Намери подобно съдържание

Изходен канал @clockstackwheels · Post #34 · 31.05

Дошли руки написать про второй сезон Love.Death.Robots, который вышел 2 недели назад. Почти единогласно в сети все, кого я читаю, согласились, что планка, к сожалению, снижена. Начиная от значительно меньшего количества серий, и заканчивая содержанием. В обзорах и комментариях к сезону справедливо отмечают, что серии выглядят уж совсем как наброски. Если первый сезон рассказывал короткие, но вполне полноценные истории, то во втором чувство недосказанности и даже какой-то пустоты преследует практически после каждого эпизода. В первом были серии, вызвавшие у меня невероятный восторг, серии, которые просто понравились, и проходные на разок. Во-втором с натягом понравилась пара вещей, не более. Automated Customer Service — ужасная рисовка, по которой видно, что её авторы считают себя оригиналами. Сюжет глуповат, смеха не вызывает. Ice — занятно, посмотрел бы такую полнометражку, но сказано очень мало. Pop Squad — почему он так называется, кстати? Зарисовка на тему романа «Будущее» Дмитрия Глуховского. Сюжет обрывается на завязке, и это причиняет почти физическую боль. А так было бы круто. Snow in the Desert — единственный полноценный рассказ в сезоне, вполне понравился: и экшен, и сюжетный поворот. Такого бы побольше. The Tall Grass — ни о чём. Интрига нагнетается, а разрешение у неё банальное. All Through the House — пожалуй, лучший эпизод. Очень крутая идея, не вступающая в противоречие с реальным миром, но переворачивающая его. Life Hutch — видели это в «Чёрном Зеркале» только более подробно и более драматично. The Drowned Giant — (тут небольшой спойлер, если не хотите, пропустите абзац!) до последнего надеялся, что авторы сделают какой-то неожиданный поворот в конце. Например, что утопленник на самом деле нашего с вами размера, но нет. Закадровый голос вроде бы рассказывает много всего, но это не особо имеет отношение к фантастике и сюжету данной серии. В общем, кажется, у авторов не оправдалось то, на что они рассчитывали после первых выпусков, и поэтому то ли им дальше меньше времени/денег на этот раз, то ли они сами выдохлись и потеряли энтузиазм. И это очень грустно. По-настоящему качественной и взрослой фантастики остро не хватает. #fiction

Hashtags

#fiction

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

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