В Кембридже есть госпиталь Addenbrooke's, который ведет массу совместных биомедицинских разработок с местным биотехом и университетом. Именно там, например, нашли редкую форму Альцгеймера у недавно умершего Терри Пратчетта.
От Addenbrooke's в Wellcome Genome Campus (биотехнологический центр, где находятся Sanger Institute и EMBL-EBI) ведет велодорожка "DNA path", на которой нарисована хроматограмма гена BRCA2: https://vimeo.com/133631594.
Поломка этого гена очень часто ведет к раку груди: https://en.wikipedia.org/wiki/BRCA2. Например, у Анджелины Джоли поломан аналогичный ген BRCA1, что заставило ее принять решение о мастэктомии.
Сегодня коллега ехал по DNA path на работу на велосипеде, и у него сломалась спица.
Все-таки хорошо, подумал я, когда при движении по BRCA2 у вас ломается велосипед, а не ДНК-полимераза 😅 (https://en.wikipedia.org/wiki/DNA_polymerase).
От Addenbrooke's в Wellcome Genome Campus (биотехнологический центр, где находятся Sanger Institute и EMBL-EBI) ведет велодорожка "DNA path", на которой нарисована хроматограмма гена BRCA2: https://vimeo.com/133631594.
Поломка этого гена очень часто ведет к раку груди: https://en.wikipedia.org/wiki/BRCA2. Например, у Анджелины Джоли поломан аналогичный ген BRCA1, что заставило ее принять решение о мастэктомии.
Сегодня коллега ехал по DNA path на работу на велосипеде, и у него сломалась спица.
Все-таки хорошо, подумал я, когда при движении по BRCA2 у вас ломается велосипед, а не ДНК-полимераза 😅 (https://en.wikipedia.org/wiki/DNA_polymerase).
Vimeo
Cambridge, UK - DNA Cycle Path
The DNA Cycle Path in Cambridge, UK is turning ten years old! During my visit in May, I got to ride on it thanks to one of my many bicycle tours from Robin…
Ода JWT
Математическая статистика - один из самых молодых разделов математики, который по большей части сформировался в 20-ом веке.
Большинство других разделов математики возникли и развивались в связке с физикой в 17-19 веках в основном стараниями французов, немцев, англичан и швейцарцев.
Матстат же создали в основном 2 школы: английская в первой половине 20-ого века (Гальтон, Пирсон, "Стьюдент", Фишер и другие классики - и мотивацией в основном служили практические задачи биологии) и американская, в основном из-за нужд военных во Вторую Мировую. Про самого видного представителя американской школы и идет речь.
Я недавно налетел на великолепную краткую биографию Джона Тьюки (John W. Tukey, "JWT", 1915-2000), и поразился тому, какая же это была глыба! Вы сталкиваетесь с его вкладом в науку каждый день, даже не осознавая, что это был он: https://www.stat.berkeley.edu/~brill/papers/life.pdf.
Кратко:
- переоткрыл Быстрое Преобразование Фурье (Fast Fourier Transform, FFT) в 1960-ые (по-видимому, "бабочка" FFT была известна еще Гауссу в 1830-1840-ые, но алгоритм был утерян за ненадобностью, а понадобился снова только с приходом ЭВМ)
- придумал понятие "бит" (единица информации)
- придумал exploratory data analysis
- придумал "ящик с усами" в статистике
- переоткрыл и развил jackknife в статистике
- развивал спектральный анализ временных рядов с Винером и Моргенштерном
- внес вклад в ANOVA
- популяризовал мем "Как поймать льва в пустыне?" и заставил научные журналы на полном серьезе принимать статьи на эту тему: https://lurkmore.to/%D0%9A%D0%B0%D0%BA_%D0%BF%D0%BE%D0%B9%D0%BC%D0%B0%D1%82%D1%8C_%D0%BB%D1%8C%D0%B2%D0%B0_%D0%B2_%D0%BF%D1%83%D1%81%D1%82%D1%8B%D0%BD%D0%B5
- с 20 до 30 лет придумал кучу всего интересного в топологии и теории множеств: лемму Тьюки-Тейхмюллера, ham sandwich theorem, соответствия Галуа-Тьюки, теорию аналитических идеалов Тьюки, эквивалентность Тьюки, редукцию Тьюки, упорядочение Тьюки, равномерные пространства...
- работал над фотоникой, физикой твердого тела (изучал транзисторы, топологию печатных плат), спутниками, микроволнами, софтом, теорией информации и кодирования
- состоял в сумасшедшем количестве всевозможнных комитетов
- был химиком по образованию; выйдя на пенсию, вернулся к истокам, в частности в 2000 состоял в комиссии Мерка по разработке TaqMan (это был такой популярный биоинженерный метод в 00-ые, названный по аналогии с игрой Пакман, когда Taq-полимераза едет по ДНК и откусывает флуоресцирующий химический агент там, где проехала)
Очень советую почитать английскую версию его биографии. Истории про него гораздо лучше передают, какой это был фантастический человек, чем любые мои слова. Вот лишь малая часть:
Математическая статистика - один из самых молодых разделов математики, который по большей части сформировался в 20-ом веке.
Большинство других разделов математики возникли и развивались в связке с физикой в 17-19 веках в основном стараниями французов, немцев, англичан и швейцарцев.
Матстат же создали в основном 2 школы: английская в первой половине 20-ого века (Гальтон, Пирсон, "Стьюдент", Фишер и другие классики - и мотивацией в основном служили практические задачи биологии) и американская, в основном из-за нужд военных во Вторую Мировую. Про самого видного представителя американской школы и идет речь.
Я недавно налетел на великолепную краткую биографию Джона Тьюки (John W. Tukey, "JWT", 1915-2000), и поразился тому, какая же это была глыба! Вы сталкиваетесь с его вкладом в науку каждый день, даже не осознавая, что это был он: https://www.stat.berkeley.edu/~brill/papers/life.pdf.
Кратко:
- переоткрыл Быстрое Преобразование Фурье (Fast Fourier Transform, FFT) в 1960-ые (по-видимому, "бабочка" FFT была известна еще Гауссу в 1830-1840-ые, но алгоритм был утерян за ненадобностью, а понадобился снова только с приходом ЭВМ)
- придумал понятие "бит" (единица информации)
- придумал exploratory data analysis
- придумал "ящик с усами" в статистике
- переоткрыл и развил jackknife в статистике
- развивал спектральный анализ временных рядов с Винером и Моргенштерном
- внес вклад в ANOVA
- популяризовал мем "Как поймать льва в пустыне?" и заставил научные журналы на полном серьезе принимать статьи на эту тему: https://lurkmore.to/%D0%9A%D0%B0%D0%BA_%D0%BF%D0%BE%D0%B9%D0%BC%D0%B0%D1%82%D1%8C_%D0%BB%D1%8C%D0%B2%D0%B0_%D0%B2_%D0%BF%D1%83%D1%81%D1%82%D1%8B%D0%BD%D0%B5
- с 20 до 30 лет придумал кучу всего интересного в топологии и теории множеств: лемму Тьюки-Тейхмюллера, ham sandwich theorem, соответствия Галуа-Тьюки, теорию аналитических идеалов Тьюки, эквивалентность Тьюки, редукцию Тьюки, упорядочение Тьюки, равномерные пространства...
- работал над фотоникой, физикой твердого тела (изучал транзисторы, топологию печатных плат), спутниками, микроволнами, софтом, теорией информации и кодирования
- состоял в сумасшедшем количестве всевозможнных комитетов
- был химиком по образованию; выйдя на пенсию, вернулся к истокам, в частности в 2000 состоял в комиссии Мерка по разработке TaqMan (это был такой популярный биоинженерный метод в 00-ые, названный по аналогии с игрой Пакман, когда Taq-полимераза едет по ДНК и откусывает флуоресцирующий химический агент там, где проехала)
Очень советую почитать английскую версию его биографии. Истории про него гораздо лучше передают, какой это был фантастический человек, чем любые мои слова. Вот лишь малая часть:
"У нас вышла ничья"
- Альберт Таккер (учитель Джона Ф. Нэша и Марвина Мински, автор метода Куна-Таккера, дилеммы заключенного и т.д.) о курсе лекций, который он читал Тьюки-студенту
"Один из парней, чувак по имени Джон Тьюки, сказал: 'Ты можешь читать и при этом считать про себя, а я не могу. Зато спорим, что когда я говорю, я могу считать про себя, а ты - нет.' Так мы с Тьюки установили, что в головах разных людей происходят совершенно разные вещи, когда они делают одну и ту же простейшую вещь - считают про себя."
- Ричард Фейнман (один из величайших физиков вообще) - они постоянно тусили вместе, поражая всех вокруг своими остроумными забавами
"К концу 1945 я из тополога превратился в статистика"
- JWT о себе
"Научные интересы Тьюки имеют невероятную широту. Он одновременно занимается сверхзвуком, вычислительными машинами, теоретической статистикой и частными проблемами биометрии. Его статьи очень понятные, при этом он сочетает методы из самых разнообразных областей науки."
- Уильям Феллер, автор нашего учебника по теории вероятностей
"Статистика - как решение кроссвордов, только ты не знаешь, правилен ли твой ответ"
- JWT как-то подарил аспирантам на рождество книжку кроссвордов, где лист с ответами был выдран и заменен этой надписьюBusiness Development vs Product Development в AI for Health
С разницей в несколько дней случились 2 такие похожие и непохожие новости:
1) IBM только что свернул свою программу AI for Drug Discovery: https://blogs.sciencemag.org/pipeline/archives/2019/04/18/farewell-to-watson-for-drug-discovery?fbclid=IwAR2zfiszHfKYR1ahuRaijfAwzdM9Bz3Pdvi0hY2tVvesGl5arRSUvJXr25U
Комично при этом что IBM забыл сообщить об этом своим копирайтерам, которые продолжают "продавать" закрытый проект 😂 - похоже на историю с поглощением Travis CI, когда стратегический инвестор после поглощения "порезал" разработчиков, не сказав об этом их менеджерам.
