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

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #621 · 31.10

У меня в друзьях есть классный автор — Владимир Бычко. Владимир — проект-менеджер, ведёт реально интересный standalone-блог об управлении проектами и не только. Например, последний пост с правилами жизни — не какая-то унылая несовместимая с реальностью псевдофилософия "а ля Дуров", а действительно полезные и правильные наблюдения. Владимир один из самых интересных авторов среди моих ВК-подписок, однако, читаю я его посты крайне редко, и здесь проявляются серьёзные недостатки standalone, о чём я сейчас расскажу. Вообще, сервис-ориентированный интернет если не умирает, то, как минимум, теряет своих сторонников. Многие айтишники, интеллектуалы, авторы текстов уже высказываются о необходимости слезать с иглы корпораций, эти самые корпорации дешевеют, люди в сети активно выстраивают модели децентрализованного "веб три ноль". Дополнением к этому идёт акцент на медиа против текстов: сервисы уже не особо скрывают, что текстовая часть для них второстепенна, а внимание брошено туда, где хайп и толпы — например, в вертикальные видео и короткоживущий контент. В России этот эффект особенно заметен, именно поэтому вместо какой-нибудь устойчивой текстовой площадки большинство взрослых вменяемых авторов пишут в Telegram. Который для этого подходит чуть лучше, чем плоскогубцы для отвинчивания гаек — можно, конечно, и все мы так делали за неимением альтернатив. На этой волне неоднократно слышал призывы "уходи в standalone". Сделай свой сайт с RSS-фидом, любым оформлением, пиши туда. Как автор блога, я и правда мог бы такое сделать и даже видеть немало плюсов. Но, как читатель, я до сих пор не подписан ни на один standalone-блог, даже если мне очень нравится контент. Проанализировал основные четыре проблемы стэндэлонов. 1. Люди всё равно приходят из соцсетей, но ссылки в соцсетях оформлены некрасиво, понижаются в охватах и требуют дополнительное действие со стороны человека. Последнее особенно важно: конверсия в прочтение критически низкая даже для встроенных редакторов лонгридов и даже при условии, что пользователю сообщение со ссылкой покажется (например Telegram > Telegraph). 2. RSS это не замена ленте сообщений. Нет удобного централизованного способа читать RSS в формате той площадки, которая тебе близка. Сам Владимир, например, ссылается на RSS-бота для Телеграма, который требует для своей работы быть подписанным на какой-то канал. Ну ладно, есть нормальные RSS-боты везде, но это всё опять же выглядит как лента с внешними ссылками, а не как лента сообщений в формате площадки. 3. У каждого стэндэлона свой дизайн. Если я впервые на странице нового для себя автора ВК или в Telegram, я тут всё знаю. Мне привычно и удобно. Я знаком с навигацией, я привык к шрифтам, я знаю, где лайки и комментарии. К каждому новому стэндэлону нужно привыкать и тратить когнитивные ресурсы на обучение. 4. Обсуждений нет, если нет комьюнити. Да, какой-нибудь Вастрик смог создать вокруг своего стэндэлон-блога комьюнити, за которое люди даже платят. Но это единичные примеры. Обсуждения в ЖЖ работали, потому что был социальный граф: люди знали топовых авторов и более менее знали друг друга. Обсуждения в соцсетях работают по той же причине, пока в них есть аудитория: часть людей связана социальным графом, другая часть может в этот граф заходить со стороны и чувствовать себя комфортно, кроме случаев токсичной атмосферы. Но если мы проанализируем, как ведут себя обсуждения там, где социального графа нет (например, на YouTube), то увидим просто всплески очень ограниченных локальных диалогов под каким-то особо популярным комментарием и всё. Комьюнити там нет за редкими исключениями. Интернету пока ещё точно рано standalone. Только авторы, уже собравшие огромную аудиторию через соцсети, могут себе такое позволить. И то, с оговорками. #web

