Всем привет! Пост сегодня 😊

По сложившийся традиции, кто угадает тему, того отмечу. Но в этот раз будет сложно (я сам не ожидал), если что простите, я не специально. В любом случае попытать удачу стоит.
Удачи, друзья 😘

Случайна ли наша Вселенная и при чем тут машинное обучение? ✨

Еще раз, всем доброго дня 🇲🇽 Недавно наткнулся на необычную статью о природе случайности. Ее идея зацепила меня, поэтому я решил не только поделиться ею, но и добавить некоторые размышления на эту тему, особенно с учетом современных подходов к искусственному интеллекту и моего интереса 🍿.

❔ Что такое случайность?
Оксфордский словарь определяет случайность как "отсутствие закономерности или предсказуемости в событиях". Здесь ключевым моментом для понимания является то, что случайность больше связана с нашей способностью предсказывать, чем с самим событием. Самому событию как таковому все равно, оно просто происходит. А мы, как наблюдатели, уже трактуем, было оно для нас случайным (не предсказуемым) или очевидным (предсказуемым).

Для простоты представьте двух метеорологов. Один плохо учился в универе, и диплом ему написал чат джипити, а второй старался, чето делал и даже закончил сам без троек. Невежественный ленивый парень знает только, что в этом регионе дождь идёт 40% времени в году. Он скажет: "Вероятность дождя сегодня 40%". Умный и старательный дополнительно знает, что сейчас сухой сезон, и скажет: "Вероятность дождя сегодня всего 5%". Для первого ситуация кажется гораздо более случайной, чем для второго. Но само событие дождя не изменилось. Изменилось только количество информации для его предсказания.

Случайность через призму машинного обучения 🖥
Эта история с двумя метеорологами очень интересно перекликается с тем, как работает машинное обучение. Случайность можно рассматривать через призму трёх ключевых компонентов любой ML-системы:

🐾Входные данные (features) — информация, которую мы используем для предсказания. В примере с погодой это могут быть исторические данные, текущая влажность, атмосферное давление и т.д.
🐾Целевые данные (targets) — то, что мы пытаемся предсказать (пойдёт ли дождь, будет ли невыносимо жарко, штиль, шторм и т.д.)
🐾Модель — алгоритм или набор правил, преобразующий входные данные в предсказания

Чем лучше модель превращает входные данные в точные предсказания, тем меньше мы воспринимаем событие как случайное. Однако, даже топовые ML-модели сталкиваются с "необъяснимой дисперсией" — данными, которые невозможно предсказать. Может, это косвенно доказывает, что в мире действительно есть что-то фундаментально непредсказуемое, как мы обсуждали это раньше, когда программировали эффект бабочки и получили красивый видос 🦋.

"случайность" vs "Случайность" ❔
Для описания этой мысли введем два понятия:
случайность (с маленькой буквы) — то, что не можем предсказать из-за недостатка информации
Случайность (с большой буквы) — то, что невозможно предсказать в принципе, даже с бесконечными знаниями

В ML это отражается в разнице между "уменьшаемой ошибкой" (исправляемой с большим количеством данных) и "неуменьшаемой ошибкой" (которая остаётся всегда).

Так случайна ли Вселенная? ❌
Мы ежедневно создаём модели, которые успешно предсказывают многие явления: от погоды до поведения рынка. Значит, мир во многом причинно‑следственен. Но вопрос «есть ли части Вселенной, где причина отсутствует?» остаётся открытым. По логике, при любом устройстве пространства и времени (конечном или бесконечном) в момент «начала» Вселенная требовала события без причины — а значит, фундаментальной «Случайности». Понимание «маленькой» случайности помогает нам улучшать модели машинного обучения и точнее управлять процессами (сельское хозяйство, медицина, финансы). Размышления о «Большой» Случайности заставляют задуматься о границах человеческого знания и о том, как далеко мы можем продвинуться в объяснении мира.

Что думаете?
P.S. Если заинтересовала тема, вот ссылка на оригинальную статью.
P.P.S: никто тему не угадал, но была пара хороших предположений.

Всех обнял 😉.

