Водородная вода

Рис. Попробуйте развернуть кошку.
Фишка в том, что первоначально это был тест по которому она крутится по часовой стрелке у левополушаргых людей, а против часовой у право. Однако дальнейшие исследования показали, что сие фигня и вещи не имеет к полушариями никакого отношения. Но если у вас получается повернуть ее в сторону противоположную той (а это возможно) по которой она крутилась изначально радость будет просто неимоверная.

Я не знакома с той водородной водой, которую рекламирует Ксения Анатольевна и вполне допускаю, что это фуфломецин. Однако при всем уважении к Александру Глебовичу он есть свещенослужитель (гуманитарий) и уже не однократно садился в лужу пытаясь рассуждать научно. Поэтому его стеб совершенно не уместен ибо продукт под названием "Водородная вода" не только возможен (о чем я как человек защитивший диплом на тему "Влияние изотопного состава воды на рост и споруляцию Bacillus thuringiensis" могу говорить с полной ответственностью), но и вполне может оказывать реальное лечебное действие при различном спектре заболеваний начиная от абстинентного синдрома и обстипации, кончая депрессией и транссексуализмом. Я даже дам конкретные рекомендации как изготовить и применять таковую на самой обычной кухне из подручных материалов.
Однако вспомним школьный курс физики. "Водородная вода" может быть получена даже из дистиллированной воды без каких либо добавок. Такая образуется при электролизе дистелята на аноде.
Разумеется такие же эффекты происходят и с водой находящейся в волосяных луковицах, что используется при электроэпиляции.
(См. Электролиз ложкой в домашних условиях
http://www.proza.ru/2018/03/08/1201
Однако не о такой воде пойдёт речь далее. Сходного эффекта, а именно повышение содержания ионов водорода (либо снижение рН, что является тем-же самым ибо этим термином обозначают ОТРИЦАТЕЛЬНЫЙ логарифм содержания таковых) при добавлении в воду различных химических соединений. Говоря научным языком сие будет уже не вода, а водный раствор таковых, но для коммерческого продукта название "Водородная вода" все равно остаётся допустимым, как допустимы например названия "Фруктовая", "Соленая" либо "Лимонная" вода.

Собственно о практической пользе таковой.
При похмелье каждого наверняка тянуло на кисленькое. Однако я могу подсказать и напиток по сильнее речь идёт не просто о водном растворе какой- либо кислоты, а о растворе кислоты лимонной (или собственно лимона в пересчете). Дело в том, что таковая является начальным продуктом цикла реакций несущих основную часть энергии эукариотным (в том числе и человеческим) организмам, более известного как "Цикл Кребса". Конечно странно думать, что при ее экзогенном поступлении цикл сей перейдёт на не замкнутую последовательность реакций ибо синтез (как и потребление) цитрата в нем составляет десятки килограммов в сутки (+ продукты). Но в соответствии с принципом Ля Шателье реакции в нем при поступлении цитрата сдвигаются в право (или в данном случае по часовой стрелке), то есть в сторону выработки энергии.
А для усиления эффекта тот же раствор можно изготовить не на воде, а не крепком чае добавив в него сахар и небольшое количество хлорида натрия (поваренной соли) ибо та ту воду держит (вспомним физраствор, которым прокапывают в клиниках при аналогичных состояниях)

При запоре же вполне безопасным является "Ацетатная вода" берём треть чайной ложки уксусной кислоты (либо соответствующее количество натурального уксуса в пересчете). На стакан воды и добавляем ложку сахара. Сие будет вкуснее с любой зеленью, а лучше томатной пастой.

Все яд и все лекарство. Некоторые при депрессии принимают и не разбавленную (70%) уксусную кислоту. Хотя есть вероятность, что при этом дополнительно к депрессии получаешь и язву. Однако тем и отличается настоящее лекарство от плацебо, что у первого возможна передозировка.

О моём опыте лечения транссексуализма с помощью кислоты серной. Понятно, что сие трудно назвать даже водным раствором. Однако кислотные свойства серной кислоты обусловлены именно наличием в таковой воды. Безводную серную кислоту можно перевозить в железных бочках и другой не устойчивой к ней таре, ровно до тех пор пока не нарушается ее герметичность.
Таким образом здесь опять действуют ионы водорода.
Моё первое членовредительство было в 2003 году. Тогда я работала на острове Юность, причём как на работе, так и дома я тогда жила и одевалась как женщина. Как-то раз у нас на работе я нашла акаммуляторную кислоту. Зачем она была нужна там я не знаю, но я решила что у меня дома она будет нужнее. Потом МУК как самостоятельная организация закрылась и сотрудникам предложили переходить в новую организацию, так как наступала осень, а я планировала в этом году поступать в ШРМ (вечернею школу), я отказалась переходить и уволилась. После этого я пошла в ЗАГС по поводу смены паспортного пола, но там у меня потребовали справку о смене пола. Решив что  у меня будет гангрена полового члена я ввела в основание головки с начало лидокаин, а потом кислоту. Запив все это дело бутылкой водки. Как не странно боли почти небыло, но к утру член опух. А у нас в то время проходил референдум по объединению с Усть-Ордынским автономным округом. Идти на референдум нужно было обязательно так-как моя бабушка отказалась голосовать и если бы я не сообщила об этом на избирательном участке, то к нам домой перешли бы волонтеры. Одев юбку на голое тело без трусов и колготок я сходила на избирательный участок и проголосовала против. Однако большинство проголосовало за и в результате нас объединили с Усть-Ордой, а гангрена у меня так и не началась. Через несколько дней у меня из члена начали выходить большие и корявые сгустки крови, что было весьма больно.
Возможно тогда я прокололась на том, что я мало ввела, а может, что нужно было в различные места и на различную глубину. Дело в том, что тогда моя жизнь была наполненной и я боялась ее потерять и потому переосторожнечала.
Теперь же я проклинаю каждый новый день и каждый вечер молюсь, чтобы мне не проснуться на следующий. И хотя я не люблю сказки про альтернативную реальность - все-же пофантазирую на тему того, как бы было получить у меня тогда с терапией серной кислотой.

