100kitov.ru

Интересные факты — события, биографии людей, психология
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Как это сделано, как это работает, как это устроено

Discovery: Как это работает? (2001)
( Discovery: How it's made? )

Вам интересно, как делают привычные, обыденные вещи? Discovery Channel представляет новые серии фильма «Как это работает», который приглашает зрителей за кулисы производства самых обычных предметов начиная с хоккейных шайб и ручных пил и кончая буровыми долотами и замороженной картошкой фри. Передача » Как это работает» показывает, как делают эти обманчиво простые вещи. Мы каждый день пользуемся тысячами банальных предметов, но не очень просто понять, как на самом деле делают алюминиевые лестницы, шлемы пожарных, спички и блоки двигателей. Передача » Как это работает» запечатлела десятки конвейеров, на которых сырье превращается в готовые изделия прямо на глазах у зрителя. Удивительно, но большинство привычных и «простых» вещей делают на высокотехнологичном оборудовании на заводах по всему миру.

Коллекции с этим фильмом

Добавить к себе в коллекцию
Для фильма еще нет антологий. Добавить новую антологию?

Название фильма

Название антологии

  • Кадры из фильма
  • Трейлеры
  • Обзоры
  • С фильмом смотрят

Сцена из фильма Discovery: Как это работает? / Discovery: How it's made? (2001) Discovery: Как это работает? сцена 2 Сцена из фильма Discovery: Как это работает? / Discovery: How it's made? (2001) Discovery: Как это работает? сцена 1 Сцена из фильма Discovery: Как это работает? / Discovery: How it's made? (2001) Discovery: Как это работает? сцена 3

Фильмы похожие на Discovery: Как это работает?

vistos

kuprumin

MayDay

Интересно и познавательно. Узнал о том, о чем даже не задумывался.

Во-первых, дикторы иногда несут полный бред. То ли трудности перевода, то ли трудности переводчика с головой но когда тебе говорят что берут квадратную заготовку, а она круглая хочется запустить чем-нибудь в экран. Это еще то что видно, а если какие то вещи знаешь не понаслышке, то желание побить выпускающих возрастает в разы.

Во-вторых, по формату передачи отведено равное количество времени на любые производства. Где-то заметно растягивают, показывая один и тот же процесс неоднократно. Где-то зияют дыры в отображение процессов производства.

В-третьих, Петросяньи шуточки ну просто вымораживают. Приловчился перематывать.

В-четвертых, есть вещи, которые все же сильно устарели, хотя таких моментов не много.

В-пятых, некоторые серии озвучивает отвратительный диктор. С неприятной подачей информацией и с неправильными ударениями. Хорошо, что редко попадаются эти серии.

tolya-turkin

Как устроена Алиса. Лекция Яндекса

В этой лекции впервые рассматриваются технологические решения, на основе которых работает Алиса — голосовой помощник Яндекса. Руководитель группы разработки диалоговых систем Борис Янгель hr0nix рассказывает, как его команда учит Алису понимать желания пользователя, находить ответы на самые неожиданные вопросы и при этом вести себя прилично.

— Я расскажу, что внутри у Алисы. Алиса большая, в ней много компонент, поэтому я немного поверхностно пробегусь.

Алиса — голосовой помощник, запущенный Яндексом 10 октября 2017 года. Она есть в приложении Яндекса на iOS и Android, а также в мобильном браузере и в виде отдельного приложения под Windows. Там можно решать свои задачи, находить информацию в формате диалога, общаясь с ней текстом или голосом. И есть киллер-фича, которая сделала Алису довольно известной в рунете. Мы пользуемся не только заранее известными сценариями. Иногда, когда мы не знаем, что делать, мы используем всю мощь deep learning, чтобы сгенерировать ответ от имени Алисы. Это получается довольно забавно и позволило нам оседлать поезд хайпа.

Как выглядит Алиса высокоуровнево?

Пользователь говорит: «Алиса, какую ожидать завтра погоду?»

