Tabiiy Intellekt

Shu yerda identifikatsiya, ambitsiyalar, hayotdan ma’no, mimesis haqida blog post bo’lishi kerak edi, lekin bilsam u blog postning o’zi vaqt o’tishi bilan o’zgarayapti. Mana, o’rnigan meme. Aytgancha, kimdir kitoblar uchun git qilishi kerak.

MLC’da mentorlik qilib, bakalavr vaqtida menga dasturiy injeniringdan dars bergan o’qituvchimiz, Igor V. Khanning bir gapi esimga keldi. Tizimlarni modellashtirishda rejalarning o’rnini bizga tushuntirayotib qo’shib ketgandi: “ weeks of coding can save you hours of planning “.

Steroidlarga ruxsat etilgan olimpiada Peter Tiel dopingga ruxsat etiluvchi olimpiadaga mablag' ajratayotgan ekan. Ushbu g'oya biz o'rganib qolgan sport olimpiadalarining kamida ikki karra tanqidi bo'ladi: - traditsion olimpiadalar 1960-yildan beri faqatgina soliq to'lovchilar xisobiga uyushtirilgan va davlatlar doim mezbonlik uchun kurashib kelishgan. - erkin dunyoda yashayotgan bo'lsak, nega sportchilarga istaganlaricha steroidlardan foydalanishga ruxsat bermaslik kerak? Peter Tiel, Balaji Srivanasan kabi tadbirkorlarni kuzatib yurganlar allaqachon bilishlari mumkinki bu insonlar umrni uzaytirish va insonning jismoniy qobiliyatlarini oshirishga bo'lgan loyihalarga ko'p sarmoya qilishgan. O'xshash g'oyalarni gaming va fan olimpiadalarida ham kuzatishni istayman. 🥰 https://nypost.com/2024/02/01/business/peter-thiel-is-bankrolling-enhanced-games-olympics-on-steroids/

Amaliy matematiklar nima qilishi kerak, yoki sof matematiklarning yana qanday sohalarda foydasi tegadi. Qiziq savol-a? Matematikadan so’ng dasturlash yoki iqtisodiyot o’rgangan tanishlarim bor. Boshqa yana qanday imkoniyatlar borligi qiziq. Ushbu videoning izohlari ham “wholesome” ekan https://youtu.be/BHjtXKBzbF0?si=2Rg3_0qrCVTpTdoV

Ishxonada Industriyada hamma LLM'lar haqida gapirayapti, lekin korxonalar ichida LLM'larning to'g'ridan-to'g'ri qo'llanilishining aniq usullari haqida xech kim bilmaydi. Tushunarliki, yagona formula yo'q, foydalanish usullari ko'p. Optifly'da ham o'zgacha yangi usulda LLM'larni qo'llamoqchimiz. Optifly, ma'lumot uchun, Yevropa loukosterlari uchun uchuv jadvallarini tuzish bilan shug'ullanadi: qidiruv fazosi judayam katta bo'lgan maksimallashitirish muammolarini yechadi. Qisaqasi, qidiruv parameterlari juda ham ko'p: qaysi evristikalarni ishlatish kerak, qaysi KPI'larga qancha og'irlik berish kerak, exploration-exploitation qarshilikni boshqaruvchi parametrlar va hkz. Shu barcha parametrlarga meta-algoritmlar yoramida qiymatlar beriladi. Bunday meta-algoritmlarga, masalan, simulated-annealing, genetik algoritmlar, va hkz kiradi. Meta-algoritmlar ba'zan juda umumiy bo'lib, o'z parametrlari bilan birga keladi. U parametrlar qiymatlari esa odatda qo'lda (eksperimentlar orqali) tanladi. LLM/agent'larni shu yerda qo'shish biz uchun yaxshi joyga o'xshayapti. Kiruvchi va chiquvchi fayllarni text ko'rinishida analiz qilib, kerakli parametrlar/o'zgarishlarni taqdim qilishi biz qilmoqchi bo'lgan LLM vazifasi bo'ladi. Bu LLM albatta faqatgina biz injenerlar og'irini yengil qiladi. To'g'ridan-to'g'ri mijoz muammolarini yechadigan LLM'lar haqida ham suxbatlashgandek bo'ldik. Bu yaxshi yo'l, chunki mijozlar bilan aloqa odatda startaplarning kengayishi uchun katta to'siqlardan biri hisoblanadi. Yana qiziq narsa: insonlar LLM'larga oddiy AI sifatida emas, endi qandaydir hisoblash mashinasiga ega AI sifatida (LLM with computing) qarashayapti. Menga esa ko'proq LLM'larni boshqa LLM'larga (slaves) ega LLM (master) sifatida qarash yoqayapti. Kuzatamiz. Qiziq use-case'lar bilan bo'lishing...