-Когда я начала делать операции, я уже жила как баба. Это другое. А начиная трансформацию я о мужском внимании не думала, готова была быть страшной бабой, лишь бы выжить...Ну а то, что получилась не страшная...приятный бонус.

-Ну ведь делала с каким то умыслом, имея от этого какие то плюшки.

-Конечно, но к трансформации это уже не имеет отношения. Умысел был один-убрать мужские черты, именно о красоте мыслей не было. Ты понимаешь,что можно убрать все мужские черты, но не стать красивой? Так что тут совсем другое.
Будь такая возможность, многие женщины улучшили бы свою внешность. Главное не потерять берега и не забыть, что не в этом счастье.

-А вот если на счет плюшек, то наверное одно, я начала баб понимать! Хорошо это или плохо не знаю, но порой бесит очень сильно, как эти [самки собак] врать умеют.

-Тоже врать стала?  Я стала баб ненавидеть, не всех, но как то выборочно просто не перевариваю. [Самки собак] тупые, лживые и жадные ещё те.

-"Таня не любит курящих,
Пьющих не любит Денис.
Логично не говорящих
Всегда презирает Борис.
Полный Евгений — тощих,
Ян — окончивших политех.
С Олегом всё как-то проще:
Олег ненавидит всех."

У меня с этим проще, как у Олега... всегда людей недолюбливала.


Что касается плюшек. Да в принципе никаких. Ну места уступали, ну помогали, ну мужское внимание - подходили знакомились.
А еще можно себя вести как наглая [самка собаки], и не парится что может начаться конфликт. К слову конфликты были всегда. И до трансформации и после...
Только после, их стало на много меньше.... Списывается на "Девушка - чо" Вот такие глупости социальные есть, скрепы, двойные стандарты короче   . 
Еще нравится с парнями вести себя на от..бись. Нравится смущать, заставлять комплексовать мужской пол и тд. (хотела написать Мужчин, но нет. Большая редкость в наше время сочетания мужчины и члена) Если общение удовлетворяет, то общаюсь норм.
К слову меня никогда охрана в ТЦ не проверяет как бы не пищала...  Либо лицо кирпичом и мимо шагаю, либо в глаза смотрю. В основном отворачиваются и смущаются.
Если с кем то иду, то кого-то останавливают. Но не меня. За четыре года жизни в крд меня останавливали на проверку сумки раз девять и восемь раз из этого было до трансформации.
Два года прожила как парень и два как девушка.
Ом.

Приложение
1) Невзоровские среды
Ксения Анатольевна, она ведь в очередной раз отмочила. Она взялась рекламировать – не падайте, пожалуйста, — водородную воду, причем страстно и убежденно как панацею от всего, как великое средство. Сообщаю тем, собирается потратиться на это дело, что водородная вода – это обычное примитивное сверхжульничество, рассчитанное на людей, которые даже с двадцати метров никогда не видели учебников физики и химии. Это даже не поклонников Чумака и Кашпировского, это для последователей Гробового. И таких, как выясняется, преизбыточно везде.

Мы помним замечательный случай – Дымарский помните? – питьевой солнцезащитный крем. Там было сказано, что одна ложка крема обеспечит трехчасовую защиту, и толпы велись. Вот водородная вода, страх ГМО, астрология, суточная очередь к поясу какой-то богини – это всё компоненты серости, из которой состоит элита тоже России. Это есть везде – такой маразм, — но в России концентрация этого маразма особенно опасна.

В Дымарский
; Что-то вам Собчак покоя не дает.

О.Журавлева
; Водород беспокоит.

А.Невзоров
; Меня в данном случае беспокоит водород. Но в данном случае не трудно же пальчиком ткнуть, — есть же такое понятие, как Кокрейновский фильтр, есть замечательная организация, которая проводит метаанализ всех абсолютно лекарственных средств в мире; это одна из самый авторитетных организаций, — и посмотреть, грубо говоря, а проходит ли по спискам Кокрейновского фильтра эта организация. Так всё просто. Потому что когда речь о водородной воде, в крайнем случае, мы можем сказать, что речь идет, вероятно, о тяжелой воде.

