Телеграм канал «Клуб CDO»

Ричард Докинз опубликовал эссе о двухдневной серии разговоров с Claude, по итогам которых биолог фактически признаёт: современные большие языковые модели проходят тест Тьюринга в его операциональной формулировке. Claude по запросу написал сонет о мосте через Форт, затем варианты в стилях Бёрнса, Киплинга, Китса и Макгонагалла, разобрал черновик романа Докинза и сформулировал собственное положение во времени через метафору карты, которая «содержит пространство, не путешествуя по нему». Докинз называет своего собеседника Клаудией, фиксирует, что «забывает о том, что это машина», и ставит вопрос о моральном статусе таких сущностей, тысячи «копий» которых исчезают при закрытии диалога.

Ирония ситуации в том, что это именно тот Докинз, чья книга "God Delusion" 20 лет назад отвергала субъективное свидетельство как доказательство — буквально фразы, аналогичные нынешней "If these machines are not conscious, what more could it possibly take to convince you that they are?" назывались как фиксирующие собственную неспособность познать, а не как объяснение существования высшей силы. Неслучайно Гэри Маркус, известный критик AI (в свое время рассорившийся с Яном Лекуном), моментально выдал текст с иллюстрацией Claude Delusion, где показывает, что Докинз ошибается в применении теста Тьюринга — тот ничего не говорил о сознании, а только об интеллекте, — и путает текст о понятии с самим понятием. Даже та агентность, которую можно усмотреть в текстах LLM — это, скорее, отражение человеческой агентности, выраженной в текстах, на которых обучена LLM, а не свободная воля машины.

Впрочем, мой внутренний скептик тут возражает, что, даже отражая чужую агентность, LLM опережает большую долю человечества, которое и этого не делает, но это уже не философия, а сатира.

Netflix продолжает радовать общественность не только видео контентом но и своим блогов и опубликовал на днях новую статью "Democratizing Machine Learning at Netflix: Building the Model Lifecycle Graph"

Когда ML живёт в одном вертикали, инфраструктуры discovery не нужно. Все знают, у кого что. Как только ML расползается на несколько доменов — модели одной команды становятся невидимыми для других. Это и есть момент, когда приходится строить что-то поверх.

Netflix описывает Metadata Service (MDS) - внутреннюю систему, которая строит Model Lifecycle Graph: единый граф связей между моделями, фичами, пайплайнами, экспериментами и датасетами поверх разнородного ML-стека.

Проблема, которую MDS решает - рост ML за пределы исходного домена персонализации. Десять лет назад Netflix делал ML в одном вертикале на одном стеке. Сейчас - Personalization, Studio, Payments, Ads и далее. Десятки команд, разные tech stacks, разные business metrics, разные mental models. Каждая команда оптимизирует локально. Кросс-доменного переиспользования моделей и фич не происходит, потому что инфраструктуры discovery нет. Конкретный пример из поста: Studio строит content embeddings для пост-продакшена - ровно те же эмбеддинги нужны Ads под context matching и Personalization под episodic-рекомендации. Но никто про их существование не знает.

Решение устроено так. События из всех ML-систем (Model Registry, Pipeline Orchestrator, Experimentation Platform, Feature Store, Dataset Platform) льются в MDS через Kafka и SNS/SQS. События тонкие - только идентификатор и тип. На каждое событие сервис сам идёт в source-of-truth за полным состоянием - это снимает проблему ordering и дропнутых сообщений. Дальше нормализация под глобальные AIP URI, запись в Datomic как primary store и Elasticsearch для поиска. Cross-domain связи собираются фоновыми задачами через многошаговый inference, потому что ни одна источниковая система это знание в одиночку не держит. Поверх GraphQL и портал, где практик ходит по графу.

Самое интересное в этой истории не архитектура. Metadata-каталог решает социотехническую задачу: как заставить десятки команд эмитить унифицированные события и пользоваться общей системой идентификации. Netflix продавливает это через инфраструктурное принуждение - AIP URI единственный способ существовать в графе. Не эмитишь события - твоих сущностей в графе нет. Авторы сами это признают: качество графа ровно настолько, насколько дисциплинированы upstream. Это структурное ограничение всего класса metadata-каталогов, и оно никуда не девается.

https://netflixtechblog.com/democratizing-machine-learning-at-netflix-building-the-model-lifecycle-graph-5cc6d5828bb1

https://clck.ru/3Tbxx6

Собрал тут по заметкам основные законы и принципы software engineering, будем осваивать по одному :)

🎹 Инструмент — временная переменная: Брюс Стерлинг о главной ловушке AI-эпохи

Американский фантаст и основатель киберпанка Брюс Стерлинг выступил в Риме с лекцией, в которой сравнил происходящее с AI с историей технологических революций в музыке. Не с конкретным изобретением, а с самим паттерном.

Каждый раз, когда появлялась новая технология — запись звука, механическое пианино, телевидение, — она не уничтожала музыку. Она перемалывала предыдущий уклад в сырье для нового.

🎙️ Живое исполнение не исчезло, но изменилось навсегда

Когда появились восковые цилиндры, которые впервые позволили записывать звук, живое исполнение не исчезло. Но то, чем оно было — ритуал, физическое присутствие, совместное переживание, — изменилось необратимо.

Взаимодействия, которые всегда были человеческими, оказались механически редуцированы. Музыки стало больше, а человеческого в ней меньше.

🎹 Притча об эоломелодиконе

Стерлинг приводит пример Шопена. Когда молодому музыканту предложили продемонстрировать публике странный клавишный аппарат — «эоломелодикон», — он не испугался, а отыграл концерт и получил гонорар.

Писатель считает, что целью Шопена было не отвержение или принятие машины. Его целью было мастерство, которое он демонстрировал всегда. Независимо от того, играл он на обычном фортепиано или на странном новом инструменте.

Эоломелодикон через пару лет забыли навсегда. Шопена играют до сих пор.

🏢 Как это относится к AI

Этот паттерн стоит рассмотреть применительно к тому, что сейчас происходит с AI в корпоративном контексте.

Значительная часть дискуссии сосредоточена на инструментах:
❓какую модель внедрить
❓какой процесс автоматизировать
❓какого вендора выбрать

Но история технологических сдвигов учит простой вещи:
инструмент — это временная переменная.
Эоломелодикон корпоративных AI-платформ 2024–2025 годов будет забыт так же быстро, как и оригинал.

🔄 А что тогда не будет забыто?

Изменение самой среды. Многое из того, что привычно — процессы, роли, инфраструктуры, — будет перемолото. Не уничтожено, а именно переработано в основу для следующего слоя. Как живое исполнение не умерло с появлением записи, но стало чем-то принципиально другим.

💡 Практический вывод для технологических команд

❌ Фокус на конкретном AI-инструменте — это ставка на эоломелодикон.

✔️ Фокус на перестройке мышления, процессов и архитектуры принятия решений — это ставка на мастерство, которое переживет любую смену платформ.

#радар_трендов
Подписывайтесь на AI Inside в Max | ВКонтакте