Bog’langan aktivlar (stranded assets) UBS, Paul Donovanga ko’ra: bog’langan (yoki botib qolgan) aktivlar deb o’z qiymatini kutilganidan erta yo’qotgan aktivlarga aytiladi. Bunday yo’qotishga odatda o’zgaruvchan iqtisodiy tuzulmalar sabab bo’larkan. Donovan aytadiki STEM (science, technology, engineering, mathematics) ham bog’langan aktiv hisoblanadi. Chunki texnologiyalar aniq fanlar va bilimlarni avtomatlashtirishi, qolgan abstrakt malakalarni avtomatlashtirishidan osonroq ekan. Maqolaga ko’ra, kompyuterda ko’dlash ham bog’langan aktiv ekan. Va buni yozuvchi ikkilanishsiz aytayapti. Yechimlardan biri sifatida ta’limni moslashuvchan qilib, ilmiy bo’lmagan bilimlarni ham insonlarga o’qitilishi taklif qilingan.

This is what is left of my home https://www.youtube.com/watch?v=LPTKcovO2X0

Xo’p, bu yuz berayapti. DeepMind olimlari Alpha-Geometry modelini taklif qilishayapti. Aytishlaricha, bu model IMO (Xalqaro Matematika Olimpiadasi) geometriya muammolarini oltin medalchilardek yecha olarkan. Bu aniq vaqt masalasi edi. Qolgan sohalar (Algebra, Sonlar Nazariyasi, va Kombinatorika) ham zabt etilishi vaqt masalasi. DeepMind rostdan ham ajoyib kompaniya. LLM poygalarni chetga surib juda qiziq ishlar bilan shug’ullanayapti. Masalan, AlphaTensor haqida ham yozgan edim.

O’rganish haqida. Men bilgan odamlardan qanday o’rganish va nima o’rganish haqida so’raganimda, o’zlari qo’llaydigan usullar haqida gapirib berishadi. Masalan, ustozlarimdan biri nima o’rgansa ham o’sha narsani atrofdagi hammadan albatta chuqurroq (bitta ko’proq kitob, WIKIda bir qadam chuqurroq, ikkita kitobning albatta qiyinrog’i) o’rganishi haqida aytgan. Bu unga qolganlar ustidan boshqaruv (aslida vaziyatdan demoqchi bo’lgan) xissini berishini aytgan edi. Kuzatishim bo’yicha, menda o’rganish tushunish bilan bog’liq. Nimadir kitob ochdimmi, yoki video ko’rdimmi, tushunmasam yoki albatta boshidan o’qiyman, yoki kontekstni o’rganib qaytib kelaman. O’qitish ham yaxshi strategiya. Biror kitobni o’rganish uchun o’qish bilan, o’rgatish uchun o’qishda katta farq bor. Ikkinchisi boshqacharoq, teranroq e’tibor talab qiladi. O’rganish uchun siz nima qilasiz? Qanday qarash yordam beradi?

@ konstmish at X on Optimisation

Let's discuss: What is the easiest and fun way for a computer scientist to do art? Kompyuter olimlari san'at bilan shug'ullanishi uchun eng oson va qiziq usul qaysi?

"Fizikadan Xabardor Chuqur O'rganish" #oldiesbutgoodies Chuqur o'rganish uchun bir oddiy retsept mavjud: -> to'g'ri invariantlarni tanlagan NN arxitektura 🤔 -> ko'p va turli ma'lumotlar 📀 -> kuchli hisoblash mashinasi 🖥️ -> differensiallanuvchi narx (loss) funksiyasi Arxitektura uchun to'gri invariantliklarni tanlash modelni "yengilroq" qiladi va o'rganishni tezlashtiradi. Masalan, CNN (konvolyutsion modellar) ilgarilama harakatga nisbatan invariantlik yordamida parametrlar sonini keskin tushura oladi. Ma'lumotlar iloji boricha original protsessni tushuntira olishi muhim. Masalan, qo'l yozmalarni aniqlovchi modellarni o'rgatish uchun ma'lumotlar yig'ilishida qilinishi mumkin bo'lingan xatolarning biri: faqatgina o'naqay insonlar qo'lyozmalarini yig'ish bo'ladi. Chapaqay insonlar qo'lyozmalari, deylik, chaproqga og'gan bo'ladi desak, model unday qo'lyozmalarni aniqlay olmasligi mumkin. 👦 Katta va ko'p GPU lar albatta o'rgatishni tezlashtirsa, to'g'ri narx funksiyalari esa modeling umumlashtira olishiga yordam berishi kerak. 🤓 Bir muammo bor: ma'lumotlar yetmasa va kerakli invariantlarni aniqlash qiyin bo'lsa, hisoblashga bo'lgan talab juda katta bo'lishi mumkin. Yagona umid esa narx/xatolik funksiyasini to'g'ri tuzushdan qoladi. Yuqoridagi maqola, xususiy differensial tenglamalar (PDEs) yordamida ko'p miqdordagi ma'lumotlarga muxtoj bo'lmagan modellar va o'rgatish jarayonlarini qurish haqida. Xususiy differensial tenglamalar yordamida saqlanish qonunlari, diffuziya, kinetik tenglamalar kabi fizik tushunchalarni modellashitirish mumkin. Agar narx/xatolik funksiyamizda biz qurayotgan model qaysi qonunni qancha miqdorda buzayotganini ham inobatga olsak, balki modelimiz fizikani o'ragana olar🤓. Namuna sifatida avtorlar Burger tenglamasi va Shryodinger tenglamasi yordamida fizik modellar qurib taklif qilingan modellar rostdan ham ishlashini ko'rsatishgan. ⚡️ Ushbu modellar, masalan, suyuqlik va gazlar tarqalishini modellashtirishda, iqlimni modellashtirishda va boshqa muammolarda ishlatiladi.

