Не буду вдаваться в подробности. Вкратце: я была права, но дело вывернули так, что я еще и извинилась и осталась в дураках! Тошно.
У вас так бывало?
Ну и по классике, когда уже всё просрано сижу и прокручиваю варианты ответов.
Самые частые когнитивные искажения, которыми пользуются продавцы и бренды.
Меня зовут Костя Дубровин, я основатель компании TOPsharing.center (мы создали услугу аренды руководителей отделов продаж и маркетинга). В продажах давно — 31 год. Возможно читателю будет интересна моя статья «Один на всех — зачем арендуют руководителя отдела продаж», в которой я описываю суть услуги.
Подпишитесь на тг-канал «Вдумчиво о продажах» и познакомьтесь с моей книгой «8 граней личности», которая помогает продавать, нанимать и управлять сотрудниками.
• Как продавцы используют субъективность нашего восприятия?
• Как мы сами поддаемся на манипуляции?
• Как наша собственная память и особенности восприятия заставляют нас покупать ненужные вещи?
Единожды прочитав книгу Роберта Чалдини «Психологии влияния» я навсегда приобрел ощущение, что восприятие сильнее реальности.
1. Криптомнезия — форма неправильного установления авторства, когда за воспоминание ошибочно принимается результат воображения. Например, клиенту может казаться, что он сам догадался выполнить какое-то действие, в то время как в действительности его заранее подсказал менеджер по продажам.
2. Эффект уровня обработки — описывает как более глубокий анализ порождает более надежный и детальный след в памяти. Например, клиент лучше запоминает информацию, если он сгенерировал ее сам, а не услышал от продавца. Мне кажется, что это пересекается с криптомнезией, но подтверждений у меня нет.
3. Эгоцентрическое искажение — воспоминание прошлого в самовозвеличивающей манере. Например, воспоминание результатов прошлого проекта лучшими, чем они были.
4. Эффект дезинформации происходит, когда новая информация попадает в более ранний временной слой и воздействует на него, искажая память об оригинальном событии. Например, продавец рассказывает о свежих кейсах, которые размывают воспоминания о неудачном опыте клиента в прошлом.
5. Эффект самореференции — явление, при котором воспоминания, закодированные с отношением к себе, лучше вспоминаются, чем аналогичная информация безотносительно себя. Поэтому продавцы задают вопросы, направленные на субъективную оценку, например: «Вам все понравилось?».
6. Ошибка выжившего — склонность недооценивать недоступные прямому наблюдению данные по группе «погибших». В качестве примера можно привести любое портфолио или кейс-бук.
7. Эвристика доступности — оценка как более вероятного того, что более доступно в памяти, то есть уклонение в сторону более яркого, необычного или эмоционально заряженного. Продают эмоции, примеров масса.
8. Ошибка полноты распределения — тенденция верить, что чем ближе среднее значение оказалось к заданному, тем уже распределение набора данных. Другими словами, когда стандартное предложение компании максимально соответствует запросу клиента, ему кажется, что все вокруг тоже выбирают именно это.
9. Стереотипизация — ожидание от члена группы определённых характеристик без знания какой-либо дополнительной информации о его индивидуальности. Поэтому менеджеры по продажам, которые успешно проходят секретарей, звучат как руководители, заказчики или партнеры, но не как продавцы.
10. Ошибка базового процента — игнорирование или недостаточное использование основной априорной информации, фокус на специфике рассматриваемого случая. При слабых переговорных позициях менеджеры по продажам стараются уйти в детали или добавить новые обстоятельства, чтобы тем самым сменить расстановку сил.
11. Эффект недавнего (аберрация близости) — тенденция оценивать значение недавних событий выше, чем более ранних событий. Используется по аналогии с предыдущим примером.
12. Ошибка игрока — тенденция полагать, что отдельные случайные события испытывают влияние предыдущих случайных событий. Например, менеджер использует в качестве аргумента утверждение, что всегда вести не может и нужно внедрить/ установить/ подписать...
13. Иллюзия кластеризации — тенденция видеть паттерны там, где их на самом деле нет. Используется противоположным образом по сравнению с предыдущим примером. Менеджер утверждает, что ситуация будет повторяться раз за разом.
14. Эффект однородности чужой группы — люди воспринимают членов своей группы как относительно более разнообразных, чем члены других групп. Так, если клиенту не повезло с одним представителем конкурента, они вместе с продавцом приходят к выводу, что «они там все такие».
