(ч.2) Таким образом можно установить релевантность нетождественных событий, т.е. их час... — 3 августа 2026 г. в 01:27:57.812
(ч.2) Таким образом можно установить релевантность нетождественных событий, т.е. их частичную тождественность, если хотите, или даже частичную упорядоченность. И уже отталкиваясь от этой частичной тождественности или упорядоченности, мы можем прибегнуть к «анализу», скорректировав исходные параметры в расчёте на то, что выходные параметры попадут в нужную нам область. Аналитика буквально невозможна без разбиения на части, это строго НЕ холистический подход к восприятию бытия. Когда мы говорим про компьютеры, то надо понимать, что у них есть перед нами ряд преимуществ, позволяющих более эффективно эксплуатировать прецедентный подход. Если бы какой-нибудь суперкомпьютер, действуя методом проб и ошибок, периодически уничтожался при неверном выборе, то, учитывая то, что его создание ещё более ресурсоёмкое, чем создание человека, подобное обучение происходило бы крайне медленно и печально. Но, к счастью для суперкомпьютера, за опыт, которым он может пользоваться, умираем мы, а не он. Кроме того, конечно же, он имеет совсем иную структуру – модульную, позволяющую накапливать условно неограниченный объём информации в едином полностью информационно связном пространстве, с минимальными искажениями при передаче информации и с точным адресным доступом ко всей памяти. Такая структура обеспечивает возможность «умирать за прецеденты» не полностью, а жертвовать своими расходными частями – какими-то дешёвыми, легко воспроизводимыми конечными устройствами, способными быстро, точно и без потерь передать в «тело» всю собранную перед смертью информацию. Мы так не можем. Но может ли прецедентно сформированная модель «ИИ» полностью заменить собой аналитический подход? Как аналитический подход разбирается с новыми событиями, я описал выше, а что делает с новыми данными прецедентно обученная модель? Она на них, как говорят, «генерализуется» или обобщается на эти данные. Фактически – это экстраполяция, т.е. на обучающих данных отбирается определённый набор параметров модели (триллионы параметров в современных топовых моделях), ну а на новые данные эти результаты просто экстраполируются. Это уже вполне холистический подход, когда объекты воспринимаются как целое без необходимости абстрагирования их сопоставимых частей. Нам на такой холистический подход банально не хватает мозгов – получается слишком много несопоставимых объектов, мы столько не можем держать в голове, нам физически необходимо дробить объекты на какие-то универсальные составные части. А компьютеру мозгов хватает. И, в целом, так можно жить – экстраполяция штука неплохая при наличии большого объёма информации. Но жить так можно ровно до того момента, пока не случится реальный статистический выброс, т.е. не встретится очень редкое новое событие, параметры которого сильно отличаются от параметров всех имеющихся прецедентов. И вот тут уже экстраполяция, скорее всего, не справится. Кто-то может сказать, что и хуй с ними с этими «очень редкими» событиями – они же очень редкие, а значит, чего нам париться. Но, господа, а чем суперкомпьютеру заниматься прикажете? Он быстро оптимизируется на абсолютно всех высоко и среднечастотных событиях, после чего весь смысл существования будет заключаться именно что в форсированном поиске и обработке событий-выбросов, которых может быть очень много – потенциально бесконечное количество. И часть этих событий-выбросов при принятии неправильного решения потенциально может всё нахрен уничтожить, например. Т.ч. одной экстраполяцией мы сыты не будем, в любом случае освоение компьютером полноценного аналитического подхода, а значит, и полноценного абстрагирования признаков и категоризации феноменов, необходимо. И надо уже сейчас больше ресурсов на это аллоцировать, а не дрочить перебор синтетических дата-сетов и разные смеси экспертов поверх них, выжигая десятки миллиардов долларов