2) BostonGene поднял Round A у NEC аж на $50 миллионов: https://www.finsmes.com/2019/04/bostongene-secures-50m-in-series-a-financing-from-nec.html
Как вы, возможно, знаете, я - бывший сотрудник BostonGene. Приятно вспомнить, что за 2016 год нашей команде удалось в четыре разработчика (при ценной помощи коллег-явистов, биоинформатиков и менеджеров) сварганить рабочую систему запуска биоинформатических пайплайнов. К слову, мой нынешний работодатель EMBL-EBI делает ровно такую же систему в рамках инициативы GA4GH уже несколько лет - и она до сих пор не работает. Отечественные кодеры - всем кодерам кодеры, красавцы ребята!
BostonGene во-многом подражал программе IBM Watson с их шумно распиаренным AI для онкологии. В частности, у IBM был продукт про алгоритм подбора лечения рака - их шумно начавшаяся коллаборация с M.D. Andersen тихо свернулась в 2017: https://blogs.sciencemag.org/pipeline/archives/2017/02/20/an-ibm-watson-collaboration-goes-under.
Кое-кто из бывших сотрудников BostonGene успел после этого поработать в IBM, и говорит, что IBM - это целиком про продажи и бизнес-девелопмент. Основная крутость компании вовсе не в продукте, а в отлаженных каналах продаж. Watson - это просто umbrella term для свалки разных API, написанных их программистами и машинистами. Таким образом, Thomas J. (Watson) как был продажником при жизни, так и продолжает продавать после смерти - во времена, когда software продают as a service, а services продают as a software.
Того же подхода придерживается и BostonGene. Как говорит его основатель Майкл Файнберг, "сделать продукт - это только 10% бизнеса". И вот, Файнберг поднял очень крупный раунд А у того же инветсора NEC, которому ранее продал свой основной бизнес - Неткрекер. Состояние продукта при этом по-прежнему вызывает у меня сомнения.
Итак, что же важнее, продукт или бизнес? Недавно я читал вот такую статью: https://www.kdnuggets.com/2019/01/your-ai-skills-worth-less-than-you-think.html.
В ней бывший ML-исследователь Гугла рассуждает: предположим, на дворе - 2014 год, и у нас есть 2 стартапа с 5 миллионами долларов раунда А каждый.
Первый нанял 7 крутых ML-исследователей (скажем, Лемпицкого и компанию) и 8 топовых инженеров, платит им по $10 тысяч в месяц, и они подпиливают VGGnet на Theano под медицинские цели, запуская их на инфраструктуре из Mesos'а в облаке OpenStack.
Второй нанял 30 студентов и выпускников по тыще долларов на нос пилить продукт (ну и, может, по парочке опытных лидов им в помощь). Зато к ним в добавок наняты 15 продажников и 5 юристов по 5 тысяч каждый, которым удается договориться о партнерстве с госпиталями, заполучить бесплатно несколько датасетов, и еще несколько купить за миллион баксов, а также начать протакскивать продукт через мясорубку всевозможных регуляций.
Проходит 3 года, на дворе - 2017. Даже кастомный VGGnet уступает почти стоковому Inception v3, придуманному стремительно ушедшей вперед мировой наукой. Theano сменилась на Keras и Tensorflow, так что теперь любой студент в два счета клепает новую модель. Видеокарты стали мощнее, Kubernetes задавил Mesos, а OpenStack уступил AWS.
С разницей в несколько дней случились 2 такие похожие и непохожие новости:
1) IBM только что свернул свою программу AI for Drug Discovery: https://blogs.sciencemag.org/pipeline/archives/2019/04/18/farewell-to-watson-for-drug-discovery?fbclid=IwAR2zfiszHfKYR1ahuRaijfAwzdM9Bz3Pdvi0hY2tVvesGl5arRSUvJXr25U
Комично при этом что IBM забыл сообщить об этом своим копирайтерам, которые продолжают "продавать" закрытый проект 😂 - похоже на историю с поглощением Travis CI, когда стратегический инвестор после поглощения "порезал" разработчиков, не сказав об этом их менеджерам.
2) BostonGene поднял Round A у NEC аж на $50 миллионов: https://www.finsmes.com/2019/04/bostongene-secures-50m-in-series-a-financing-from-nec.html
Как вы, возможно, знаете, я - бывший сотрудник BostonGene. Приятно вспомнить, что за 2016 год нашей команде удалось в четыре разработчика (при ценной помощи коллег-явистов, биоинформатиков и менеджеров) сварганить рабочую систему запуска биоинформатических пайплайнов. К слову, мой нынешний работодатель EMBL-EBI делает ровно такую же систему в рамках инициативы GA4GH уже несколько лет - и она до сих пор не работает. Отечественные кодеры - всем кодерам кодеры, красавцы ребята!
BostonGene во-многом подражал программе IBM Watson с их шумно распиаренным AI для онкологии. В частности, у IBM был продукт про алгоритм подбора лечения рака - их шумно начавшаяся коллаборация с M.D. Andersen тихо свернулась в 2017: https://blogs.sciencemag.org/pipeline/archives/2017/02/20/an-ibm-watson-collaboration-goes-under.
Кое-кто из бывших сотрудников BostonGene успел после этого поработать в IBM, и говорит, что IBM - это целиком про продажи и бизнес-девелопмент. Основная крутость компании вовсе не в продукте, а в отлаженных каналах продаж. Watson - это просто umbrella term для свалки разных API, написанных их программистами и машинистами. Таким образом, Thomas J. (Watson) как был продажником при жизни, так и продолжает продавать после смерти - во времена, когда software продают as a service, а services продают as a software.
Того же подхода придерживается и BostonGene. Как говорит его основатель Майкл Файнберг, "сделать продукт - это только 10% бизнеса". И вот, Файнберг поднял очень крупный раунд А у того же инветсора NEC, которому ранее продал свой основной бизнес - Неткрекер. Состояние продукта при этом по-прежнему вызывает у меня сомнения.
Итак, что же важнее, продукт или бизнес? Недавно я читал вот такую статью: https://www.kdnuggets.com/2019/01/your-ai-skills-worth-less-than-you-think.html.
В ней бывший ML-исследователь Гугла рассуждает: предположим, на дворе - 2014 год, и у нас есть 2 стартапа с 5 миллионами долларов раунда А каждый.
Первый нанял 7 крутых ML-исследователей (скажем, Лемпицкого и компанию) и 8 топовых инженеров, платит им по $10 тысяч в месяц, и они подпиливают VGGnet на Theano под медицинские цели, запуская их на инфраструктуре из Mesos'а в облаке OpenStack.
Второй нанял 30 студентов и выпускников по тыще долларов на нос пилить продукт (ну и, может, по парочке опытных лидов им в помощь). Зато к ним в добавок наняты 15 продажников и 5 юристов по 5 тысяч каждый, которым удается договориться о партнерстве с госпиталями, заполучить бесплатно несколько датасетов, и еще несколько купить за миллион баксов, а также начать протакскивать продукт через мясорубку всевозможных регуляций.
Проходит 3 года, на дворе - 2017. Даже кастомный VGGnet уступает почти стоковому Inception v3, придуманному стремительно ушедшей вперед мировой наукой. Theano сменилась на Keras и Tensorflow, так что теперь любой студент в два счета клепает новую модель. Видеокарты стали мощнее, Kubernetes задавил Mesos, а OpenStack уступил AWS.
In the Pipeline
Farewell to "Watson For Drug Discovery"
STAT is reporting that IBM has stopped trying to sell their "Watson for Drug Discovery" machine learning/AI tool, according to sources within the company. I have no reason to doubt that - in fact, I've sort of been expecting it. But no one seems to have told…
Первый стартап спалил на зарплаты своих спецов $4 800 000. Второй истратил на зарплаты в основном продажников и юристов $3 900 000, еще миллион - на датасет. 2/3 его бывших студентов за это время прокачались, ушли на повышение и заменены свежими, но кто-то все-таки еще остался. Продукты вышли примерно одинаковые, потому что хорошие датасеты для обучения второго стартапа + стоковый Inception + большее количество рабочих рук и свежие головы изворотливых студентов помогли ему не проиграть. Но у первого есть продукт и больше ничего, а у второго - бизнес-контакты, датасеты, юридическая обвязка и первые коллаборации с врачами. В итоге, первый стартап не может поднять следующий раунд и закрывается, а второй источает запах реальных денег и закрывает раунд B.
Позавчера я также пообщался с женой моего российского знакомого-колумбийкой, работающей в Монреале в компании-производителе оборудования для МРТ директором по бизнес-девелопменту в Мексике (глобализация 😳). Та же история - она продала за 3 года их технику в 12 госпиталей, так что полторы тысячи врачей теперь на ней работают. Она на отличном счету, потому что канадцы совершенно не понимают латиноамериканского менталитета и ее шеф совершенно не умеет продавать мексиканцам, и без нее продаж в Латинской Америке бы не случилось.
Короче, у меня все больше складывается впечатление, что медтех - это гораздо больше про бизнес, чем про технологии. Впрочем, и на старуху бывает проруха, как показывают провалы IBM.
Позавчера я также пообщался с женой моего российского знакомого-колумбийкой, работающей в Монреале в компании-производителе оборудования для МРТ директором по бизнес-девелопменту в Мексике (глобализация 😳). Та же история - она продала за 3 года их технику в 12 госпиталей, так что полторы тысячи врачей теперь на ней работают. Она на отличном счету, потому что канадцы совершенно не понимают латиноамериканского менталитета и ее шеф совершенно не умеет продавать мексиканцам, и без нее продаж в Латинской Америке бы не случилось.
Короче, у меня все больше складывается впечатление, что медтех - это гораздо больше про бизнес, чем про технологии. Впрочем, и на старуху бывает проруха, как показывают провалы IBM.
https://www.youtube.com/watch?v=W6yDEcLF4NI
Когда в прошлый раз я видел рекламу этой фирмы с год назад, мееркат в ней говорил с явным индийским акцентом. "Эти чуваки играют с огнем" - подумал я тогда.
Теперь меерката зовут Сергей, и акцент стал русским.
Все, что вы хотели знать о месте нашей необъятной в современном мире 🙁
UPDATE: не, вру, мееркаты всегда были русскими по сюжету. Они там целую Санта-Барбару про них наснимали.
Когда в прошлый раз я видел рекламу этой фирмы с год назад, мееркат в ней говорил с явным индийским акцентом. "Эти чуваки играют с огнем" - подумал я тогда.
Теперь меерката зовут Сергей, и акцент стал русским.