Первым делом мы его речь стримим в сервер распознавания, он превращает ее в текст, и этот текст затем попадает в сервис, разработкой которого занимается моя команда, в такую сущность, как классификатор интентов. Это машиннообученная штука, задача которой — определить, чего же пользователь хотел сказать своей фразой. В этом примере классификатор интентов мог сказать: окей, наверное, пользователю нужна погода.

Затем для каждого интента есть специальная модель, которая называется семантический теггер. Задача модели — выделить полезные крупицы информации в том, что сказал пользователь. Теггер для погоды мог бы сказать, что завтра — это дата, на которую пользователю нужна погода. И все эти результаты разбора мы превращаем в некоторое структурированное представление, которое называется фреймом. В нем будет написано, что это интент погода, что погода нужна на +1 день от текущего дня, а где — неизвестно. Вся эта информация попадает в модуль dialog manager, который, помимо этого, знает текущий контекст диалога, знает, что происходило до этого момента. Ему на вход поступают результаты разбора реплики, и он должен принять решение, что с ними сделать. Например, он может сходить в API, узнать погоду на завтра в Москве, потому что геолокация пользователя — Москва, хоть он ее и не указал. И сказать — сгенерируйте текст, который описывает погоду, затем его отправить на модуль синтеза речи, который с пользователем поговорит прекрасным голосом Алисы.

Dialog Manager. Здесь нет никакого машинного обучения, никакого reinforcement learning, там только конфиги, скрипты и правила. Это работает предсказуемо, и понятно, как это поменять, если нужно. Если менеджер приходит и говорит, поменяйте, то мы можем это сделать в короткие сроки.

Читайте так же:
Первая в мире почтовая открытка с маркой — рассмотрим все нюансы

В основе концепции Dialog Manager лежит концепция, известная тем, кто занимается диалоговыми системами, как form-filling. Идея в том, что пользователь своими репликами как бы заполняет некую виртуальную форму, и когда он в ней заполнит все обязательные поля, его потребность можно удовлетворить. Движок event-driven: каждый раз, когда пользователь что-то делает, происходят какие-то события, на которые можно подписываться, писать их обработчики на Python и таким образом конструировать логику диалога.

Когда нужно в сценариях сгенерировать фразу — например, мы знаем, что пользователь говорит про погоду и нужно ответить про погоду, — у нас есть мощный язык шаблонов, который позволяет нам эти фразы писать. Вот так это выглядит.

Это надстройка над питонячьим шаблонизатором Jinja2, в которую добавили всякие лингвистические средства, например возможности склонять слова или согласовывать числительные и существительные, чтобы можно было легко когерентный текст писать, рандомизировать кусочки текста, чтобы увеличивать вариативность речи Алисы.

В классификаторе интентов мы успели попробовать множество разных моделей, начиная от логистической регрессии и заканчивая градиентным бустингом, рекуррентными сетями. В итоге остановились на классификаторе, который основан на ближайших соседях, потому что он обладает кучей хороших свойств, которых у других моделей нет.

Например, вам часто надо иметь дело с интентами, для которых у вас есть буквально несколько примеров. Просто учить обычные классификаторы мультиклассовые в таком режиме невозможно. Например, у вас оказывается, что во всех примерах, которых всего пять, была частица «а» или «как», которой не было в других примерах, и классификатор находит самое простое решение. Он решает, что если встречается слово «как», то это точно этот интент. Но это не то, чего вы хотите. Вы хотите семантической близости того, что сказал пользователь, к фразам, которые лежат в трейне для этого интента.

В итоге мы предобучаем метрику на большой датасете, которая говорит о том, насколько семантически близки две фразы, и потом уже пользуемся этой метрикой, ищем ближайших соседей в нашем трейнсете.

Еще хорошее качество этой модели, что ее можно быстро обновлять. У вас появились новые фразы, вы хотите посмотреть, как изменится поведение Алисы. Все, что нужно, это добавить их множество потенциальных примеров для классификатора ближайших соседей, вам не нужно переподбирать всю модель. Допустим, для нашей рекуррентной модели это занимало несколько часов. Не очень удобно ждать несколько часов, когда вы что-то меняете, чтобы увидеть результат.