Raqamli Kelajakga Tayyorlik ⌨️ Shvetsariya ishlab chiqaruvchi korxonalari direktorlari bilan suxbatlaridan qilingan xulosalar orqali yozilgan ushbu maqola ishlab chiqaruvchi korxonalarning raqamlashtirilgan zamon va bozor talablariga javob berishlari o'lchamlari haqida. Unga ko'ra: talabdagi raqamlashtirishga erishish uchun korxonalardan 4 yo'nalish bo'yicha o'zlarini baholashi va kerakli xatti harakatlarni qilishlari zarur ekan: - organizatsion/tuzulmaviy - kultura/madaniiy - personal, va hamda - raqamli muhit. Boshqaruv yetarlicha erkinlik va imkoniyatlar yaratishi va risk uchun ishtaha vujudga kelishini ta'minlashi biznesning kelajagini va moliyalashuvini ta'minlaydi. Yangi va eski ishchilar yordamida tashkilotda startap madaniyati rivojlanishi esa bunga yordam beradi. 🤓 Tashkilot madaniyati kelajakga yo'nalgan bo'lishi, yangi trendlarni ⚡ erta aniqlashi raqobatdoshlikni ta'minlaydi. Bundan tashqari, korporativ boshqaruv erkinlik va yaratuvchanlik uchun imkoniyatlar va rag'batlar 💰yaratishi esa o'ta zarurdir. Eng qiziq qismlardan biri esa insonlar haqida. Yozilishicha, ishchi o'rinlarning katta qismini egallovchi milleniallar (👋)(kamida Shvetsariyada) berilgan ishning maoshi miqdoriga katta ahamiyat bermaydilar (ular o'rinli to'lovni kafolatlangandek oladilar 🌚). Ularga ma'nosi mavjud va kelajakga yuzlangan kasb hamda ish o'rinlari qiziqligi yozilgan. Bu insonlarni doimiy o'qitish va ular bilan qalban bog'lana olish ❤️ menejerlarning asosiy vazifalaridan bo'lib qoladi. Va nihoyat, tashkilotdagi ma'lumotlarga yetishning (access) osonligi va jarayonlarning avtomatlashganligi kelajakga uchun qilingan eng yaxshi ishlar ekanligi ta'kidlangan. Undan tashqari, tashkilotlarda insonlarning yangi texnologiyalarni 💰(LLMs, Blockchain, IoT, ...) sinab ko'rishlari rag'batlantirish kerakligini aytmasa ham bo'ladi. Ushbu maqolada, kompaniyalar o'zlarining tayyorgarliklarini baholashi va shunga yarasha harakatlarni qilishlari mumkin. #digital #business #organisation #automation

⚡️IZhOda oltin! Hozirgina IZhO-2024 ning informatika bosqichi o’z nihoyasiga yetdi. 🏆Unga ko’ra, o’quvchilarimiz 1 ta oltin, 1 ta kumush va 1 ta bronza medallarini egallab turishibdi. 📌 Rasmiy natijalar taqdirlash marosimida e’lon qilinadi. Norasmiy natijalar: http://18.194.239.45/ @cp_uz

Mazza qilib kuldim)

How I break generational cycles

Konvolyutsion Neyron Tarmoqlarni tushunish va tasvirlash 2013-yilda nashr qilingan tegishli maqola yordamida konvolyutsion tarmoqlar filterlari vizualizatsiyasi uchun python loyiha. Kod va mavzu uchun tushuntiruv videosi ham mavjud.

"Sizda ham hali imkon bor" Abrorbek qiziq mavzuni olib chiqibdi va u haq: hali kech emas, SI ni o'rgansa bo'ladi. Faqat, kech emasligi sababi uning onson ekanligi emas, asosiy sabab – fikrimcha – hammamiz hayotimiz davomida kamida bir marta kasb o'zgartirishga majbur bo'lamiz. Bu oddiy kasb o'zgartirish shunchaki ish joyi o'zgarishi emas, aynan qayta o'qish-o'rganish orqali yangi kasb olishdir. Majbur ekanmiz, nega zamonaviyroq kasblarni o'rganmaslik kerak.