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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #499 · 10.08

В массовых источниках информации пишут, что в Сочи сейчас дикие толпы людей на пляжах, и туда лучше не ехать. Но у нас пригород Сочи и выделенный пляж от отеля, толп вообще нет. Конечно, за это пришлось чуть больше заплатить (ненамного, учитывая в целом высокие сочинские цены), а ещё слегка потерять в инфраструктуре, но окупается полностью. И тут я подумал, а можно ли как-то объективно понимать разницу между издержками и выгодой? Не только с пляжами, вообще в жизни. Вот кто-то стоит в очереди в кассу метро, потому что лично для него это удобнее и комфортнее, чем учиться пользоваться автоматом. Можем ли мы отличать ситуации "Он выбирает то, что ему субъективно удобнее, отстаньте от него" и "Он совершает объективную ошибку, отказываясь тратить чуть больше усилий ради куда бОльшей выгоды впоследствии"? Если люди делают что-то, что вам кажется неудобным/неэффективным, то как понимать: это просто вариант личных предпочтений, или действительно людям стоило бы рассмотреть разные варианты? Допустим, кто-то не ест лук, но лук полезный, а ещё присутствует во многих блюдах. Почему бы такому человеку не терпеть личный дискомфорт от употребления лука ради объективно более удобного выбора? Чем это отличается от очередей в кассу вместо автомата, от вызова такси по телефону вместо приложений, от просмотра фильмов с рекламой по телевизору вместо стриминга? На мой взгляд ответ такой: если усилия нужно вкладывать единожды, либо непродолжительное время, но взамен ты получишь систематическую выгоду надолго или навсегда, то отказ от вложения усилий это объективная ошибка, а не вкусовое предпочтение. Например, ты один раз учишься пользоваться автоматом, и потом больше никогда не стоишь в очереди в кассу. Ты один раз платишь больше денег, и потом в течение многих дней не терпишь толпы на пляже. Ты один раз покупаешь паркинг, и потом никогда не ищешь часами место во дворе. При этом бывает и обратная ситуация: вот бросить курить очень сложно, в этом я верю курильщикам. Ты в течение многих месяцев вкладываешь значительные усилия, а потом до конца жизни так или иначе себя сдерживаешь, при этом выгода очень условная — трудно оценить, сколько лет тебе в итоге добавил отказ от курения. Разве что деньги на сигареты не тратишь, но вложения всё равно систематические. Так что выбор "не бросать курить" понятен. Другое дело, с этой точки зрения не понятен выбор "начинать курить", но это отдельный разговор. С луком аналогично: нельзя привыкнуть его есть, если ты его не любишь. Я вот за 32 года так и не привык, хотя периодически приходится: недавно в ресторане заказал пасту, и она почему-то оказалась с луком, а ведь по классическому рецепту не должна была. Наверняка, можно как-то более точно поделить. Не любые разовые усилия оправдываются даже систематической выгодой (пример: покупка автомобиля в городе, до сих пор очень спорная вещь). Но для меня граница лежит где-то тут. Однократная трата ресурсов для постоянного увеличения эффективности и/или комфорта — это форма автоматизации. #life

Hashtags

Резултати

Намерени 8 подобни публикации

Търсене: #optimization

当前筛选 #optimization清除筛选
Data Science Jobs

@datasciencejobs · Post #2599 · 07.03.2025 г., 16:04

#вакансия#vacancy#DA#analyst#senior#remote#fulltime#optimization Вакансия: Middle+/Senior Data Analyst (с опытом в оптимизационных задачах) Формат: Удалённый Занятость: Полная Оплата: 3500 - 4500$ net. Ptolemay - аутсорсинговая IT-компания полного цикла по разработке мобильных и веб-приложений для бизнеса и стартапов. Ищем ML Engineer для аутстафф-проекта в сфере металлургии. Обязанности: - Разрабатывать и внедрять алгоритмы оптимизации для объемно-календарного планирования. - Осуществлять постановку и решение задач LP, NLP, определять целевые функции и ограничения. - Автоматизировать планирование в промышленности или смежных областях. - Работать с пакетами оптимизации (SciPy, Pyomo, CVXPY, OptaPlanner) и солверами (COBYLA, Ipopt и др.). Требования: - Опыт работы по функциональному направлению от 4-х лет. - Знание языков программирования Python либо Java. - Знание основных типов оптимизационных задач (LP, NLP и т.д.). - Опыт работы с пакетами оптимизации (SciPy, Pyomo, CVXPY, OptaPlanner или аналогичные). - Опыт работы с различными солверами (COBYLA, Ipopt и другие), понимание принципов их работы (сильные и слабые стороны). - Опыт линеаризации задач, постановка целевой функции и ограничений. - Опыт постановки задачи, разбиение на подзадачи. Условия работы: - Удалённый формат работы. - Полная занятость. - Оформление по ИП, СМЗ. - Оплата 3500 - 4500$ net. Буду рад ответить на вопросы и ознакомиться с резюме: @Dmitriy_Ptolemay