Семантический теггер. Мы пробовали conditional random fields и рекуррентные сети. Сети, конечно, работают намного лучше, это ни для кого не секрет. У нас там нет уникальных архитектур, обычные двунаправленные LSTM с attention, плюс-минус state-of-the-art для задачи тегирования. Все так делают и мы так делаем.

Единственное, мы активно пользуемся N-best гипотез, мы не генерируем только самую вероятную гипотезу, потому что иногда нам нужна не самая вероятная. Например, мы перевзвешиваем зачастую гипотезы в зависимости от текущего состояния диалога в dialog manager.

Если мы знаем, что на предыдущем шаге мы задали вопрос про что-то, и есть гипотеза, где теггер что-то нашел и гипотеза, где не нашел, то наверное, при прочих равных первое более вероятно. Такие трюки нам позволяют немного улучшить качество.

А еще машиннообученный теггер иногда ошибается, и не совсем точно в самой правдоподобной гипотезе находят значение слотов. В этом случае мы ищем в N-best гипотезу, которая лучше согласуется с тем, что мы знаем о типах слотов, это позволяет тоже еще немного качество заработать.

Еще в диалогах есть такое явление Анафора. Это когда вы с помощью местоимения ссылаетесь на какой-то объект, который был раньше в диалоге. Скажем, говорите «высота Эвереста», и потом «в какой стране он находится». Мы анафоры умеем разрешать. Для этого у нас две системы.

Одна general-purpose система, которая может работать на любых репликах. Она работает поверх синтаксического разбора всех пользовательских репликах. Если мы видим местоимение в его текущей реплике, мы ищем known phrases в том, что он сказал раньше, считаем для каждой из них скорость, смотрим, можно ли ее подставить вместо этого местоимения, и выбираем лучшую, если можем.

Читайте так же:
5 удивительных мест Дели

А еще у нас есть система разрешения анафор, основанная на form filling, она работает примерно так: если в предыдущем интенте в форме был геообъект, и в текущем есть слот для геообъекта, и он не заполнен, и еще мы в текущий интент попали по фразе с местоимением «туда», то наверное, можно предыдущий геообъект импортировать из формы и подставить сюда. Это простая эвристика, но производит неплохое впечатление и круто работает. В части интентов работает одна система, а в части обе. Мы смотрим, где работает, где не работает, гибко это настраиваем.

Есть эллипсис. Это когда в диалоге вы опускаете какие-то слова, потому что они подразумеваются из контекста. Например, вы можете сказать «расскажи погоду», а потом «а на выходных?», имея в виду «расскажи погоду на выходных», но вы хотите повторять эти слова, потому что это ни к чему.

С эллипсисами мы тоже умеем работать примерно следующим образом. Эллиптические фразы или фразы-уточнения — это отдельные интенты.

Если есть интент get_weather, для которого в трейне фразы типа «расскажи погоду», «какая сегодня погода», то у него будет парный интент get_weather_ellipsis, в котором всевозможные уточнения погоды: «а на завтра», «а на выходные», «а что там в Сочи» и так далее. И эти эллиптические интенты в классификаторе интентов на равных конкурируют со своими родителями. Если вы скажете «а в Москве?», классификатор интентов, например, скажет, что с вероятностью 0,5 это уточнение в интенте погода, и с вероятностью 0,5 уточнение в интенте поиска организаций, например. И затем диалоговый движок перевзвешивается scores, которые назначил классификатор интентов, который назначил их с учетом текущего диалога, потому что он, например, знает, что до этого шел разговор о погоде, и вряд ли это было уточнение про поиск организаций, скорее это про погоду.

Такой подход позволяет обучаться и определять эллипсисы без контекста. Вы можете просто откуда-то набрать примеров эллиптических фраз без того, что было раньше. Это довольно удобно, когда вы делаете новые интенты, которых нет в логах вашего сервиса. Можно или фантазировать, или чего-то придумывать, или пытаться на краудсорсинговой платформе собрать длинные диалоги. А можно легко насинтезировать для первой итерации таких эллиптических фраз, они будут как-то работать, и потом уже собирать логи.

