Сборник задач рабинович: База решений задач FIZMATBANK.RU – Сборник задач по технической термодинамике, Рабинович О.М., 1973г.

Рабинович И. М. – Сборник задач по теории сооружений (строительной механике)

Главная » Литература » Расчет конструкций зданий и сооружений » Рабинович И. М. – Сборник задач по теории сооружений (строительной механике)

КАНД. ТЕХН. НАУК, ДОЦ. Н. Л. КУЗЬМИН, КАНД. ТЕХН. НАУК, доц. В. Г. ГЕКАЧ, КАНД. ТЕХН. НАУК Г. И. РОЗЕНБЛАТ

СБОРНИК ЗАДАЧ ПО ТЕОРИИ СООРУЖЕНИЙ (СТРОИТЕЛЬНОЙ МЕХАНИКЕ)

ЧАСТЬ I —ЗАДАЧИ, ЧАСТЬ II — ОТВЕТЫ И РЕШЕНИЯ

Под редакцией

Проф., д-ра техн. наук И. М. РАБИНОВИЧА

Допущено Министерством высшего образования СССР в качестве учебного пособия для строительных и автодорожных вузов

ГОСУДАРСТВЕННОЕ ИЗДАТЕЛЬСТВО СТРОИТЕЛЬНОЙ ЛИТЕРАТУРЫ

Москва

1950

Ленинград

 

Сборник задач по строительной механике содержит 670 задач, составленных применительно к программе прохождения этой дисциплины во втузах. Часть задач снабжена полными решениями, часть — краткими указаниями к решению, а остальные имеют только ответы.

Сборник задач допущен Министерством высшего образования СССР в качестве учебною пособия для строительных и автодорожных вузов.

 

ПРЕДИСЛОВИЕ

Предлагаемый вниманию читателей сборник задач по строительной механике предназначен для студентов строительных вузов и отвечает действующим в настоящее время программам этих вузов.

В рамках этой программы сборник отражает современное состояние методов расчета стержневых систем и те большие достижения, которые имеются в этой области в СССР. Читатель найдет в книге ряд оригинальных методов, принадлежащих отечественным ученым: смешанный метод проф. А. А. Гвоздева, способ угловых фокусов профессоров П. Л. Па’стернака — Б. Н. Жемочкина, способ расчета рам на устойчивость проф. Н. В. Корноухова, расчет балок и рам на вибрационную нагрузку проф. Н. И. Безухова и др. Ограниченный объем книги не дал возможности включить в нее другие разделы строительной механики, в которых также ярко выявился приоритет советской науки.

В сборнике помещено 670 задач. Часть из них снабжена полными решениями, часть — краткими указаниями к решению, остальные — только ответами. По степени трудности большинство задач является вполне доступным для самостоятельного решения студенту, прочитавшему предварительно по учебнику соответствующий раздел курса.

В каждой главе имеется, кроме того, несколько задач более сложных. Читателю рекомендуется начинать каждую главу с разбора нескольких решенных задач, после чего приступить к самостоятельному решению остальных задач, из которых наиболее сложные отмечены звездочкой. Нельзя ограничиваться разбором готовых решений, так как пассивное восприятие таких решений не дает навыков, необходимых для самостоятельного решения задач.

Необходимость прочной взаимосвязи теории науки с практикой ее использования в учебном процессе особенно ярко подтверждается на примере изучения строительной механики, где без решения задач и самостоятельной работы учащихся усвоение материала не является полноценным.

Дать материал для этой самостоятельной работы и вместе с тем некоторую консультацию и является целью данного учебного пособия.

В книге принята следующая нумерация задач: первая цифра указывает номер главы, а вторая — порядковый номер задачи в главе. Большинство задач составлено авторами заново; помимо этого, использованы отечественные литературные источники. Условия задач составлены авторами сообща. Детальная разработка глав 1, 5, 8, 11 и 14 произведена канд. техн. наук, доц. Л. Л. Кузьминым; глав 7, 9, 12, 16 и 17 — канд. техн. наук, доц. В. Г. Рекач; глав 2, 3, 4, 6, 10, 13 и 15 — канд. техн. наук Г. И. Розенблат.

При окончательной обработке рукописи был учтен ряд ценных замечаний профессоров Н. И. Безухова и В. А. Киселева, а также кафедры строительной механики Московского автомобильно-дорожного института им. В. М. Молотова.

