Месяц: Май 2026

На сегодняшний день труд и трудовые ресурсы рассматриваются как ключевое понятие в экономике.

Еще Адам Смит в книге «Исследования о богатстве народов» делал вывод, что основой пропорции обмена является количество стоящего за производством товаров труда.

И труд, превращаясь в продукты или услуги, служит источником денег для всех участвующих в этом процессе. Ну а заработная плата в данном процессе — это материальное вознаграждение за выполненный труд.

Вместе с тем, в последнее время мы наблюдаем бурный рост способов получения денег, при котором от большого числа людей забирается труд, но компенсации за это не выплачивается. Речь идет о различных направлениях маркетинга – реклама, блогеры и т.д., которые присваивают результаты внимания зрителей, читателей или подписчиков.

При этом внимание вполне оправданно можно считать трудом, что согласуется с нашим пониманием деятельности человека. Ведь сохранение фокуса внимания – это одна из стадий выполнения любых хоть сколько-нибудь сложных действий, требующая затрат энергии.

Новые технологии позволяют получать внимание со все большего числа людей (да и численность населения Земли увеличивается), что приводит к огромным заработкам тех кто сумел капитализировать этот, пока еще бесплатный, труд.

В текущей ситуации сами зрители, читатели и подписчики не получают никакой компенсации за отданное внимание. И, как ни странно, считают это нормальным, вероятно, оценивая свои затраты как незначительные.

Кажется, что настало время переосмыслить основы экономики и включить туда новый вид трудового ресурса — внимание, и определить порядок получения за него вознаграждения.

Кстати в отдельных сферах это уже признается — например существует практика взимания денег за встречу с важным или влиятельными людьми.

Подали вчера заявку на участие в акселераторе технологических стартапов от лидеров в строительстве и девелопменте BuildUP.

Это пожалуй одно из самых серьезных мероприятий в области строительства, где есть возможность напрямую пообщаться с такими крупными игроками, как ГК «Галс-Девелопмент» или ГК ФСК.

В прошлом году мы подавали заявку со сценарием применения Real AI SA для анализа документов – извлечения сутевой части из договоров или поручений из распорядительных документов, однако первичный отбор не прошли.

В этот раз подготовились серьезнее и совместно с привлеченными трекерами подали на участие проект для автоматизации ведения архива внутренних документов организации.

Real AI SA для такого сценария может эффективно выявлять статусы обрабатываемых документов и без участия специалиста вносить изменения в их карточки, а также строить связи между, например, приказами и соответствующими регламентами. Как результат – снижение ошибок, вызванных человеческим фактором, и уменьшение трудозатрат на ведение внутренних архивов документов.

Надеемся, что в этот раз проект вызовет интересу жюри и Real AI SA попадет в список отобранных по результатам экспертной оценки.

В предыдущем посте мы писали, что одно из ключевых технологических преимуществ нашего свойство-ориентированного подхода при анализе текста – это возможность оперировать с понятиями на базовом уровне, предшествующем смысловому.

Покажем это преимущество более наглядно в сравнении с классическим, объектно-ориентированным подходом (ООП).

При разработке онтологии для семантического анализатора на ООП нам сразу предлагается:

1. определить цели системы;
2. выделить основные классы понятий и их свойства;
3. продумать возможные отношения между ними;
4. описать онтологию на одном из языков (например, OWL)
   

Кроме того, при проектировании рекомендуется подумать над масштабированием и заранее определить, какие из этих пунктов можно дополнить и чем. В этом и кроется глобальная проблема при применении ООП для анализа естественного языка – невозможность заранее предвидеть все возможные сущности, а также зарезервировать для них абстрактные места в будущей системе связей.

То есть такие семантические анализаторы могут развиваться и масштабироваться только до того уровня, который предусмотрели их разработчики.

Ниже – пример разбора в целом корректной фразы, однако состоящей из заведомо неизвестных слов «Я наизобретировываю пять бокрячьих изобретений» одним из самых известных анализаторов на русском языке:

Наш же семантический анализатор позволяет моделировать слова еще до выделения классов и продумывания отношений, требуемых для решения той или иной задачи.

Как следствие – создается универсальный фундамент, который может быть использован для решения совершенно любой последующей задачи.

Одной из наиболее масштабных попыток создать семантический анализатор, используя традиционные подходы, можно назвать проект компании ABBYY. Их разработка, Compreno, обошлась примерно в 1 млрд. руб., но в итоге проект был закрыт. Подробнее почитать можно, например, тут и тут.

В чем же отличие нашего подхода к построению семантической модели текста, которое позволяет гибко разбирать текст из различных предметных областей?

Вопрос действительно серьезный. На наш взгляд, главная проблема всех прошлых попыток была в используемой системе понятий с которой пытались соотнести слова текста.

Выбиралась онтология, представляющая ту или иную предметную область во всем богатстве объектов, свойств и взаимосвязей. То есть, например, для описания понятия, стоящего за словом «собака», требовалось создать класс «собака», связать его с другими классами («животное») и описать допустимые свойства («порода», «возраст» и другие).

При этом, даже описав все потенциальные понятия и их взаимосвязи, все равно при анализе текста могли возникать ситуации, когда смысл фразы не укладывался в используемую онтологию. Как следствие — необходимость заново перестраивать всю проработанную систему связей.

Наше же ключевое отличие — возможность моделирования понятий на базовом уровне, вне конкретной предметной области. Такой подход характерен для человека и, например, именно это позволяет ребенку, впервые услышав какое-то слово, начать его использовать без понимания всех оттенков его смысла. Или уловить смысл в известной фразе «Гло́кая ку́здра ште́ко будлану́ла бо́кра и курдя́чит бокрёнка»

Этот базовый смысл слов связан с тем, что мы называем свойство-ориентированным представлением информации мозгом. Определив понятие, соответствующее слову в рамках этой базовой онтологии состоящей из очень ограниченного числа концепций, мы уже получаем возможность строить взаимосвязи между понятиями не ограничиваясь какой-то конкретной онтологией более высокого уровня.

Схематично граница моделирования классического, объектно-ориентированного подхода, показана на рисунке ниже.

При практической реализации семантического анализатора мы применяем ограниченное число понятий уровня предметных областей, но вызвано это исключительно необходимостью корректного разрешения неоднозначностей допускаемых языком. И многие понятия, например, соответствующие прилагательным, могут создаваться автоматически, используя только онтологию базового уровня.