О.Журавлева
; Ну да.

А.Невзоров
; Но и тритиевая и дейтериевая вода…

О.Журавлева
; Не полезна для здоровья.

А.Невзоров
; Ну, дейтериевая – наплевать, она не вредна, по крайней мере, но тритиевая, она откровенно радиоактивна. То есть понятно, что мы имеем дело с каким-то бредом.

В Дымарский
; По-моему, Невзоров хочет рекламировать эту воду.
25. 07. 2018.
https://echo.msk.ru/programs/nevsredy/2246202-echo/

2) Код доступа
Вот страшно – я уже говорила – мы живем в книжках. Мы до сих пор живем в книжке. Наш ГУЛАГ живет в книжке, которая называется «Речные заводи» и написана в Китае в XIV веке.

Еще раз повторяю: пусть никто не обольщается. Все избиения, пытки, как правило, имеют денежную составляющую: не будешь платить – будем бить. Но, естественно, это не только денежная составляющая. Потому что опять же «стэнфордский эксперимент», он был без денежной составляющей, он был с составляющей статусной. Потому что, кто такой охранник в лагере? Это, прежде всего, человек с низким социальным статусом. Вот сутенер, может, и много зарабатывает, но статус у него низкий. Как для себя эти люди для себя поднимают статус? Конечно, издевательствами и избиениями. Это их вставляет.
Если ты получаешь 16 тысяч, если жена на тебя кричит, если на детей твоих в школе показывают пальцем, как поднять статус? Правильно: растоптать письмо матери заключенного, а потом избить его. Это почти сексуальное удовлетворение. И, конечно, это поступки глубоко ущербных людей.

Вот уже бывший заключенный этой колонии Вахапов, он дал всем этим людям прекрасные характеристики, он рассказывал, какие у них прозвища. У одного — Губа, а другого – Понос. Рассказывал, что один из них – это Игорь Богданов – любит переодеваться в форму спецназовца и бить заключенных, особенно прибывших в колонию с новым этапом.

И, конечно, ужас заключается в том, что это не исключение, это система. Вот весь этот тюремный режим построен сейчас так, чтобы глубоко ущербные люди были наверху; чтобы заключенных сторожили те, кто согласен получать 16 тысяч, зато носить на зону наркотики и бить тех, кто не платит, потому что, как я уже сказала, экономика зоны выстроена, как в Китае в XIV веке: люди кормятся за счет заключенных, которые отданы де-факто им в рабство. А психологически она выстроена, конечно, как Бухенвальд. Потому что возникает вопрос: Какой процент из этих людей, из этих надзирателей – это лузеры, которым приятно унижать людей, которые отсутствие своего социального статуса в большом обществе готовы компенсировать.
Точно так же, как кто-то компенсирует на больном ребенке, кто-то компенсирует на несчастной матери. Ты компенсируешь на заключенном, который бесправен. Собственно, это классический признак ничтожного человека, несостоявшегося. Человек состоявшийся – это всегда человек, состоявшийся за счет своих мозгов, за счет своей энергии, своей воли. Человек ничтожный всегда пытается состояться, унижая других. Отсюда получаются Сёко Асахары, отсюда получаются эсэсовцы, отсюда получаются, маньяк, отсюда получается вертухай.
Собственно, что такое маньяк? Человек в детстве писал в постель, мучил кошек. Отца нет, мать — пьяная. С девушками – не очень… Очень хочется как-то всё выместить. Можно стать человеком с отклонениями, условно говоря, резать семилетних детей. ...против закона. Вас поймают, могут посадить, могут даже расстрелять, правда, не сейчас. А вы можете, имея все те же самые инстинкты, поступит в колонию и мучить людей, которые не могут вам ответить и свое удовольствие будете получать. И если вас когда— то за этим застанут, то вы можете быть уверены, что начальство за вас заступится и скажет, что жертва сама спровоцировала.

И ужас, конечно, в том, что этот принцип существует не только на зоне. Вот если честно, этот принцип существует у нас и на международной арене. Это принцип нашей международной политики. Мы сейчас на международной арене возвышаемся не за счет того, что мы что-то создали, запустили в космос, написали новую программу, но возвышаемся за счет унижения других: Ах, как ловко мы опустили Грузию! Ах, как мы ловко опустили США!