Необходимо отметить большую работу канд. техн. наук И. К. Снитко по подготовке задачника к изданию.

Проф. И. М. РАБИНОВИЧ

. ..

Скачать

Книги по требованию: В.Л. Гинзбург, Л.М. Левин, М.С. Рабинович, Д.В. Сивухин

• Книги
  • Художественная литература
  • Нехудожественная литература
  • Детская литература
  • Литература на иностранных языках
  • Путешествия. Хобби. Досуг
  • Книги по искусству
  • Биографии. Мемуары. Публицистика
  • Комиксы. Манга. Графические романы
  • Журналы
  • Печать по требованию
  • Книги с автографом
  • Книги в подарок
  • “Москва” рекомендует

  • Авторы • Серии • Издательства • Жанр

• Электронные книги
  • Русская классика
  • Детективы
  • Экономика
  • Журналы
  • Пособия
  • История
  • Политика
  • Биографии и мемуары
  • Публицистика
• Aудиокниги
  • Электронные аудиокниги
  • CD – диски
• Коллекционные издания
  • Зарубежная проза и поэзия
  • Русская проза и поэзия
  • Детская литература
  • История
  • Искусство
  • Энциклопедии
  • Кулинария. Виноделие
  • Религия, теология
  • Все тематики
• Антикварные книги
  • Детская литература
  • Собрания сочинений
  • Искусство
  • История России до 1917 года
  • Художественная литература. Зарубежная
  • Художественная литература. Русская
  • Все тематики
  • Предварительный заказ
  • Прием книг на комиссию
• Подарки
  • Книги в подарок
  • Авторские работы
  • Бизнес-подарки
  • Литературные подарки
  • Миниатюрные издания
  • Подарки детям
  • Подарочные ручки
  • Открытки
  • Календари
  • Все тематики подарков
  • Подарочные сертификаты
  • Подарочные наборы
  • Идеи подарков
• Канцтовары
  • Аксессуары делового человека
  • Необычная канцелярия
  • Бумажно-беловые принадлежности
  • Письменные принадлежности
  • Мелкоофисный товар
  • Для художников
• Услуги
  • Бонусная программа
  • Подарочные сертификаты
  • Доставка по всему миру
  • Корпоративное обслуживание
  • Vip-обслуживание
  • Услуги антикварно-букинистического отдела
  • Подбор и оформление подарков
  • Изготовление эксклюзивных изданий
  • Формирование семейной библиотеки

Расширенный поиск

Томер Рабинович — помогите вашей команде достичь поставленных целей в Amazon.

ТОМЕР РАБИНОВИЧ

ЕСЛИ ВЫ ХОТИТЕ ПРОДАВАТЬ БОЛЬШЕ,

ВЫ ДОЛЖНЫ БЫТЬ
ЛУЧШИМИ.

Связаться

ПРОЧИТАЙТЕ МОЮ ИСТОРИЮ

ТОМЕР РАБИНОВИЧ

Я добился больших успехов в качестве владельца бизнеса на Amazon, не имея опыта или формального обучения онлайн-продажам. Я приписываю это своей уникальной способности упрощать сложные задачи. Сейчас я очень востребованный спикер на мероприятиях, конференциях и семинарах по всему миру. Я учу и консультирую других продавцов Amazon о том, как использовать те же практические задачи, что и я, чтобы поднять и развить их собственный бизнес.

Узнать больше обо мне

УСЛУГИ

О МОИХ УСЛУГАХ

• Мастерские

Я хочу помочь продавцам, предоставив им   действенные стратегии, которые напрямую повлияют на их прибыль.
В конце любого семинара нет презентации и скрытой повестки дня. Я стремлюсь, чтобы моя мастерская была чистой ценностью для продавцов.

• TOP DOG MASTERMIND & СООБЩЕСТВО

Комбинация элитной программы вдохновения Томера, которая является флагманским сервисом для семи- и восьмизначных продавцов. наряду с эксклюзивным онлайн-сообществом для продвинутых продавцов.
Единственная платформа, которая служит 3 основным целям продавцов: увеличить прибыль своего бизнеса, запустить его на автопилоте, выйти и продать бизнес.

