#facebook
"Стремительный рост стоимости акций компании начался в 2023 году и по итогам года достиг почти 200 %. Как сообщает CNBC, одним из основных драйверов этого роста оказалось решение генерального директора Meta Марка Цукерберга (Mark Zuckerberg) о введении мер по сокращению расходов, которые привели к увольнению из компании более 20 000 сотрудников.
Акционеры оптимистичны в отношении Meta, поскольку компания стремится укрепить свои позиции в качестве сильного игрока в области искусственного интеллекта. На прошлой неделе Цукерберг заявил, что к концу 2024 года Meta приобретёт 350 000 специализированных ИИ-ускорителей H100 от NVIDIA, а в сумме вычислительная производительность её систем будет «эквивалентна примерно 600 тыс. ускорителей H100». Всё это указывает на то, что Meta инвестирует миллиарды долларов в развитие своей инфраструктуры ИИ."
https://3dnews.ru/1099260/rinochnaya-stoimost-meta-previsila-1-trln
"Стремительный рост стоимости акций компании начался в 2023 году и по итогам года достиг почти 200 %. Как сообщает CNBC, одним из основных драйверов этого роста оказалось решение генерального директора Meta Марка Цукерберга (Mark Zuckerberg) о введении мер по сокращению расходов, которые привели к увольнению из компании более 20 000 сотрудников.
Акционеры оптимистичны в отношении Meta, поскольку компания стремится укрепить свои позиции в качестве сильного игрока в области искусственного интеллекта. На прошлой неделе Цукерберг заявил, что к концу 2024 года Meta приобретёт 350 000 специализированных ИИ-ускорителей H100 от NVIDIA, а в сумме вычислительная производительность её систем будет «эквивалентна примерно 600 тыс. ускорителей H100». Всё это указывает на то, что Meta инвестирует миллиарды долларов в развитие своей инфраструктуры ИИ."
https://3dnews.ru/1099260/rinochnaya-stoimost-meta-previsila-1-trln
3DNews - Daily Digital Digest
ИИ воодушевил инвесторов: капитализация Meta✴ превысила $1 трлн
Капитализация Meta превысила $1 трлн в ходе рыночных торгов в среду на фоне рекордного роста курса акций.
#featureengineering #autofeat
Вспомнил, что конструктор фичей уже реализован в библиотеке autofeat.
Давайте разбираться.
"Linear models+ non-linear features=LOVE"
"There is always enough RAM somewhere" ))
"Most existing feature construction frameworks follow the second, iterative feature engineering approach: The FICUS algorithm uses a beam search to expand the feature space based on a simple heuristic, while the FEADIS algorithm and Cognito use more complex selection strategies. A more recent trend is to use meta-learning, i.e., algorithms trained on other datasets, to decide whether to apply specific transformation to the features or not. While theoretically promising, we could not find an easy to use open source library for any of these approaches."
https://arxiv.org/pdf/1901.07329.pdf
https://www.youtube.com/watch?v=4-4pKPv9lJ4
Вспомнил, что конструктор фичей уже реализован в библиотеке autofeat.
Давайте разбираться.
"Linear models+ non-linear features=LOVE"
"There is always enough RAM somewhere" ))
"Most existing feature construction frameworks follow the second, iterative feature engineering approach: The FICUS algorithm uses a beam search to expand the feature space based on a simple heuristic, while the FEADIS algorithm and Cognito use more complex selection strategies. A more recent trend is to use meta-learning, i.e., algorithms trained on other datasets, to decide whether to apply specific transformation to the features or not. While theoretically promising, we could not find an easy to use open source library for any of these approaches."
https://arxiv.org/pdf/1901.07329.pdf
https://www.youtube.com/watch?v=4-4pKPv9lJ4
#autofeat #featureselection #featureselection
Как работает autofeat:
1) берётся подвыборка train set, из сырых фичей генерируется много кандидатов (с помощью простых математических операций)
2) в пул "хороших" добавляются кандидаты с высокой корреляцией с необъяснённым таргетом
3) на всех "хороших" кандидатах обучается линейная модель с регуляризацией LassoLarsCV. Отбрасываются кандидаты с низкими весами в последней модели. Пересчитывается таргет, не объясняемый моделью.