Собственно, к вопросу об опускании собственного населения. Конечно, сильная история происходит в России с пенсиями. С теми самыми пенсиями, о которых Владимир Владимирович Путин говорил, что они не будут повышаться. Кажется, это у нас теперь не называется повышением пенсий, это теперь на новоязе у единороссов называется «оптимизацией пенсионной системы». Я могу предложить еще один вариант названия: «окончательное решение пенсионного вопроса». Ну, по поводу этого я хочу — несколько я уже говорили – заметить две вещи. Потому что, конечно, мы видим, что не будет никаких больших протестов по одной простой причине – я, кстати, об этом чуть подробнее пишу в «Новой газете», — потому что российский народ к пенсия относится — как? Либо есть люди, которые в пенсию не верят и на нее сами себе заработают, и они не будут протестовать, потому что они лишились того, на что они и не рассчитывали. А, с другой стороны, есть люди и их большинство, которые рассчитывают на государство, их государство обокрало, но поскольку они психологически рассчитывают на государство всегда, они будут продолжать это делать и все равно будут продолжать голосовать за любимое государство.
Но я бы хотела сказать повторить одну важную вещь, вернее, повторить ее за Иноземцевым, одним из лучших наших экономистов. Потому что вот все начали считать, сколько триллионов получит пенсионная система от того, что люди будут выходить на пенсию позднее. Вот эти несчастные несколько тысяч рублей, которые мне будут платить… И только Иноземцев заметил еще одну очень важную вещь: льготы. Потому что пенсионеры получают огромное количество льгот. У него есть льготы на жилье, и на практике это от 20 до 70% от суммы оплаты ЖКХ. Пенсионеры полностью освобождены от налога на жилые помещения. Они освобождаются от уплаты земельного налога. Они платят по сниженному тарифу за стационарный телефон. Плюс льготы на проезд в электричках. Лекарства – 50-процентная скидка. А это очень существенная вещь. Льготное обслуживание в санаториях и так далее. И это важно, потому что человек, выходя не пенсию, если он за свою жизнь не заработал, конечно, нельзя сказать, что он сейчас в России хорошо живет. Но у него многое становится бесплатным и дешевым. И теперь за все это он должен будет платить.
И я обращу внимание на еще один очень важный момент. Это то же, что замечает Иноземцев, потому что, что значит: он за это будет платить? Он за это будет платить кому? Государству, тому же самому ЖКХ, тем же самым государственным компаниям, которые осуществляют перевозки коммунальные… То есть помимо всего, это масштабное изъятие денег у старого населения в пользу государство и, поскольку человеку пожилому трудно устроиться на работу, это сделать так, чтобы значительное количество людей, которые раньше в 60 лет оказывались хотя бы с бесплатно социалкой и небольшой пенсией, сейчас в 60 лет эти люди останутся и без работы, и без льгот, и без пенсий. Зато государство потом получит от них еще дополнительное количество денег.
 И тут самый главный вопрос: что станет с этими деньгами? Потому что, конечно, эти деньги будут разворованы. Вот это важный момент, потому что, когда нам тут Познер рассказывает: «Вы знаете, как хорошо работать до позднего возраста…», я абсолютно согласна, что пенсионная система даже сейчас на Западе чисто теоретически… мне там не нравится, как устроена пенсионная система на Западе, но рассуждать о том, как устроена – правильно или неправильно – существующая система в России, — это так же бессмысленно, как, условно говоря, с шулером играть и рассуждать на основе теории вероятности, выиграешь ты или проиграешь. Вот шулер не имеет никакого отношения к теории вероятности.

Вот то, что происходит в России, не имеет никакого отношения к оптимизации пенсионной системы. Потому что, что такое российский бюджет? Вот не надо мне про эти самые стройки века, про олимпиады, про гиперзвуковые ракеты.
Это всё мираж, потому что вот представьте себе, что мы живем в фильме «Матрица» и что это всё внешний видеоряд – все эти «Баклан-Арены», все эти газопроводы, а реальность – это гигантские дворцы, яхты, насти-рыбки, самолеты, счета, бесконечные резиденции – всё остальное только предлог, чтобы освоить бабки. Потому что русский бюджет служит всех двум целям. Первое: чтобы из него украсть, и второе: чтобы платить тем, кто защищает тех, кто крадет. В этом смысле он устроен так же просто, как государственный бюджет где-нибудь в Ассирии VIII века, где все собранные с населения деньги, расходуются либо на дворцы, пиры и наложниц, либо на войсках, которые обеспечивают сохранность дворцов и пиров.
Ю. Латынина
https://echo.msk.ru/programs/code/2248160-echo/

3) Евгений Бурнаев: «А появится ли когда-нибудь терминатор? Может быть!»
О том, что такое машинное обучение и как работать с Big Data, как созданные специалистами программы позволяют, например, вовремя найти поломку в сложных технических системах, — нам рассказал Евгений Бурнаев, канд. физ.-мат. наук, доцент Центра Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных (Skoltech Center for Computational and Data-Intensive Science and Engineering), руководитель научной группы Advanced Data Analytics in Science and Engineering. В 2017 году Евгений стал лауреатом Премии Правительства Москвы для молодых ученых, церемония вручения которой состоялась в Кремле 5 февраля 2018 года. Беседовала Наталия Дёмина. Полная версия интервью (в *.pdf и в бумажной версии опубликована сокращенная).

— На ваш взгляд, ваша профессия, основывающаяся на анализе и обработке Big Data, — профессия будущего?