Hashtags

Резултати

Намерени 6 подобни публикации

Търсене: #onnx

当前筛选 #onnx清除筛选
Data Science Jobs

@datasciencejobs · Post #1969 · 20.03.2024 г., 12:00

Привет друзья!👋 Меня зовут Лена, я HR компании NeofleX. Наш отдел Data Science в поиске специалиста по компьютерному зрению для работы над проектом, цель которого — повышение эффективности обслуживания клиентов в розничной торговле. Мы ищем эксперта, способного самостоятельно разрабатывать решения и вести за собой команду, вкладываться в повышение наших внутренних компетенций и способствовать развитию основы для будущих проектов. Этот ПРОЕКТ — лишь один из многих, в рамках которого вы сможете проявить свои навыки и внести свой вклад в нашу работу в области компьютерного зрения. #vacancy#job#вакансия#удаленка # Python# NumPy# Scikit Learn# PyTorch #DeepLearning#OpenCV#Docker#ONNX#DataScientist#ComputerVision Вакансия: Data Scientist (Computer Vision) Компания: NEOFLEX Опыт работы: от 3 лет 🔥 ПРОЕКТ: Команда занимается разработкой ETL-процессов для заполнения витрин в кластере Hadoop, необходимых для построения регуляторной ЦБ и внутренней банковской отчетности. Разработка потоков ведется с помощью Java с использованием Spark. Оптимизация запросов. Взаимодействие с системными аналитиками по прототипам. Город: Любой Формат работы: удалёнка Занятость: full time З/п: от 200 000 - 350 000 net 📌 ЧЕМ ТЫ БУДЕШЬ ЗАНИМАТЬСЯ: • Применением и адаптацией современных методов глубокого обучения в области компьютерного зрения для анализа данных с камер. • Оптимизацией существующих моделей для улучшения точности и скорости обработки данных. • Тесным взаимодействием с командой разработчиков для интеграции созданных моделей в рабочую среду. • Активным участием в пилотных и R&D проектах. 📌 ТЫ НАШ ИДЕАЛЬНЫЙ КАНДИДАТ, ЕСЛИ У ТЕБЯ ЕСТЬ: • Уверенное владение Python. • Опыт в разработке и реализации проектов в области компьютерного зрения. • Понимание алгоритмов, применяемых в компьютерном зрении. • Хорошая математическая подготовка, знание теории вероятностей и математической статистики. 📌 СОВСЕМ КРУТО, ЕСЛИ: • Опыт работы в CV проектах для розничной торговли. • Навыки работы с облачными платформами и контейнеризацией (Docker, Kubernetes). • Желание работать в команде, так как для нас важно поддерживать коммуникацию с коллегами. • Наличие научных публикаций / ученой степени / призовых мест в соревнованиях. 📌Что мы предлагаем Вам: •Официальное трудоустройство по ТК РФ. •График работы 5/2. •Гибкое утро. •Подключение к программе ДМС (включает стоматологию, обследования, лечение заболеваний, теле-медицина, Полис ВЗР), а также возможность страхования родственников по корпоративной цене. •Насыщенная корпоративная жизнь: яркие корпоративы, праздники для детей сотрудников, корпоративные спортивные мероприятия; мотивационные награждения. •Прозрачную системы карьерного развития в компании. •Персонального наставника с первого дня работы. •Возможность развития личной экспертизы и экспертизы компании. •Собственную платформу внутренних и внешних образовательных программ. •Возможность пройти сертификацию. 100% УДАЛЁННЫЙ ФОРМАТ РАБОТЫ !!! ✅Контакт для связи: телеграмм https://t.me/HelenaList🥰 👉 Не забудь уточнить, что ты из @datasciencejobs

GitHub Trends

@githubtrending · Post #15617 · 15.04.2026 г., 12:30

#python#ai#deep_learning#filetype#keras_classification_models#keras_models#mime_types#onnx Magika is a fast AI tool from Google that detects file types with ~99% accuracy across 200+ formats, using a tiny model that works in milliseconds on one CPU. Install easily via pip, brew, or scripts for CLI/Python/JS/Go use; scan files, directories, or streams with options like JSON output or recursion. It boosts your safety by routing files to scanners, like in Gmail/Drive, helping spot threats quickly without size limits. https://github.com/google/magika

GitHub Trends

@githubtrending · Post #14907 · 03.07.2025 г., 13:30

#python#agents#generative_ai_tools#llamacpp#llm#onnx#openvino#parsing#retrieval_augmented_generation#small_specialized_models llmware is a powerful, easy-to-use platform that helps you build AI applications using small, specialized language models designed for business tasks like question-answering, summarization, and data extraction. It supports private, secure deployment on your own machines without needing expensive GPUs, making it cost-effective and safe for enterprise use. You can organize and search your documents, run smart queries, and combine knowledge with AI to get accurate answers quickly. It also offers many ready-to-use models and examples, plus tools for building chatbots and agents that automate complex workflows. This helps you save time, improve accuracy, and securely leverage AI for your business needs[1][3][5]. https://github.com/llmware-ai/llmware

GitHub Trends

@githubtrending · Post #14800 · 07.06.2025 г., 11:30

#java#anthropic#chatgpt#chroma#embeddings#gemini#gpt#huggingface#java#langchain#llama#milvus#ollama#onnx#openai#openai_api#pgvector#pinecone#vector_database#weaviate LangChain4j helps you add powerful AI to your Java applications by making it easy to use Large Language Models (LLMs). It provides a simple way to switch between different LLMs and embedding stores without needing to learn each one's specific API. This means you can easily experiment with different models and tools, making your development process faster and more flexible. LangChain4j also offers many examples and tools to help you build complex AI applications quickly, such as chatbots and retrieval systems. This simplifies the integration of AI into your projects, allowing you to focus on creating better applications. https://github.com/langchain4j/langchain4j

GitHub Trends

@githubtrending · Post #15518 · 24.02.2026 г., 11:30

#rust#ai#ai_ocr#attention_mechanism#gnn#gnn_model#gnns#graph#graph_neural_networks#llm_inference#low_latency#mincut#neo4j#ocr#onnx#rust#vector#wasm RuVector is a free, open-source vector database that gets smarter with every query. Unlike static databases, it learns from usage via GNN layers, runs LLMs locally with no cloud costs, supports graph queries like Neo4j, scales freely across nodes, and deploys as a single self-booting file (125ms startup). Run with `npx ruvector`. You benefit from faster, more accurate AI search that improves automatically, zero operating costs, full offline/privacy control, and easy scaling—perfect for RAG, agents, or edge apps without vendor lock-in. https://github.com/ruvnet/ruvector

GitHub Trends

@githubtrending · Post #15436 · 25.01.2026 г., 12:00

#python#amd#anime#compression_artifact_reduction#deep_learning#directx_12#gui_application#intel#manga#noise_reduction#nvidia#onnx#onnxruntime#opencv#python#python3#pytorch#super_resolution#video#video_processing#windows QualityScaler is a free Windows AI app that upscales, enhances, and denoises your images and videos with a simple drag-and-drop GUI. It supports formats like JPG, PNG, MP4, MKV; works offline on any DirectX12 GPU (4GB+ VRAM, 8GB RAM); and offers features like multi-GPU use, resize, interpolation, and stop/resume. Download from itch.io, Steam, or GitHub. Benefit: Quickly turn low-quality photos/videos into sharp HD masterpieces privately on your PC, saving time and money vs. online tools. https://github.com/Djdefrag/QualityScaler