• ТОП СОБАК САММИТ

Это будет четвертое мероприятие, организованное Томером в Болгарии. Это ежегодное мероприятие ограничено небольшой группой продавцов FBA, которые получают возможность встретиться с одними из самых влиятельных людей в отрасли. Томер наставлял и тренировал многих специальных спикеров мероприятия, и они рады поделиться своими успехами и советами с посетителями.

ВИДЕО

СМОТРЕТЬ ПРЯМЫЕ СОБЫТИЯ ТОМЕРА

«Запусти, чтобы выиграть» на «sellercon 2019»

ДЛЯ ДОПОЛНИТЕЛЬНОГО БЕСПЛАТНОГО КОНТЕНТА НАЖМИТЕ ЗДЕСЬ

Смотреть больше видео

«К окончанию коучинга у меня было 3 новых продукта, 2 новых сотрудника и систематизация всего моего бизнеса»

Константин Олару

«За 9 месяцев мой бизнес на Amazon УВЕЛИЧИЛСЯ в размере»

ЛиЭнн Харпер

«Раньше я много инвестировала в свое «образование на Amazon», и каждый раз, когда я звонила, я узнавала что-то новое и применимое» и продолжает расти”

Ким ван Ирсел

Предыдущий

Далее

СОБЫТИЯ

ТОМЕР ПРИГЛАШЕН

В КАЧЕСТВЕ СПИКЕРА НА РАЗЛИЧНЫХ МЕЖДУНАРОДНЫХ МЕРОПРИЯТИЯХ

ПРЕДСТОЯЩИЕ СОБЫТИЯ

AdWork ScaleDay

• 20 НОЯБРЯ 2021 г.

Германия

• Конференция

Глобальные источники

• 16 НОЯБРЯ 2021 г.

ЖИВОЙ – Онлайн

• Конференция

Посмотреть все события

AI Интервью: Андрей Рабинович – Synthesis AI

Сегодня я с гордостью представляю нашего гостя для второго интервью, доктора Андрея Рабиновича. В настоящее время Эндрю является техническим директором и соучредителем Headroom Inc., стартапа, занимающегося созданием решений на основе ИИ для деловых онлайн-совещаний (ведение заметок, обнаружение и привлечение внимания, подведение итогов и т. д.) .  Доктор Рабинович добился многих важных достижений в области компьютерного зрения (вот его аккаунт Google Scholar), но он, вероятно, наиболее известен своей работой в качестве директора по глубокому обучению в Magic Leap, стартапе дополненной реальности, который поднял больше более 3 миллиардов долларов инвестиций.

Q1 . Привет, Андрей, и добро пожаловать! Позвольте мне начать с общего вопроса, который я также раскрою позже. У вас большой опыт работы в академических кругах, многочисленные статьи опубликованы на ведущих конференциях и сотни раз цитировались. В то же время некоторые из ваших главных достижений связаны с более «промышленной» исследовательской работой в таких стартапах, как Magic Leap.

Какая работа приносила вам больше удовлетворения? И в чем, на ваш взгляд, основные отличия процесса и/или результатов? На первый взгляд, исследовательская работа как в промышленности, так и в академических кругах должна давать новые решения, которые хорошо работают для рассматриваемой проблемы; есть ли здесь важные отличия?

Здравствуйте Сергей, я рад быть здесь и спасибо за приглашение. То, что вы, ребята, делаете в Synthesis, чрезвычайно важно для области компьютерного зрения, и я благодарен за то, что благодаря этим усилиям состояние компьютерного зрения и ИИ в целом улучшится на долгие годы вперед.

Это очень интересный вопрос, который восходит к студенческим временам, когда я работал над анализом медицинских изображений и интересовался созданием цитометров изображений — автоматических микроскопов с навыками вывода на основе машинного обучения. При разработке цитометра быстро стало очевидно, что современное состояние компьютерного зрения (тогда это называлось обработкой изображений) не совсем соответствует требованиям для решения практических задач, с которыми я сталкивался. Это осознание заставило меня обратиться к более теоретической работе и сосредоточиться на разработке основных алгоритмов зрения. Похожая ситуация произошла в Google, где я был очень рад работать над алгоритмами для Google Goggles, первого приложения дополненной реальности для Android и iPhone. Существовавшие тогда подходы до глубокого обучения не подходили для разработки интересующих нас функций продукта. Я снова обратился к более академическим исследованиям, и мне очень повезло работать над разработкой современных глубоких сетей, включая архитектуру Inception, которая в свою очередь мы применили визуальный поиск в Google Фото. Вы, наверное, догадываетесь, к чему все идет, та же история повторилась в Magic Leap. Я быстро понял, что для развития концепции смешанной реальности и устранения разрыва в восприятии между реальным и виртуальным контентом необходимо провести множество новых фундаментальных исследований в области компьютерного зрения и искусственного интеллекта.

