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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #261 · 19.03

#урбанист_купил_автомобиль, часть 3 (предыдущие: часть 1, часть 2). Первые два поста по теме были об урбанистике и проблемах автомобилизации городов. Но этот текст скорее про выбор гика. Расскажу, что за автомобиль, и почему такой. Исходные данные: работаю удаленно, и ездить на работу не нужно (впрочем, я считаю, надо делать всё возможное, чтобы не пришлось ездить на работу на автомобиле). Однако, живу далеко от метро + дача там, куда не ходит общественный транспорт. Так что автомобиль нужен для коротких поездок по району, для поездок на дачу и для поездок по КАД/ЗСД, перевозки вещей и семьи. При бесконечных деньгах, кажется, выбор гиков в пользу какой-нибудь Tesla X очевиден. Ну и ещё в добавок к ней дом с гаражом, где можно заряжать. При конечных деньгах (в моем случае ~2.5млн по старым ценам) пространство сужается. Выделил для себя три главных критерия: 1. Практичность для города и ближайшего пригорода, возможность перевозки вещей. Поэтому рассматривал только кроссоверы и внедорожники. Кстати, кто покупает в Питере седаны с низкой посадкой, можете парой слов обосновать этот выбор? Кажется, плюсов никаких, зато застрять в ледяной яме более чем вероятно. 2. Эмоции. Некоторые друзья автолюбители смеялись над этим пунктом. Но по мне так любая вещь должна обладать эмоциональной составляющей. Чтобы тебе кайфово было на неё смотреть и ей пользоваться. Поэтому я рассматривал только автомобили с интересным внешним видом, не слишком банальным цветом, и особенно с крутым интересным дизайном салона. Странно садиться в автомобиль и смотреть на убогие древнего вида приборы, миллион бестолковых кнопок и в целом унылый интерьер. Должно быть кайфово, а для гика кайф это хайтек. И ещё изрядно эмоций добавляет панорамная крыша, так что я тоже поставил это себе в список пожеланий. 3. Технологии. От современного автомобиля не только само по себе разумно ожидать некоторой технологической начинки, но она ещё и хорошо помогает новичку с небольшим фактическим опытом, как я. Так что только автомат. Адаптивный круиз-контроль. Радары и парктроники по периметру, камера заднего вида. В итоге получилось даже круче, чем я рассчитывал в эту цену, но о некоторых особенно прикольных технофишках я расскажу потом в других постах. В общем, с этими критериями и ценой я прошёлся по каталогам всех производителей, кто возит (возил :'( ) в Россию. Не скажу, что ассортимент меня ошеломил. Кажется, по-настоящему большое пространство выбора есть только за большие деньги, от 5млн (по старым ценам) и выше. Но внезапно самое интересное для меня решение нашлось у французов: Peugeout 2008 и 3008. Последний меньше понравился по дизайну, а в хорошей комплектации выходил за пределы ценовых рамок, так что я и остановился на 2008, самая топовая комплектация 2022 года (да, путаница из-за того, что модель называется как год). Интересный не слишком банальный дизайн. Не спорткар, конечно, но и не стариковская телега. Дизайн даже выиграл в каком-то европейском конкурсе. Довольно экономичный двигатель, 150 сил, но объём всего 1.2, мощность достигается за счёт турбины и электроники. Очень крутой высокотехнологичный салон. Много электронных наворотов: всё, что я хотел, плюс ещё пачка, об этом потом расскажу. В конце-концов, автомобиль в наше время это тоже гаджет. Из недостатков пришлось пожертвовать полным приводом, тут только передний. Варианты с полным у других производителей не дотягивали сразу по ряду критериев. Впрочем, мне говорили, что на кроссоверах полный привод всё равно ненастоящий. А полный внедорожник очень уж дорого, да и большой по размерам для города. Но мне очень нравится. Накатал 500 км, изучаю. И, конечно, кайфую каждый раз, когда спускаюсь в паркинг и когда сажусь в салон. Эмоции наше всё. #gadgets

Резултати

Намерени 1 подобни публикации

Търсене: #activelearning

当前筛选 #activelearning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