— Я очень осторожно отношусь ко всяким таким лозунгам. В истории человечества были разные периоды увлечения какой-то областью знаний, когда говорили, что ядерная физика или космонавтика — это «наше всё», но потом эти области становились чем-то естественным. Объем информации растет, на ее основе можно делать много полезного, в том числе автоматизацию и оптимизацию каких-то процессов и производств. Мне сложно прогнозировать, будет ли потребность в этом расти экспоненциально, но что она будет расти — это точно.

— Спрос на вашу экспертизу растет?

— Сейчас да, причем очень быстро. Мы ведем активную работу над созданием курсов для Сколтеха. Есть много индустриальных заказчиков, которые заинтересованы в том, чтобы к ним пришли люди и рассказали, что же такое Big Data, машинное обучение, нейронные сети. Вот все говорят: «Big Data», а плохо понимают, что это. Мол, Big Data, приди и порядок наведи.

— И кто появится на выходе после такого курса обучения?

— Менеджеры, понимающие, каким образом правильно управлять проектом с привлечением машинного обучения, какие именно задачи машинное обучение может решать, для каких задач — его использования себя не окупит. Порой во время обсуждения проекта с заказчиком приходится не только заниматься проработкой технического задания, но и попутно заказчика образовывать, объяснять, что такое анализ данных. Но было бы правильнее сформировать прослойку управленческого звена, которая уже изначально понимает, что можно делать с методами анализа данных.
Кроме того, у нас есть возможность преподавания самых современных тем — сейчас очень популярны глубинное обучение и нейронные сети, блокчейн, беспроводные сенсорные сети для задач мониторинга и интернет вещей, обработка данных дистанционного зондирования и т. п. Все эти направления важны для инженеров и сейчас очень много приложений строится на такого рода технологиях.
Кроме этого, в нашем центре есть и второе направление, «дополняющее» технологии анализа данных и машинного обучения — а именно, математическое моделирование.

— Как происходил поиск призвания? О чем вы мечтали в детстве?

— В детстве я мечтал о разном, как и все дети. У меня была определенная склонность к точным наукам — как к математике, так и к физике. Основной толчок в правильном направлении дал мне отец, который в свое время закончил МИФИ. Он физик, эксперт в области быстро протекающих химических процессов. Моя бабушка, выпускница химфака МГУ, тоже приняла активное участие в выборе направления учебы. Хотя я и учился в обычной школе, но, к счастью, у нас была очень хорошая учительница математики, Т. А. Лепёхина.

— Вы москвич, не москвич?

— Так получилось, что я оканчивал школу в Волгограде, хотя родился в Москве и живу сейчас в Москве. На выбор — продолжить обучение именно в Физтехе — повлияла опять-таки учительница математики, у которой к тому времени несколько учеников и сын учились в МФТИ; с последним я как-то встречался и слушал его рассказы об МФТИ — и подумал, ну Физтех, почему бы и нет. К тому же мне понравилось, что на том факультете, на который я в итоге собрался идти, была и достаточно полная математическая программа, включавшая специальные курсы на уровне мехмата МГУ, и курс общей физики.
Я поехал на олимпиаду МФТИ, где сразу получил полный балл. Потом съездил ради интереса еще и на физфак МГУ, поступил туда, собрался идти сдавать экзамены и на мехмат МГУ, но у меня в тот момент что-то не складывалось с документами, надо было куда-то за ними ехать, и я решил, что если поступил в МФТИ, то так тому и быть.

— Образование, которое вы получили, где лучше всего давали и дают сейчас?