В общем, академические и прикладные исследования в моем понимании неразделимы. Компьютерное зрение и машинное обучение не являются фундаментальными научными дисциплинами, они не описывают природу. Это инженерные задачи, которые необходимо решать в контексте практических задач. Промышленные исследования обеспечивают такой контекст. Если контекст выбран правильно, то решения конкретных инженерных задач обобщаются на другие задачи.

Q2 .  Наш блог посвящен синтетическим данным, поэтому вот самый ожидаемый вопрос. Во время работы в Headroom, Magic Leap и других стартапах вы использовали синтетические данные для решения задач компьютерного зрения? Каким образом и насколько это помогло (если, конечно, вам разрешено разглашать такую ​​информацию)? Помогло ли это приложениям дополненной реальности в Magic Leap?

Я был сторонником синтетических данных со времен моей работы в Google, где мы в значительной степени полагались на увеличение данных (синтетические данные 0. 1) для обучения глубоких моделей. В Magic Leap мы создали целую группу синтетических данных с фермами рендеринга и пользовательскими пайплайнами. В то время компании, занимающиеся синтетическими данными, были довольно редки, поэтому большую часть приходилось делать нам. Преимущества синтетических данных варьируются от отслеживания рук и глаз до трехмерной реконструкции и сегментации. В Headroom мы сотрудничаем с поставщиками синтетических данных по ряду проблем.

Вообще, есть две основные проблемы с данными для обучения. Во-первых, получение данных и их маркировка могут быть довольно дорогими и трудоемкими, независимо от того, включают ли они людей в цикл или нет. Сегодня многие компании создали эффективный конвейер для приема данных и предоставления к ним аннотаций. Однако вторая проблема гораздо более критична. Полагаться на способность человека аннотировать определенные типы данных вводит в заблуждение. Люди могут давать только относительные и качественные метки, такие как рисование ограничивающих рамок вокруг объектов или уточнение относительных расстояний. Если задача гораздо более конкретная, т.е. описать освещенность в помещении, или как далеко находится человек от машины (в сантиметрах), то эти вопросы человек не может с необходимой точностью, а при отсутствии конкретных датчиков синтетические данные это единственный путь вперед.

По своей конструкции машинно-генерируемые данные помечаются автоматически. Главный недостаток синтетических данных заключается в том, что они могут быть взяты из распределения, которое не представляет реальный мир. К счастью, этот разрыв быстро сокращается благодаря реалистичным подходам к синтезу и адаптации предметной области в ИИ.

Q3 . В одной из ваших последних работ, « ДЕЛЬТЫ: оценка глубины путем обучения триангуляции и уплотнению разреженных точек », кажется, сделан очень интересный вывод помимо его непосредственных результатов. Он реконструирует 3D-сетки сцен из изображений RGB с помощью сквозной сети, никогда не создавая промежуточную карту глубины, как это делает большинство других методов:

Для меня это звучит очень по-человечески: я могу ориентироваться в сложной трехмерной среде, и у меня довольно хорошее представление об относительной глубине (какой объект ближе, чем другой), но я определенно не могу создать точную карту глубины для моя комната. Более того, это согласуется с общей тенденцией глубокого обучения, которая кажется мне очевидной по крайней мере в последнее десятилетие: у нас нейронные сети все чаще выполняют сквозное обучение и учатся выполнять различные задачи напрямую, без предопределенных промежуточных представлений или побочные результаты. Компромисс здесь заключается в том, что обычно для сквозного обучения сложным задачам требуется гораздо больше данных, чем для более специализированного обучения, когда у вас есть, например, наземные карты глубины, помеченные правдой.

Согласны ли вы с тем, что эта тенденция существует, и если да, то как вы думаете, куда она нас приведет в ближайшем будущем, особенно в области компьютерного зрения? Существуют ли другие важные проблемы, которые можно решить с помощью таких сквозных архитектур, и достаточно ли у нас данных для этого? Чтобы сделать вопрос более открытым, какие еще тенденции в компьютерном зрении вы ожидаете сохранить в ближайшие пару лет (я думаю, что в глубоком обучении в любом случае нет смысла прогнозировать дальше пары лет). )?