Venture Village Wall 🦄

@venturevillagewall · Post #3621 · 21.12.2024 г., 10:22

BuyerCaddy Secures $1.5M Funding BuyerCaddy has successfully raised $1.50M in funding as of December 19, 2024. The platform focuses on cost savings, optimization, and tech stack benchmarking, helping users identify redundant products, track utilization, and enhance integrations. #Funding#BuyerCaddy#TechStack#Optimization#CostSavings

智能视界

@AITimes365 · Post #158 · 17.07.2024 г., 00:52

#境外AI#Chrome#Google#Gemini#离线模型 Chrome浏览器内置可离线大模型 Gemini Nano ! 开通方式: 1. 下载并安装 Chrome (Dev 或 Canary) 版本 127 或更高版本。 2. 打开 Chrome,访问:chrome://flags/#prompt-api-for-gemini-nano,将设置改为 Enabled。 3. 打开 Chrome,访问:chrome://flags/#optimization-guide-on-device-model,将设置改为 Enabled BypassPrefRequirement。 4. 打开 Chrome,访问:chrome://components,找到 "Optimization Guide On Device Model",点击 "Check for Update"。 5. 如果没有看到 "Optimization Guide On Device Model",请等待几分钟,或尝试切换代理节点。 6. 打开浏览器并访问 https://chromeai.org/ 即可开始使用。

GitHub Trends

@githubtrending · Post #14797 · 06.06.2025 г., 12:00

#python#agents#document_search#evaluation#guardrails#llms#optimization#prompts#rag#vector_stores Ragbits is a tool that helps build and deploy GenAI applications quickly. It offers features like swapping between many language models, ensuring safe interactions with these models, and connecting to various data storage systems. Ragbits also includes tools for managing data and testing prompts, making it easier to develop reliable AI applications. This helps users create more accurate and efficient AI systems by integrating the latest data and reducing errors. Overall, Ragbits makes it faster and more efficient to develop and deploy AI applications. https://github.com/deepsense-ai/ragbits

GitHub Trends

@githubtrending · Post #15575 · 20.03.2026 г., 11:30

#java#aerospace#flight_simulator#java#modeling#optimization#rocket#rocketry#simulation#trajectory OpenRocket is a free tool to design, visualize in 3D, and simulate model rockets with six-degree-of-freedom flight analysis, real-time data on altitude/velocity, automatic optimization, and exports for 3D printing or other programs. It works on any platform via Java. You benefit by testing rockets virtually first, saving time/money on failed builds, predicting performance accurately, and flying safer, higher with optimized designs. https://github.com/openrocket/openrocket

Venture Village Wall 🦄

@venturevillagewall · Post #3510 · 20.12.2024 г., 06:30

Future of AI Search Optimization A new market emerges as users shift from traditional Google searches to AI tools like ChatGPT and Claude. The $70 billion search optimization industry sets the stage for a vast new optimization market focused on AI responses. Early entrants can capitalize on this shift with relatively simple platforms. Discover more: Read Here #AI#SearchOptimization#ChatGPT#Claude#Perplexity#MarketTrends#Innovation#TechIndustry#BusinessOpportunities#DigitalMarketing#InformationRetrieval#Technology#Entrepreneurship#FutureOfWork#Investment#Strategy#Growth#Optimization#Startups

GitHub Trends

@githubtrending · Post #15242 · 23.10.2025 г., 12:30

#python#ant_colony_algorithm#artificial_intelligence#fish_swarms#genetic_algorithm#heuristic_algorithms#immune#immune_algorithm#optimization#particle_swarm_optimization#pso#simulated_annealing#travelling_salesman_problem#tsp You can use scikit-opt, a Python library offering many heuristic optimization algorithms like Genetic Algorithm, Particle Swarm Optimization, Simulated Annealing, Ant Colony, Immune Algorithm, and Artificial Fish Swarm Algorithm. It supports user-defined functions to customize operators, allows continuing runs from previous iterations, and accelerates computations via vectorization, multithreading, multiprocessing, and caching. GPU support is in development. It helps solve complex optimization problems such as function minimization and the Traveling Salesman Problem efficiently, with easy installation and rich examples. This saves you time and effort in implementing and tuning optimization algorithms yourself. https://github.com/guofei9987/scikit-opt