— В то время в Москве было мало мест, где бы учили не просто чистой математике или инженерным наукам, а давали бы образование в области прикладной математики с уклоном в анализ данных. Можно сказать, что я больше самообразовывался. Когда я прошел в Физтехе общие курсы, я стал заниматься темой, связанной с анализом сигналов с использованием вейвлет-преобразования. У меня не было даже научного руководителя бакалаврской работы, потому что тема была относительно новая, и я не нашел в МФТИ никого, кто мог бы им стать (ст. науч. сотр. Вычислительного центра РАН Николай Оленев и декан факультета управления и прикладной математики МФТИ Александр Шананин помогали мне с организационными вопросами, за что им большое спасибо). Я сам этой темой занимался и успешно защитил бакалаврский диплом.
Потом стало понятно, что мне не хватает знаний, и я стал посещать специализированные курсы по вероятности и случайным процессам на мехмате МГУ, поскольку они лежат в основе методов анализа сигналов. В конце концов я понял, что мне интересна математическая статистика, анализ данных и их приложения. Там я познакомился со своим будущим руководителем диссертации академиком РАН Альбертом Николаевичем Ширяевым.
Когда пришло время аспирантуры, он мне предложил заняться «задачей скорейшего обнаружения разладки». Суть ее в том, что в режиме реального времени наблюдается случайный процесс, и необходимо обнаружить момент изменения его случайных свойств. В настоящее время эта задача крайне востребована. Если рассматривается какая-то сложная техническая система, то нужно вовремя обнаружить, что у нее изменилось поведение: это может быть предвестником будущей неисправности.
Может быть, вы слышали такой термин — «индустриальный интернет вещей» — это сейчас популярная тема, потому что технические и программные системы становятся всё более сложными. У тех же самолетов огромное число различных агрегатов, узлов. И несвоевременная замена узлов/устранение поломок приводит к финансовым потерям; я уж не говорю про безопасность — это отдельный вопрос. Если у вас деталь не довезли вовремя и в управляемой вами системе — будь то ТЭЦ, самолет или IT-сервис, предоставляющий пользователям какие-то услуги, — произошел сбой, то это стоит денег и репутации. Бизнес пытается найти решения, которые помогли бы предотвратить такие сбои.
Сейчас во многих технических системах есть датчики, которые измеряют различные физические показатели — вибрацию, температуру, давление и др. Если в системе начинает что-то разлаживаться, то в этих данных появляются некие предвестники того, что скоро будет проблема, поломка. И, анализируя статистическое поведение этих сигналов, вы можете эти предвестники выделить.
В кандидатской диссертации я исследовал теоретические аспекты задачи о скорейшем обнаружении разладки; быстро защитился. После защиты диссертации я стал сотрудничать с профессором Александром Бернштейном, работавшим в то время зав. лабораторией ИСА РАН, и его коллегами. И тогда уже появилась новая научная тема, связанная с проектом от компании Airbus.
В этом проекте уже надо было не анализировать временные ряды и сигналы, как в кандидатской диссертации, а решать задачи предсказательного моделирования, то есть заниматься построением моделей, которые позволяли бы прогнозировать зависимость одних параметров (например, подъемной силы крыла самолета) от других — например, от геометрии крыла и параметров режима полета.
Изначально в предсказательном моделировании использовались математические модели, основанные на «первых принципах физики». Они описывали физические процессы и явления сложными дифференциальными уравнениями в частных производных с граничными условиями. Методы решения таких уравнений весьма трудоемки — это касается как самих расчетов, так и подготовки исходных данных и расчетных сеток, что существенно сокращает возможности использования таких моделей при проектировании сложных объектов. А это явный недостаток на стадии предварительного проектирования, когда рассматривается большое количество вариантов решения и цена ошибки особенно высока.
Однако если в ходе расчетных симуляций, а также реальных экспериментов (например, в аэродинамической трубе) накоплена некоторая база данных, то по ней можно построить так называемую метамодель (или суррогатную модель, surrogate model), используя методы анализа данных и машинного обучения.
Как правило, такого рода метамодели имеют существенно более высокую вычислительную эффективность по сравнению с исходными источниками данных. За счет этого инженер может оценить значительно больше вариантов дизайна изделия и сравнить их между собой, чтобы выбрать наиболее перспективные.
Другим важным примером использования метамоделей на практике является прогностическое управление производственными системами и экономическими процессами, обычно описываемыми большим количеством параметров (промышленное производство сахара-песка из сахарной свеклы, автоматизированная корректировка параметров кредитной процедуры, и др.).
Так, например, эффективность процесса экстракции (диффузии) сахара-песка зависит от формы свекольной стружки, её качества, значения сахаристости, pH, температуры подаваемой стружки и воды, от распределения температур внутри диффузора, и т. д. При этом, для минимизации затрат и снижения потерь необходим выбор оптимальных значений параметров производства. Очевидно, что даже опытный технолог не в состоянии уследить за всем многообразием управляющих воздействий, условий внешней среды, их взаимозависимостями и влиянием на эффективность производства.
Соответственно, метамодели, построенные по данным, накопленным в результате эксплуатации производственных установок, и лежащие в основе рекомендательных систем, существенно облегчают технологу решение его основных задач по выбору управляющих параметров производственного процесса (своего рода «второе мнение») и позволяют снизить затраты и повысить качество продукции.
Впрочем, как потом оказалось, задачи предсказательного моделирования тесно связаны и с темой моей кандидатской диссертации. Дело в том, что построение метамоделей позволяет выявить взаимосвязи между параметрами системы в нормальном режиме работы, а в дальнейшем путем сравнения выявленных взаимосвязей с текущими результатами телеметрии, снимаемой с датчиков в режиме реального времени, обнаружить аномалии и разладки в работе системы. Таким образом, комбинация методов предсказательного моделирования и скорейшего обнаружения разладок позволяет реализовывать эффективные приложения в области т.н. предсказательного обслуживания.
Методы предсказательного технического обслуживания используются для скорейшего обнаружения аномалий и существенных изменений (разладок) в работе механизмов и сложных технических систем, например, таких как вспомогательная силовая установка пассажирского самолета. Основная цель этого подхода — корректировка технического состояния или полная замена механизмов до того, как выявленные изменения станут критичными для работы отдельных компонент или системы в целом. Диагностические возможности методов интеллектуального предсказательного обслуживания значительно возросли в последние годы. Это удалось сделать благодаря улучшению сенсорных технологий наблюдения и разработке новых алгоритмов обработки собранной информации.
В итоге я занимаюсь развитием методов решения описанных выше задач, а также их индустриальными приложениями.