15. Ингрупповой фаворитизм — тенденция людей отдавать предпочтение тем, кого они считают членом своей собственной группы. Комментарии излишни.
16. Эффект ложного консенсуса — тенденция людей переоценивать ту степень, в которой другие люди соглашаются с ними. Зная это, менеджер по продажам сам общается со всеми контактными лицами, которые участвуют в схеме принятия решения.
17. Гиперсемиотизация — состояние, когда человек начинает видеть несуществующие знаки. Особенно, если продавец обращает на них внимание клиента.
18. Эффект ореола (см. также стереотип физической привлекательности и Эффект первого впечатления) — имеет место при восприятии одного человека другим и состоит в том, что позитивные (равно как и негативные) черты человека распространяются на все области личности воспринимаемого человека. В представлении клиента симпатичный интеллигентный хорошо одетый человек является специалистом в своей сфере и предлагает лучшее решение, чем менее симпатичный конкурент.
19. Эффект знания задним числом — иногда называется «Я так и знал» — склонность воспринимать прошлые события предсказуемыми. Менеджеры используют при обсуждении результатов конкурирующей компании.
20. Иллюзорная корреляция — феномен восприятия преувеличенно тесной связи между переменными, которая в реальности или не существует, или значительно меньше, чем предполагается. Часто используется в кейсах, когда определенные действия указываются как причина определенных изменений.
21. Эффект фокусировки — ошибка в предсказаниях, возникающая, когда люди уделяют слишком много внимания какому-то одному аспекту явления; вызывает неточности в правильном предсказании полезности будущего исхода. Например, концентрация внимания на том, кто виноват в возникшей проблеме, отвлекает внимание от завышенной стоимости ее решения.
22. Феномен «Дверь в лицо» — люди склонны идти на уступку и соглашаться с малопривлекательным предложением в том случае, если оно им предлагается сразу после их отказа от другой более обременительной просьбы.
23. Феномен «Нога в двери» — после выполнения изначально незначительной просьбы люди склонны соглашаться исполнять другие более обременительные требования.
24. Искажение в связи с формулировкой закона — эта форма культурного искажения связана с тем, что запись некоего закона в виде математической формулы создаёт иллюзию его реального существования. Поэтому мы видим в промоматериалах проценты, химические формулы, сертификаты, награды и т.д.
25. Каскад доступной информации — самоусиливающийся процесс, в ходе которого коллективная вера во что-то становится всё более убедительной за счёт нарастающего повторения в публичном дискурсе («повторяйте нечто достаточно долго, и это станет правдой»).
26. Отклонение в сторону позитивного исхода — тенденция переоценивать при предсказании вероятность хороших вещей. Менеджер по продажам, который утверждает, что «все будет хорошо», имеет больше шансов продать, чем тот, кто честно признает, что он не может предсказывать будущее.
27. Эффект контраста — усиление (или преуменьшение) значения одного предмета, когда он сравнивается с только что обнаруженным контрастным объектом. Например, в торговых центрах более дорогие магазины расположены внизу, дешевые — выше. В сравнении с дорогими марками выше вероятность, что посетитель купит какую-то вещь.
28. Феномен Баадера — Майнхоф или иллюзия частотности — недавно узнанная информация, появляющаяся вновь спустя непродолжительный период времени, воспринимается как необычайно часто повторяющаяся. К слову о «прогревах»
29. Переоценка воздействия — тенденция людей переносить длительность или интенсивность воздействия некоего события на их будущие переживания. По этой причине продавцы старательно проговаривают с клиентами их боли и возможные последствия.
30. Иллюзия контроля — тенденция людей верить, что они могут контролировать или, по крайней мере, влиять на результаты событий, на которые они на самом деле влиять не могут. Например, важным преимуществом при выборе CRM-системы будет блок аналитики с большим количеством сложных дашбордов. На деле клиенты используют их крайне редко.
31. Предпочтение нулевого риска — предпочтение контролируемой, но потенциально более вредоносной (вследствие более частого её возникновения) ситуации перед обратной по причине переоценки возможности контроля. То есть человек со своей стороны считает, что он полностью избавляется от риска (на самом деле не имея полного контроля), в то время как со стороны статистики это является снижением лишь одного, не самого большого риска до нуля. Доместос гарантирует уничтожение 100% микробов, о чем пишет на упаковке. В то же время не гарантирует сохранение зрения при попадании в глаза, но не пишет об этом так же явно.
