Намери подобно съдържание

Изходен канал @clockstackwheels · Post #53 · 23.06

Instagram запустил у себя ТикТок (назвал его Reels) и так же агрессивно, как ВК, впаривает пользователям: у некоторых уже заменилась самая главная кнопка — создание нового поста — на иконку Reels. Но здесь у меня меньше бомбит, чем от действий ВК. Во-первых, в инстаграме короткие видеоролики выглядят уместно. Они здесь и раньше были в основной ленте, просто теперь фактически то же самое в новом интерфейсе. «Соцсеть» с самого своего основания сконцентрирована на коротком жвачкоподобном контенте без вдумчивости. Во-вторых, инстаграм уже давно был, прямо скажем, не самым внимательным к пользователю сервисом. Некоторые люди ведут его вопреки, потому что там массовая аудитория (менее взыскательная), но плюются от неудобства и бестолковых ограничений. А кто мог терпеть всё, что там делалось, стерпит и кнопку. Куда показательнее другой момент: корпорации-монополисты могут позволить себе делать ну практически что угодно. И если в экономике монополию стараются пресекать специальными законами, но монополии различных сервисов и соцсетей живут себе спокойно. Причём, при наличии социального графа такие монополии очень прочны: вы можете вместо айфона купить себе андроид сегодня же, и ваших друзей это затронет слабо, но переехать из какого-нибудь Фейсбука в ВК так просто не выйдет. Именно поэтому мы видим ситуации, когда самым популярным становится сервис, уступающий конкурентам вообще по всем показателям, и на порядок менее удобный (например WhatsApp и Telegram). И поэтому, в числе прочего, крупные игроки строят экосистемы и пытаются создать внутри себя копии популярных решений конкурентов. Если привязать пользователя и сделать процесс ухода для него сложным и некомфортным, то потом можно ему хоть рекламой всё забивать, хоть кнопки менять, хоть глупые функции добавлять в главное меню — никуда он уже не денется, скушает за милую душу. В антиутопическом будущем по такому же принципу корпорации будут вшивать людям лишние предметы в тело, а те вместо отказа от услуг станут придумывать способы, как с этими предметами жить наиболее эффективно. Ещё и курсы откроют по обучению: «Раскрутка с топором в заднем проходе», «Как набрать первую воду в мешок на шее» и «Учимся таргетировать магнит в кишках на правильные объекты». #web

Hashtags

#web

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

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