Все, что вы хотели знать о месте нашей необъятной в современном мире 🙁
UPDATE: не, вру, мееркаты всегда были русскими по сюжету. Они там целую Санта-Барбару про них наснимали.
YouTube
AutoSergei™ Upgraded | Compare the Market | Keep Life Simples
Sometimes design can tell a story, it can make you feel, it can make you believe. Sometimes it can find you Credit Cards! We’re proud to present our new AutoSergei™ upgrade now with Credit Card EligibilityCheck.
https://www.comparethemarket.com/autosergei/
https://www.comparethemarket.com/autosergei/
https://www.youtube.com/watch?v=CSPbnvjQ4Ww
Геометр Анатолий Фоменко, также печально известный как историк, еще замечателен тем, что прекрасно рисует: https://ru.wikipedia.org/wiki/%D0%A4%D0%BE%D0%BC%D0%B5%D0%BD%D0%BA%D0%BE,_%D0%90%D0%BD%D0%B0%D1%82%D0%BE%D0%BB%D0%B8%D0%B9_%D0%A2%D0%B8%D0%BC%D0%BE%D1%84%D0%B5%D0%B5%D0%B2%D0%B8%D1%87.
Я наткнулся на мультфильм "Перевал" 1988 года по повести Кира Булычева, который нарисовал (!) Фоменко, Александр Градский пел в нем песню на стихи Саши Черного, а роли озвучивали Василий Ливанов и Александр Кайдановский.
Стиль Фоменко очень самобытен, а от мультфильма в целом веет перестроечным новаторством. Хорошо ли, плохо ли - но ни на что не похоже.
Геометр Анатолий Фоменко, также печально известный как историк, еще замечателен тем, что прекрасно рисует: https://ru.wikipedia.org/wiki/%D0%A4%D0%BE%D0%BC%D0%B5%D0%BD%D0%BA%D0%BE,_%D0%90%D0%BD%D0%B0%D1%82%D0%BE%D0%BB%D0%B8%D0%B9_%D0%A2%D0%B8%D0%BC%D0%BE%D1%84%D0%B5%D0%B5%D0%B2%D0%B8%D1%87.
Я наткнулся на мультфильм "Перевал" 1988 года по повести Кира Булычева, который нарисовал (!) Фоменко, Александр Градский пел в нем песню на стихи Саши Черного, а роли озвучивали Василий Ливанов и Александр Кайдановский.
Стиль Фоменко очень самобытен, а от мультфильма в целом веет перестроечным новаторством. Хорошо ли, плохо ли - но ни на что не похоже.
YouTube
Перевал
Советский мультфильм по одноименной повести К.Булычева. Песня на стихи Саши Черного.
Подпишись на канал: смотри мультики, получай анонсы и не теряй любимые серии
https://www.youtube.com/ClassicCartoonsMedia
Сюжет мультфильма
Многие ходили на переправу…
Подпишись на канал: смотри мультики, получай анонсы и не теряй любимые серии
https://www.youtube.com/ClassicCartoonsMedia
Сюжет мультфильма
Многие ходили на переправу…
Шальная мысль: нейронки vs топологические инварианты
Наблюдая, как в последнее время базовые идеи из высокой математики понемногу приживаются в машинном обучении, я захотел тоже приобщиться. Но почему-то при этом я чаще думаю наоборот про то, как машинка может делать математику.
В апреле я слегка почитал алгебраическую топологию, чтобы иметь хотя бы поверхностное представление о "современной" математике - точнее сказать, о математике где-то с 1910-ых по 1970-ые.
Что такое алгебраическая топология в двух словах?
Пример: допустим у вас есть узел. Узел можно по-всякому вертеть в пространстве и деформировать, так что выглядеть он будет совершенно по-разному, но это все еще один и тот же узел: https://en.wikipedia.org/wiki/Trefoil_knot)
Узел слишком сложен для человеческого разума, ведь в наш "кошелек внимания" (https://en.wikipedia.org/wiki/The_Magical_Number_Seven,_Plus_or_Minus_Two) помещаются примерно 7 объектов, а в узле их гораздо больше и вообще он непрерывный, а мы видим дискретное. Как тогда с ним работать?
Ответ: когда мы по-разному вертим узел, то тем не менее у всех различных представлений этого узла остаются какие-то неизменные свойства, позволяющие его распознать - инварианты.
Часто можно найти инварианты, являющиеся алгебраическими объектами - например, многочленами (https://en.wikipedia.org/wiki/Alexander_polynomial). Формально работать с алгебраическими объектами человеки умеют гораздо лучше, чем с геометрическими, поскольку они задействует лишь 3-4 из наших 7 регистров одновременно. Средние школьники вот вполне научаются умножать и делить многочлены.
Ну хорошо, тогда очевидная мысль: это у большинства людей 7 регистров. А бывают аутисты, которые могут посмотреть на город сверху и запомнить в точности расположение каждой машины. Или одним взглядом сосчитать спички, выпавшие из спичечного коробка (вспоминается "Человек Дождя").
А не может ли нейронка, которая тоже не ограничена 7 регистрами, "видеть" какие-то инварианты и объяснять их нам?
Нельзя ли натренировать на разных версиях одного и того же узла (или другого топологического объекта) что-то вроде автокодировщика, который бы находил инварианты? Например, можно представить себе автокодировщик, вектором латентного состояния которого был бы полином Александера, а узел бы сжимался в него и восстанавливался по нему. Реальные автокодировщики наверное найдут что-то другое, интересно было бы посмотреть, что.
Мысль совершенно абстрактная, я не думал про реализацию. Но может вы про что-то подобное, сделанное грамотными людьми, читали?
Я нашел 2 статьи на эту тему, 2016 и 2018, первая делает что-то похожее через представление узлов в виде кос (которые, в свою очередь, записываются через группы перестановок), вторая же пытается работать с узлами как 3D-картинками и натравить на них GAN:
https://arxiv.org/pdf/1610.05744.pdf
https://www.stthomas.edu/media/collegeofartsandsciences/mathematics/pdf/WardCAMFINAL2018.pdf
Наблюдая, как в последнее время базовые идеи из высокой математики понемногу приживаются в машинном обучении, я захотел тоже приобщиться. Но почему-то при этом я чаще думаю наоборот про то, как машинка может делать математику.
В апреле я слегка почитал алгебраическую топологию, чтобы иметь хотя бы поверхностное представление о "современной" математике - точнее сказать, о математике где-то с 1910-ых по 1970-ые.
Что такое алгебраическая топология в двух словах?
Пример: допустим у вас есть узел. Узел можно по-всякому вертеть в пространстве и деформировать, так что выглядеть он будет совершенно по-разному, но это все еще один и тот же узел: https://en.wikipedia.org/wiki/Trefoil_knot)
Узел слишком сложен для человеческого разума, ведь в наш "кошелек внимания" (https://en.wikipedia.org/wiki/The_Magical_Number_Seven,_Plus_or_Minus_Two) помещаются примерно 7 объектов, а в узле их гораздо больше и вообще он непрерывный, а мы видим дискретное. Как тогда с ним работать?
Ответ: когда мы по-разному вертим узел, то тем не менее у всех различных представлений этого узла остаются какие-то неизменные свойства, позволяющие его распознать - инварианты.
Часто можно найти инварианты, являющиеся алгебраическими объектами - например, многочленами (https://en.wikipedia.org/wiki/Alexander_polynomial). Формально работать с алгебраическими объектами человеки умеют гораздо лучше, чем с геометрическими, поскольку они задействует лишь 3-4 из наших 7 регистров одновременно. Средние школьники вот вполне научаются умножать и делить многочлены.
Ну хорошо, тогда очевидная мысль: это у большинства людей 7 регистров. А бывают аутисты, которые могут посмотреть на город сверху и запомнить в точности расположение каждой машины. Или одним взглядом сосчитать спички, выпавшие из спичечного коробка (вспоминается "Человек Дождя").
А не может ли нейронка, которая тоже не ограничена 7 регистрами, "видеть" какие-то инварианты и объяснять их нам?
Нельзя ли натренировать на разных версиях одного и того же узла (или другого топологического объекта) что-то вроде автокодировщика, который бы находил инварианты? Например, можно представить себе автокодировщик, вектором латентного состояния которого был бы полином Александера, а узел бы сжимался в него и восстанавливался по нему. Реальные автокодировщики наверное найдут что-то другое, интересно было бы посмотреть, что.
Мысль совершенно абстрактная, я не думал про реализацию. Но может вы про что-то подобное, сделанное грамотными людьми, читали?
Я нашел 2 статьи на эту тему, 2016 и 2018, первая делает что-то похожее через представление узлов в виде кос (которые, в свою очередь, записываются через группы перестановок), вторая же пытается работать с узлами как 3D-картинками и натравить на них GAN:
https://arxiv.org/pdf/1610.05744.pdf
https://www.stthomas.edu/media/collegeofartsandsciences/mathematics/pdf/WardCAMFINAL2018.pdf
Вчера я пропустил интересный доклад Морица Герштунга (https://www.ebi.ac.uk/about/people/moritz-gerstung) про то, как анализировать нейросетками изображениями гистологических срезов из the Canger Genome Atlas (TCGA, https://www.cancer.gov/about-nci/organization/ccg/research/structural-genomics/tcga/?redirect=true).
TCGA состоит из 20 тысяч фотографий гистологических срезов опухолей, каждый из которых разбили на несколько сот ячеек - тайлов (что-то вроде 20x20 или 30x30). Кроме того, про большинство срезов известно, рак это или нет, история пациента, его геном (ДНК) и транскриптомика (РНК) раковой ткани.
Мориц поставил задачу сказать, какие именно тайлы (ячейки на снимке) в наибольшей степени влияют на прогноз пациента.
Ожидаемо оказалось, что наиболее прогностически важны те тайлы, на которых видны кровеносные сосуды (что очевидно врачам - если опухоли удалось прорастить к себе кровоснабжение, то она во-первых, быстрее растет, а во-вторых, может метастазировать в кровоток - но хорошо, что это воспроизвелось нейронками).
Другой пример предиктора, найденного нейронками - это наличие лимфоцитов в опухоли. Если их в опухоли не видно, то есть высокая вероятность, что иммунотерапия спасет данного пациента. А вот если они там есть и не помогают - дело плохо.