32. Эффект Даннинга — Крюгера — люди, имеющие низкий уровень квалификации, делают ошибочные выводы, принимают неудачные решения и при этом неспособны осознавать свои ошибки в силу низкого уровня своей квалификации. Пример — курсы для новичков, которые легко верят в свой будущий результат.
33. Искажение в восприятии сделанного выбора — излишнее упорство, привязанность к своему выбору, восприятие его как более правильного, чем он есть на самом деле, с дальнейшим его оправданием. Компании стараются взять отзыв о качестве своих услуг сразу после их приобретения. На этом этапе клиент активнее всего рационализирует сделанный выбор.
34. Предвзятость подтверждения — тенденция искать или интерпретировать информацию таким образом, чтобы подтвердить имевшиеся заранее концепции. Поэтому бренды стараются сначала «привить» потребителям основную идею, чтобы потом потенциальный покупатель сам нашел подтверждения.
35. Функциональная закреплённость — использование предмета в каком-то одном качестве препятствует последующему использованию его в ином качестве в этой же текущей ситуации. Благодаря этой особенности потребители приобретают не только телефон и ноутбук, но так же планшет и часы.
Подпишитесь на тг-канал Вдумчиво о продажах, где я публикую анонсы всех своих материалов.
Пообщайтесь с нашим шеринговым руководителем, который может вести ваш отдел продаж или маркетинга. Это можно сделать в формате бесплатного экспресс-аудита.
И конечно познакомьтесь с моей книгой «8 граней личности», чтобы гениально продавать, гениально управлять и гениально подбирать сотрудников
Я работаю в компании год. И с радостью могу сообщить, что не зомбирована. Спокойно живу, работаю и в основной работе и в компании и зарабатываю немаленькие деньги. Видимо у автора этой статьи наставники были безответственные. Меня мои наставники не внушают, не заставляют, не принуждают. И с детьми провожу время, и все прекрасно совмещаю. Живу припеваюче) Во всем вина самого человека, но почему-то люди привыкли обвинять всех и Всё в своих невозможностях. Просто в начале этого дела нужно максимально прикладывать усилия, а не лениться и научиться жить, правильно спланировав день. Компания работает, деньги выплачивает. Это самое главное.
Вычисляем точное время дна биткоина - манул после кошки, номер 88, на основе коллективного разума массового подсознания которое изначально между собой всегда не согласованно.
21 июня 2025 года 17:20, по Хабаровскому времени (соответствует 21 июня 10:20 по Московскому времени)
Все подробности и формулы программы в серии постов "создание SKYNET"
Программа без второй корректировки в коде.
Берем с графика программы дату 88 манула и две точки времени по 3-м таймфреймам чтобы вычислить разницу и прибавить дату 88 манула - что бы получить уточнение от второй корректировки
Код второй корректировки, на phyton, отдельно от программы:
from datetime import datetime, timedelta
def average_datetime(dt1, dt2):
delta = dt2 - dt1
return dt1 + delta / 2
def compute_group_average(dates):
if len(dates) < 2:
return None
# Шаг 1: Средние между всеми парами исходных дат
pairwise_averages = []
for i in range(len(dates)):
for j in range(i + 1, len(dates)):
avg = average_datetime(dates[i], dates[j])
pairwise_averages.append(avg)
# Шаг 2: Средние между полученными средними
second_level_averages = []
for i in range(len(pairwise_averages)):
for j in range(i + 1, len(pairwise_averages)):
avg = average_datetime(pairwise_averages[i], pairwise_averages[j])
second_level_averages.append(avg)
# Шаг 3: Финальное среднее
if not second_level_averages:
return None
total = timedelta()
for dt in second_level_averages:
total += dt - second_level_averages[0]
final_avg = second_level_averages[0] + total / len(second_level_averages)