4) повтор цикла до стабилизации множества хороших кандидатов
5) отсев шума. обучение на итоговом пуле+случайных признаках, отбрасываем всех кандидатов с весами, меньшими весов шумовых фичей
Как работает autofeat:
1) берётся подвыборка train set, из сырых фичей генерируется много кандидатов (с помощью простых математических операций)
2) в пул "хороших" добавляются кандидаты с высокой корреляцией с необъяснённым таргетом
3) на всех "хороших" кандидатах обучается линейная модель с регуляризацией LassoLarsCV. Отбрасываются кандидаты с низкими весами в последней модели. Пересчитывается таргет, не объясняемый моделью.
4) повтор цикла до стабилизации множества хороших кандидатов
5) отсев шума. обучение на итоговом пуле+случайных признаках, отбрасываем всех кандидатов с весами, меньшими весов шумовых фичей
#google #lumiere #video
Новая моделька генерации видео по тексту от гугла. Понравилась бегунья из цветов )
https://lumiere-video.github.io/#section_text_to_video
Новая моделька генерации видео по тексту от гугла. Понравилась бегунья из цветов )
https://lumiere-video.github.io/#section_text_to_video
Lumiere - Google Research
Space-Time Text-to-Video diffusion model by Google Research.
#politics
Похоже, Надеждин больше мужик, чем все кремлёвские старцы вместе взятые.
https://www.youtube.com/watch?v=amEcNmYzjL4
Похоже, Надеждин больше мужик, чем все кремлёвские старцы вместе взятые.
https://www.youtube.com/watch?v=amEcNmYzjL4
YouTube
"Буду биться до конца" БОРИС НАДЕЖДИН о выборах, будущем Путина, Крыме и конце войны
Вы можете поддержать мой канал через патреон: https://www.patreon.com/ninorosebashvili
Борис Надеждин - настоящий политический феномен последнего времени. Многие познакомились с ним совсем недавно - когда он объявил о своем намерении баллотироваться на пост…
Борис Надеждин - настоящий политический феномен последнего времени. Многие познакомились с ним совсем недавно - когда он объявил о своем намерении баллотироваться на пост…
⚡4🤡1
#trading #hft
Интересна классификация данных для трейдинга
https://www.youtube.com/watch?v=qs7GVN1FRck
Интересна классификация данных для трейдинга
https://www.youtube.com/watch?v=qs7GVN1FRck
YouTube
Воркшоп по высокочастотной торговле. Шелягин С.В. HFT данные - источники сигналов и проблем
Enjoy the videos and music you love, upload original content, and share it all with friends, family, and the world on YouTube.
#trading
Чего только люди не придумают. Как специальная теория относительности может помочь в трейдинге?!
https://www.youtube.com/watch?v=k77kkes1qEA
Чего только люди не придумают. Как специальная теория относительности может помочь в трейдинге?!
https://www.youtube.com/watch?v=k77kkes1qEA
YouTube
Predicting Price using Lorentzian Classification with Justin Dehorty - Trading Bot Sessions (EP 010)
This is episode 10 of Trading Bot Sessions where we talk with traders who have built automated trading strategies and trade everything from stocks and options to futures and crypto. In this session, I speak with Justin Dehorty, a software engineer with a…
#distances #trading #knn
"Recently, it was hypothesized that Lorentzian space was also well-suited for analyzing time-series data. This hypothesis has been supported by several empirical studies that demonstrate that Lorentzian distance is more robust to outliers and noise than the more commonly used Euclidean distance. Furthermore, Lorentzian distance was also shown to outperform dozens of other highly regarded distance metrics, including Manhattan distance, Bhattacharyya similarity, and Cosine similarity. Outside of Dynamic Time Warping based approaches, which are unfortunately too computationally intensive for PineScript at this time, the Lorentzian Distance metric consistently scores the highest mean accuracy over a wide variety of time series data sets.
