Kantor.AI

🍋🍋🍋🍋🍋🍋🍋🍋
Свежие идеи заслуживают яркого старта

Т-Бизнес берёт на себя рутину — чтобы вы сохранили энергию, энтузиазм и предпринимательский запал для главного.
Откройте ИП онлайн за 0 ₽ — без поездок в налоговую, очередей и бумажной волокиты. Специалисты Т-бизнеса помогут на каждом шаге, проконсультируют и поддержат 24/7.

А ещё вы получите:
— 2 месяца бесплатного обслуживания счёта;
— онлайн-бухгалтерию за 0 ₽;
— бесплатный выпуск и доставка электронной подписи.

Пусть ваше дело стартует свежо.
👉 Откройте ИП за 0 ₽ в Т-Бизнесе

Это часть рассказа ChatGPT про историю развития AI. Как думаете, что меня больше всего насторожило?

Набираем людей на ML KATA с Валерой :) Очень живой и полезный формат обучения ML System Design, стоимость участия 10 000 рублей.

Участники в группах решают задачу на проектирование ML системы. Вместе с Валерой вы будете отвечать на вопросы, которые заставляют посмотреть на ML систему глубже:
▪️действительно ли вы решаете нужную проблему;
▪️не ушли ли в детали слишком рано;
▪️какие ограничения забыли учесть;
▪️где ваше решение может не сработать в реальном продукте.

По сути, вы пройдете тот же процесс, что и ML-команды в индустрии, только за несколько часов вместо недель обсуждений.

Джефф Дин покидает Гугл

Буквально вчера Джефф Дин объявил об уходе из Гугла после 27 лет работы в компании. Джефф известен как Чак Норрис в мире программирования, шутки про него сочиняют в таком же духе:

Джефф Дин пишет сразу в двоичном коде. Исходники он потом дописывает исключительно как документацию для остальных.

Джефф Дин умеет решать NP-полные задачи за полиномиальное время.

В коде Джеффа Дина не бывает багов. Иногда он просто приобретает случайные возможности.

Если у Джеффа случается NullPointerException, это указатель извиняется перед Джеффом.

Джефф не удаляет файлы. Он сообщает им, что их больше не существует.

Однажды Джефф настолько сильно сдвинул бит, что тот оказался на другом компьютере.

Однажды в начале 2002 года, когда серверы индекса поиска упали, Джефф Дин два часа вручную отвечал на поисковые запросы пользователей. По результатам оценки качество поиска выросло на 5 пунктов.

Дин стал одним из самых влиятельных инженеров в истории Google. Среди вещей, к которым он непосредственно приложил руку:

+MapReduce;
+Bigtable;
+Protocol Buffers;
+TensorFlow;
+TPU;
+Google Brain;
+объединение Google Brain и DeepMind и запуск направления Gemini.

Вместе с ним уходят его многолетний соавтор Sanjay Ghemawat, а также Oriol Vinyals и Quoc Le. Они создают новую компанию Discovery Loop, которая будет заниматься автоматизацией научных исследований с помощью ИИ.

Судя по заявлениям, расставание происходит в очень дружеском формате: Google остается инвестором и партнером нового проекта, а Сундар Пичаи публично поблагодарил Дина за вклад.

Пишите в комментах вашу любимую шутку про Джеффа Дина 😁

Про постановку целей по AI в компаниях

Часто, когда придумывают какой-то KPI, например повышение AI-зрелости, проникновения AI или экономических эффектов, в итоговую цель ложится что-то типа «повысить на 50%» или «достичь уровня 80%». Все такие формулировки неизменно вызывают много дискуссий «а как они решили, что надо именно 80, а не 70 или 90?», поэтому пара слов об этом.

AI характерно то, что итоговый эффект довольно сложно точно предсказать, максимум - по порядку величины и то может оказаться, что его просто не будет. Как следствие, вы всегда ставите цель в условиях сильной неопределенности, и в какой-то момент надо просто решиться, ткнуть пальцем в график и сказать «будет вот так». Ну знаете, как Королев со своим известным «Луна твердая» (там на самом деле была чуть более длинная и менее бескомпромиссная записка, но легенда всегда становится чуть красивее).

Что может смягчить для руководителя и компании последствия такого «тычка пальцем в небо» при планировании? Несколько вещей:

1. Оценивайте результат и уточняйте план чаще, чем раз в год.

2. Берите как руководитель ответственность за тот план, который сами поставили. И когда ставите цель себе, и когда ставите цели своим сотрудникам. Та же байка про Королева ведь не про гениальность и авторитарность великого, а именно про способность взять на себя ответственность.

3. Лучше сначала определитесь со способом измерения и проведите замер, что есть сейчас, чтобы потом не натягивать сову на глобус, подгоняя оценки под то, что вышло.

4. Ищите баланс между микроменеджментом и стратегичным стратегированием с отрывом от реальности: погружайтесь вглубь, чтобы не было чайка-менеджмента и форвард-менеджмента, но видьте границы ответственности. Последнее о том, что ошибиться с планом и посидеть без премии это ок, а «всех разогнать нафиг» это не ок. Если не нравится точность планирования - надо улучшать ее, а не крушить и ломать :) Не должно быть какого-то гнетущего эмоционального давления или чувства вины за неудачу, должен быть здоровый азарт - сделал ставку, пробуешь оправдать, не оправдал - что-то потерял, но не так чтобы руки дальше опускались, пробуем еще и еще. В AI это очень важно, потому что страх сильно влияет на проактивность и взятие на себя ответственности в интеллектуальной работе, где нельзя предсказать результат работы точно.

5. Самое важное: всегда, особенно при недостижении каких-то результатов, ищите возможность не поскорее найти виноватых и кого-нибудь наказать, а понять и вместе с командой придумать, как в следующем временном интервале сделать лучше. При этом терпилой быть не надо, если систематически ставите вместе с человеком цели и систематически их не достигаете, возможно вам обоим нужно поработать с кем-то другим.

Про признак «у пользователя день рождения» в ML

В этом году на день рождения (он был уже давно, сейчас просто вспомнил историю) я получил очень много поздравлений, и что-то меня побудило всем поздравившим ответить в тот же день.

В итоге больше половины моих ответов телеграм удалил, решив, что я спамер. Даже были прецеденты, когда мы с человеком попереписывались, а на следующий день его реплики есть, а мои все потерли.

В этом нашелся и позитивный момент, я до сих пор случайно нахожу диалоги с поздравлениями и снова радуюсь им, но конечно основное, что меня позабавило, это что в классификаторе спама либо нет признака «у пользователя ДР», либо он не работает. И это, кстати, частый недостаток ML моделей в B2C сервисах.

Например, в одной компании, где я работал, два моих коллеги мужского пола постоянно определялись внутренним классификатором пола как женщины, а один из них на этот счет даже неплохо плевался желчью. Причина тому была очень простой: у них день рождения 8 марта, и они получают аномально высокое для мужчины количество звонков в этот день. Среди тысяч сотрудников оказалось достаточно мужчин, родившихся 8 марта, чтобы баг исправился сам собой, когда для модели сделали нормальные признаки.

Общий же рецепт довольно простой: при разработке модели хорошо бы подумать, почему она может ошибаться на каких-то примерах, и что сделать, чтобы не ошибалась. Как правило первые ответы на этот вопрос будут касаться наличия и актуальности нужных признаков, корректности собранного таргета, баланса классов и в целом репрезентативности выборки.