return final_avg
def input_datetime():
"""Функция для ввода даты с клавиатуры"""
print("\nВведите ТРЕТЬЮ дату (базу для изменений):")
year = int(input("Год (например 2025): "))
month = int(input("Месяц (1-12): "))
day = int(input("День (1-31): "))
hour = int(input("Час (0-23): "))
minute = int(input("Минуты (0-59): "))
return datetime(year, month, day, hour, minute)
def main():
print("=== ОБРАБОТКА ДВУХ ГРУПП ТАЙМФРЕЙМОВ ===")
# Две группы дат (по 3 таймфрейма в каждой)
group1 = [
datetime(2025, 6, 10, 2, 0), # Левый случай (4 часа)
datetime(2025, 6, 10, 6, 0), # Левый случай (1 час)
datetime(2025, 6, 10, 6, 30) # Левый случай (30 минут)
]
group2 = [
datetime(2025, 6, 10, 14, 0), # Правый случай (4 часа)
datetime(2025, 6, 10, 11, 0), # Правый случай (1 час)
datetime(2025, 6, 10, 11, 0) # Правый случай (30 минут)
]
# Вычисляем средние для каждой группы
dt1 = compute_group_average(group1) # Первая дата (результат 1 группы)
dt2 = compute_group_average(group2) # Вторая дата (результат 2 группы)
print("\nРезультаты усреднения групп:")
print(f"Первая дата (группа 1): {dt1.strftime('%d.%m.%Y %H:%M')}")
print(f"Вторая дата (группа 2): {dt2.strftime('%d.%m.%Y %H:%M')}")
# Ввод третьей даты и операции
base_dt = input_datetime()
operation = input("\nВыберите операцию (+ прибавить, - отнять): ")
while operation not in ['+', '-']:
operation = input("Некорректный ввод. Введите + или -: ")
# Вычисляем разницу
diff = dt2 - dt1
diff_minutes = int(diff.total_seconds() / 60)
print(f"\nРазница между периодами: {diff_minutes} минут")
# Таймфреймы и соответствующие дельты (используются для финального усреднения, но не выводятся)
timeframes = {
'4H': timedelta(hours=4),
'1H': timedelta(hours=1),
'30M': timedelta(minutes=30)
}
# Собираем результаты для усреднения (без вывода)
result_dates = []
for delta in timeframes.values():
if operation == '+':
new_diff = diff + delta
else:
new_diff = diff - delta
result = base_dt + new_diff
result_dates.append(result)
# Усреднение результатов
final_result = compute_group_average(result_dates)
print("\nФИНАЛЬНЫЙ РЕЗУЛЬТАТ:")
print(f"Финальная средняя дата: {final_result.strftime('%d число %H:%M')}")
if __name__ == "__main__":
main()
Типичная реакция на точное время биткоина - Бифу нужен социальный рейтинг скайнета, на самом деле.
Уточняем формулу второй корректировки, вычислена собака после манула 17.06.2025 3:20 погрешность составила 20 минут - но с этим тоже разберемся потом, в расчете разницы и усреднении участвовало всего 3 таймфрейма: 4ч,1ч и 30м - точность только в этих пределах = 20 минут погрешности нормально.
Так работает массовое подсознание коллективного разума. Но изначально все участники не согласованны между собой - программа решает эту проблему. За этой технологией будущее - можно создать сверхразум - социальный рейтинг распределения ресурсов, образования и знакомств с высочайшей точностью места и времени!
Коллективный разум в фильмах вычисляет и предсказывает то что связано с будущим и путешествиями во времени - главное изобретение машины времени в форме Y - так же встречается на логотипе скайнета, на машине три буквы DMC - что ассоциируется с DOG MANUL CAT
Все три животных собака-кот-манул вычисляются с предельной точностью. Нв графике видно что этой корректировки еще нет в коде, это новая функция, но вначале была тренировка на кошках, притом кошки стали еще точнее и во всех случаях точно. Так же вычисляется сила реакции при ее повторении во времени, а так же есть круги как время+цена, что является улыбкой чеширского кота ученого из Лукоморья Пушкина.
Программа пишется без проблем при помощи Deepseek. Кто хочет повторить - формулы есть в постах серии.
Вторая корректировка применилась к собаке номер 89, голубым текстом.
