Намери подобно съдържание

Изходен канал @clockstackwheels · Post #134 · 7.01

Прогулялись вчера по праздничному городу, и я вновь посокрушался о том, как мало места выделено пешеходам по сравнению с автомобилями. Вообще, среди идеологий нового времени именно урбанистика выделяется по ряду критериев. Да, её, как и многие другие идеологии (например, равноправие полов) исповедуют прогрессивные люди, а широкие массы встречают в штыки. Да, она, как и многие другие идеологии, вступает в конфликт с привычным исторически сложившимся образом жизни. Встретить в интернете спор урбанистов с, например, автомобилистами ничуть не сложнее, чем спор феминисток с адептами патриархата. Но есть особенности. Во-первых, некоторые урбанистические постулаты достаточно надёжно подтверждены и математикой, и реальными городами. Например, то, что строительство новых дорог не уменьшает, а увеличивает количество пробок — практически объективная истина. Здесь нет разных взглядов и разных мнений, это просто факт. Чиновник, который сражается с пробками с помощью новых полос и развязок, совершенно точно не знаком с вопросом и совершает ошибку, никакого другого варианта не может быть. И у многих других городских проблем есть уже выработанное объективное решение, которое действует: у грязи на тротуарах, у луж, у отсутствия свободной парковки итд. Во-вторых, урбанисты, как мне кажется, подвергаются необоснованно высокой агрессии. Понятно, что адепт любой идеологии будет критиковаться её противниками. И когда сторонник вакцинации получает от антипрививочника гневную оскорбительную тираду — это можно объяснить. С точки зрения антипрививочника ему предлагают буквально травить себя химией, здесь обоснована агрессия в ответ. Но вот если урбанист предлагает автомобилистам отдать часть дороги под велосипедные полосы — на мой взгляд степень того неудобства, которое испытают автомобилисты, не настолько высока, чтобы оправдать высокий уровень гнева в их реакции на такое предложение. Однако, в обсуждениях в сети на урбанистов наезжают не менее агрессивно, чем на сторонников вакцинации и представителей других идеологий с радикальными противниками. До России урбанистика вряд ли дойдет в ближайшие полвека. Слишком много других социальных институтов должны встать на ноги перед этим, а они даже не начинают. Но за более прогрессивным в этом отношении миром (в основном, Западной Европой) наблюдать интересно. #life

Hashtags

#life

Резултати

Намерени 1 подобни публикации

Търсене: #dataefficiency

当前筛选 #dataefficiency清除筛选

Machinelearning

@ai_machinelearning_big_data · Post #8234 · 08.08.2025 г., 10:01

Намери подобни Прегледай

🚀Прорыв от Google: активное обучение с экономией данных на 10 000× при дообучении LLM Google разработала масштабируемый процесс *active learning*, который позволяет в десятки тысяч раз сократить объём размеченных данных, необходимых для тонкой настройки больших языковых моделей на сложных задачах — например, при модерации рекламного контента. 🟢 Как работает метод: 1. Стартовая модель (LLM-0) получает промпт и автоматически размечает огромный массив данных. 2. Кластеризация выявляет примеры, где модель путается (наиболее спорные и ценные для обучения). 3. Отбор данных: из этих кластеров выбирают информативные и разнообразные примеры. 4. Экспертная разметка — только для выбранных примеров. 5. Итерации: дообучение модели → новый отбор спорных примеров → разметка → снова обучение. 🟢Результаты: - Сокращение с 100 000 размеченных примеров до менее 500 при сохранении или улучшении качества. - Улучшение метрики *Cohen’s Kappa* на 55–65 %. - В больших продакшн-моделях — до 3–4 порядков меньше данных при сопоставимом или лучшем качестве. 🟢Что такое Cohen’s Kappa? Это метрика, которая показывает, насколько два "судьи" (например, эксперт и модель) согласны между собой с поправкой на случайные совпадения. - 0.0 — нет согласия (или хуже случайного) - 0.41–0.60 — умеренное согласие - 0.61–0.80 — значительное - 0.81–1.00 — почти полное согласие В задачах с дисбалансом классов Kappa даёт более честную оценку, чем обычная точность (accuracy). Чем лучше предыдущих методов: - Точечная разметка: размечаются только самые информативные примеры. - Масштабируемость: метод применим к наборам данных с сотнями миллиардов примеров. - Экономия ресурсов: меньше времени и затрат на разметку. - Быстрая адаптация: подходит для доменов с быстро меняющимися правилами (реклама, модерация, безопасность). 🟢Вывод: При умном отборе данных LLM можно адаптировать в тысячи раз быстрее и дешевле, чем при традиционном обучении на больших размеченных наборах. #GoogleResearch#ActiveLearning#AI#LLM#MachineLearning#DataEfficiency 🟠Почитать подробно @ai_machinelearning_big_data #GoogleResearch#ActiveLearning#AI#LLM#MachineLearning#DataEfficiency

Hashtags

#googleresearch #activelearning #ai #llm #machinelearning #dataefficiency