Когда ты работаешь сам на себя — особенно в онлайне — в какой-то момент начинаешь жить по закону джунглей:
всё держится, пока держишь сам.

Я долго верил, что это — нормально.
Пока однажды не поймал себя на том, что моя работа стала напоминать цирк из бесконечных табов, чатов, задач и дедлайнов.

Каждое утро — как битва:

открыть Telegram,
ответить на клиентов,
внести данные в таблицу,
выставить счёт,
сверить оплату,
проверить, не умер ли сайт,
обновить документы для налоговой,
и где-то между этим — жить.

---

Всё вроде шло, но внутри — хроническая тревога.
Я понимал, что если вдруг пропаду на день — всё остановится.
Никакой “пасивный доход”, только “активное выгорание”.

---

Потом случилось вот что

Я как-то наткнулся на историю про японского бариста, который автоматизировал… приготовление кофе.
Он запрограммировал машину не просто лить воду, а варить кофе по алгоритму, учитывающему влажность, давление и даже настроение посетителя (он вводил данные вручную, но всё равно).

И этот бариста сказал одну фразу, которая меня почему-то зацепила:

“Я не заменил себя машиной. Я просто освободил себя для улыбки.”

Тогда я впервые задумался: а ведь автоматизация — это не про «ботов и коды», это про возможность быть человеком там, где это важно.

---

Я стал разбираться, и оказалось, что всё, что я откладывал “до завтра”, решается за вечер:

учёт задач — можно автоматизировать;
уведомления — можно делегировать роботу;
планирование — можно переложить на шаблон.

И знаете, сработало не потому, что я вдруг стал “айтишником”.
А потому что перестал пытаться быть героем на все руки.

---

Самое интересное

Через пару недель я заметил странную вещь:

почта больше не вызывает тревогу;
“напоминания” реально работают;
а главное — я снова начал думать, а не тушить пожары.

Появилось ощущение, будто жизнь снова “дышит”.

---

Не скажу, что всё стало идеально.
Иногда я всё ещё делаю вещи вручную — просто чтобы напомнить себе, что я живой, а не скрипт.
Но теперь я точно знаю: если можно автоматизировать рутину — это не предательство дела, это забота о себе.

---

Маленький совет, если вы дожили до этого абзаца:

Начните с чего-то одного.
Например:

пусть таблица сама подбивает итог недели,
пусть Telegram уведомляет о поступлениях,
пусть Google Drive сортирует документы по дате.

Вы удивитесь, сколько “умных шестерёнок” можно заставить работать вместе, если просто один раз сесть и разобрать, где именно вы тратите время впустую.

---

Технологии не для того, чтобы заменить человека.
А чтобы вернуть ему возможность быть человеком, а не функцией.

---

Сейчас у меня жизнь стала чуть тише.
Меньше суеты.
Больше системности.
И знаете, в этой тишине есть роскошь, которую я раньше не замечал —
когда твой день управляем, а не гонится за тобой.

---

💬 Иногда я думаю:
может, всё это и есть настоящая “автоматизация” — не роботы и кнопки, а внутреннее разрешение не быть всем сразу.

---

🟢 Если дочитали — спасибо. Может, вам это сейчас было нужно так же, как когда-то мне.

5 плавучих причалов отправили из Перми в столицу. Четыре из них разместят на 4-м регулярном речном маршруте «Киевский — Лужники», который планируем запустить в 2026 году. А еще один станет частью 3-го маршрута «Новоспасский — ЗИЛ».

У четырех новых причалов диаметр — 10 м, а у пятого — 16 м. В зависимости от размера они могут вмещать от 40 до 80 пассажиров.

Все наши причалы такие же инновационные, как и электросуда:

🔹 Работают от электричества и не вредят экологии реки и города.

🔹 Полностью разработаны в России.

🔹 Оборудованы местами для отдыха, Wi-Fi, вендинговыми аппаратами и табло с расписанием.

🔹 Некоторые из них заряжают суда во время стоянки.

Гальюны Обнаружены

Исследователи из ETH Zurich и MATS представили прорывной метод обнаружения галлюцинаций в больших языковых моделях в реальном времени.

Разработанная система способна выявлять сфабрикованные сущности — имена, даты, цитаты — прямо во время генерации текста, без необходимости дорогостоящей внешней проверки. Метод фокусируется на обнаружении галлюцинаций на уровне токенов, что позволяет отслеживать достоверность информации по мере её появления.

Подход успешно масштабируется до моделей с 70 миллиардами параметров и показывает значительное превосходство над существующими методами. В тестах на длинных текстах классификаторы достигли AUC 0.90 против 0.71 у предыдущих решений для Llama-3.3-70B.

Удивительно, что система, обученная только на сущностях, эффективно обнаруживает ошибки даже в математических задачах, демонстрируя обобщающую способность за пределами первоначальной цели.

Исследователи опубликовали наборы данных для дальнейшего развития этой технологии, которая может стать важным шагом к созданию более надёжных ИИ-систем для критически важных областей.
https://arxiv.org/pdf/2509.03531

#Программирование #Нейросети #Наука #Технологии
@DevsRoot