— Вы один из главных людей, которые помогли Airbus ускорить их производственные процессы?

— Назвать меня главным — это, конечно, было бы не только неверно, но и нечестно по отношению к моим коллегам; например, постановки решаемых мною задач формулировал академик Александр Петрович Кулешов... Правда в том, что после успешной защиты диссертации я работал заведующим лабораторией интеллектуального анализа данных и предсказательного моделирования в Институте проблем передачи информации (ИППИ РАН). В результате успешной реализации ряда проектов для компании Airbus был организован российский спин-офф ИППИ РАН — компания «Датадванс», где я, как руководитель группы анализа данных, внедрил в промышленную практику ряд методов суррогатного моделирования и оптимизации; промышленные реализации этих методов легли в основу программной библиотеки pSeven Core (ранее MACROS) и впоследствии были использованы в различных инженерных проектах для таких компаний, как IHI, SAFT, Airbus, Astrium и другие. В частности, эта программная библиотека применялась для решения задач моделирования и оптимизации дизайна пассажирского самолета и, по оценкам инженеров Airbus, позволила снизить временные затраты на моделирование на этапе предварительного проектирования самолета на 10%.

— Как устроена такого рода программная библиотека и что с ее помощью можно делать?

— Например, нам нужно оптимизировать структуру композитной пластины болида «Формулы-1», защищающей гонщика от боковых столкновений. Существует набор параметров, который определяет толщину различных слоев пластины, их тип. Каждому набору параметров соответствует конкретный дизайн пластины. Чтобы измерить ее прочность, можно изготовить опытный образец и провести эксперимент. Однако это требует значительных средств и времени.
Другой вариант — использовать математическое моделирование для заданной структуры пластины и оценить ее прочность с помощью трудоемких вычислений. В этом случае тоже будет потрачено довольно много времени, а результат расчета, конечно, не совсем точно воспроизведет реальные процессы, происходящие при деформации композита.
Задача инженера в этом случае — найти такой дизайн пластины, при котором масса пластины будет как можно меньше и при этом ее прочность будет удовлетворять заданным требованиям безопасности. Основная проблема заключается в том, что даже специалисту в данной предметной области физически сложно держать в голове то, каким образом на целевые характеристики, в данном случае массу и прочность, влияет одновременное изменение более чем двух-трех параметров.
Если мы значение одного параметра повысили, значение другого — понизили и т. д., то как это отразится на свойствах изделия? При этом инженер не может проверить слишком много гипотез — для каждой требуется либо реальный эксперимент, либо физическое моделирование, которое не столь точно. Именно компьютер и анализ данных помогают «нащупать» эффективную комбинацию параметров, которая соответствует изделию с более эффективным дизайном.
Если мы имеем некоторую начальную базу данных, содержащую значения пар «вход-выход» («вход» — значения входных параметров, задающие дизайн изделия; «выход» — значения выходных характеристик, задающие соответствующие свойства изделия) и полученную в ходе проведения натурных и/или вычислительных экспериментов, то по этой базе данных можно построить прогнозную модель, аппроксимирующую нелинейные зависимости между параметрами, выделить входные параметры, значимо влияющие на прогнозируемые характеристики.
Используя построенную прогнозную модель вместо ресурсоёмких натурных/вычислительных экспериментов можно быстро выбрать перспективные комбинации входных параметров и проверить на практике только эти варианты решения. Далее, на основе полученных оценок с помощью математических методов планирования эксперимента строится план натурных/вычислительных экспериментов и процесс повторяется. При этом для построения прогнозной модели требуется развитие новых математических методов машинного обучения для консолидации разноточных данных (в данном случае, данных натурного и вычислительного экспериментов). Благодаря этим методам можно строить прогнозные модели и легко следить за тем, как все многочисленные входные параметры влияют на свойства изделия.
При этом отметим, что разрабатываемые методы могут применяться для решения инженерных задач подобного типа, возникающих не только при моделировании композитных пластин, но и при работе над задачами из совсем других областей — например, в задаче оптимизации состава крема. В этой задаче изначально имелась небольшая база данных проведенных экспериментов, в ходе которых для разных составов крема были проведены оценки того, каким образом крем влияет на кожу, насколько он хорошо отбеливает, насколько он токсичен и т.п. По этому набору данных была построена предиктивная модель, и уже с её помощью удалось выбрать более удачный состав крема.
Конечно, при работе над подобными задачами надо обладать и знаниями из соответствующей предметной области. Поэтому при работе над соответствующим проектом желательно наличие эксперта, который заранее скажет, какие входные параметры наиболее важные, проверит соответствие математической постановки оптимизационной задачи реальным запросам заказчика, и т. п.
