваш Тони). Причем ответ «показать данные» не принимается, аудитория не хочет смотреть данные, они хотят узнать их значение, инсайты, выводы.

2️⃣ Кому вы хотите это показать? Разные аудитории в разных контекстах ожидают разные типы визуализации и взаимодействия. Если вы понимаете, что волнует ваших зрителей, вы сможе лучше адаптировать стилистику и глубину прит визуализации данных.

См. в статье картинки, иллюстрирующие оба вопроса: https://modus.medium.com/2-questions-designers-should-ask-data-nerds-c486a7c8c5ad

Про умный дом. Не перестаю удивляться мебельному развороту, хотя мы о нем предупреждали ритейлеров электроники еще года три назад. Пока электроника воспринималась отдельно от дома, помещений, мебели, да что там -- розеток, на рынке царствовали магазины, которые, собственно, и предлагали эти отдельные товары: чайники, лампочки, весы, часы, плиты, пылесосы и т. п.

Но вот, по мере сращивания "умного", ИКЕА все больше перетагивает инициативу на себя: продает кухни сразу с электроникой, а от просто встраивания розеток и зарядок переходит к постепенному превращению мебели в платформу умного дома. Новый большой шаг: выделить этот бизнес в отдельное направление "умный дом ИКЕА". Давно пора.

Здесь, конечно, надо отметить, что у компании есть физический фундамент для создания такой платформы. Чего не скажешь ни об одном электронном ритейлере.

https://www.theverge.com/2019/8/17/20809976/ikea-home-smart-business-unit