Привет, Хабр!

В очередной статье нашего цикла мы оценим производительность системы на воздушном охлаждении, чтобы иметь опорные значения и осязаемые метрики для сравнения и оценки той же системы, но уже после погружения в диэлектрик.

Cделали полное обслуживание ПК и провели серию тестов различной сложности и длительности с применением OCCT, Furmark, HWiNFO64, LuxMark v3.1.

Вы нажимаете в ERP кнопку «Рассчитать план», получаете плановые заказы с датами и резонно предполагаете, что система только что построила производственный план. Она его не строила. Она рассчитала, что нужно закупить и изготовить под план, который кто‑то дал ей на вход. Разбираю двенадцать характеристик производства, при которых MRP перестаёт справляться, и объясняю, откуда на самом деле должен браться производственный план.

А что если система поиска научных гипотез обнаружит не новый ответ — а то, что сам вопрос задан в неправильных параметрах? Это не дает мне покоя… И еще одна мысль наводит на новые идеи: а что если на известных параметрах всё уже известно (хотя есть пробелы в знаниях и их тоже нужно заполнять)? Поэтому я ввел неизвестные адаптивные параметры, которые потом можно рассчитать - и вот они как раз и дают новые направления, кандидатов и теорию и их огромное множество, больше чем атомов во вселенной! Но все пространство, по моим наблюдениям, делится на области, сектора, районы! В этой статье мы подключили экспериментально к нашей архитектуре фармацевтический домен и запустили слепой поиск, получили миллионы кандидатов (с которыми пока не знаем что делать). Результат оказался интересный, для не специалиста не понятный, но думаю значимый). Система: — независимо восстановила уже известные терапевтические направления — это стало положительным контролем; — нашла несколько сотен комбинаций target × modality × disease, для которых точного prior art в целевом поиске мы не обнаружили (все пространство просканировать невозможно - оно огромно, это как диапазон Биткойн, только еще больше пространство; — на противоречивых данных P2X7/Parkinson наша система отказалась выбирать «правильную» публикацию и решила, что существующих параметров недостаточно (возможно потребуется отладка); — предложила дополнительную research-local координату pathophysiologic_endotype, при этом не позволив ей автоматически попасть в канонический реестр; — а на втором конфликте, TLR7/Alzheimer, произошло ещё интереснее: новые параметры выглядели очень информативными внутри выборки, но permutation/LOO-проверка показала, что эффект не переносится. Гипотеза была остановлена.

То есть получилась цепочка: REDISCOVERY → RESEARCH GAP → AXIS INCOMPLETE → SELF-CORRECTION В статье — все кандидаты, формулы, реальные числа, воспроизводимый P2X7-кейс, найденный дефект causal-readiness gate и то, как мы его исправили.

Меня зовут Дарья Беляева, я — Tech Lead и архитектор решений на стыке BIM, CDE и Revit API. Мы с коллегой, Андреем Прохоровым, за два месяца с нуля сделали AGR.Checker — плагин для Revit, который проверяет ЦИМ на соответствие требованиям IDS перед сдачей в составе АГР. В этой статье — конкретные инженерные решения, которые легли в основу плагина, и то, с чем мы разобрались при регистрации прав на программу в Роспатенте.