TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #1075 · 20.02
Айтишный опыт очень нелинейно конвертируется в деньги. Если у вас 3-5 лет опыта, и вы занимались развитием своих навыков, то можете получать зарплату мидла, пусть это будет X денег. За 10 лет опыта при продолжающемся развитии вы становитесь сеньором (кто-то быстрее, кто-то дольше), и тогда вы получаете 1.5X денег, ну может 1.75X, при очень большом везении 2X денег. Но если у вас 15-20 лет опыта, вам 2X+ никто не даст, и уж тем более 2.5-3X. Бывают отдельные случаи, когда какой-нибудь Бобук с офигенно раскрученным личным брендом получает миллионы (и то, на порнухе и казино), но глобально ситуация по рынку понятная. Получается, что после 10 лет опыта вы уже как бы достигли своей финансовой вершины в айти. Можно сместиться в руководство, но, во-первых, не каждому хочется, а, во-вторых, это требует иных навыков, которые тоже не у каждого есть. Да и не будет руководящих должностей на всех. А как там с другими профессиями? У некоторых профессий есть категории, разряды или формальные уровни квалификации, которые влияют на зарплату. Если вы сварщик шестого разряда или учитель высшей категории, то один этот факт будет добавлять к зарплате некоторый процент. Очень понятный путь прокачки. Но всё равно, когда упёрся в левел-кап, дальше уже роста не будет. А есть ли за что платить? Будет ли строитель с 20-летним опытом сильно больше уметь, чем строитель с 10-летним? Интуитивно кажется, что да, потому что 10 лет это типа 3-4 больших объекта, довольно мало. Уж точно 6-8 больших объектов звучат сильно солиднее. Видимо, зависит всё-таки от формата и сложности работы. У врачей, кажется, вообще никогда нельзя упереться в предел опыта. И по ощущениям тоже врач с 20 годами должен получать больше, чем с 10 (если в комментах есть врачи, расскажите, так ли это). Но в айти престарелые (по меркам айти) сеньоры сидят и тухнут. Я так BG3 бросил в середине третьего акта, потому что прокачка остановилась. К счастью, опыт в работе у меня складывался более интересный: сначала я пять лет пилил свои проекты с разной степенью успеха, потом пять лет был фрилансером, а теперь вот пять лет в энтерпрайзе. Точно есть, куда расти, и по навыкам и по деньгам. Существует ли ещё какая-то форма занятости? Свой айтишный бизнес, пожалуй, но тут уж совсем особые умения нужны. #life
Hashtags
Търсене: #mlm
@profcen · Post #383 · 16.08.2023 г., 09:03
Поэтому вести борьбу с купцами счастья нужно неустанно и постоянно, как за зарплаты и нормальные условия труда. Победа на этом фронте сулит значительные успехи и на остальных. Не слушайте игры нарядных дудочников. Думайте. Боритесь. @profcen_bot #инсайд#мошенничество#mlm#сетевоймаркетинг
@ai_machinelearning_big_data · Post #8817 · 20.10.2025 г., 20:41
⚡️BERT is just a Single Text Diffusion Step Любопытны пост, где автор объяснил на примере очень простую и очевидную, но мощную идею. Он заметил, что то, что мы называем диффузией текста, на самом деле - это просто обобщённая версия классического обучения BERT. Как работаетBERT? В BERT модель берёт текст и маскирует часть слов, а потом учится угадывать, какие слова были скрыты. В диффузии происходит почти то же самое, только шагов больше: на каждом шаге модель немного «портит» текст (добавляет шум), а затем восстанавливает его, всё меньше и меньше теряя смысл, пока не соберёт финальный чистый текст. То есть BERT делает один шаг очистки - угадывает замаскированные слова. А диффузионная модель делает много таких шагов подряд, постепенно превращая случайный набор токенов в осмысленный текст. Барри дообучил RoBERTa, чтобы показать это на практике - и получил настоящий текстовый диффузионный генератор. В примере: - Используется RoBER (улучшенная версия модели BERT,) и датасет WikiText. - На каждом шаге часть токенов заменяется на <MASK>, модель восстанавливает их, потом снова маскирует — и так несколько раз. - После нескольких итераций модель способна генерировать связный текст, даже без автогенеративного декодера (как у GPT). 📈Результаты - Модель генерирует осмысленный текст, хотя и не идеально связный. - Качество улучшалось по мере добавления шагов диффузии. - По времени генерации RoBERTa Diffusion была немного медленнее, чем GPT-2 (~13 сек против 9 сек), но архитектура осталась полностью encoder-only. Автор упоминает, что позже наткнулся на работу DiffusionBERT, где идею реализовали глубже и подтвердили результатами. Главная мысль: BERT можно считать одноступенчатой версией текстовой диффузии. Если добавить больше шагов, то vs получаем диффузионный генератор текста. Если BERT - это один шаг диффузии, то будущее может принадлежать моделям, совмещающим "понимание" и "генерацию" текста в одном процессе. https://nathan.rs/posts/roberta-diffusion/ @ai_machinelearning_big_data #AI#Diffusion#RoBERTa#BERT#LanguageModel#MLM#Research