TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #1036 · 4.11

У меня в голове сложилась модель, объясняющая, в частности, почему не взлетели бизнесы типа "Доставляем сырые, но расфасованные продукты, чтобы из них быстро готовить блюдо". И в эту модель укладывается много других вещей. Всё дело в том, какой труд мы исключаем из цепочки действий для получения результата — квалифицированный или нет. Неквалифицированный труд, грубо говоря, это то, что вы можете сделать сами, чтобы сохранить деньги и не платить их кому-то. Исключение неквалифицированного труда отлично работает и превращается в новые бизнесы. Например, такси это "труд + оборудование" (доставка автомобиля к вам и разрешение переместиться на нём куда нужно). Но если исключить водителя, схема всё ещё работает: каршеринг, а за рулём вы сами. Если исключить кассира в магазине, мы получаем терминалы самообслуживания, на которые всё больше переходят сети. Если исключить риелтора, получим AirBnb, если продавца-консультанта — маркетплейсы. Без сборщиков мебели будет IKEA, без официантов — фастфуд и так далее. Кстати, добавление к чему-то неквалифицированного труда тоже генерирует новые бизнесы, но тут важная составляющая: неквалифицированный час должен стоить значимо меньше, чем ваш час, чтобы вы отдали деньги, а не время. Доставка еды или какой-нибудь клининг работает только за счёт того, что людям платят очень мало, без нормального оформления по ТК и без выплаты налогов. Так вот. Доставка продуктов для готовых блюд это исключение части квалифицированного (!) труда шеф-повара. Я заказывал такие наборы пару раз, и получалось не то чтобы плохо, но средненько, хуже, чем готовит профессионал в ресторане. Получается я плачу меньше, но адекватно заменить тот труд, за который не заплатил, не могу. Так что мне выгодно или совсем купить обычные продукты, без фасовки (это дешевле), или уже купить готовое в ресторане (это вкуснее). И любая другая попытка частично исключить квалифицированный труд не будет сходиться. Либо полностью исключать, роняя цену, либо полностью включать. Кстати, я думаю low-code по этой же причине особо не стал массовым стандартом ни для чего. Либо совсем исключать код и оставлять какой-нибудь конструктор из готовых компонентов, либо кодить. #life

Hashtags

Резултати

Намерени 2 подобни публикации

Търсене: #predictiveanalytics

当前筛选 #predictiveanalytics清除筛选
Data Science Jobs

@datasciencejobs · Post #1684 · 21.09.2023 г., 07:01

#вакансия#job#datascience#mlengineer#research#predictiveanalytics Роль: Middle ML engineer в IDecide Локация компании и заказчика: РФ Работать можно удалённо. Москва или Подмосковье - преимущество с т.з. возможности пересекаться в офисе с командой). Такое есть команда в Иваново. Доход: 200-250К net Отклики присылать: @mipt_nz Статус: есть экспериментальный код модели предсказания оттока клиентов для компании финансового сектора. Модель включает в себя предобработку данных, генерацию фичей, ML модель и rule-based часть. Задачи: Необходимо сделать рефакторинг кода для внедрения в продакшен, для этого: - разобраться в текущем коде модели (в этом помогут текущие разработчики модели); - написать тесты; - переструктурировать код в соответствии со стандартами индустрии (за образец можно взять классы scikit-learn); - сопроводить код комментариями и документацией. Требования: - знание классического ML и python; - опыт написания продакшен кода в ML; - хорошее знание ООП; - знание структуры классов scikit-learn, либо желание разобраться в ней; - базовое владение: git, командная строка linux, docker, понимание сервисной архитектуры. Интересный проект по предсказанию поведения пользователей на основе исторических данных. Присоединяйтесь, ждём Вас в команду 🤗

Crypto M - Crypto News

@CryptoM · Post #64826 · 10.04.2026 г., 02:43

🚀 AI's Impact on Investment and Trading: Insights from Nansen CEO PANews posted on X (formerly Twitter) about a discussion with Nansen CEO Alex Svanevik on the evolving role of AI in investment and trading. Svanevik highlighted that 'smart money 2.0' is transforming into a predictive system, with agent trading expected to surpass human trading by 2028. However, he emphasized the need for users to build a 'trust ladder' before fully relying on trading agents. The conversation also covered the implementation of tools like OpenClaw in enterprise settings, where safety is prioritized over speed. Svanevik shared insights on how the Nansen team utilizes OpenClaw and how AI is reshaping team structures. He noted that 'judgment' is becoming the most scarce resource within AI-native companies. Svanevik further pointed out that low latency, overcoming AI bottlenecks, and open-source solutions will define the next generation of agent infrastructure. #AI#Investment#Trading#FinTech#MachineLearning#PredictiveAnalytics#OpenSource#EnterpriseAI#FinancialTechnology#AlgorithmicTrading