Что еще нашлось интересного - я не знаю, приглашаю летом всех читать biorxiv, когда выйдет статья.
Мориц не хотел просто искать нейронкой ассоциацию между картинкой и прогнозом, потому что такие результаты будут неинтерпретируемы. Вместо этого он хотел получить что-то, что может именно дополнить, а не заменить человека машиной, объяснив ему, куда смотреть.
Аналогично, когда он искал ассоциацию между изображениями гистологии и геномикой/транскриптомикой, он специально не хотел использовать нейронки как черный ящик, а вместо этого обратился к методам классического машинного обучения, которые можно трактовать.
Из забавного: Мориц пытался сотруднчать с медиками-гистологами в этой работе, но те сильно специализированы на своем типе рака и не захотели работать с разными. Поэтому он вынужден был стать гистологом-самоучкой ради этой работы.
Также оказалось, что нейронки сильно переобучаются на механизм изготовления препарата: если нейронки обучились на выборке препаратов, которые надолго замораживали, то они после этого очень плохо работают с более свежими, и наоборот.
Еще забавно, что картинки у них в JPEG'е все с одним уровнем компрессии. Если дать картинку с другим уровнем компрессии, то нейронка тоже перестает на ней хорошо работать.
Интересно, это связано с тем, что сверточная нейронка сильно натаскивается на конкретный размер окна discrete cosine transform (DCT) в JPEG? Вроде бы архитекрута Inception как раз умна именно тем, что там единичный блок состоит из сверточных слоев разной величины, чтобы хорошо работать с разными масштабами - а все равно переобучилась. Возможно, кто-то из наших блестящих специалистов по компьютерному зрению сможет объяснить, в чем было дело? Есть идеи, @yozhikoff?
TCGA состоит из 20 тысяч фотографий гистологических срезов опухолей, каждый из которых разбили на несколько сот ячеек - тайлов (что-то вроде 20x20 или 30x30). Кроме того, про большинство срезов известно, рак это или нет, история пациента, его геном (ДНК) и транскриптомика (РНК) раковой ткани.
Мориц поставил задачу сказать, какие именно тайлы (ячейки на снимке) в наибольшей степени влияют на прогноз пациента.
Ожидаемо оказалось, что наиболее прогностически важны те тайлы, на которых видны кровеносные сосуды (что очевидно врачам - если опухоли удалось прорастить к себе кровоснабжение, то она во-первых, быстрее растет, а во-вторых, может метастазировать в кровоток - но хорошо, что это воспроизвелось нейронками).
Другой пример предиктора, найденного нейронками - это наличие лимфоцитов в опухоли. Если их в опухоли не видно, то есть высокая вероятность, что иммунотерапия спасет данного пациента. А вот если они там есть и не помогают - дело плохо.
Что еще нашлось интересного - я не знаю, приглашаю летом всех читать biorxiv, когда выйдет статья.
Мориц не хотел просто искать нейронкой ассоциацию между картинкой и прогнозом, потому что такие результаты будут неинтерпретируемы. Вместо этого он хотел получить что-то, что может именно дополнить, а не заменить человека машиной, объяснив ему, куда смотреть.
Аналогично, когда он искал ассоциацию между изображениями гистологии и геномикой/транскриптомикой, он специально не хотел использовать нейронки как черный ящик, а вместо этого обратился к методам классического машинного обучения, которые можно трактовать.
Из забавного: Мориц пытался сотруднчать с медиками-гистологами в этой работе, но те сильно специализированы на своем типе рака и не захотели работать с разными. Поэтому он вынужден был стать гистологом-самоучкой ради этой работы.
Также оказалось, что нейронки сильно переобучаются на механизм изготовления препарата: если нейронки обучились на выборке препаратов, которые надолго замораживали, то они после этого очень плохо работают с более свежими, и наоборот.
Еще забавно, что картинки у них в JPEG'е все с одним уровнем компрессии. Если дать картинку с другим уровнем компрессии, то нейронка тоже перестает на ней хорошо работать.
Интересно, это связано с тем, что сверточная нейронка сильно натаскивается на конкретный размер окна discrete cosine transform (DCT) в JPEG? Вроде бы архитекрута Inception как раз умна именно тем, что там единичный блок состоит из сверточных слоев разной величины, чтобы хорошо работать с разными масштабами - а все равно переобучилась. Возможно, кто-то из наших блестящих специалистов по компьютерному зрению сможет объяснить, в чем было дело? Есть идеи, @yozhikoff?
www.ebi.ac.uk
EMBL’s European Bionformatics Institute
EMBL-EBI
Узнал от Богдана (https://t.iss.one/biolapki) и Егора (https://t.iss.one/lowlyingscience) интересную новость.
Как вы знаете, Machine Learning имеет дурную славу в биоинформатике, потому что масса людей безграмотно им пользуется и большинство биоинфовых статей про ML содержат ошибки.
И вот, пару дней назад Google AI, MIT и химфак Кембриджа опубликовали статью, заявляющую, что они порвали в клочья старые программы Blast и HMMER в предсказании функции белков - их нейронка ProtCNN, якобы, в 200 раз быстрее и в 9 раз точнее, чем бласт с хаммером: https://www.biorxiv.org/content/biorxiv/early/2019/05/04/626507.full.pdf
Все бы хорошо, но вскоре на новость среагировали автор хаммера Шон Эдди (гарвардский профессор, популяризовавший применение HMM в биоинформатике в начале 00-ых, https://cryptogenomicon.org/) и специалист по фолдингу белков Мухаммед АльКраиши (fellow из Harvard Medical School, https://moalquraishi.wordpress.com/about/).
Шон имеет славу старого ворчуна, любящего побранить кого-нибудь за ошибки в публикации и скептически относящегося ко всему, что сделал не он. Какое-то время назад ему предрекли, что его карьере и его хаммеру хана, потому что нейронки победили HMM в синтезе и распознавании речи (откуда он перенес их в биоинформатику), а значит, должны порвать их и в биоинформатике.
Так что Шон немедленно прочитал эту публикацию и начал защищать свое детище, заявив, что авторы статьи проврались в своей оценке скорости хаммера как минимум в 100 раз. Кроме того, Шону не нравится, как были разделены данные.
И все же со всеми этими оговорками, самые обычные ResNet из коробки предельно близко подобрались к state of the art биоинформатическому софту, который люди писали десятилетиями, так что вся биоинформатика нулевых сейчас - под боем.
Как вы знаете, я пока еще работаю в отделе Proteins & Protein Families в EMBL-EBI под Кембриджем. В частности, этот отдел поддерживает веб-сервисы HMMER, BLAST, Pfam, Metagenomics/MGnify и InterPro, которые используются в этой статье.
Я искренне не понимаю, почему я узнаю об этой и подобных ей работах не от коллег, которым положено бы интересоваться такими вопросами по долгу службы, а от замечательных российских студентов-технарей, в то время, как коллеги преимущественно озабочены безглютеновыми печеньками, веломарафонами и последними киноновинками от Марвел, а новости про нейронки встречают с кислыми минами или раздражением.
Преимущественно по этой причине данные коллеги через неделю станут бывшими.
Как вы знаете, Machine Learning имеет дурную славу в биоинформатике, потому что масса людей безграмотно им пользуется и большинство биоинфовых статей про ML содержат ошибки.
И вот, пару дней назад Google AI, MIT и химфак Кембриджа опубликовали статью, заявляющую, что они порвали в клочья старые программы Blast и HMMER в предсказании функции белков - их нейронка ProtCNN, якобы, в 200 раз быстрее и в 9 раз точнее, чем бласт с хаммером: https://www.biorxiv.org/content/biorxiv/early/2019/05/04/626507.full.pdf
Все бы хорошо, но вскоре на новость среагировали автор хаммера Шон Эдди (гарвардский профессор, популяризовавший применение HMM в биоинформатике в начале 00-ых, https://cryptogenomicon.org/) и специалист по фолдингу белков Мухаммед АльКраиши (fellow из Harvard Medical School, https://moalquraishi.wordpress.com/about/).
Шон имеет славу старого ворчуна, любящего побранить кого-нибудь за ошибки в публикации и скептически относящегося ко всему, что сделал не он. Какое-то время назад ему предрекли, что его карьере и его хаммеру хана, потому что нейронки победили HMM в синтезе и распознавании речи (откуда он перенес их в биоинформатику), а значит, должны порвать их и в биоинформатике.
Так что Шон немедленно прочитал эту публикацию и начал защищать свое детище, заявив, что авторы статьи проврались в своей оценке скорости хаммера как минимум в 100 раз. Кроме того, Шону не нравится, как были разделены данные.
И все же со всеми этими оговорками, самые обычные ResNet из коробки предельно близко подобрались к state of the art биоинформатическому софту, который люди писали десятилетиями, так что вся биоинформатика нулевых сейчас - под боем.
Как вы знаете, я пока еще работаю в отделе Proteins & Protein Families в EMBL-EBI под Кембриджем. В частности, этот отдел поддерживает веб-сервисы HMMER, BLAST, Pfam, Metagenomics/MGnify и InterPro, которые используются в этой статье.
Я искренне не понимаю, почему я узнаю об этой и подобных ей работах не от коллег, которым положено бы интересоваться такими вопросами по долгу службы, а от замечательных российских студентов-технарей, в то время, как коллеги преимущественно озабочены безглютеновыми печеньками, веломарафонами и последними киноновинками от Марвел, а новости про нейронки встречают с кислыми минами или раздражением.
Преимущественно по этой причине данные коллеги через неделю станут бывшими.
Telegram
Бiоинформатика и лапки
How to do bioinformatics if you have lapki?
Русское Тёмное Просвѣщеніе.
Финальная битва между CRISPR и бразилизацiей.
https://boosty.to/biolapki
Русское Тёмное Просвѣщеніе.
Финальная битва между CRISPR и бразилизацiей.
https://boosty.to/biolapki
Небольшое дополнение к прошлому посту: за неделю до этой статьи Гугла, знаменитый отдел Facebook AI Research (FAIR) выпустил примерно такую же статью, где примерно так же заявил, что порвал всех биоинформатиков: https://www.biorxiv.org/content/10.1101/622803v1.
Похоже, что и Google, и Facebook неправильно подготовили разбивку данных на выборки test и train, и, по сути, тренируются на тестовых данных. То есть, если в test и train встречаются последовательности с уровнем сходства 90%, то это, по сути, одна и та же последовательность, и их нейронка люто переобучается.