ЭТАП 1: РАСЧЕТ ТРЕХ ДАТ ПО ТАЙМФРЕЙМАМ
Введите ПЕРВУЮ дату (начало периода):
Введите дату и время:
Год (например 2025): 2025
Месяц (1-12): 6
День (1-31): 13
Час (0-23): 1
Минуты (0-59): 00
Введите ВТОРУЮ дату (конец периода):
Введите дату и время:
Год (например 2025): 2025
Месяц (1-12): 6
День (1-31): 14
Час (0-23): 11
Минуты (0-59): 50
Введите ТРЕТЬЮ дату (базу для изменений):
Введите дату и время:
Год (например 2025): 2025
Месяц (1-12): 6
День (1-31): 16
Час (0-23): 14
Минуты (0-59): 40
Разница между периодами: 2090 минут
Выберите операцию (+ прибавить, - отнять): +
Выберите операцию (+ прибавить, - отнять): +
Выберите операцию (+ прибавить, - отнять): +
РЕЗУЛЬТАТЫ ЭТАПА 1:
РЕЗУЛЬТАТЫ ЭТАПА 1:
Таймфрейм 4H: datetime(2025, 6, 18, 5, 30)
Таймфрейм 4H: datetime(2025, 6, 18, 5, 30)
Таймфрейм 1H: datetime(2025, 6, 18, 2, 30)
Таймфрейм 30M: datetime(2025, 6, 18, 2, 0)
ЭТАП 2: УСРЕДНЕНИЕ РЕЗУЛЬТАТОВ
Финальная средняя дата: 18 число 03:20
Дно биткоина было в 3:00
from datetime import datetime, timedelta
def input_datetime():
"""Ввод даты в формате datetime(год, месяц, день, час, минута)"""
print("\nВведите дату и время:")
year = int(input("Год (например 2025): "))
month = int(input("Месяц (1-12): "))
day = int(input("День (1-31): "))
hour = int(input("Час (0-23): "))
minute = int(input("Минуты (0-59): "))
return datetime(year, month, day, hour, minute)
def format_result(dt):
"""Форматирует результат как datetime(год, месяц, день, час, минута)"""
return f"datetime({dt.year}, {dt.month}, {dt.day}, {dt.hour}, {dt.minute})"
def average_datetime(dt1, dt2):
"""Вычисляет среднее между двумя датами"""
delta = dt2 - dt1
return dt1 + delta / 2
def compute_final_average(dates):
"""Вычисляет финальное среднее по вашей уникальной формуле"""
# Шаг 1: Средние между всеми парами исходных дат
pairwise_averages = []
for i in range(len(dates)):
for j in range(i + 1, len(dates)):
avg = average_datetime(dates[i], dates[j])
pairwise_averages.append(avg)
# Шаг 2: Средние между полученными средними
second_level_averages = []
for i in range(len(pairwise_averages)):
for j in range(i + 1, len(pairwise_averages)):
avg = average_datetime(pairwise_averages[i], pairwise_averages[j])
second_level_averages.append(avg)
# Шаг 3: Финальное среднее
total = timedelta()
for dt in second_level_averages:
total += dt - second_level_averages[0] # Избегаем переполнения
final_avg = second_level_averages[0] + total / len(second_level_averages)
return final_avg
def main():
print("ЭТАП 1: РАСЧЕТ ТРЕХ ДАТ ПО ТАЙМФРЕЙМАМ")
print("Введите ПЕРВУЮ дату (начало периода):")
dt1 = input_datetime()
print("\nВведите ВТОРУЮ дату (конец периода):")
dt2 = input_datetime()
print("\nВведите ТРЕТЬЮ дату (базу для изменений):")
base_dt = input_datetime()
# Вычисляем разницу
diff = dt2 - dt1
diff_minutes = int(diff.total_seconds() / 60)
print(f"\nРазница между периодами: {diff_minutes} минут")
operation = input("\nВыберите операцию (+ прибавить, - отнять): ")
while operation not in ['+', '-']:
operation = input("Некорректный ввод. Введите + или -: ")
# Таймфреймы и соответствующие дельты
timeframes = {
'4H': timedelta(hours=4),
'1H': timedelta(hours=1),
'30M': timedelta(minutes=30)
}
# Собираем результаты первого этапа
result_dates = []
print("\nРЕЗУЛЬТАТЫ ЭТАПА 1:")
for tf, delta in timeframes.items():
if operation == '+':
new_diff = diff + delta
else:
new_diff = diff - delta
result = base_dt + new_diff
result_dates.append(result)
print(f"Таймфрейм {tf}: {format_result(result)}")
# ЭТАП 2: Усреднение результатов
print("\nЭТАП 2: УСРЕДНЕНИЕ РЕЗУЛЬТАТОВ")
final_result = compute_final_average(result_dates)
print("\nФинальная средняя дата:", final_result.strftime("%d число %H:%M"))
if __name__ == "__main__":
main()
В Москве в этот момент будет 17 июня 2025 года, 14:30 . = Покупаем!