Euclidean distance is commonly used as the default distance metric for NN-based search algorithms, but it may not always be the best choice when dealing with financial market data. This is because financial market data can be significantly impacted by proximity to major world events such as FOMC Meetings and Black Swan events. This event-based distortion of market data can be framed as similar to the gravitational warping caused by a massive object on the space-time continuum. For financial markets, the analogous continuum that experiences warping can be referred to as "price-time"."
https://www.tradingview.com/noscript/WhBzgfDu-Machine-Learning-Lorentzian-Classification/
"Recently, it was hypothesized that Lorentzian space was also well-suited for analyzing time-series data. This hypothesis has been supported by several empirical studies that demonstrate that Lorentzian distance is more robust to outliers and noise than the more commonly used Euclidean distance. Furthermore, Lorentzian distance was also shown to outperform dozens of other highly regarded distance metrics, including Manhattan distance, Bhattacharyya similarity, and Cosine similarity. Outside of Dynamic Time Warping based approaches, which are unfortunately too computationally intensive for PineScript at this time, the Lorentzian Distance metric consistently scores the highest mean accuracy over a wide variety of time series data sets.
Euclidean distance is commonly used as the default distance metric for NN-based search algorithms, but it may not always be the best choice when dealing with financial market data. This is because financial market data can be significantly impacted by proximity to major world events such as FOMC Meetings and Black Swan events. This event-based distortion of market data can be framed as similar to the gravitational warping caused by a massive object on the space-time continuum. For financial markets, the analogous continuum that experiences warping can be referred to as "price-time"."
https://www.tradingview.com/noscript/WhBzgfDu-Machine-Learning-Lorentzian-Classification/
TradingView
Machine Learning: Lorentzian Classification — Indicator by jdehorty
█ OVERVIEW
A Lorentzian Distance Classifier (LDC) is a Machine Learning classification algorithm capable of categorizing historical data from a multi-dimensional feature space. This indicator demonstrates how Lorentzian Classification can also be used to…
A Lorentzian Distance Classifier (LDC) is a Machine Learning classification algorithm capable of categorizing historical data from a multi-dimensional feature space. This indicator demonstrates how Lorentzian Classification can also be used to…
👍2🤣1
#biology #nikitin #lifeorigin
Ммм, первичная пиццаааа )
Много нового узнал. Жизнь появилась на Земле ещё без кислорода, кислород стали производить цианобактерии 2.5 млрд лет назад, он для нас в чистом виде токсичен, хотя без него мы уже не можем жить. Кстати, нашёл ещё теорию, что в прошлом насекомые и земноводные были такими огромными как раз из-за повышенного содержания кислорода в воздухе (35% vs 20%). Забавный факт, в жидком виде кислород притягивается магнитом )
Ну и на посошок. С правохиральным пришельцем, скорее всего, можно совместно распить этиловый спирт ))
https://www.youtube.com/watch?v=2nWdZdYtz84
Ммм, первичная пиццаааа )
Много нового узнал. Жизнь появилась на Земле ещё без кислорода, кислород стали производить цианобактерии 2.5 млрд лет назад, он для нас в чистом виде токсичен, хотя без него мы уже не можем жить. Кстати, нашёл ещё теорию, что в прошлом насекомые и земноводные были такими огромными как раз из-за повышенного содержания кислорода в воздухе (35% vs 20%). Забавный факт, в жидком виде кислород притягивается магнитом )
Ну и на посошок. С правохиральным пришельцем, скорее всего, можно совместно распить этиловый спирт ))
https://www.youtube.com/watch?v=2nWdZdYtz84
YouTube
Мы могли жить на Марсе? Зарождение жизни на Земле и эволюция. Михаил Никитин и Сила Идеи
Как зародилась жизнь на земле? Что предшествовало большому взрыву и что было дальше? Откуда взялись мы с Вами? Сегодня обсуждаем животрепещущие темы, отвечаем на самые популярные вопросы о происхождении жизни на земле и развеиваем мифы
Сегодня у меня в гостях…
Сегодня у меня в гостях…
#tensorflow #keras #bigquery
Как сделать простые модельки прямо в bigquery. Ну и до кучи это зачем-то смешали с основами keras, наверное, чтобы показать основы ML экосистемы гугл.
https://www.youtube.com/watch?v=H_jf-_BV79Q
Как сделать простые модельки прямо в bigquery. Ну и до кучи это зачем-то смешали с основами keras, наверное, чтобы показать основы ML экосистемы гугл.
https://www.youtube.com/watch?v=H_jf-_BV79Q
YouTube
Feature engineering in BigQuery and TensorFlow 2.0/Keras - Kirkland ML Summit ‘19
Lak Lakshmanan, Big Data and ML Professional Services Tech Lead at Google Cloud, talks about using feature engineering in BigQuery and TensorFlow 2.0/Keras.
