TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #267 · 22.03
В 2019 году Ситимобил пришёл в Петербург. Я тогда публично задал вопрос руководителю PR службы Ситимобила: зачем нужно восьмое приложение такси у меня в телефоне. Но ответ был супер невнятный, что-то в духе "Пусть будет". При этом такси уже тогда был высококонкуретным рынком, поделённым монополистами, а я тогда был самой что ни на есть целевой аудиторией: гик с деньгами и без личного автомобиля, живущий в огромном дождливом городе. Несколько дней назад объявили о закрытии Ситимобила. Понятно, что триггером этого закрытия послужили известные события, но там в статьях упоминается, что бизнес работал в минус, владельцы просто закрывают убыточные направления. Разумеется, эти события не связаны, а пиарщики не обязаны были мне отвечать. Однако, есть некоторые моменты, которые могут служить признаком хорошей или плохой работы процессов. На мой взгляд, ответ на вопрос "зачем ты нужен" должен быть у любого бизнеса прописан в его ядре и находиться в быстром доступе. Каким-то другим вопросам позволительно быть неоднозначными: например, почему услуга или товар стоит столько-то, а не дешевле/дороже. Ценовая политика вообще сложная штука, зависящая от кучи факторов. Позже я убедился в том, что у сервиса проблемы: уже упоминал когда-то в этом блоге, как трижды подряд водители отменяли заказы, как в другой раз водитель посчитал цену низкой и отказался везти, и так далее. В общем, я скучать не буду, прости, Ситимобил. Пойду заказывать Яндекс. #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