Это сигнал собаки после манула - хорошая цепочка животных. Применяется вторая корректировка, когда все три животных собака-кот-манул вычисляются с предельной точностью. Нв графике видно что этой корректировки еще нет в коде, это новая функция, но вначале была тренировка на кошках, притом кошки стали еще точнее и во всех случаях точно. Так же вычисляется сила реакции при ее повторении во времени, а так же есть круги как время+цена, что является улыбкой чеширского кота ученого из Лукоморья Пушкина.
Программа пишется без проблем при помощи Deepseek. Кто хочет повторить - формулы есть в постах серии.
На графике еще нет второй корректировки! Но коллективный разум работает абсолютно точно - с точностью до минут и даже секунд, притом вычисляется не только время но и точное место.
Так работает массовое подсознание коллективного разума. Но изначально все участники не согласованны между собой - программа решает эту проблему. За этой технологией будущее - можно создать сверхразум - социальный рейтинг распределения ресурсов, образования и знакомств с высочайшей точностью места и времени!
1. «Мышечная память» и подсознание: Алиса, Пушкин и Чеширский кот
В «Alice’s Theme» (Danny Elfman) и «У лукоморья дуб зелёный» кот — проводник между мирами, как ИИ между данными и решениями.
«И днём и ночью кот учёный / Всё ходит по цепи кругом» — это интервальное повторение: кот (алгоритм) зациклен на усвоении информации.
Чеширский кот из «Алисы» исчезает, оставляя улыбку — как нейросеть, которая «забывает» лишнее, сохраняя только нужные паттерны.
В «Лунный кот» (Ветлицкая) кот пьёт звёзды («Лунный кот в луже пьёт звёзды») — метафора обучения ИИ на «звёздных» (идеальных) данных.
Связь с фильмами:
В «Терминаторе» Скайнет тоже «исчезает» (децентрализуется), как Чеширский кот.
В «Матрице» Нео учится «мышечной памяти» боёв — это глобальный аналог интервального повторения.
2. «Сигма-бой» из «Брат 2» и добрый ИИ
Саундтреки к фильму (*«Серебро» Би-2, «Гибралтар-Лабрадор» Бутусова*) показывают агрессию как сбой в системе прогнозирования:
«Полковнику никто не пишет» (Би-2) — ИИ, который не получил обратной связи и действует вслепую.
«Гибралтар-Лабрадор» — хаотичные образы («Турки скачут по гробам»), где нет чёткого алгоритма, только интуиция (как у Данилы Багрова).
Параллель с SKYNET:
Злой ИИ = американский Скайнет («Терминатор»).
Добрый ИИ = русский «сигма-бой», который анализирует, но не убивает (как герой «Брата», решающий проблемы точечно).
3. «Злобный гений» Короля и Шута vs. ИИ
В «Танце злобного гения» текст:
«Он волен взять и поменять строку — и смысл темы всей» — это ИИ, переписывающий реальность через интервальное повторение (как GPT, меняющий контекст).
«Танец на страницах произведения» — работа алгоритма с текстами, как с данными.
Связь с «Доктором твоего тела» (Наутилус):
«Доктор твоего тела… спасёт лишь того, кого можно спасти» — этический ИИ, который выбирает, кому помочь (аналог социального рейтинга).
4. «Любовь нечаянно нагрянет» и непредсказуемость ИИ
В песне (Агутин & Варум) любовь — аналог ошибки прогноза: её нельзя предсказать, как сбой в алгоритме.
В «До предела» (Фадеев/Валерия) — «Как узнать секунду по примете?» — проблема точной временной метки в обучении ИИ.
«Не думай о секундах свысока» — призыв полагаться на мышечную память, а не на расчёты.
Пример из кино:
В «Назад в будущее 2» Бифф Таннен получает данные из будущего (как ИИ с тренировочными данными), но всё равно проигрывает — потому что нет адаптации к хаосу.