The Kirkland ML Summit brings together developers from across the globe to discuss recent developments…
The Kirkland ML Summit brings together developers from across the globe to discuss recent developments…
#politics
Что нынешние подлецы придумают против него? У нас ведь за гораздо меньшее преследовали, сажали, травили - и продолжают.
https://www.youtube.com/watch?v=QeZs4QQVnoQ
Что нынешние подлецы придумают против него? У нас ведь за гораздо меньшее преследовали, сажали, травили - и продолжают.
https://www.youtube.com/watch?v=QeZs4QQVnoQ
YouTube
Надеждин: "Если не зарегистрирует ЦИК, объявлю легальные митинги по всей стране!"
Борис Надеждин проводит в Москве встречу с потенциальными избирателями
«Угрозы я получаю уже 20 лет — с тех пор, как перешел в оппозицию Путину», — рассказал кандидат в президенты Борис Надеждин нашему корреспонденту. При этом он отметил, что в его сетях…
«Угрозы я получаю уже 20 лет — с тех пор, как перешел в оппозицию Путину», — рассказал кандидат в президенты Борис Надеждин нашему корреспонденту. При этом он отметил, что в его сетях…
👍1🤡1
Forwarded from kyrillic
Про выбор места жительства, самые популярные кейсы. В прошлый раз был пост с примерами мест пмж по разным критериям. Где главный конечно - уровень удаленного дохода. В том же посте описал, почему у меня немалая насмотренность нынешних релокантов/номадов.
И кстати недавно мы выяснили (опрос), что вы очень даже умеете удаленно зарабатывать 🙂 Респект!
Давайте рассмотрим самые популярные кейсы!
Дисклеймер все тот же - это всего лишь субъективное мнение из интернета.
1️⃣ Одинокий айтишник (М 30+) В постах про счастье писал, что глубокие эмоциональные связи - ключевой фактор счастья и удовлетворенности от жизни. Если переиначить, то одиночество вряд ли можно считать нормой с научной точки зрения. Формально даже жить с мамой - более норма, чем одному.
При этом ru-айтишнику в эмиграции статистически намного сложнее найти пару в силу довольно объективных причин (пост) Субъективно кажется, что это справедливо только для натуралов.
Поэтому разумный выбор, до смены статуса (одинокого или натурала 🙂) - это либо родина, либо места с высокой долей одиноких ru-релокантов-девушек. И пониженной конкуренцией 🙂 А это по сути только 🇬🇪 Тбилиси. Либо 🇮🇱 Тель-Авив, если позволяет происхождение.
2️⃣ Одинокая айтишница 25+ Тут конечно путь в крупные города, в зависимости от предпочтений. Считаю лучшими 🇬🇧 Лондон и 🇫🇷 Париж, просто потому что там “ru” всегда было и будет плюсом из-за культурного влияния. Почти конкурентное преимущество! Но в целом подойдут любые столицы первого мира.
3️⃣ Релокантам пост-студенческого возраста один путь - в магистратуру (пост). Все, кто пошел другим путем, будет скорее всего отставать в эмиграции от тех, кто выбрал магистратуру. И тут место учебы имеет значение только в контексте локации. Поэтому лучше ехать в 🇺🇸 США, 🇬🇧 UK и т.д. Вот релевантный пост про талантов 22-25 лет.
4️⃣ Пара без детей, 28+ Наверное самая многочисленная категория - уже есть уверенность, моральная и материальная, есть гибкость в жизненных решениях. И тут выбор огромен, все зависит от вкусов и возможностей. Проще сказать, куда точно не надо: постсоветские страны и возможно Восточная Европа, потому что это с очень большой натяжкой можно назвать эмиграцией.
5️⃣ Пара с детьми/ребенком дошкольного возраста. Климат решает! Даже в опросе про стоимость жизни (пост), большинство с детьми выбирают теплые прибрежные локации. Оно и понятно!
Если разделять города по уровню доходов пары, то с $2-3k лучшие места - 🇪🇸 Аликанте и окрестности, небольшие города 🇮🇹 Лигурии, даже 🇹🇷 Турция ок. С $3-5k - 🇪🇸 Барселона, 🇫🇷 Юг Франции.