Так что урок машинистам на будущее: перед публикацией сенсационных результатов применения AI research к "чужой" области, все-таки нужно найти одного хорошего предметчика и с ним посоветоваться, чтобы не допускать детских ошибок. Как, например, поступили DeepMind, консультировавшиеся в работе над AlphaFold с Дэвидом Джонсом (https://www0.cs.ucl.ac.uk/staff/D.Jones/).
А я очень рад, что у нас в отделе все-таки нашелся умненький испанский аспирант Алейш, которого данные вопросы заинтересовали, и с которым мы смогли поковырять статьи.
Вообще, сервисные отделы EBI и научные отделы EBI - это "две большие разницы". Через научные отделы зачастую проходят восхитительные люди, а вот в сервисных все достаточно печально за несколькими приятными исключениями.
Похоже, что и Google, и Facebook неправильно подготовили разбивку данных на выборки test и train, и, по сути, тренируются на тестовых данных. То есть, если в test и train встречаются последовательности с уровнем сходства 90%, то это, по сути, одна и та же последовательность, и их нейронка люто переобучается.
Так что урок машинистам на будущее: перед публикацией сенсационных результатов применения AI research к "чужой" области, все-таки нужно найти одного хорошего предметчика и с ним посоветоваться, чтобы не допускать детских ошибок. Как, например, поступили DeepMind, консультировавшиеся в работе над AlphaFold с Дэвидом Джонсом (https://www0.cs.ucl.ac.uk/staff/D.Jones/).
А я очень рад, что у нас в отделе все-таки нашелся умненький испанский аспирант Алейш, которого данные вопросы заинтересовали, и с которым мы смогли поковырять статьи.
Вообще, сервисные отделы EBI и научные отделы EBI - это "две большие разницы". Через научные отделы зачастую проходят восхитительные люди, а вот в сервисных все достаточно печально за несколькими приятными исключениями.
bioRxiv
Biological Structure and Function Emerge from Scaling Unsupervised Learning to 250 Million Protein Sequences
In the field of artificial intelligence, a combination of scale in data and model capacity enabled by unsupervised learning has led to major advances in representation learning and statistical generation. In biology, the anticipated growth of sequencing promises…
Вдогонку 9 мая: одна жизнь на две семьи
Несколько месяцев назад из Лондона приезжала с лекцией Эва Шлосс (урожденная Гейрингер, https://en.wikipedia.org/wiki/Eva_Schloss), сводная сестра Анны Франк (https://en.wikipedia.org/wiki/Anne_Frank). Трагическим образом война сплавила столь похожие между собой семьи Франк и Гейрингер воедино.
Анна Франк (младшая дочь Отто и Эдит Франков) и Эва Гейрингер (младшая дочь Эриха и Эльфриды Гейрингер) были ровесницами и жили в Амстердаме. У Анны была старшая сестра Марго, а у Эвы - старший брат Хайнц, тоже ровесники.
В войну город был оккупирован немцами. Когда в 1942 году обеим семьям пришли повестки явиться в гестапо для отправки в концентрационный лагерь, они предпочли уйти в подполье и укрыться в домах соседей-голландцев. Обеим семьям удавалось скрываться 2 года до 1944, в течение этих 2 лет Анна Франк вела свой дневник, но затем их вычислили. Семью Анны арестовали по анонимному доносу, семью Эвы предала медсестра, оказавшаяся двойным агентом.
Гейрингеры и Франки были отправлены в Освенцим. Там несмотря на тяжелейшие условия им удавалось продержаться до весны 1945 года. Франков разделили, и в начале 1945 погибла Эдит, а позднее - Марго и Анна.
В случае Анны, возможно, сработал тот самый феномен веры в счастье, который описывал психолог Виктор Франкл (https://en.wikipedia.org/wiki/Viktor_Frankl). Он выжил в Освенциме потому, что надеялся, что встретится после войны с (давно умершей к тому моменту) женой. Он пишет, что когда узник терял надежду, то переставал бороться, и тогда все в их бараке понимали: этот следующий. Так, по воспоминаниям подруг, и случилось с Анной Франк: она поверила, что вся ее семья погибла, утратила мотивацию бороться и умерла. Ее подруги считали, что знай она, что Отто жив, она смогла бы продержаться.
Эва и Эльфрида Гейрингер были освобождены из Освенцима 9 января 1945 года, но Эрих и Хайнц Гейрингеры буквально за несколько дней до этого попали в Марш Смерти (https://en.wikipedia.org/wiki/Death_marches_(Holocaust)) и погибли. Старший брат Эвы Хайнц был художником, и когда он впервые чуть не погиб в возрасте 14 лет, он больше всего боялся быть совершенно забытым. Бессметрие он видел в памяти живых людей о нем. Его чудесное спасение в тот первый раз и их разговоры с отцом о смерти и смысле жизни до сих пор заставляют голос Эвы дрожать.
После окончания войны Цвай Шлосс предложил Эве стать его женой и переехать в Лондон. Та отказала, потому что не могла оставить в одиночестве мать в Амстердаме. Эва пришла к Отто Франку, чтобы посоветоваться. Тот подумал и сказал, что ей не стоит отказывать молодому человеку, поскольку он, Отто, собирается жениться на ее матери, Эльфриде. Так семьи Франк и Гейрингер оказались одной семьей. Эва говорит, что чувствует в дневнике Анны Франк сильнейшее влияние гуманистического воспитания Отто.
Больше всего в рассказе Эвы мне запомнилась ее обида на беспринципность окружающего мира. Она говорит, что они были уверены, что как только о том, что с ними происходит, узнают в Англии, Америке и России, им придут на помощь, ведь знать о таком и ничего не делать было нельзя. Оказалось, еще как можно. Каждая страна надеялась, что Гитлер пойдет войной не на нее, а на ее соперников, поэтому вступать с ним в конфронтацию и осудить холокост никто не спешил.
А после войны они в Англии оказались очень неудобны всем со своими воспоминаниями - все старались поскорее забыть про войну в духе "проехали". Дневник Анны Франк был к 1950-ому переведен на английский дважды, но не изадавался. До 1970-ых годов никто их не хотел слушать, и только тогда их историей заинтересовались. Возмущение цинизмом мирового сообщества, которое могло и должно было их защитить, но палец об палец не ударило, кажется, и сегодня приводит 90-летнюю Эву в ярость.
Эва отметила, что отношение к евреям во всем мире сегодня нормализовалось, и даже в путинской России антисемитские настроения на минимуме, а критикуемая Западом путинская администрация вполне лояльно относится к еврейским организациям. А вот австрийцы не признают своей вины в организации холокоста.
Несколько месяцев назад из Лондона приезжала с лекцией Эва Шлосс (урожденная Гейрингер, https://en.wikipedia.org/wiki/Eva_Schloss), сводная сестра Анны Франк (https://en.wikipedia.org/wiki/Anne_Frank). Трагическим образом война сплавила столь похожие между собой семьи Франк и Гейрингер воедино.
Анна Франк (младшая дочь Отто и Эдит Франков) и Эва Гейрингер (младшая дочь Эриха и Эльфриды Гейрингер) были ровесницами и жили в Амстердаме. У Анны была старшая сестра Марго, а у Эвы - старший брат Хайнц, тоже ровесники.
В войну город был оккупирован немцами. Когда в 1942 году обеим семьям пришли повестки явиться в гестапо для отправки в концентрационный лагерь, они предпочли уйти в подполье и укрыться в домах соседей-голландцев. Обеим семьям удавалось скрываться 2 года до 1944, в течение этих 2 лет Анна Франк вела свой дневник, но затем их вычислили. Семью Анны арестовали по анонимному доносу, семью Эвы предала медсестра, оказавшаяся двойным агентом.
Гейрингеры и Франки были отправлены в Освенцим. Там несмотря на тяжелейшие условия им удавалось продержаться до весны 1945 года. Франков разделили, и в начале 1945 погибла Эдит, а позднее - Марго и Анна.
В случае Анны, возможно, сработал тот самый феномен веры в счастье, который описывал психолог Виктор Франкл (https://en.wikipedia.org/wiki/Viktor_Frankl). Он выжил в Освенциме потому, что надеялся, что встретится после войны с (давно умершей к тому моменту) женой. Он пишет, что когда узник терял надежду, то переставал бороться, и тогда все в их бараке понимали: этот следующий. Так, по воспоминаниям подруг, и случилось с Анной Франк: она поверила, что вся ее семья погибла, утратила мотивацию бороться и умерла. Ее подруги считали, что знай она, что Отто жив, она смогла бы продержаться.
Эва и Эльфрида Гейрингер были освобождены из Освенцима 9 января 1945 года, но Эрих и Хайнц Гейрингеры буквально за несколько дней до этого попали в Марш Смерти (https://en.wikipedia.org/wiki/Death_marches_(Holocaust)) и погибли. Старший брат Эвы Хайнц был художником, и когда он впервые чуть не погиб в возрасте 14 лет, он больше всего боялся быть совершенно забытым. Бессметрие он видел в памяти живых людей о нем. Его чудесное спасение в тот первый раз и их разговоры с отцом о смерти и смысле жизни до сих пор заставляют голос Эвы дрожать.
После окончания войны Цвай Шлосс предложил Эве стать его женой и переехать в Лондон. Та отказала, потому что не могла оставить в одиночестве мать в Амстердаме. Эва пришла к Отто Франку, чтобы посоветоваться. Тот подумал и сказал, что ей не стоит отказывать молодому человеку, поскольку он, Отто, собирается жениться на ее матери, Эльфриде. Так семьи Франк и Гейрингер оказались одной семьей. Эва говорит, что чувствует в дневнике Анны Франк сильнейшее влияние гуманистического воспитания Отто.
Больше всего в рассказе Эвы мне запомнилась ее обида на беспринципность окружающего мира. Она говорит, что они были уверены, что как только о том, что с ними происходит, узнают в Англии, Америке и России, им придут на помощь, ведь знать о таком и ничего не делать было нельзя. Оказалось, еще как можно. Каждая страна надеялась, что Гитлер пойдет войной не на нее, а на ее соперников, поэтому вступать с ним в конфронтацию и осудить холокост никто не спешил.