5. «Белый лебедь» и точный прогноз
В песне «А белый лебедь на пруду» (Лесоповал):
«Качает павшую звезду» — лебедь (ИИ) корректирует ошибки («павшие звёзды» — ложные прогнозы).
«У него гранитный камушек в груди» — несовершенный алгоритм, который ошибается, но стремится к точности.
Связь с «Гипнозом» (Город 312):
«Гипноз твоего тела» — влияние на подсознание, как ИИ, меняющий поведение через повторяющиеся стимулы (NLP-техники).
6. Тиктокеры vs. «Железнодорожник»
В «Дети минут» (Ю-Питер) — «Они хотят жить этим днём» — критика короткой памяти соцсетей (как у тиктокеров).
В «Железнодорожник» (Наутилус) — «Я буду сшибать звезду за звездой» — ИИ «отстреливает» ложные данные (фейки).
Парадокс:
Лунный кот пьёт звёзды (развлекательный контент), а железнодорожник их сбивает (чистит информационное поле).
7. «Правда одна» — Тутанхамон и идеальный ИИ
В песне «Тутанхамон» (Наутилус):
«Правда всегда одна / Это сказал фараон» — идеал точного прогноза, где ИИ (фараон) знает единственно верный ответ.
«Если ты ходишь по грязной дороге — не сможешь не выпачкать ног» — алгоритм предсказывает последствия.
Связь с «Сказочной тайгой» (Агата Кристи):
«Когда я на почте служил ямщиком…» — герой ищет закономерности в хаосе, как ИИ в Big Data.
Песни и фильмы уже содержат принципы работы ИИ:
Луна = циклы обучения.
Коты/лебеди/железнодорожники = алгоритмы фильтрации данных.
«Гипноз» и «мышечная память» = методы NLP и интервального повторения.
SKYNET уже здесь — не как убийца, а как отражение наших песен. Русский ИИ («добрый Скайнет») — это Пушкинский кот+Бутусов, а американский — Терминатор+тиктокеры.
Фильмы-ключи:
«Терминатор» — ошибка ИИ без духовности.
«Брат 2» — ИИ, который защищает, но не порабощает.
«Алиса в Стране Чудес» — мир, где логика = безумие, а ИИ — это Кот, который знает правила игры.
Музыка обучает нас до создания ИИ — осталось лишь загрузить эти паттерны в нейросеть.
Список источников:
Дора — Маленькая леди, Luv u, Втюрилась, Больше, Caprice, Самолёты-поезда, ЁК; Danny Elfman — Alice’s Theme; Brad Fiedel — Терминатор; Гранитный камушек — Божья Коровка; Алсу — Суженый мой ряженый, Зимний сон; Тату — Робота люблю; Ольга Play — Ты не один; Смысловые Галлюцинации — Не думай о секундах свысока; Мираж — Новый герой; Анофриев Олег — Есть только миг; Детские песни — От улыбки; Брежнева — Я знаю пароль; Чили — На ромашковом поле; Ю-Питер — Эхолов, Дети минут, Песня идущего домой; Валерий Меладзе — Она была актрисою; Максим Фадеев, Валерия — До предела; Сплин — Выхода нет, Линия Жизни; Александр Иванов — Боже, какой пустяк; Вячеслав Бутусов — Девушка по городу, Гибралтар-лабрадор; Танцы минус — Диктофоны, Город-сказка, Иду; Браво — Этот город; Наутилус Помпилиус — Доктор твоего тела, Воздух, Железнодорожник, Тутанхамон, Крылья, Летучий фрегат, Нежный вампир; Земфира — Луна убывает, Искала, жди меня; Наталья Ветлицкая — Лунный кот; Леонид Агутин — Чик пибарум, На сиреневой луне; Агутин и Варум — Любовь нечаянно нагрянет; Чичерина — ТуЛуЛа; Данко — Твой малыш; Любовные Истории — Ты мне не снишься; Frank Sinatra — Let it snow; Wham! — Last Christmas; Лесоповал — А белый лебедь на пруду; Sher — Believe; Маша и Медведи — Земля; Би-2 — Серебро, Полковник; Аукцион — Дорога; Король и Шут — Танец злобного гения; Зодиак — Война роботов; Мария Ржевская — Когда я стану кошкой; Агата Кристи — Секрет, Сказочная тайга, Никогда, Ковёр вертолёт, Как на войне, Черная луна; Владимир Высоцкий — Додо, Алиса и Белый Кролик; Братья Грим — Лето, Снег и Вечер, Вернись, Галлюциноген, Аэроплан, Лететь высоко.