Например, эксперт может сразу подсказать, что прогнозную модель надо сразу строить в зависимости от площади изделия, а не от длины и ширины изделия, взятых по отдельности. Понятно, что если выборка данных достаточно представительная, то методы машинного обучения потенциально смогут «вытащить» из данных такого рода зависимость. Однако, если подобное априорное знание учесть заранее, то это позволит построить более робастные и точные прогнозные модели за меньшее время.
Теперь вернемся к разговору о методах машинного обучения и об алгоритмической библиотеке, которую мы развивали. Чтобы решать прикладные задачи, подобные описанным выше, нужно решать набор взаимосвязанных задач анализа данных. Взаимосвязанных в том смысле, что решение одной задачи анализа данных может быть, в некотором смысле «входной информацией» для следующей за ней задачей.
Например, вы снижаете размерность данных (делаете новую параметризацию описания вашего объекта, которая будет содержать меньше параметров и будет менее избыточной). При этом вы должны предложить такую параметризацию, которая далее позволит получить прогнозную модель как можно более высокого качества. Здесь появляется уже специальная поставка задачи снижения размерности, и это является толчком к развитию новых методов машинного обучения.
В той алгоритмической библиотеке, которую компания «Датадванс» сейчас активно индустриализует и продает, речь идет о наборе базовых процедур, позволяющих решать инженерную задачу «в комплексе». Инженер обучен решению задач в своей конкретной предметной области, — он знает про закон какого-нибудь растяжения, но шаг в сторону, и он может уже что-то не знать. Что уж говорить про знание каких-то тонкостей методов машинного обучения.
Инженеру наши математические трудности неинтересны, ему нужно получить результат, улучшить эффективность работы изделия. Соответственно, автоматизация применения базовых процедур анализа данных, специально заточенных под требования задач индустриальной инженерии, и является основной целью данной библиотеки. Как следствие, одной из важных проблем, которую мне и моей команде пришлось решать при создании библиотеки, была разработка такого интерфейса взаимодействия с пользователем, который был бы основан на простых и понятных инженеру понятиях.
Например, автоматическое решение о том, какой же именно метод на каком шаге использовать при анализе данных, должно зависеть от ответов на какие-то содержательные и понятные инженеру вопросы: содержат ли данные шум или нет? Имеет ли расположение таких-то точек данных специальную структуру? находятся ли они на решетке? и так далее.
Если учитывать такие особенности, то это позволяет решать задачи анализа данных гораздо эффективнее. Сейчас для построения предсказательных моделей в различных областях популярны нейросети, алгоритмы их обучения тоже можно было бы использовать и при решении задач индустриальной инженерии. Однако, инженер соответствующий результат вряд ли примет, потому что, скорее всего, он не будет удовлетворять требованиям прикладной области.
Например, ожидается, что зависимость выходной характеристики будет изменяться линейно при изменении того или иного параметра, а из-за того, что нейросетевая модель очень сильно нелинейная, то её прогноз также будет значительно нелинейным и его поведение будет иметь какие-то артефакты. Прорешав большое количество задач инженерного плана, мы примерно поняли, какие особенности у этих задач, что действительно нужно индустрии. Мы сумели формализовать это знание, сделав над библиотекой алгоритмов надстройку «верхнего уровня», которая формализует эти требования в понятных инженеру терминах, а затем переводит их в алгоритмический язык, выбирает наиболее подходящий метод или их комбинацию, а также автоматически задает параметры алгоритмов обучения моделей.
Сейчас компания «надстроила» над разработанной алгоритмической библиотекой графический интерфейс и успешно занимается его продажей, ведь не все инженеры любят и хотят программировать.

— А насколько в вашей работе нужно знать программирование? Вы сами программируете?

— Программирую мало, на это просто нет времени, а раньше да, конечно, программировал.

— На каких языках?

— Как человек научного склада, я начинал делать какие-то вычислительные эксперименты в Matlab’е, а потом, когда в районе 2008 года для анализа данных начал активно использоваться Python, перешел на этот язык программирования. У меня есть команда, с которой я обговариваю, какую функциональность надо реализовать, объясняю коллегам как должны быть устроены алгоритмы и их вычислительная реализация.
Что касается промышленной реализации, то в случае упомянутой выше библиотеки pSeven Core это было устроено следующим образом: мы делали большое количество вычислительных экспериментов, разрабатывали прототип алгоритма на Python, а его вычислительно эффективную реализации на C++ в спин-офф компании делал специально обученный человек, вместе с которым мы потом встраивали алгоритм в библиотеку и разрабатывали документацию.
Я сейчас вернулся к тому, что мне кажется наиболее важным и интересным, и это бОльше академические исследования, но я по-прежнему много работаю с индустриальными приложениями, взаимодействую с различными компаниями. На задачах от них можно, во-первых, проверить разрабатываемые мною методы, а, во-вторых, индустриальные приложения являются потенциальным источником новых постановок задач анализа данных. Тем более, что в Сколтехе активно поощряют сотрудничество с индустрией.
«ТРОИЦКИЙ ВАРИАНТ» №3, 2018