6️⃣ Семья с детьми школьного возраста. Считаю что только представителям этой категории разумно рассуждать о привычных эмигрантских критериях, столь популярных в чатах, - медицина, налоги, образование, социализация, время до паспорта и др. Потому что такие семьи - самый репрезентативный элемент любого развитого общества. А значит влияние перечисленных факторов наиболее высоко на отдельно взятую семью.
Потому что в кейсах "я одинокий ML инженер в Лондоне с з/п $200k" зачастую локация в Тиндере - "Невский Проспект + 10км". И у человека есть что-то поважнее, чем сравнение NHS с медициной других стран.
7️⃣ Фаундеры стартапов, которые уже что-то умеют. Любое место помимо 🇺🇸 Долины - это компромисс. Можно много говорить о крутой экосистеме стартапов например в Барселоне, но это просто село, по сравнению с Долиной. Хотя Долина - это село по множеству других критериев 🙂
8️⃣ Топ 3% айти-таланты. Если кто-то из вас себя таковым считает, то путь тоже один. Точнее два - побережья 🇺🇸 США (пост).
9️⃣ Мое общее наблюдение на тему критериев выбора простое: cчитаю самыми важными те, которые влияют на жизненные шансы, а если говорить прямо - на победу в конкуренции с другими людьми.
При этом такие факторы не особо обсуждают, потому что они менее наглядные и менее подсчитываемые, чем налоги, климат, рейтинг университетов/краж/самоубийств и др. Хотя эти неощутимые критерии - достаточно объективны и обусловлены человеческой природой, устройством обществ и тервером 🙂
@kyrillic
И кстати недавно мы выяснили (опрос), что вы очень даже умеете удаленно зарабатывать 🙂 Респект!
Давайте рассмотрим самые популярные кейсы!
Дисклеймер все тот же - это всего лишь субъективное мнение из интернета.
1️⃣ Одинокий айтишник (М 30+) В постах про счастье писал, что глубокие эмоциональные связи - ключевой фактор счастья и удовлетворенности от жизни. Если переиначить, то одиночество вряд ли можно считать нормой с научной точки зрения. Формально даже жить с мамой - более норма, чем одному.
При этом ru-айтишнику в эмиграции статистически намного сложнее найти пару в силу довольно объективных причин (пост) Субъективно кажется, что это справедливо только для натуралов.
Поэтому разумный выбор, до смены статуса (одинокого или натурала 🙂) - это либо родина, либо места с высокой долей одиноких ru-релокантов-девушек. И пониженной конкуренцией 🙂 А это по сути только 🇬🇪 Тбилиси. Либо 🇮🇱 Тель-Авив, если позволяет происхождение.
2️⃣ Одинокая айтишница 25+ Тут конечно путь в крупные города, в зависимости от предпочтений. Считаю лучшими 🇬🇧 Лондон и 🇫🇷 Париж, просто потому что там “ru” всегда было и будет плюсом из-за культурного влияния. Почти конкурентное преимущество! Но в целом подойдут любые столицы первого мира.
3️⃣ Релокантам пост-студенческого возраста один путь - в магистратуру (пост). Все, кто пошел другим путем, будет скорее всего отставать в эмиграции от тех, кто выбрал магистратуру. И тут место учебы имеет значение только в контексте локации. Поэтому лучше ехать в 🇺🇸 США, 🇬🇧 UK и т.д. Вот релевантный пост про талантов 22-25 лет.
4️⃣ Пара без детей, 28+ Наверное самая многочисленная категория - уже есть уверенность, моральная и материальная, есть гибкость в жизненных решениях. И тут выбор огромен, все зависит от вкусов и возможностей. Проще сказать, куда точно не надо: постсоветские страны и возможно Восточная Европа, потому что это с очень большой натяжкой можно назвать эмиграцией.
5️⃣ Пара с детьми/ребенком дошкольного возраста. Климат решает! Даже в опросе про стоимость жизни (пост), большинство с детьми выбирают теплые прибрежные локации. Оно и понятно!
Если разделять города по уровню доходов пары, то с $2-3k лучшие места - 🇪🇸 Аликанте и окрестности, небольшие города 🇮🇹 Лигурии, даже 🇹🇷 Турция ок. С $3-5k - 🇪🇸 Барселона, 🇫🇷 Юг Франции.