Вот жемчужина нашей коллекции, мы называем ее болталкой. Это та самая нейросеть, которая в любой непонятной ситуации чего-то от имени Алисы отвечает и позволяет вести с ней зачастую странные и часто забавные диалоги.

Болталка — на самом деле fallback. В Алисе это работает так, что если классификатор интентов не может уверенно определить, чего хочет пользователь, то другой бинарный классификатор сперва пытается решить — может, это поисковый запрос и мы найдем что-то полезное в поиске и туда отправим? Если классификатор говорит, что нет, это не поисковый запрос, а просто болтовня, то срабатывает fallback на болталку. Болталка — система, которая получает текущий контекст диалога, и ее задача — сгенерировать максимально уместный ответ. Причем сценарные диалоги тоже могут являться частью контекста: если вы говорили про погоду, а потом сказали что-то непонятное, сработает болталка.

Это позволяет нам делать вот такие штуки. Вы спросили про погоду, а потом болталка ее как-то прокомментировала. Когда работает, выглядит очень круто.

Болталка — DSSM-подобная нейронная сеть, где есть две башни энкодера. Один энкодер кодирует текущий контекст диалога, другой — ответ-кандидат. У вас получается два embedding-вектора для ответа и контекста, и сеть обучается так, чтобы косинусное расстояние между ними было тем больше, чем уместнее данный ответ в контексте и чем неуместнее. В литературе эта идея давно известна.

Почему у нас вроде неплохо все работает — кажется, что чуть лучше, чем в статьях?

Читайте так же:
Как производят молоко

Никакой серебряной пули нет. Нет техники, которая позволит внезапно сделать классно разговаривающую нейронную сеть. Нам удалось достичь неплохого качества, потому что мы в качестве понемножку выиграли везде. Мы долго подбирали архитектуры этих башен-энкодеров, чтобы они лучше всего работали. Очень важно правильно подобрать схему сэмплирования отрицательных примеров в обучении. Когда вы обучаетесь на диалоговых корпусах, у вас есть только положительные примеры, которые когда-то кем-то были сказаны в таком контексте. А отрицательных нет — их нужно как-то генерировать из этого корпуса. Там есть много разных техник, и одни работают лучше, чем другие.

Важно, как вы выбираете ответ из топа кандидатов. Можно выбирать наиболее вероятный ответ, предлагаемый моделью, но это не всегда лучшее, что можно сделать, потому что при обучении модель учитывала не все характеристики хорошего ответа, которые существуют с продуктовой точки зрения.

Ещё очень важно, какими дата-сетами вы пользуетесь, как их фильтруете.

Чтобы по крупицам собрать из этого всего качество, надо уметь измерять все, что вы делаете. И тут наша гордость состоит в том, что все аспекты качества системы мы умеем мерить на нашей краудсорсинговой платформе по кнопке. Когда у нас появляется новый алгоритм генерации результатов, мы в несколько кликов можем сгенерировать ответ новой модели на специальном тестовом корпусе. И — померить все аспекты качества полученной модели в Толоке. Основная метрика, которой мы пользуемся, — логическая уместность ответов в контексте. Не надо говорить чушь, которая никак с этим контекстом не связана.

Есть ряд дополнительных метрик, которые мы стараемся оптимизировать. Это когда Алиса к пользователю на «ты» обращается, говорит о себе в мужском роде и произносит всякие дерзости, гадости и глупости.

Как это сделано, как это работает, как это устроено

Как устроены шнековые соковыжималки

11.08.2016

Август со своим жарким солнцем и урожайным разнообразием – идеальная пора, чтобы отказаться хотя бы на время от тяжелой пищи и удариться в плодово-ягодную диету. Лучший вариант –свежевыжатые соки.

Как устроены шнековые соковыжималки

Говоря о приготовлении свежевыжатых соков, большинство по-прежнему представляет себе какие-нибудь олдскульные цитрус-прессы — нехитрые устройства, позволяющие приготовить сок из тех фруктов, из которых его при должном желании можно добыть и руками.