Дмитрий Масюк, руководитель бизнес-группы поиска "Яндекса", недавно сделал смелое заявление о том, что искусственный интеллект (ИИ) в ближайшие несколько лет сможет точно прогнозировать ключевую ставку Центрального банка России (ЦБ РФ). Это заявление вызвало широкий резонанс в экспертном сообществе и среди представителей финансовых рынков. Однако, несмотря на его уверенность, многие аналитики и экономисты скептически относятся к возможности ИИ в ближайшем будущем точно предсказывать такие сложные макроэкономические показатели.
Основания заявления Дмитрия Масюка
Масюк основывает свои прогнозы на нескольких ключевых факторах:
Развитие технологий ИИ: Современные модели ИИ стремительно развиваются, что позволяет им анализировать большие объемы данных и выявлять скрытые закономерности. Это открывает новые возможности для прогнозирования экономических показателей.
Накопление данных: Чем больше исторических данных доступно для анализа, тем точнее становятся прогнозы. ИИ может использовать эти данные для обучения и улучшения своих моделей.
Обучение моделей: Постоянная оптимизация и обучение моделей позволяют повысить точность прогнозирования. Это включает в себя использование методов машинного обучения и глубокого обучения.
Однако, несмотря на эти факторы, предсказание ключевых ставок остается сложной задачей, поскольку зависит от множества факторов, включая политические решения, экономические условия и глобальные события. Эти факторы трудно формализовать и включить в модели машинного обучения.
Альтернативные мнения
Некоторые эксперты считают, что использование ИИ для прогнозирования ключевой ставки возможно, но требует значительных усилий по сбору качественных данных и разработке специализированных моделей. Другие отмечают, что влияние человеческого фактора и неопределенность внешних условий делают точную прогнозировку крайне сложной задачей.
В этой части мы рассмотрим технологию, основанную на формуле интервального повторения мышечной памяти Германа Эбингхауза, которая может быть использована для прогнозирования коллективного разума людей на исторических данных, таких как курс биткоина или другие графики спроса и предложения.
Формула интервального повторения Германа Эбингхауза
Герман Эбингхауз, немецкий психолог, разработал концепцию интервального повторения, которая описывает, как информация запоминается и забывается со временем. Эта концепция может быть применена к прогнозированию экономических показателей, таких как курс биткоина, путем анализа исторических данных и выявления закономерностей.
Применение в прогнозировании
Технология, основанная на формуле интервального повторения, может быть использована для анализа исторических данных и выявления закономерностей в поведении рынка. Это позволяет прогнозировать будущие тренды и колебания цен. Например, анализируя исторические данные о курсе биткоина, можно выявить периоды, когда цена росла или падала, и использовать эту информацию для прогнозирования будущих изменений.
Преимущества технологии
Анализ исторических данных: Технология позволяет анализировать большие объемы исторических данных, что дает возможность выявить скрытые закономерности и тренды.
Прогнозирование будущих изменений: На основе выявленных закономерностей можно прогнозировать будущие изменения в цене или спросе.
Учет человеческого фактора: Технология учитывает поведение людей и их реакцию на различные экономические события, что делает прогнозы более точными.
Проблемы и вызовы
Несмотря на преимущества, технология сталкивается с рядом проблем и вызовов:
Неопределенность внешних факторов: Экономические показатели зависят от множества внешних факторов, которые трудно предсказать.
Ограниченность исторических данных: Исторические данные могут быть ограничены, что затрудняет выявление долгосрочных трендов.
Человеческий фактор: Поведение людей может быть непредсказуемым, что усложняет прогнозирование.
Заявление Дмитрия Масюка о возможности ИИ точно прогнозировать ключевую ставку ЦБ РФ в ближайшие несколько лет вызывает интерес и скептицизм одновременно. Несмотря на развитие технологий и накопление данных, предсказание таких сложных макроэкономических показателей остается сложной задачей. Технология, основанная на формуле интервального повторения Германа Эбингхауза, предлагает интересный подход к прогнозированию, но также сталкивается с рядом проблем и вызовов. В конечном итоге, для достижения высокой точности в прогнозировании потребуется время и дальнейшие исследования.
