На днях я наткнулся на одно любопытное видео.

Моей первой реакцией было Братан, хорош, давай, давай, вперёд! Контент в кайф, можно ещё? Вообще красавчик! Можно вот этого вот почаще? отрицание и усталость, потому что всё это я уже слышу на протяжении лет пяти с разной интенсивностью в зависимости от текущих объектов хайпа. В этом посте я попытаюсь разобраться, что из сказанного в видео является правдой.

Утверждения:

1. Закон Мура больше не выполняется из-за фундаментальных физических ограничений ⇒ масштабирование нейросетевых моделей по вычислительному бюджету невозможно.

2. Нейросетевые модели внедряются слишком медленно.

3. Ответы нейросетевых моделей неконтролируемы и неинтерпретируемы.

Дальше обсудим каждое из них.

В этом посте мы поговорим о задаче metric learning, подходах к её решению, и разберём их на практике, используя open-source проект OpenMetricLearning. В качестве бонуса покажем, как с помощью простых эвристик можно догнать текущие SotA модели.

Около года назад я начал проходить собеседования в разные компании на позицию Machine Learning Engineer. Одним из этапов в каждой компании было проектирование ML системы. В данной статье я делюсь опытом и ресурсами, которые помогли мне пройти собеседования. В том числе в команду MLE Ленты, в которой сейчас тружусь.

Пол человека и других млекопитающих, как все мы знаем из школы, определяется геном, содержащимся в Y-хромосоме. Наличие этой хромосомы (и располагающегося в ней гена SRY) делает эмбрион мужчиной, и запускает развитие в нём всех необходимых мужских «аксессуаров». Если же Y-хромосомы нет, то есть человек обладает генотипом XX, то он биологически женщина.

Проблема в том, что человеческая Y-хромосома вырождается и, скорее всего, исчезнет через несколько миллионов лет. Это или приведет к нашему вымиранию (если мы не разовьем новый половой ген), или заставит, скажем так, очень сильно понервничать любителей традиционных ценностей.

Хорошая новость заключается в том, что две ветви грызунов, не так далеко отстоящих от нас, уже потеряли свою Y-хромосому. И вполне благополучно дожили до того, чтобы рассказать нам об этом. Поэтому, возможно, мы сумеем взять пример с них.

• NetworkX для общего анализа графов;
• PyVis для интерактивной визуализации графов прямо в браузере;
• PyG и DGL для решения различных задач в области машинного обучения на графах.

Мы представляем Yao (статья), пакет с открытым исходным кодом Julia для решения практических задач в исследованиях квантовых вычислений. Имя Yao происходит от первого китайского иероглифа, означающего унитарность (幺正).

На переходном, происходящим в настоящем, этапе эволюции в среду и процессы которого погружён человек, ключевыми объектами, определяющими вектор уклада данного этапа, а равно каждого последующего, выступают технологии. Перспективные технологии, формируют собой последовательный вектор развития, выраженный в массиве объектов: a. автоматизация и «углубленная» автоматизация; b. автономные системы; c. «интеллектуальные» системы; d. биосистемы; e. K-системы, включая kfs системы как производные.

Переходный этап эволюции является определяющим наиболее сложным в становлении порядка процессов, архитектуры систем, направляющего вектора развития экосистемы и человека как вида. Паритет постижения, имеет не большой, но сутевой перевес, скрытый тайной стороной возможностей, существующих технологий над научным умом. Процесс познания технологий на данном этапе не просто выявляет, а устанавливает набор проблем, определяющих собой местo человека как вида в дальнейшей экосистеме.

Концептуальной (прим.: выражающий собой фрейм проблематики) и наиболее сложной (прим.: краеугольной) представляется проблема осознания места и задач человека как вида в современном и последующем укладе экосистемы. Данный концепт наглядно выражен через проходящую эволюцию видов программно вычислительных систем от автоматических к автономным системaм с самоорганизующимися (прим.: «интеллектуальными») алгоритмами.

Правильное понимание и решение данной проблематики, требует ввести понятия о видах вычислительных систем, входящих в совокупный объект настоящего исследования.

У меня был в свое время практикант из Стенфорда, от которого я получил инсайдерскую информацию, чему их там учат. Потом я интервьировал много студентов, и понял, что если человек не делает самостоятельных проектов в вузе, а просто плывет по течению программы как медуза, то будучи выброшенным на берег индустрии, он становится совершенно беспомощным.

Когда я вижу у недавнего выпускника в резюме какой-то из протоколов в котором используется valid/ready, например AXI или AHB, я прошу его спроектировать блок, у которого на входе два числа A и B, а на выходе их сумма. Разумеется не просто написать SUM=A+B, а еще и поставить valid/ready сигналы на каждый из A, B, SUM, чтобы A и B могли приходить в разное время, а также чтобы блок ждал, если SUM не может быть передана другому блоку сразу.

Некоторые не справляются. Грустно смотреть на человека, который потратил 6 лет своей жизни (4 года в бакалавриате и 2 года в магистратуре) и океан денег на образование - и не может сложить два числа и бьется как угорь на сковородке. То блок не работает когда числа приходят в разное время, то создатель забывает снять valid, и блок на 2+2 выдает не 4, а 4-4-4-4-4-4-4... То числа складываются не попарно, а просто записываются в регистры и на выход идет их текущая сумма, хотя количество аргументов A и B не совпадает. То не отрабатывается backpressure и результаты теряются, то (после того как кандидат написал страницу кода на верилоге) блок работает на половинной производительности, то есть не может принимать поток чисел подряд, а ожидает между ними пропуски (gaps). Короче ведет себя как ChatGPT.

В жизни каждого A/B-эксперимента наступает момент, когда пора проанализировать его результаты и понять, а не зря ли мы пилили все эти фичи. 

Всем привет! Меня зовут Костя Житков, я — аналитик в команде Поиска рекомендаций hh.ru. В этой статье я расскажу о том, как мы чуть не увязли в самообмане во время анализа одного из наших A/B-экспериментов.

В статье рассказывается о новом подходе к анализу распределения простых чисел.
О подходе с использованием формулы распределения чисел для всего натурального ряда.

▍ Матрица и девяностые

Криптографы хотят знать, в каком из пяти возможных миров мы живем, что покажет, возможна ли вообще по-настоящему безопасная криптография.