Другое дело, когда речь заходит о не самых очевидных вещах. Например, овощных, ягодных соках, а то и вовсе – напитках, сделанных из орехов, проростков, семян или других «несочных», но желанных ввиду своей полезности продуктах.

Как устроены шнековые соковыжималки

Чтобы узнать, как добывается свежевыжатый сок из чего угодно, мы обратились к южно-корейскому бренду Hurom, мировому лидеру в производстве шнековых соковыжималок. Именно их технологию сейчас используют в 85 странах мира, когда хотят получить реально чистый и богатый витаминами сок.

Как устроены шнековые соковыжималки

При ближайшем рассмотрении становится понятно, что механизм работы шнековой соковыжималки напоминает мясорубку.

Как устроены шнековые соковыжималки

В загрузочное отверстие подаются фрукты, корнеплоды, ягоды, трава, овощи, орехи и всё то, что планируется перевести в жидкое состояние.

Как устроены шнековые соковыжималки

Далее специальный винт ( собственно, он и именуется шнеком) захватывает продукт, прижимая его к стенкам чаши, выдавливая сок и протирая мякоть через сетку определенного диаметра, отбрасывая в сторону весь жмых.

Как устроены шнековые соковыжималки
Как устроены шнековые соковыжималки

Сетка соковыжималки определяет плотность полученного напитка. Поставите мелкую – на выходе появится чистый, прозрачный экстракт без намека на примеси. Выберете отверстия побольше – получите тот самый сок-пюре, смузи, а то и вовсе какой-нибудь суп гаспаччо.

Как устроены шнековые соковыжималки

Всему миру шнековые соковыжималки полюбились благодаря способности выжимать из продуктов больше сока, чем дает любой другой механизм – будь то пресс или центрифуга. Это связано с тем, что принцип работы шнековых соковыжималкок подразумевает сначала разламывание продукта(за счет лопастей винта), а затем выдавливание, что позволяет отдельно обработать каждый небольшой кусочек и извлечь из него максимум сока, оставляя на выходе совершенно сухой жмых.

Как устроены шнековые соковыжималки

Главный подвох для знатоков соковыжимания – в скорости кручения шнека. Вопреки ожиданиям, котируется здесь способность выжимать медленно, а не быстро: чем меньше оборотов делает шнек, тем меньше нагреваются ингредиенты — и тем больше в полученном напитке сохраняется вкус, аромат и, главное, все те полезные вещества и витамины, что содержатся лишь в сырых, термически необработанных продуктах.

Кстати, именно благодаря малооборотности такие соковыжималки максимально бесшумны. Тем, кто хоть раз пытался приготовить завтрак, пока в доме все спят – этот бонус будет особенно близок.

А вот, для вдохновения, приятный рецепт свежевыжатого микса, который по жаре сможет заменить и обед, и ужин и всё на свете.

Читайте так же:
Ученые смогли вернуть молодость старым клеткам, как им это удалось?

Как устроены шнековые соковыжималки

Среднее яблоко и морковь приблизительно такого же размера очищаются от кожицы и нарезаются крупными кусочками. Такие же действия проделываются с корнем сельдерея (ориентировочно грамм 50-60). Все ингредиенты закладываются в соковыжималку. В полученный напиток можно добавить пару капель лимона.

Как это сделано, как это работает, как это устроено. Как это сделано, как это работает, как это устроено Алиса в кроличьей норе

Как это сделано, как это работает, как это устроено

Сегодня поделюсь рецептом лаймовой настойки, которую так же называют «Limechello».

Для приготовления ликёра нам понадобятся:

* Водка — 1 литр;
* Спирт — 200 мл (96 градусов);
* Кардамон — 3 стручка;
* Сахар — 200 г.;
* Вода;
* Лаймы — 5 шт.

Последовательность действий следующая:

1. Берём лаймы, моем их. С 1-2 лаймов (вкусно и так, и так) срезаем цедру и из всех выдавливаем сок. Тщательно.

