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 3 подобни публикации

Търсене: #quantization

当前筛选 #quantization清除筛选
GitHub Trends

@githubtrending · Post #14747 · 25.05.2025 г., 11:30

#python#deep_learning#intel#machine_learning#neural_network#pytorch#quantization Intel Extension for PyTorch boosts the speed of PyTorch on Intel hardware, including both CPUs and GPUs, by using special features like AVX-512, AMX, and XMX for faster calculations[5][2][4]. It supports many popular large language models (LLMs) such as Llama, Qwen, Phi, and DeepSeek, offering optimizations for different data types and easy GPU acceleration. This means you can run advanced AI models much faster and more efficiently on your Intel computer, with simple setup and support for both ready-made and custom models. https://github.com/intel/intel-extension-for-pytorch

GitHub Trends

@githubtrending · Post #15091 · 24.08.2025 г., 11:30

#python#comfyui#diffusion#flux#genai#mlsys#quantization Nunchaku is a fast and efficient engine that runs 4-bit neural networks using a special method called SVDQuant, which compresses models to use less memory and speed up processing by 2 to 5 times compared to older methods. It supports advanced AI models for tasks like high-quality text-to-image generation and image editing, working best on modern NVIDIA GPUs. You can easily install and use it with ComfyUI, and it has active community support on Slack, Discord, and WeChat. This means you can generate or edit images quickly with less computing power, saving time and resources. It also offers tutorials and example workflows to help you get started smoothly. https://github.com/nunchaku-tech/ComfyUI-nunchaku

GitHub Trends

@githubtrending · Post #15385 · 02.01.2026 г., 12:30

#python#deep_learning#inference#openai#quantization#speech_recognition#speech_to_text#transformer#whisper Faster-Whisper is a fast version of OpenAI's Whisper that transcribes audio up to 4x quicker with the same accuracy, using less memory on CPU or GPU—benchmarks show it beats original Whisper (e.g., 1m03s vs 2m23s for 13-min audio on GPU). Install via `pip install faster-whisper`, no FFmpeg needed, and use simple Python code like `WhisperModel("large-v3").transcribe("audio.mp3")` for segments with timestamps. You benefit by getting quick, efficient speech-to-text for real-time apps, saving time and resources on long files or batches. https://github.com/SYSTRAN/faster-whisper