А после войны они в Англии оказались очень неудобны всем со своими воспоминаниями - все старались поскорее забыть про войну в духе "проехали". Дневник Анны Франк был к 1950-ому переведен на английский дважды, но не изадавался. До 1970-ых годов никто их не хотел слушать, и только тогда их историей заинтересовались. Возмущение цинизмом мирового сообщества, которое могло и должно было их защитить, но палец об палец не ударило, кажется, и сегодня приводит 90-летнюю Эву в ярость.
Эва отметила, что отношение к евреям во всем мире сегодня нормализовалось, и даже в путинской России антисемитские настроения на минимуме, а критикуемая Западом путинская администрация вполне лояльно относится к еврейским организациям. А вот австрийцы не признают своей вины в организации холокоста.
👍4😁1
Первый день на новой работе.
Сижу-оформляю бумажки у кадровиков, вспоминаю прошедший датафест.
Справа парень-контрактник настраивает Дженкинс.
Слева проходит Воронцов по своим воронцовским делам.
Я улыбаюсь во всю морду и провожаю его взглядом, пытаясь понять, не обознался ли.
Воронцов видит мою счастливую ряху, несколько стеснённо, но не без удовольствия, как мне кажется, отворачивается. Не удивился бы, если бы он подошёл и поинтересовался в духе Януса Полуэктовича: "Не разговаривали ли мы с вами вчера?"
Вижу его снова по дороге на обед - не, не обознался.
"А жизнь-то налаживается..."
Сижу-оформляю бумажки у кадровиков, вспоминаю прошедший датафест.
Справа парень-контрактник настраивает Дженкинс.
Слева проходит Воронцов по своим воронцовским делам.
Я улыбаюсь во всю морду и провожаю его взглядом, пытаясь понять, не обознался ли.
Воронцов видит мою счастливую ряху, несколько стеснённо, но не без удовольствия, как мне кажется, отворачивается. Не удивился бы, если бы он подошёл и поинтересовался в духе Януса Полуэктовича: "Не разговаривали ли мы с вами вчера?"
Вижу его снова по дороге на обед - не, не обознался.
"А жизнь-то налаживается..."
Сбер
Я знал, что я иду в сильную датасайнтистскую команду топовых технарей и математиков, но вы же помните всякие статьи на Хабре и пренебрежительные реплики в адрес банков вообще и Сбера в частности от знакомых. Так что я думал, что моя команда будет скорее лучом света в темном царстве. Кто бы мог подумать, что все окажется (тьфу-тьфу) настолько лучше, чем я предполагал.
Во-первых, меня поражает корпоративная культура.
Все друг с другом на "ты", удивительно открыты и конструктивны, я пока наблюдал лишь полтора случая turf wars (и затеявшие их об этом, похоже, пожалеют), спокойно позволяют себе легкую критику снизу или колкие фразочки (скажи я хоть одну такую в EBI, я остался бы врагом народа на всю жизнь - и это не потому что фразочки такие колкие, а потому что английские биоинформатики - крайне ранимые натуры).
Не сказать, чтобы уж прям все сотрудники были фанатами (хотя многие ребята-программисты с удовольствием копаются в коде или делают науку по вечерам), но большинство людей, с кем я общался, отличаются здоровым идеализмом, ничуть не меньшим, чем какие-нибудь ученые. В том смысле, что в первую очередь, понятно, всем хочется зарабатывать нормальные деньги, но при этом просто сидеть и получать зарплату ничего не производя никому не интересно. Интересно создавать, делать масштабные проекты, автоматизировать работу людей и экономить миллионы и миллиарды.
Автоматизация. Здесь все повернуто на автоматизации. Все рубят косты, все отслеживают внутренние процессы и ищут, что бы еще в них ускорить с помощью последних технологий.
Огромное количество менеджеров в Сбере - технари по образованию (обычно 30-40-летние выпускники технических ВУЗов, в т.ч. мехмата, вмк, физтеха, постдоки Вышки), которые прекрасно разобрались в бизнесе и при этом следят за технологиями. Они одновременно и являются бизнес-заказчиками, и понимают, как сделать продукт. Этим людям есть что сказать, их интересно послушать. На любом докладе можно услышать вопросы от бизнесовых вроде того, что нужно по-другому минимизировать churn rate, до самых низкоуровневых технических вроде "почему R-CNN, а не U-Net или YOLO?" Люди жонглируют смесью питона, скалы, плюсов, пхп, джаваскрипта и шарпов, самыми разнообразными методами машинного обучения, тучей инструментов девопса и тоннами опен-сорс библиотечек.
Особенно забавно про девопс. Когда я спрашивал знакомых о Сбере, я слышал мнение, что Греф слышит о каких-то новинках и начинает их бездумно внедрять. Наверное, можно это трактовать и так: Agile и DevOps вынесены в корпоративной презентации для новоприбывших сотрудников на первое место и, к примеру, для операциониста наверное звучат как перестроечные лозунги вроде Ускорения и Гласности.
Но с другой стороны, мог ли я, бывший девопс, мечтать, что пятое лицо в государстве будет меня заставлять Жирой и Дженкинсом пользоваться? =) Это неожиданно приятно. В EBI я сам всех заставялял вести канбан борд на гитхабе и использовать пайплайны в Дженкинсе для автоматизации любой рутины (за что, опять же, слышал кучу всякого в свой адрес от биологов, которые практически гордятся своим технологическим невежеством, а любую критику воспринимают крайне болезненно), делал первый пилот по развертыванию нашего сайта на OpenShift, который так и остался пилотом, когда уволился очередной облачный инженер, который OpenShift поддерживал. А в Сбере все это закреплено стандартами Арх. Совета и давно уже работает в обязательном порядке. Выходит, EMBL-EBI (организация с 500 сотрудниками, то есть как средний бизнес) умудрилась оказаться неповоротливее, чем гигантский банк с 300,000 сотрудников.
И данные. Такого всеобъемлющего представления об экономике России не имеет, возможно, даже КГБ. Сбер - это фантастическая возможность в тончайших деталях понять мир, в котором мы живем, увидеть тысячи и тысячи жизней людей в цифрах, понять нашу экономику от самых общих принципов до финмодели последней чебуречной. Кто-то любит путешествовать, кто-то - смотреть кино, а для меня это - что-то вроде туризма.
Так что пока я испытываю сдержанный оптимизм и творческий подъем.
Я знал, что я иду в сильную датасайнтистскую команду топовых технарей и математиков, но вы же помните всякие статьи на Хабре и пренебрежительные реплики в адрес банков вообще и Сбера в частности от знакомых. Так что я думал, что моя команда будет скорее лучом света в темном царстве. Кто бы мог подумать, что все окажется (тьфу-тьфу) настолько лучше, чем я предполагал.
Во-первых, меня поражает корпоративная культура.
Все друг с другом на "ты", удивительно открыты и конструктивны, я пока наблюдал лишь полтора случая turf wars (и затеявшие их об этом, похоже, пожалеют), спокойно позволяют себе легкую критику снизу или колкие фразочки (скажи я хоть одну такую в EBI, я остался бы врагом народа на всю жизнь - и это не потому что фразочки такие колкие, а потому что английские биоинформатики - крайне ранимые натуры).
Не сказать, чтобы уж прям все сотрудники были фанатами (хотя многие ребята-программисты с удовольствием копаются в коде или делают науку по вечерам), но большинство людей, с кем я общался, отличаются здоровым идеализмом, ничуть не меньшим, чем какие-нибудь ученые. В том смысле, что в первую очередь, понятно, всем хочется зарабатывать нормальные деньги, но при этом просто сидеть и получать зарплату ничего не производя никому не интересно. Интересно создавать, делать масштабные проекты, автоматизировать работу людей и экономить миллионы и миллиарды.
Автоматизация. Здесь все повернуто на автоматизации. Все рубят косты, все отслеживают внутренние процессы и ищут, что бы еще в них ускорить с помощью последних технологий.
Огромное количество менеджеров в Сбере - технари по образованию (обычно 30-40-летние выпускники технических ВУЗов, в т.ч. мехмата, вмк, физтеха, постдоки Вышки), которые прекрасно разобрались в бизнесе и при этом следят за технологиями. Они одновременно и являются бизнес-заказчиками, и понимают, как сделать продукт. Этим людям есть что сказать, их интересно послушать. На любом докладе можно услышать вопросы от бизнесовых вроде того, что нужно по-другому минимизировать churn rate, до самых низкоуровневых технических вроде "почему R-CNN, а не U-Net или YOLO?" Люди жонглируют смесью питона, скалы, плюсов, пхп, джаваскрипта и шарпов, самыми разнообразными методами машинного обучения, тучей инструментов девопса и тоннами опен-сорс библиотечек.
Особенно забавно про девопс. Когда я спрашивал знакомых о Сбере, я слышал мнение, что Греф слышит о каких-то новинках и начинает их бездумно внедрять. Наверное, можно это трактовать и так: Agile и DevOps вынесены в корпоративной презентации для новоприбывших сотрудников на первое место и, к примеру, для операциониста наверное звучат как перестроечные лозунги вроде Ускорения и Гласности.
Но с другой стороны, мог ли я, бывший девопс, мечтать, что пятое лицо в государстве будет меня заставлять Жирой и Дженкинсом пользоваться? =) Это неожиданно приятно. В EBI я сам всех заставялял вести канбан борд на гитхабе и использовать пайплайны в Дженкинсе для автоматизации любой рутины (за что, опять же, слышал кучу всякого в свой адрес от биологов, которые практически гордятся своим технологическим невежеством, а любую критику воспринимают крайне болезненно), делал первый пилот по развертыванию нашего сайта на OpenShift, который так и остался пилотом, когда уволился очередной облачный инженер, который OpenShift поддерживал. А в Сбере все это закреплено стандартами Арх. Совета и давно уже работает в обязательном порядке. Выходит, EMBL-EBI (организация с 500 сотрудниками, то есть как средний бизнес) умудрилась оказаться неповоротливее, чем гигантский банк с 300,000 сотрудников.
И данные. Такого всеобъемлющего представления об экономике России не имеет, возможно, даже КГБ. Сбер - это фантастическая возможность в тончайших деталях понять мир, в котором мы живем, увидеть тысячи и тысячи жизней людей в цифрах, понять нашу экономику от самых общих принципов до финмодели последней чебуречной. Кто-то любит путешествовать, кто-то - смотреть кино, а для меня это - что-то вроде туризма.
