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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #265 · 20.03

Давайте раз выходной ещё расскажу про автодилера, и пока закроем тему с машинами. Вообще, я был удивлён, насколько эта область закостенелая. Многие вопросы решаются только звонками. Списку "модели в наличии" и ценам на нём верить нельзя. Весь процесс покупки какой-то долгий, не на один день. Встречается путаница в цифрах: вот эта цена только с кредитом, причем определённым, но за сам кредит вы переплатите больше, а вот эта цена за трейдин, но тоже при некоторых условиях, а это вообще рекламная. На самом деле, я почти со всем этим не столкнулся (кроме ненастоящего списка "в наличии"). Хочу выразить благодарность салону Пежо Авто Премиум, на Хасанской улице — мне сразу сказали практически точно конечную цену, не впаривали никакие допы, и самое главное — не было скрытых платежей. Я вообще, когда друзьям рассказал, что машину покупаю, все до единого рекомендовали тщательно сверять цифры. Но я относился к этому очень скептически — ну, допустим, какие-то разводилы у вокзала пытаются людей обмануть, но автосалоны то не будут! Однако, у меня отец в тот же период покупал новый Tiguan, и у него там реально пытались пропихнуть скрытый платёж на внушительную сумму за какую-то номинальную доп.услугу. Это повергло меня в шок: салон немецких автомобилей, от немцев фанатов чётких правил, пытался развести на бабки, а салон менее строгих французов не пытался! Короче, по тому, что рассказывают друзья, и что пишут и показывают в сети, мой опыт вообще очень удачный, а нередко людям куда сложнее и дольше даётся процесс покупки автомобиля. Кажется, сейчас даже квартиру легче купить, благодаря всяким ДомКликам. Ну и пару слов про кредит, не могу не рассказать. Мой первый в жизни кредит был тупым. Прямо по классике: я выпускал новый проект и думал, что сейчас разбогатею. Взял себе кредит на мотоцикл. Проект провалился, я остался без источника дохода, и мало того, что не отдал кредит сразу же, как планировал, а он ещё и висел на мне кабалой несколько лет, вдвое уменьшая мой и без того низкий в то время уровень жизни. Мой нынешний опыт кредита максимально положительный. Я за 5 минут в приложении интернет-банка оформил потреб на недостающую сумму. Это оказалось не только существенно быстрее, чем ждать одобрения от кредитного отдела в автосалоне, но и дешевле по деньгам. И отдавать мне его легко, потому что платёж незначителен относительно величины зарплаты. Так что любым инструментом нужно просто уметь правильно и своевременно пользоваться. Кредиты не зло, тупые люди зло. #life

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