6️⃣ Семья с детьми школьного возраста. Считаю что только представителям этой категории разумно рассуждать о привычных эмигрантских критериях, столь популярных в чатах, - медицина, налоги, образование, социализация, время до паспорта и др. Потому что такие семьи - самый репрезентативный элемент любого развитого общества. А значит влияние перечисленных факторов наиболее высоко на отдельно взятую семью.
Потому что в кейсах "я одинокий ML инженер в Лондоне с з/п $200k" зачастую локация в Тиндере - "Невский Проспект + 10км". И у человека есть что-то поважнее, чем сравнение NHS с медициной других стран.
7️⃣ Фаундеры стартапов, которые уже что-то умеют. Любое место помимо 🇺🇸 Долины - это компромисс. Можно много говорить о крутой экосистеме стартапов например в Барселоне, но это просто село, по сравнению с Долиной. Хотя Долина - это село по множеству других критериев 🙂
8️⃣ Топ 3% айти-таланты. Если кто-то из вас себя таковым считает, то путь тоже один. Точнее два - побережья 🇺🇸 США (пост).
9️⃣ Мое общее наблюдение на тему критериев выбора простое: cчитаю самыми важными те, которые влияют на жизненные шансы, а если говорить прямо - на победу в конкуренции с другими людьми.
При этом такие факторы не особо обсуждают, потому что они менее наглядные и менее подсчитываемые, чем налоги, климат, рейтинг университетов/краж/самоубийств и др. Хотя эти неощутимые критерии - достаточно объективны и обусловлены человеческой природой, устройством обществ и тервером 🙂
@kyrillic
Forwarded from ML for Value / Ваня Максимов (Ivan Maksimov)
Выводы про А/В-тестирование от Optimizely
Довольно известная плафторма АВ Optimizely выпустила репорт с анализом 127к экспов за последние 5 лет. И вот что они обнаружили
1. 88% экспериментов проваливаются
Да-да лишь 1 из 10 ваших самых гениальных и продуманных идей в итоге растит метрики)
Эта цифра довольно хорошо согласуется и с репортами от крупнейших компаний (гугл, ютуб, амазон, airbnb)
2. Половина компаний проводит менее 34 экспериментов в год
Это очень МАЛО ~3 эксперимента в месяц. На моей практике в Delivery Club мы видели хороший суммарный эффект от АВ плафтормы на 10+ экспериментах в месяц. Ну и в конце концов разогнались до ~40-50 экспериментов в месяц (по данным optimizely это как у топ-3% компаний)
3. ~30% экспериментов используют метрику "Выручка". Но красится она в <1% случаев
В общем, думайте тщательно над выбором метрик - не берите просто самую верхнеуровневую! Как правило, почти всегда можно выбрать более узкую и специфичную для вашей фичи метрику (конверсию из действия Х в У, например). Для этого вам помогут деревья метрик и декомпозиция метрик
4. 10% экспов используют 4+ тестовые группы.. и несут х2 импакта - Тут есть вопросики 🤡
Среди 4+ вариантов без хороших поправок на множественное тестирование легко найти победителя, даже если его нет. Тогда конечно такие экспы будут *случайно* нести больше импакта. В общем, я бы покопался под капотом Optimizely - проверил, как они делают (и делают ли) поправку на множественное тестирование
Мое мнение - в 95% кейсов можно использовать 2 группы, в оставшихся 5% - 3 группы
5. Топ 5% АВ-тестов (всего 2 экспа из 34) приносят 50% импакта
Кажется, эпоха low-hanging fruits прошла. Нужно не бояться делать большие изменения и смотреть, что получится
Плюс, делать больше качественных экспериментов конечно!) Optimizely посчитали, что оптимально 1 разраб = не более 1 экспа в месяц
А какие выводы про АВ есть из вашего опыта?)