* Старайтесь, чтобы цедра была без белых участков. Чем мельче будет нарезана цедра, тем быстрее будет отдавать аромат напитку и тем меньше времени уйдёт на настаивание.

2. Берём емкость, объёмом не менее 2 литров., отмечаем на ней уровень в 2 литра. Выливаем в тару водку, спирт и сок из наших лаймов. Туда же добавляем цедру и кардамон.

3. Плотно закрываем емкость и на 4-7 дней убираем в тёмное место. Через 4-7 готовим сироп.200 грамм сахара и 200 мл воды всыпаем — вливаем в кастрюльку с толстым дном, ставим на огонь, помешивая доводим до полного растворения сахара и начала кипения, но кипеть не даём. Остужаем, снимаем пену (если осталась) и переливаем в нашу емкость с цедрой, кардамоном и алкоголем.

4.В ту же кастрюльку наливаем еще 100 мл воды, прополаскиваем и аккуратно начинаем постепенно переливать в ёмкость с цедрой, кардамоном и алкоголем так, чтобы общее количество продукта довести до нашей отметки в 2 литра. Если получилось, то появится Барак и одобрит.

5. Оставляем напиток в покое на пару дней, затем снимаем пробу. Ну как, вкусно? Если оставить ещё на пару дней, то будет вообще огонь.После 2-4 дней, в зависимости от вашей силы воли, берем бинтик — марлю в 4 слоя и фильтруем напиток. Оставляем ещё на пару дней и можно активно употреблять.

Спирт используем пищевой, без сторонних примесей, максимально нейтральный на запах.

Лаймы можно заменить на лимоны, грейпфруты, апельсины и другие цитрусовые. Можно миксовать. В общем, творчеству нет предела, формула изготовления напитка понятная. Получается вкусно при любом раскладе. Я иногда воды немного недоливаю до 2 литров, чтобы напиток был более крепким. Пьётся всё мягко и приятно, закуски и «запивки» не требует.

Как это сделано, как это работает, как это устроено. (28 фото + 1 видео)

Как сделать Франкенштейна.

Нет, это не куски разделанной курицы или какого-то другого животного, это составные части нового модульного тела, созданного искусственным образом.
Cегодня в kak_eto_sdelano мы расскажем зачем это сделано и что это такое.

Но мы начнем с самого начала. Проект «Оскар», судя по презентации на их сайте преследует цель сделать человека более совершенным.

Человеческое тело представляет биологический организм с закрытой системой. То есть в нем нельзя просто так взять и поменять какую-то деталь, разве что при трансплантации, причем взяв нужную деталь у другого организма, и то не каждую.

Специалисты проекта рассматривают человеческое тело как устаревшую модель, которое нуждается в постоянном обновлении, чтобы человек как можно дольше продолжал жить.

Нужно сделать так, чтобы в случае старения отдельных органов или болезни можно было поменять любую деталь, притом сделать так, чтобы она идеально подходила и не отторгалась организмом.

Для того, чтобы воплотить эту идею в жизнь возник проект Корнелиуса Власмана, который решил создать организм с открытой системой, в которой можно легко заменить нужную деталь, как в технике, которая используется у нас в быту. Так называемое «модульное тело».

Прототип модульного тела состоит из электронного мозга, который дает импульсы, сердца, легких, почек и конечностей.

Модульный организм можно собрать и разобрать как конструктор, поменять устаревшую, негодную деталь.

У нее есть кровеносная и нервная система, как и у человека.

Но как был создан модульный организм? Были сделаны компьютерные модели частей, проработаны все детали.

Читайте так же:
Какая температура в багажном отсеке самолета?

После чего создатель проекта Корнелиус Власман произвел биопсию — ему отрезали кусочек кожи, чтобы создать на основе клеток человека модульное тело для проекта.

При создании частей нового организма была применена 3D печать. Так были напечатаны сердце, легкие, почки и мышцы конечностей для «Оскара»

В качестве скелета были использованы пластиковые прототипы.

Для конечностей были выращены ткани мышц, и все на основе клеток кожи Корнелиуса Власмана.

Сердце заключено в клетку из пластикового скелета.

