About this listing
Artificial Stupidity | Data Science & Insights is a Telegram channel listed on TeleHub. View its description, category, member count, and Telegram join link.
TelehubExplore Data Science and data analysis discussions! 🔍 Join for thought-provoking content, community insights, and more.
Artificial Stupidity | Data Science & Insights is a Telegram channel listed on TeleHub. View its description, category, member count, and Telegram join link.
Dive into the world of Data Science with a twist! 🤔 This channel is all about analyzing data, discussing trends in technology, and sharing insights that spark curiosity. What you'll find: ➜ Engaging posts about data analysis ➜ The latest musings on Data Science topics ➜ A mix of random thoughts leading to interesting discoveries 📊 Join in the discussions where a random street sign or a historical phrase could lead to deep dives into meaningful insights. 🔎 From personal projects to conference updates like the upcoming Data Fest: Explore career tracks and innovations in Machine Learning. We're also dabbling into literary translations - it's all part of our multi-faceted journey! ✨ If you're passionate about understanding the nuances of data or just love exploring new ideas, come share your thoughts with us!
Loading recent Telegram analytics…
TeleHub helps users discover Telegram communities, but users should review each community before joining. Report misleading, unsafe, or inappropriate listings.
Report a listingClick the join button to open Artificial Stupidity | Data Science & Insights on Telegram.
No, Artificial Stupidity | Data Science & Insights is not marked as NSFW. Users should still review the community before joining.
Artificial Stupidity | Data Science & Insights is listed under Data Science, Analysis, Technology, Literature on TeleHub.
Statistics updated September 9, 2026
Post frequency is estimated from the latest 30 stored public posts and may undercount activity.
Ну и раз уж сегодня 3 сентября, потестил создание 16-битной гифки в GLM
Побаловался с glm-5.3 Сделал вот такую классическую серую постсоветсткую хтонь (получилось атмосферненько)
Модель тройного долга от соавтора фреймворка SPACE Маргарет-Энн Стори, соавтор фреймворка SPACE для повышения продуктивности разработчиков, недавно представила свою модель тройного долга (Triple Debt Model), в которой скрытые человеческие издержки ускоренной с помощью ИИ разработки программного обеспечения рассматриваются в трех категориях: технический долг, который накапливается в коде. когнитивный долг, который накапливается в людях, входящих в команду. долг намерений, который накапливается во внешних знаниях, состоящих из лежащих в основе проекта соображений, целей и проектных ограничений, которые недостаточно задокументированы. И идея там довольно простая: AI позволяет нам быстрее производить код, но это совсем не значит, что мы автоматически быстрее производим хорошие и понятные системы. Просто долг начинает накапливаться немного в других местах😉 Всего Стори выделяет три вида долга: 1. Технический долг Плохие архитектурные решения, костыли, сложный код, отсутствие тестов и все то, что потом делает систему дорогой в изменении и поддержке. Причем тут есть забавный парадокс. Именно этот долг AI потенциально умеет неплохо сокращать: -отрефакторить код; -написать тесты и т.п. То есть код может становиться даже лучше. 2. Когнитивный долг Это долг, который накапливается уже в голове разработчика: агент написал 1000 строк хорошего кода. И даже тесты все зеленые. Так что вперед и PR в проде. Только инженер, который этот PR принял, понимает систему чуть хуже, чем если бы писал это изменение самостоятельно. А потом еще один PR. И еще один. Иииии в какой-то момент получается довольно странная система: код работает, но никто толком не понимает почему. Скорость производства кода растет быстрее скорости нашего понимания системы. Вот это Стори и называет cognitive debt. И да, тот факт, что скорость производства выросла - это супер! В этом вся суть моей работы, в принципе. 3. Долг намерений — Intent Debt А вот это типовая проблема, которая всплыла наверх. Раньше она тоже была, но мы особо ей внимание не уделяли. Можно прекрасно понимать, как работает код, но совершенно не понимать: почему он работает именно так? Какие продуктовые ограничения существовали? Что вообще хотел пользователь? Какие компромиссы были приняты? Все это обычно живет где-то между: - ADR; - документацией; - и, конечно же в голове того самого Тим-лида😁 А теперь представьте AI-first разработку. Один агент написал изменение. Через полгода другой агент должен его изменить. И второй агент пытается понять намерения первого агента… по коду первого агента. Ну удачи. В мире AI-разработки документация, ADR, спецификации, acceptance criteria и domain model — это уже не какая-то бюрократия рядом с разработкой. Это внешняя память вашей системы (на следующей неделе расскажу, как решают и эту задачку) Причем память нужна уже не только людям, но и агентам. Последние пару лет мы в основном спрашивали: как заставить AI писать больше хорошего кода? Но следующий вопрос будет: как сделать так, чтобы люди и AI продолжали понимать систему, пока AI пишет все больше кода? Потому что код становится все дешевле. А вот понимание: -зачем система существует; - почему она устроена именно так; - какие ограничения нельзя нарушать; становится только дороже. И возможно, через несколько лет главным инженерным активом компании будет уже не сам код. А накопленный контекст вокруг него.