Довольно известная плафторма АВ Optimizely выпустила репорт с анализом 127к экспов за последние 5 лет. И вот что они обнаружили
1. 88% экспериментов проваливаются
Да-да лишь 1 из 10 ваших самых гениальных и продуманных идей в итоге растит метрики)
Эта цифра довольно хорошо согласуется и с репортами от крупнейших компаний (гугл, ютуб, амазон, airbnb)
2. Половина компаний проводит менее 34 экспериментов в год
Это очень МАЛО ~3 эксперимента в месяц. На моей практике в Delivery Club мы видели хороший суммарный эффект от АВ плафтормы на 10+ экспериментах в месяц. Ну и в конце концов разогнались до ~40-50 экспериментов в месяц (по данным optimizely это как у топ-3% компаний)
3. ~30% экспериментов используют метрику "Выручка". Но красится она в <1% случаев
В общем, думайте тщательно над выбором метрик - не берите просто самую верхнеуровневую! Как правило, почти всегда можно выбрать более узкую и специфичную для вашей фичи метрику (конверсию из действия Х в У, например). Для этого вам помогут деревья метрик и декомпозиция метрик
4. 10% экспов используют 4+ тестовые группы.. и несут х2 импакта - Тут есть вопросики 🤡
Среди 4+ вариантов без хороших поправок на множественное тестирование легко найти победителя, даже если его нет. Тогда конечно такие экспы будут *случайно* нести больше импакта. В общем, я бы покопался под капотом Optimizely - проверил, как они делают (и делают ли) поправку на множественное тестирование
Мое мнение - в 95% кейсов можно использовать 2 группы, в оставшихся 5% - 3 группы
5. Топ 5% АВ-тестов (всего 2 экспа из 34) приносят 50% импакта
Кажется, эпоха low-hanging fruits прошла. Нужно не бояться делать большие изменения и смотреть, что получится
Плюс, делать больше качественных экспериментов конечно!) Optimizely посчитали, что оптимально 1 разраб = не более 1 экспа в месяц
А какие выводы про АВ есть из вашего опыта?)
#music #enomine
Вокалист на Юру Кашницкого похож )
Loca in ferna in nocte
Animae in nebula
Media nox obscura nox
Crudelitas animarum
Campana sonat
Duo decies
https://www.youtube.com/watch?v=xA7AO-9Y_RI
Вокалист на Юру Кашницкого похож )
Loca in ferna in nocte
Animae in nebula
Media nox obscura nox
Crudelitas animarum
Campana sonat
Duo decies
https://www.youtube.com/watch?v=xA7AO-9Y_RI
YouTube
E Nomine - Mitternacht - Remastered 2022 - 4 K (Official Video)
Mitternacht (Remastered 2023)
Produced by SirFritz & Chris Tentum
Composer: SirFritz
Lyricist: SirFritz
Composer: Chris Tentum
Lyricist: Chris Tentum
℗ 2022 AWOMMrecords
Mehr von E NOMINE:
Spotify: https://open.spotify.com/track/3p1EUbXcPXhndNuLy7fpk…
Produced by SirFritz & Chris Tentum
Composer: SirFritz
Lyricist: SirFritz
Composer: Chris Tentum
Lyricist: Chris Tentum
℗ 2022 AWOMMrecords
Mehr von E NOMINE:
Spotify: https://open.spotify.com/track/3p1EUbXcPXhndNuLy7fpk…
😁1
#law #tesla #musk
Правильно, ибо нефиг себе назначать заоблачные премии.
"Соответствующий компенсационный пакет в форме акций компании был назначен ему ещё в 2018 году, и стал рекордным по своей величине среди всех публичных компаний. Вердикт об аннулировании данной договорённости между советом директоров Tesla и Илоном Маском на этой неделе огласил суд штата Делавэр, рассмотрев иск одного из акционеров Tesla Ричарда Торнетты (Richard Tornetta), который ранее выразил несогласие с размерами компенсации за работу Илона Маска в данной должности. Сторонам спора ещё предстоит определить, на каких условиях Маску предстоит вернуть полученные ранее акции и средства в качестве оплаты своего труда на посту генерального директора Tesla. Ответчик сохраняет за собой возможность оспорить данное решение в суде высшей инстанции.