Так что пока я испытываю сдержанный оптимизм и творческий подъем.
👍1
Загадки и упущенные возможности в музыке
Осенью 2017 я уехал в Россию и пропустил в Лондоне концерт моего кумира, одного из величайших композиторов 20-ого века Нобуо Уематсу, посвященный 30-летию серии Final Fantasy. Нобуо присутствовал там лично и отвечал на вопросы зрителей.
Если мое мнение для вас не авторитетно, то сочинения Нобуо стабильно входят в Hall of Fame британского Classic FM (https://halloffame.classicfm.com/2019/) где-то между Ральфом Воан Уильямсом и Джоном Уильямсом, а "Aerith theme" (https://www.youtube.com/watch?v=a3LkKviuGKU) добралась аж до второго места по популярности среди всей классической музыки у британцев - уступив первое несменяемому "Утреннему Жаворонку", разумеется (https://www.youtube.com/watch?v=ZR2JlDnT2l8).
Оказывается, в Лондоне Нобуо разрешил небольшую загадку, ставившую в тупик поклонников более 20 лет (https://www.rpgfan.com/news/2015/3778.html): кто был арранжировщиком, работавшим над Final Fantasy 6 Piano Collections (https://www.youtube.com/watch?v=uunYQnXZrbI)?
Кто-то предполагал, что им был Широ Хамагучи, сделавший блеятящие Piano Collections с 7 по 9. Кто-то думал, что это Широ Сату, арранжировавший 4 и 5 части.
Но оказалось, что это был... ни много, ни мало Широ Сагису, потрясающий композитор, способный потягаться в даре мелодиста и производительности с самим Нобуо! Он же написал симфонический Final Fantasy 6 Grand Finale (https://www.youtube.com/watch?v=yJ8hdwM5h4E). А ведь стиль-то Сагису был довольно узнаваем, можно было бы и распознать.
Сагису в мире аниме сделал почти столько же, сколько Нобуо в мире компьютерных игр или, скажем, Эннио Морриконе или Джон Уильямс в мира кинематографа.
Для сотрудничества двух гениев вышло слабовато. Похоже, альбом выпускали наспех, и добрая половина лучших вещей из Final Fantasy 6 в него не вошла.
Я, было, расстроился упущенной возможности, но потом понял, почему так вышло. Final Fantasy 6 Piano Collections увидели свет в 1994 году, а в 95-96-ом Сагису написал один из главных своих шедевров, красивейший саундтрек Евангелиона: https://www.youtube.com/watch?v=kX9cmyocNNU&list=PLsymDmsUy3c4TOg_DM2Iusx1R1hBc4UVe
Похоже, ему было просто не до чужих magnum opus'ов, ведь он готовил свой собственный.
Осенью 2017 я уехал в Россию и пропустил в Лондоне концерт моего кумира, одного из величайших композиторов 20-ого века Нобуо Уематсу, посвященный 30-летию серии Final Fantasy. Нобуо присутствовал там лично и отвечал на вопросы зрителей.
Если мое мнение для вас не авторитетно, то сочинения Нобуо стабильно входят в Hall of Fame британского Classic FM (https://halloffame.classicfm.com/2019/) где-то между Ральфом Воан Уильямсом и Джоном Уильямсом, а "Aerith theme" (https://www.youtube.com/watch?v=a3LkKviuGKU) добралась аж до второго места по популярности среди всей классической музыки у британцев - уступив первое несменяемому "Утреннему Жаворонку", разумеется (https://www.youtube.com/watch?v=ZR2JlDnT2l8).
Оказывается, в Лондоне Нобуо разрешил небольшую загадку, ставившую в тупик поклонников более 20 лет (https://www.rpgfan.com/news/2015/3778.html): кто был арранжировщиком, работавшим над Final Fantasy 6 Piano Collections (https://www.youtube.com/watch?v=uunYQnXZrbI)?
Кто-то предполагал, что им был Широ Хамагучи, сделавший блеятящие Piano Collections с 7 по 9. Кто-то думал, что это Широ Сату, арранжировавший 4 и 5 части.
Но оказалось, что это был... ни много, ни мало Широ Сагису, потрясающий композитор, способный потягаться в даре мелодиста и производительности с самим Нобуо! Он же написал симфонический Final Fantasy 6 Grand Finale (https://www.youtube.com/watch?v=yJ8hdwM5h4E). А ведь стиль-то Сагису был довольно узнаваем, можно было бы и распознать.
Сагису в мире аниме сделал почти столько же, сколько Нобуо в мире компьютерных игр или, скажем, Эннио Морриконе или Джон Уильямс в мира кинематографа.
Для сотрудничества двух гениев вышло слабовато. Похоже, альбом выпускали наспех, и добрая половина лучших вещей из Final Fantasy 6 в него не вошла.
Я, было, расстроился упущенной возможности, но потом понял, почему так вышло. Final Fantasy 6 Piano Collections увидели свет в 1994 году, а в 95-96-ом Сагису написал один из главных своих шедевров, красивейший саундтрек Евангелиона: https://www.youtube.com/watch?v=kX9cmyocNNU&list=PLsymDmsUy3c4TOg_DM2Iusx1R1hBc4UVe
Похоже, ему было просто не до чужих magnum opus'ов, ведь он готовил свой собственный.
Classicfm
Classic FM Hall of Fame 2019
Forwarded from Толкователь
Доктор физико-математических наук Владимир Фридкин вспоминает про академика Лысенко:
«В начале семидесятых Трофим Денисович стал часто приезжать в «кормушку» (столовая Академии наук) обедать. Разоблачённый, в зените бесславия, он ещё был директором своей станции и в «кормушку» приезжал на чёрной «Чайке». Помню, как, выбирая место, он остановился у соседнего стола, за которым в одиночестве обедал Михаил Владимирович Волькенштейн, физик, работавший с биологами.
— Можно? — спросил Лысенко хриплым голосом, почти присев на стул.
— Нет, нельзя, — спокойно ответил Михаил Владимирович, глядя в сторону.
Так он оказался за моим столом. Не думал я, что увижу живой портрет Лысенко. У него была внешность сельского агронома. Золотая Звезда Героя на мятом лацкане серого пиджака. Голос хриплый, какой-то пропитой. Колючие глаза с прищуром. И недоброй памяти чуб, свисавший до бровей. Только не черный, а коричневый с сединой.
Узнав, что я физик, он почему-то выбрал меня в собеседники. Пока разглядывал меню и писал на листочке заказ, задал первый вопрос:
— А вот нейтрон, он что?
Сначала я не понял, что это вопрос, и растерялся. Потом сообразил, что надо объяснить, что такое нейтрон. Я рассказал про массу, про спин, про отсутствие заряда и даже про нейтронографию.
— Всё вы, физики, мудрствуете. А природа, она как есть... сама по себе. А ты их на зуб пробовал, нейтроны?
— Да что вы, что я, камикадзе, что ли?
— Камикадзе? Грузин? Ты это про кого?
Лысенко говорил мне «ты», видимо, сразу распознав во мне прикреплённого. Разговаривая, Лысенко чавкал, мочил сухарь в борще, залезал в него рукою и доставал чернослив.
— Вот вы всё гены, гены, — продолжал научный разговор академик. — А ты этот ген видел, ты его щупал?!»
«В начале семидесятых Трофим Денисович стал часто приезжать в «кормушку» (столовая Академии наук) обедать. Разоблачённый, в зените бесславия, он ещё был директором своей станции и в «кормушку» приезжал на чёрной «Чайке». Помню, как, выбирая место, он остановился у соседнего стола, за которым в одиночестве обедал Михаил Владимирович Волькенштейн, физик, работавший с биологами.
— Можно? — спросил Лысенко хриплым голосом, почти присев на стул.
— Нет, нельзя, — спокойно ответил Михаил Владимирович, глядя в сторону.
Так он оказался за моим столом. Не думал я, что увижу живой портрет Лысенко. У него была внешность сельского агронома. Золотая Звезда Героя на мятом лацкане серого пиджака. Голос хриплый, какой-то пропитой. Колючие глаза с прищуром. И недоброй памяти чуб, свисавший до бровей. Только не черный, а коричневый с сединой.
Узнав, что я физик, он почему-то выбрал меня в собеседники. Пока разглядывал меню и писал на листочке заказ, задал первый вопрос:
— А вот нейтрон, он что?
Сначала я не понял, что это вопрос, и растерялся. Потом сообразил, что надо объяснить, что такое нейтрон. Я рассказал про массу, про спин, про отсутствие заряда и даже про нейтронографию.
— Всё вы, физики, мудрствуете. А природа, она как есть... сама по себе. А ты их на зуб пробовал, нейтроны?
— Да что вы, что я, камикадзе, что ли?
— Камикадзе? Грузин? Ты это про кого?
Лысенко говорил мне «ты», видимо, сразу распознав во мне прикреплённого. Разговаривая, Лысенко чавкал, мочил сухарь в борще, залезал в него рукою и доставал чернослив.
— Вот вы всё гены, гены, — продолжал научный разговор академик. — А ты этот ген видел, ты его щупал?!»
BMW заказала известному немецкому кинокомпозитору Хансу Циммеру записать звук двигателя для своих электромобилей. Те движутся практически бесшумно на скоростях до 20 км/ч, что создает опасность для пешеходов. С 1 июля 2019 вступает в силу закон, по которому электромобили должны иметь подзвучку:
https://secretmag.ru/news/khans-cimmer-zapisal-zvuk-motora-dlya-elektromobilei-bmw-29-06-2019.htm
Зная патологическую страть старины Ханса к выкрученным на полную громкость басам, предположу, что теперь на подземных парковках мы каждый день будем слышать что-то подобное:
https://youtu.be/OzLhXesNkCI?t=95
Это еще спасибо, что Джона Уильямса не позвали - а то Болшая Белая БМВ подкрадывалась бы к вам из-за спины, издавая что-то вроде:
https://www.youtube.com/watch?v=E-sX2Y0W8l0
https://secretmag.ru/news/khans-cimmer-zapisal-zvuk-motora-dlya-elektromobilei-bmw-29-06-2019.htm
Зная патологическую страть старины Ханса к выкрученным на полную громкость басам, предположу, что теперь на подземных парковках мы каждый день будем слышать что-то подобное:
https://youtu.be/OzLhXesNkCI?t=95
Это еще спасибо, что Джона Уильямса не позвали - а то Болшая Белая БМВ подкрадывалась бы к вам из-за спины, издавая что-то вроде:
https://www.youtube.com/watch?v=E-sX2Y0W8l0
secretmag.ru
Ханс Циммер записал звук мотора для электромобилей BMW
Немецкий кинокомпозитор Ханс Циммер, который является автором саундтреков для таких фильмов, как «Интерстеллар», «Начало» и «Тёмный рыцарь», записал фирменное звучание для нового поколения электромобилей BMW.Циммер совместно с инженером Ренцо Витали принял…
Оказывается, год назад наши инди-разработчики из славной Nival сделали игру про машинное обучение
https://habr.com/ru/post/417107/
Выглядит как шедевр:
https://www.youtube.com/watch?v=l4mvBlQpT7Q
Ваш кот научился на CatOverflow делать машинное обучение лучше Вас (знакомо звучит, не правда ли?) и теперь Вы пытаетесь сделать (cat) Speech2Text, чтобы он и Вас научил.