Непрерывное обучение — очень привлекательная, почти романтическая идея. Формулировки обычно очень элегантны и просты. Однако, как вы правильно заметили, для учета всех вариантов требуется значительно больший объем обучающих данных. Вот почему большинство проблем не решаются от начала до конца, поскольку мы стремимся обеспечить надзор на этом пути. Что касается 3D-реконструкции, промежуточный контроль с картами глубины также проблематичен. Получение большого количества данных о глубине не является тривиальной задачей.

Что касается тенденций, то я не особо слежу за ними, так как они в основном определяются наличием наборов данных или финансированием. В последние несколько лет я сосредоточился на многозадачном обучении и считаю, что сосредоточение внимания на этой области ИИ приведет к значительному прогрессу благодаря обобщению во время обучения и индуктивной предвзятости во время логического вывода.

Забегая вперед, я полагаю, что разработка ИИ приближается к одной модальности за раз, когда применяется к мультимодальным задачам, которые нас окружают, искусственно усложняя проблему. Например, классическая проблема понимания видео обычно решается путем изоляции видео от всего остального. Однако наличие текста, доступного в сценариях фильмов или транскрипции в прямом эфире, и аудиоисточников делает проблему гораздо более решаемой. Мультимодальное многозадачное обучение — одна из областей ИИ, которой я больше всего восхищаюсь сегодня.

4 квартал . Интересно, что еще одна ваша недавняя статья, « MagicEyes: крупномасштабный набор данных для оценки взгляда для смешанной реальности », идет в прямо противоположном направлении. Это свидетельствует о том, что для оценки взгляда можно добиться лучших результатов, если учесть трехмерные свойства глаза (положение центра роговицы и центра зрачка в трехмерном изображении) и включить их в многозадачную архитектуру:

Оценка взгляда — одна из моих любимых  примеры для синтетических данных, потому что в нем есть все: «чисто синтетическое» решение, основанное на (буквально!) на ближайших соседях, GAN для преобразования синтетических данных в реальные, которые улучшают результаты, новые наборы синтетических данных, такие как NVGaze… Читателям , вот наш недавний пост об оценке взгляда. Но, похоже, мне придется обновить свою обычную историю: MagicEyes, которую вы представили в этой статье, представляет собой крупномасштабный набор данных с помеченными людьми реальными данными, и он позволяет получать лучшие результаты.

Очевидно, что для сбора этого набора данных потребовалось много денег и усилий. Это приводит к двум вопросам. В частности, считаете ли вы, что синтетические данные все еще могут помочь улучшить оценку взгляда? В статье не показаны эксперименты по обучению EyeNet на смешанных реальных и синтетических наборах данных: как вы думаете, стоит ли попробовать? И вообще, в каких других задачах компьютерного зрения вы ожидаете появления еще больших размеченных вручную реальных наборов данных в ближайшем будущем и как, по вашему мнению, это повлияет на применение синтетических данных в компьютерном зрении?

Отслеживание взгляда — очень интересный пример проблемы компьютерного зрения. Существуют десятилетия исследований человеческого зрения и нейробиологии о функциях и анатомии того, как мы видим. Наборы данных MagicEyes предназначены для сбора переменного набора данных от широкой группы субъектов, чтобы зафиксировать эту естественную изменчивость. Полученные представления из этих данных формируют основу распределения, которое мы хотим изучить для ряда различных задач, от обнаружения моргания до оценки трехмерного взгляда. Если бы MagicEyes был бесконечно большим, мы бы закончили. Маркировка такого рода данных возможна, хотя и медленная и дорогая. Дополняя MagicEyes синтетическими данными, мы получаем возможность значительно сократить время и затраты, а также увеличить размер обучающего набора данных и разнородность просмотренных примеров.

Что касается других проблем со зрением, то в настоящее время собираются и аннотируются ручные наборы данных для автономной навигации, спутниковых изображений и человеческого взаимодействия. Решение этих задач с дополнительными синтетическими данными будет крайне полезно. На самом деле, мы начинаем видеть, как опыт синтетических данных (конкретные компании выбирают области своего мастерства) разделяется на внутреннюю и внешнюю среду, а также на человеческие и искусственные объекты.

