Да, так и есть. Еще сейчас экспериментируем с fine-tuning Open Source LLM моделей, и, в целом, получилось добиться хорошего качества в задачах парсинга бизнес-полей, которые не получалось качественно находить регулярными и традиционными ML алгоритмами.
Причины увольнений могут быть совершенно разные, в том числе и про взаимоотношения с руководством. Система только подсвечивает возможные проблемы, решение увольняться или нет всегда остается только за сотрудником.
Вариант реализации MVP на основе потокового конвейера долго лидировал, но из-за необходимости быстрой адаптации к новым методам анализа дефектов на первом этапе в итоге был выбран манипулятор. Вообще, при необходимости можно взять полученные модели и применить их и для конвейерной ленты.
Не совсем понятно, зачем в принципе понадобилось определять положение ампул в произвольном месте стола даже если предполагается двигать их манипулятором?
В целевом кейсе новые ампулы поступали в коробках, причем коробки могли быть разных размеров и степени наполненности, поэтому появился вариант решения с камерой+CV модель локализации объектов.
Проще да, но если посмотреть за оператором, то многие действия проще выполнять манипулятором с большим количеством степеней свободы, например, резкое закручивание ампулы и наклон. Но не исключено, что в продуктив уйдет более простая и надежная конфигурация манипулятора.
Разработчики, как думаете, что и о ком я говорю при каждом появлении такой рекомендации?
Не буду забирать хлеб у Яндекс разработчиков, пусть они это комментируют. Я бы добавил в настройках возможность отключить эту фичу, но за работу крутых рекомендаций в Я. Музыке, я им многое готов простить.
Все работы (сбор требований, выбор фреймворка, разметка, обучение) до запуска MVP заняли примерно 2.5 месяца. Потом еще примерно 2 месяца занимались улучшением точности.
После облетам нам поступал гигантский geoTiff, который содержал координаты. При желании их можно посмотреть, например, вот так. Но мы скармливали его целиком в геосервер, и в процессе инференса запрашивали у него реальные координаты каждого тайла, чтобы привязать положение найденной крыши внутри тайла к глобальным координатам.
Согласен, если отдельно стоящие теплицы/беседки можно визуально различить, то распознать примыкающие к домам навесы почти невозможно даже разметчику, не говоря уже о ML моделях.
Я на этом проекте занимался только моделированием и не погружался глубоко в бизнес область.
Специалисты меня поправят, но я уверен, что основаниями для изменения налоговой базы должны являться как минимум заключение кадастрового инженера.
Интерпретируемость моделей часто становится очень важным фактором, особенно в медицине или финтехе. Причем, если какую-нибудь модель на Decision trees довольно легко визуализировать, то более сложные модели (тем более стек моделей), часто даже не пытаются.
В итоге в рамках пилотного проекта удалось добиться MAPE почасовой ошибки в 1.2%, модели передали заказчику, он занимался внедрением уже без нашего участия.
Да, так и есть. Еще сейчас экспериментируем с fine-tuning Open Source LLM моделей, и, в целом, получилось добиться хорошего качества в задачах парсинга бизнес-полей, которые не получалось качественно находить регулярными и традиционными ML алгоритмами.
Что-то общее может в этих кейсах и есть, но мы за внимание к потребностям и сохранение кадров, а у них вроде как про "оптимизацию и сокращение"
Причины увольнений могут быть совершенно разные, в том числе и про взаимоотношения с руководством. Система только подсвечивает возможные проблемы, решение увольняться или нет всегда остается только за сотрудником.
Так можно про любую систему сказать. Jira тоже следит за выполнением задач сотрудников, но никто же не отрицает пользу таск-менеджеров
Да, начало у наших проектов было очень схожее, но ребята, я так понимаю, окончательно в B2B ушли, а мне бы хотелось сделать B2C решение
Все так, да. И даже больше, для промышленной эксплуатации будут выбраны более быстрые и надежные манипуляторы, чем этот из видео.
Вариант реализации MVP на основе потокового конвейера долго лидировал, но из-за необходимости быстрой адаптации к новым методам анализа дефектов на первом этапе в итоге был выбран манипулятор. Вообще, при необходимости можно взять полученные модели и применить их и для конвейерной ленты.
В целевом кейсе новые ампулы поступали в коробках, причем коробки могли быть разных размеров и степени наполненности, поэтому появился вариант решения с камерой+CV модель локализации объектов.
Проще да, но если посмотреть за оператором, то многие действия проще выполнять манипулятором с большим количеством степеней свободы, например, резкое закручивание ампулы и наклон. Но не исключено, что в продуктив уйдет более простая и надежная конфигурация манипулятора.
Не буду забирать хлеб у Яндекс разработчиков, пусть они это комментируют. Я бы добавил в настройках возможность отключить эту фичу, но за работу крутых рекомендаций в Я. Музыке, я им многое готов простить.
Специалисты меня поправят, но я уверен, что основаниями для изменения налоговой базы должны являться как минимум заключение кадастрового инженера.
А можно и просто: ratings['user_id'].nunique()
Лучше использовать вариант с обращением к имени колонки через[]: anime['type'].value_counts()