Жду стрима с ее прохождением на "Биоинформатике и Лапках" (@biolapki).
while True: learn():https://habr.com/ru/post/417107/
Выглядит как шедевр:
https://www.youtube.com/watch?v=l4mvBlQpT7Q
Ваш кот научился на CatOverflow делать машинное обучение лучше Вас (знакомо звучит, не правда ли?) и теперь Вы пытаетесь сделать (cat) Speech2Text, чтобы он и Вас научил.
Жду стрима с ее прохождением на "Биоинформатике и Лапках" (@biolapki).
Хабр
Создатель игры while True: learn() о программировании в геймдеве, проблемах с VR и симуляции ML
Несколько лет назад мне казалось, что Олег Чумаков (тогда еще из Nival) был самым известным программистом геймдева. Постоянно выступал, проводил Gamesjam, был частым гостем подкаста Как делают игры ....
Я опять переделал блог: https://borisburkov.net/2019-07-13-1/.
Новая версия попроще предыдущей, но, надеюсь, она лучше работает и быстрее грузится.
Использовал движок Gatsby.js, пока что он мне очень нравится, уложился за пару выходных + где-то неделя будних дней по вечерам.
Если встретите какие-то глюки - пишите пожалуйста, постараюсь исправить.
Новая версия попроще предыдущей, но, надеюсь, она лучше работает и быстрее грузится.
Использовал движок Gatsby.js, пока что он мне очень нравится, уложился за пару выходных + где-то неделя будних дней по вечерам.
Если встретите какие-то глюки - пишите пожалуйста, постараюсь исправить.
borisburkov.net
Blog version 4
I just released a new version of my personal blog https://borisburkov.net, this time powered by Gatsby.js.
Не так давно прошла новость о том, что Facebook собирается запустить свою криптовалюту Libra.
Я думаю, что этого не допустят, поскольку такое могло бы стать одним из самых важных событий в истории человечества в 21-ом веке, которое совершенно изменило бы распределение власти в мире.
Сейчас миром правят 2 сорта компаний - финансовые гиганты (банки и инвестбанки) и технологические гиганты (в основном, интернет-гиганты вроде Google, Facebook, Amazon и т.п.).
У каждой из этих двух типов империй есть своя "нефть", свой источник незаработанных доходов, на которые они могут скупать умнейших людей в мире и заставлять их работать на себя чтобы строить оборонительные сооружения вокруг своей нефтяной вышки, делать ее эффективнее и расширять свой контроль на смежные рынки.
В случае интернет-компаний такой нефтью являются гигантские доходы от рекламы, отнятые ими у журналистов и присвоенные себе. В случае финансовых компаний - это те 4%, которые они забирают себе, когда вы берете ипотечный кредит на миллион рублей под 10% годовых, а ваша сестра кладет свой миллион рублей на банковский депозит под 6% (плюс, другие подобные услуги вроде эквайринга - платежа карточками в магазинах за комиссию 2% - конверсий между валютами за спред в 2-4% и т.п.).
Финансовые и интернет-компании неизбежно расширяют свои границы на смежные области, и рано или поздно их интересы должны были начать сталкиваться.
Задумайтесь: что мешает Фейсбуку создать собственный банк? С единой валютой без национальных границ, которую не нужно переводить. С peer2peer-кредитованием физлиц и точнейшим кредитным скорингом надежных и ненадежных заемщиков благодаря колоссальному объему данных о нас, которые он имеет (а физики - это, считайте, половина рынка кредитования)? С эквайрингом напрямую через мобильные устройства в обход вообще всей костыльной инфраструктуры кредитных карточек и банковских счетов?
Так вот, единственное, что этому мешает - это сопротивление со стороны государств и верхушек финансовых корпораций, для которых такая валюта представляет экзистенциальную угрозу.
Контроль над финансовыми потоками - это важнейшая составляющая любой власти. Под предлогом борьбы с финансированием терроризма или отмыванием денег всякая государственная власть стремится контролировать финансовые потоки в своей стране. Такой контроль удобнее всего осуществлять через существующую архаичную инфраструктуру банков, за что тем позволяется продолжать жить со своих 4%.
Как только интернет-компании приходят на эту поляну, их атакуют. Когда Навальному в 2012 начинают перечислять пожертвования через Яндекс.Деньги, к Яндексу "приходят" и заставляют отдать Я.Деньги Сберу, чтобы взять их под контроль. PayPal'а нет в России - сотрудники WebMoney невъездные в Америку. Прямые платежи биткойном под запретом везде. Вы не можете купить дом в Англии за доходы от продажи Ripple - такое объяснение происхождения средств не устраивает власти. Даже платежи по карточкам взяты под контроль ФСБ с 2018 (а благодаря этому закону возникают такие компании как Эвотор, которые демонополизируют доступ к этим данных, давая их и Сберу тоже).
Конечно, мелкие финтех-компании вроде LendingClub, Revolut, Monzo, Betterment, WealthFront, Acorns и т.п. атакуют отдельные ниши. Но они слишком малы, чтобы представлять такую же опасность, как криптовалюта от Facebook (или, скажем, Телеграма), которая могла бы перевернуть все.
Так что мои дорогие умники, выбирайте, к какой из нефтяных вышек вы хотите присоединиться. Банки архаичны и неэффективны, но они классово близки национальным правительствам и срослись с ними. Интернетчики же прогрессивны и симпатичны, но слишком опасны для истеблишмента. Пока они не начнут двигать во власть своих представителей (а непохоже, чтобы это происходило), их так и будут бить по рукам палкой.
Я думаю, что этого не допустят, поскольку такое могло бы стать одним из самых важных событий в истории человечества в 21-ом веке, которое совершенно изменило бы распределение власти в мире.
Сейчас миром правят 2 сорта компаний - финансовые гиганты (банки и инвестбанки) и технологические гиганты (в основном, интернет-гиганты вроде Google, Facebook, Amazon и т.п.).
У каждой из этих двух типов империй есть своя "нефть", свой источник незаработанных доходов, на которые они могут скупать умнейших людей в мире и заставлять их работать на себя чтобы строить оборонительные сооружения вокруг своей нефтяной вышки, делать ее эффективнее и расширять свой контроль на смежные рынки.
В случае интернет-компаний такой нефтью являются гигантские доходы от рекламы, отнятые ими у журналистов и присвоенные себе. В случае финансовых компаний - это те 4%, которые они забирают себе, когда вы берете ипотечный кредит на миллион рублей под 10% годовых, а ваша сестра кладет свой миллион рублей на банковский депозит под 6% (плюс, другие подобные услуги вроде эквайринга - платежа карточками в магазинах за комиссию 2% - конверсий между валютами за спред в 2-4% и т.п.).
Финансовые и интернет-компании неизбежно расширяют свои границы на смежные области, и рано или поздно их интересы должны были начать сталкиваться.
Задумайтесь: что мешает Фейсбуку создать собственный банк? С единой валютой без национальных границ, которую не нужно переводить. С peer2peer-кредитованием физлиц и точнейшим кредитным скорингом надежных и ненадежных заемщиков благодаря колоссальному объему данных о нас, которые он имеет (а физики - это, считайте, половина рынка кредитования)? С эквайрингом напрямую через мобильные устройства в обход вообще всей костыльной инфраструктуры кредитных карточек и банковских счетов?
Так вот, единственное, что этому мешает - это сопротивление со стороны государств и верхушек финансовых корпораций, для которых такая валюта представляет экзистенциальную угрозу.
Контроль над финансовыми потоками - это важнейшая составляющая любой власти. Под предлогом борьбы с финансированием терроризма или отмыванием денег всякая государственная власть стремится контролировать финансовые потоки в своей стране. Такой контроль удобнее всего осуществлять через существующую архаичную инфраструктуру банков, за что тем позволяется продолжать жить со своих 4%.
Как только интернет-компании приходят на эту поляну, их атакуют. Когда Навальному в 2012 начинают перечислять пожертвования через Яндекс.Деньги, к Яндексу "приходят" и заставляют отдать Я.Деньги Сберу, чтобы взять их под контроль. PayPal'а нет в России - сотрудники WebMoney невъездные в Америку. Прямые платежи биткойном под запретом везде. Вы не можете купить дом в Англии за доходы от продажи Ripple - такое объяснение происхождения средств не устраивает власти. Даже платежи по карточкам взяты под контроль ФСБ с 2018 (а благодаря этому закону возникают такие компании как Эвотор, которые демонополизируют доступ к этим данных, давая их и Сберу тоже).
Конечно, мелкие финтех-компании вроде LendingClub, Revolut, Monzo, Betterment, WealthFront, Acorns и т.п. атакуют отдельные ниши. Но они слишком малы, чтобы представлять такую же опасность, как криптовалюта от Facebook (или, скажем, Телеграма), которая могла бы перевернуть все.
Так что мои дорогие умники, выбирайте, к какой из нефтяных вышек вы хотите присоединиться. Банки архаичны и неэффективны, но они классово близки национальным правительствам и срослись с ними. Интернетчики же прогрессивны и симпатичны, но слишком опасны для истеблишмента. Пока они не начнут двигать во власть своих представителей (а непохоже, чтобы это происходило), их так и будут бить по рукам палкой.