Ну и конечно же электронный мозг, который был сделан другим специалистом из команды проекта «Оскар».

Осталось только показать, как это работает. Доктор Корнелиус Власман соберет воедино модульный организм.

Берем кусочки созданного модульного тела — электронный мозг, сердце, легкие почки и конечности.

В первую очередь подключаем к мозгу сердце, которое начинает биться и перегонять кровь.

Потом легкие и почки.

и в конце конечности, которые заставляют модульный организм ползать по поверхности. Настоящее чудо!

Для того, чтобы модульное тело не убежало от своего создателя оно хранится в разобранном состоянии в специальных ящиках в лаборатории. Так как у «Оскара» нет своей имунной системы, оно подвержено инфекциям и ему постоянно делают вакцинацию против различных болезней.

Напомнило мне эту картинку)

Как утверждают создатели проекта, если нужно модульный организм можно будет трансформировать в создание с большим количеством сердец, почек и конечностей. Вам это ничего не напоминает?

Большая идея карманного размера! Сегодня был создан «Оскар», а завтра воплотится в жизнь идея заменяемости частей тела для человека!

Источник: youtu.be

Обязательно посмотрите видео!

На самом деле все не так, как может выглядеть. Сайт проекта «Оскар» рассказывает о том, как все создавалось, однако в начале стоит важное примечание, что это online science fiction story — научно-фантастический рассказ. И хотя все выглядит очень правдоподобно, это всего лишь интернет проект, цель создания которого пока неизвестна, но будет раскрыта в ближайшее время. Скорее всего вирусное видео для будущего голливудского фильма. Что интересно, за двое суток количество просмотров этого видео в фейсбуке уже достигло 9 млн. просмотров.
Но несмотря на то, что это не является правдой, проект «Оскар» все же заставляет задуматься над будущим и технологиями, которые изменят наше будущее, надеюсь в лучшую сторону.

Как это сделано

  • Жанры : Наука и культура
  • Год создания : 2011
  • Страна : Россия

Актёры и команда 1

Фото 16

Видео 98

Как это сделано

«Как это сделано» – познавательная программа ТВ-3.

Развлекательная программа «Как это сделано» раскроет секреты изготовления самых простых, на первый взгляд, вещей.

О передаче Как это сделано

Многое в нашей жизни мы воспринимаем как само собой разумеющееся. Никого уже не удивишь полиэтиленовыми пакетами, пластиковыми бутылками, расписанными тканями, всевозможными техническими приспособлениями. Мы пользуемся ежедневно сотнями и тысячами вещей, не задумываясь об их уникальности.

Оказывается, в производстве простых, на первый взгляд, вещей кроется масса познавательного и интересного. Вы задумывались о том, как делают зонтики, значки, прищепки, обычную фольгу или компакт-диски? Как плетут корзины или расписывают платки? Как делают лыжи, косметику, машины?

Программа «Как это сделано» проведет вас в святая святых – на фабрики и заводы, где производят самые разные вещи: ватные палочки, йогурты, радиаторы отопления.

В каждом выпуске программы «Как это сделано» три сюжета о разнообразных предметах. Вместе с ведущим Антоном Комоловым зрители увидят, как делаются неоновые вывески, сноуборды, видеоигры, термопосуда, линзы для глаз и многое-многое другое.

Ведущий передачи Как это сделано

Антон Комолов знает, как это сделано! Антон Комолов – человек, который честно получил диплом специалиста точных наук, но предпочел работать в мире неточного и спонтанного шоу-бизнеса.

Его дебют на экране состоялся на канале BIZ-TV, с тех пор начался роман Комолова с телевидением.

Антон Комолов очаровывает поклонниц своей лучезарной улыбкой, он настоящий секс-символ молодежи 90-х. Шоумен по призванию является постоянным членом жюри КВН, снимается в рекламе, ведет праздники, ток-шоу, концерты.

Интересные факты о передаче Как это сделано

Передача «Как это сделано» входит в пятерку любимых телепередач ее ведущего Антона Комолова.

голоса
Рейтинг статьи
Ссылка на основную публикацию