Q5 . А теперь позвольте мне вернуться к вопросу о противопоставлении промышленности и научных кругов с другой точки зрения. Готовя два предыдущих вопроса, я открыл ваш профиль Google Scholar и отсортировал публикации в хронологическом порядке. Естественно, вы никогда не переставали создавать первоклассные академические результаты, но оказалось, что гораздо проще искать ваши последние статьи в вашем профиле DBLP , потому что в вашем профиле Google Scholar в последнее время буквально доминируют патентные заявки. У вас были десятки таких за последние пару лет!

Является ли это просто формальным следствием вашей работы в MagicLeap и других стартапах или отражает более глубокую позицию относительно того, насколько практичной вскоре может стать ваша работа? Вообще говоря, насколько, по вашему мнению, мы (человечество) готовы к решению основных высокоуровневых задач компьютерного зрения: понимание 3D-сцены, визуальная навигация в реальном мире, создание бесшовной дополненной реальности и так далее? Дошли ли мы до конца, и если не совсем, то как долго, по вашему мнению, это займет в каждом случае?

Оформление патентов является стандартной практикой в ​​области промышленных исследований. Мне посчастливилось дополнить патентные заявки соответствующими рецензируемыми публикациями. Как мы обсуждали ранее, я считаю, что академические исследования в области компьютерного зрения и машинного обучения предшествуют их применению. Нынешняя весна ИИ, начавшаяся в 2012 году, открыла ряд направлений промышленных исследований, которые опираются на теоретические результаты и приведут к созданию инновационных продуктов в следующем десятилетии.

Что касается решения сложных задач на зрение и обучение, я думаю, что нам еще далеко. Машины стали превосходны в сопоставлении с образцом. В сети появляется большое количество практических приложений: от автономного вождения до дополненной реальности. Однако ограничивающими факторами здесь являются не только алгоритмы, но и датчики и данные. В дополненной реальности, например, компоненты ИИ доступны, но вычислительная мощность, батареи и дисплеи не позволяют создать привлекательный продукт.

Q6 .  Помимо вашей исследовательской работы в академических кругах и промышленности, вы также помогаете LDV Capital, одному из ведущих венчурных фондов для стартапов, связанных с ИИ, в качестве их Эксперта по месту жительства . Это может звучать как стандартный вопрос, но было бы очень интересно услышать ваше личное мнение по этому поводу: как вы оцениваете стартапы, которые приходят к вам на обзор? Что вы ищете больше всего и какие ошибки чаще всего совершают стартапы, исходя из вашего личного опыта? Может быть, вы могли бы поделиться некоторыми советами, касающимися стартапов, связанных с видением, поскольку это ваша личная область знаний, и LDV Capital, похоже, имеет это как важная область деятельности  а также.

Традиционное венчурное финансирование осуществляется в соответствии с тенденциями. Задающая тренд венчурная фирма инвестирует в конкретный сектор, а остальные фонды следуют за ней. Растущий страх упустить выгоду приводит к размещению больших объемов капитала. Как только появляется новая тенденция, большинство венчурных компаний с радостью меняют контекст или диверсифицируют бизнес. Когда я смотрю на стартапы, будь то мои собственные или чужие, я всегда ищу тезис о конечной цели и решаю, согласен ли я с ним. Например, компания X производит датчики LiDAR, лидары — горячая тема в наши дни. Для меня компания X интересна, потому что я считаю, что без LiDAR невозможно достичь определенных долгосрочных целей, одной из которых является беспилотное вождение. Если компания Х вписывается в глобальную схему вещей, она значима и фундаментальна для развития рынка, если она единична — создайте фильтры для вашего аккаунта в Instagram, — не очень.

Потом команда. Независимо от предшествующей направленности, наличие родословной, будь то академические исследования, разработка продуктов или исполнительное руководство, является обязательным. Отличить экспертов от мечтателей довольно просто.

Наконец, есть много честолюбивых предпринимателей, которые хотят основать компанию ради создания компании или потому, что у них есть доступ к интересным технологиям. В этой ситуации определение продукта исходит не из реальной необходимости улучшить существующий подход, а скорее из оппортунистической перспективы «давайте изобретем решение проблемы, которой не существует».