29 сентября 2026 года МТС в своём блоге на Хабре рассказала об эксперименте с MWS Tables: к сервису задач подключили симуляцию нейронной сети дрозофилы. Она выбирает, какие задачи предложить к выполнению, а какие отложить.
По описанию авторов, это биологически вдохновлённый рандомайзер. Симуляция не читает задачу как человек и не оценивает её важность. Выбор получается из активности модели нервной сети, которую разработчики связали с обычным рабочим сервисом.
Как муха оказалась в списке задач
Эксперимент подключается к Tables через API-токен. API здесь нужен как связующее звено: результат работы симуляции превращается в действие над данными сервиса. Это пример интеграции необычного источника решений с привычной системой задач, а не новый способ анализа проекта.
Слова о том, что муха «разбирает бэклог», стоит понимать именно как описание эксперимента. Приоритет клиента, срок договора и последствия просрочки она не учитывает. Если у задачи есть такие ограничения, выбор всё равно должен оставаться за человеком или за явно заданными правилами.
Тот же подход лежит в основе шуточных проектов FlySlop. Энтузиасты соединяют нейронную симуляцию с играми и другими программами. Чтобы это заработало, они сами определяют, какие внешние данные подавать на вход и каким действиям программы будут соответствовать выходные сигналы.
Нейронная карта не равна перенесённому сознанию
Основа подобных демонстраций связана с коннектомом, картой нейронов и связей между ними. Такая карта описывает устройство соединений, но не воспроизводит полностью состояние живого мозга.
Для симуляции к карте добавляют математические правила работы нейронов. В статье МТС разбирается модель LIF: входные сигналы меняют условный потенциал, без новых сигналов он уменьшается, а при достижении порога модель выдаёт импульс.
Дальше многое зависит от программной обвязки. В игре разработчик связывает сигнал с поворотом или стрельбой, в сервисе задач с выбором карточки. Чем дальше задача от естественного поведения мухи, тем больше смысла в результат вносит код вокруг симуляции.
Для рабочих данных важно и то, какие права даёт API-токен. Необычный алгоритм выбора не меняет обычных требований к доступу: подключение лучше проверять на тестовых задачах и выдавать ему только необходимые возможности.
Эксперимент MWS интересен как наглядное соединение научной модели и прикладного API. В качестве планировщика он не заменяет оценку сроков и важности, зато хорошо показывает, как легко результат вычисления можно встроить в обычный рабочий процесс.
О другом подходе к автоматизации программ: агентные модели Holo4.
