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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #210 · 6.02

Интересно, а как сами либералы и меньшинства реагируют на очень тупую и топорную отработку повестки в куче современных кино и сериалов? Вот есть в мире вещи, которые я люблю. Есть вещи, которые идеологически мне очень близки. Но когда что-то, что я люблю и считаю правильным, используют неуместно и навязывающе, мне от этого становится неприятно. Допустим, я урбанист и считаю, что парковку во дворах надо запретить. Теперь представим, что на моей свадьбе вместо речи один из гостей начал толкать эту урбанистическую идеологию (пример вымышленный, у меня на свадьбе все гости были классные!). Вот сидим мы в ресторане, он встаёт, просит минуту внимания, все остальные замолкают и смотрят на него. Он показывает в окно: "Смотрите, как забит двор. Это неприемлемо, так не может продолжаться, с этим надо что-то делать!". Причём, не в рамках какой-то шутки или сложной подводки к тосту, а на полном серьёзе. Как сейчас модно говорить: "кринж". Нелепо, глупо, до стыда неуместно. Я даже как сторонник той же идеологии и, будучи по сути с ним согласен, испытаю много негатива. Точно так же для меня выглядит отработка повестки во многих современных фильмах и сериалах. Любой повестки: расовой, сексуальной, феминистической. Посреди сюжета совершенно не связанным с событиями образом вставляют, например, нетрадиционные отношения. Или какого-то из персонажей делают вычурным представителем нужного меньшинства, а нередко даже двух или трёх меньшинств. Можно делать это аккуратно, а можно тупо и топорно. В Sex Education друг главного героя темнокожий гей, и это не только сам по себе очень уместный и органичный персонаж, но с ним прописана ещё и одна из самых сложных и глубоких сюжетных линий. А в Foundation двух белых (по книге) мужчин сделали темнокожими девушками просто потому что дайвёрсити. Никакие сценарные особенности не требовали этого, а харизма обеих актрис абсолютно не подходила к тем ролям, которые они исполняли. Попробовали бы книжного темнокожего персонажа сделать белым в кино, такой скандал бы поднялся. Весь фильм Терминатор Тёмные Судьбы один сплошной, простите, кринж, очень навязчиво и неаккуратно транслирующий феминистическую повестку. А вот, например, трансформация Доктора Кто в женщину — интересный и сюжетно обоснованный ход. Другое дело, что сценаристы новых серий со своей работой справились плохо, и смотреть шоу стало скучно, но это, я уверен, не из-за смены пола. Таких примеров много. Откровенно глупых и слишком прямолинейных случаев трансляции повестки, к сожалению заметная доля. Почему же либеральное сообщество ничего с этим не делает? Где канселинг, где разгромные статьи? Ведь подобные ситуации вредят идеологии сильнее, чем помогают. Почему авторы продолжают выпускать произведения с такими ошибками, и как их пропускает цензура (которая даже в современном мире фактически существует, просто под иной личиной)? Я в замешательстве. #fiction

Hashtags

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

🚀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