Как определил суд, именно компенсационный пакет в размере $56 млрд помог Илону Маску стать богатейшим человеком в мире. По существовавшему плану, с 2018 года Маск мог получать акции Tesla порциями по 12 пакетов, если финансовые показатели компании достигали определённых целевых значений. Реализация акций на рынке по актуальным ценам позволяла Маску зарабатывать крупные суммы денег. По мнению суда, главе Tesla удалось подогнать фактические показатели под требуемую величину, а потому его результирующее обогащение не является справедливым. Совет директоров, по мнению истца, пошёл на поводу у Маска, назначив ему столь щедрый компенсационный пакет. В составе совета директоров находились люди, имевшие прочные связи с самим Маском, а потому принятое решение о компенсации было в принято в интересах миллиардера на необъективных условиях. По мнению представителей американских органов правосудия, ни совет директоров Tesla, ни комитет по назначению компенсационных выплат не действовал на том этапе в интересах компании и её акционеров. Нет даже внятных доказательств факта самого ведения переговоров по этому вопросу.
Илон Маск на момент подготовки материала к публикации ограничился лишь призывом со страниц своей социальной сети X «никогда не регистрировать компании в юрисдикции штата Делавэр». Он также запустил социологический опрос с предложением перерегистрировать Tesla в штате Техас, где находится её штаб-квартира после переезда из Калифорнии. К слову, тот переезд был инициирован Илоном Маском не только из-за конфликта с властями Калифорнии на почве локдауна местного предприятия компании в первые недели пандемии 2020 года, но и ради экономии на налогах."
https://3dnews.ru/1099580/sud-annuliroval-kompensatsionniy-paket-ilona-maska-na-summu-56-mlrd-za-rukovodstvo-kompaniey-tesla
Правильно, ибо нефиг себе назначать заоблачные премии.
"Соответствующий компенсационный пакет в форме акций компании был назначен ему ещё в 2018 году, и стал рекордным по своей величине среди всех публичных компаний. Вердикт об аннулировании данной договорённости между советом директоров Tesla и Илоном Маском на этой неделе огласил суд штата Делавэр, рассмотрев иск одного из акционеров Tesla Ричарда Торнетты (Richard Tornetta), который ранее выразил несогласие с размерами компенсации за работу Илона Маска в данной должности. Сторонам спора ещё предстоит определить, на каких условиях Маску предстоит вернуть полученные ранее акции и средства в качестве оплаты своего труда на посту генерального директора Tesla. Ответчик сохраняет за собой возможность оспорить данное решение в суде высшей инстанции.
Как определил суд, именно компенсационный пакет в размере $56 млрд помог Илону Маску стать богатейшим человеком в мире. По существовавшему плану, с 2018 года Маск мог получать акции Tesla порциями по 12 пакетов, если финансовые показатели компании достигали определённых целевых значений. Реализация акций на рынке по актуальным ценам позволяла Маску зарабатывать крупные суммы денег. По мнению суда, главе Tesla удалось подогнать фактические показатели под требуемую величину, а потому его результирующее обогащение не является справедливым. Совет директоров, по мнению истца, пошёл на поводу у Маска, назначив ему столь щедрый компенсационный пакет. В составе совета директоров находились люди, имевшие прочные связи с самим Маском, а потому принятое решение о компенсации было в принято в интересах миллиардера на необъективных условиях. По мнению представителей американских органов правосудия, ни совет директоров Tesla, ни комитет по назначению компенсационных выплат не действовал на том этапе в интересах компании и её акционеров. Нет даже внятных доказательств факта самого ведения переговоров по этому вопросу.
Илон Маск на момент подготовки материала к публикации ограничился лишь призывом со страниц своей социальной сети X «никогда не регистрировать компании в юрисдикции штата Делавэр». Он также запустил социологический опрос с предложением перерегистрировать Tesla в штате Техас, где находится её штаб-квартира после переезда из Калифорнии. К слову, тот переезд был инициирован Илоном Маском не только из-за конфликта с властями Калифорнии на почве локдауна местного предприятия компании в первые недели пандемии 2020 года, но и ради экономии на налогах."
https://3dnews.ru/1099580/sud-annuliroval-kompensatsionniy-paket-ilona-maska-na-summu-56-mlrd-za-rukovodstvo-kompaniey-tesla
3DNews - Daily Digital Digest
Суд лишил Илона Маска $56 млрд за руководство компанией Tesla
Именно обладание крупным пакетом акций Tesla сделало главу компании Илона Маска (Elon Musk) самым богатым человеком в мире, и некоторые СМИ даже ошибочно называют его основателем этого производителя электромобилей.