#код_вселенной #СтроимИИ

Ура! Нас 1000 🎸

Спасибо каждому, кто проявил интерес к каналу, поддержал, написал в лс добрые слова. Для меня очень важны ваши реакции, репосты, все вижу, все мониторю. Наверное, даже чересчур часто ‼️

Чтобы канал был поуютнее, я решил открыть комментарии. Теперь можно общаться там 🐱

Если канал Вам реально нравится, можете проголосовать за него по ссылке ниже. Мне будет приятно 🥰
https://news.1rj.ru/str/LoFiCoders?boost

Разыгрываем Яндекс Станцию Лайт 2 🎉

Всем привет! Спасибо за ожидание. Возвращаюсь после перерыва не с пустыми руками. Спасибо за 1000, всем удачи в конкурсе 😘

Знаете ли вы, что Алиса умеет… сопереживать? Яндекс прокачал TTS-модуль (синтез речи), и голосовой помощник научился контекстно-зависимым эмоциям: удивляться, грустить, радоваться — прямо во время разговора.

Как это работает?
— NLU-модуль анализирует не только слова, но и настроение фразы (например, «Мне тяжело» → метка «грусть»).
— Нейросеть на основе актёрских записей подбирает интонацию, паузы и даже вздохи, меняя эмоцию внутри фразы.

Дарим такую станцию одному из вас!

Немного о нас:
🔹 «Данные решают» — канал от ИРИТ-РТФ, где специалисты рассказывают об IT, радиоэлектронике и технологиях без воды. Экспертное мнение, тренды, реальные истории успехов и провалов, а также возможности обучения — всё для вашего роста.
🔹 LoFiCoder — канал молодого учёного, решившего постигнуть код. Вместе объединяем IT и науку, продвигаем и участвуем в масштабном российском ML-проекте (по крайней мере, пытаемся), делимся программами с подписчиками, потому что для вас ничего не жалко, дорогие 👨🏼‍💻🫰🏻

Чтобы участвовать в розыгрыше, нужно:
— подписаться на каналы «Данные решают», LoFiCoder,
— нажать кнопку «Участвую!»,
— поделиться этим постом с другом.

Победитель будет объявлен 25 августа. Обнимаю! 🐱❤️

Нейронауки и RL: как мозг и машины учатся методом проб и ошибок 🧑‍🏫

Каждый день мы принимаем тысячи решений. От простых: что съесть на завтрак 👨‍🍳, до сложных: какую карьеру выбрать 🖥. Но задумывались ли вы, как именно мозг учится принимать эти решения? И что общего между обучением мозга и современными алгоритмами искусственного интеллекта? Расскажу об обучении с подкреплением (Reinforcement Learning, RL) — области, где нейробиология встречается с машинным обучением.

Дофамин для машин 🔧
В 1990-х годах нейробиолог Вольфрам Шульц обнаружил нечто удивительное. Наблюдая за активностью нейронов в мозге обезьян, он заметил, что дофаминергические нейроны среднего мозга реагировали не просто на получение награды, а на разницу между ожидаемой и фактической наградой. Проще говоря, когда происходит что-то лучше, чем мы ожидали — выброс дофамина усиливается. Когда хуже — дофамин подавляется. Этот механизм — ключ к тому, как мы учимся на своих ошибках и успехах. Современные алгоритмы ИИ работают по схожему принципу, в основе которого алгоритм обучения с подкреплением — временной разности (Temporal Difference, TD).

Как учатся машины? 💪
Алгоритмы обучения с подкреплением работают очень похоже на наш мозг. Они тоже пытаются предсказать, какое действие принесет наибольшую награду, и корректируют свои предсказания, когда результат отличается от ожидаемого.
Возьмем, например, AlphaGo от DeepMind — ИИ, победивший чемпиона мира по игре го. Ее обучение строилось на простых сигналах награды: +1 за победу, -1 за поражение. Из этих простейших сигналов возникло глубокое понимание сложнейшей игры. Способность порождать сложное поведение из простых правил, демонстрируя эмерджентность, о которой мы писали ранее.

Почему мозг всё еще впереди? 🥕
Несмотря на все достижения, есть фундаментальное различие между RL в машинах и в мозге: эффективность обучения. Человеческий мозг может учиться на единичных примерах, а современным алгоритмам требуются миллионы попыток для освоения даже простых задач. Ребенок, один раз обжегшись о горячую плиту, запомнит этот урок навсегда. ИИ для такого вывода потребуется "обжечься" тысячи раз. Это "проблема выборочной эффективности" — один из главных вызовов современного ИИ.

Будущее: учиться учиться ❔
Исследователи работают над алгоритмами, способными "учиться учиться" (мета-обучение). Как опытный человек быстрее осваивает новые навыки, опираясь на предыдущий опыт, так и продвинутый ИИ должен переносить знания из одной области в другую.
Другое направление — создание "внутренней модели мира" у ИИ 🐱. Это похоже на то, как мы мысленно представляем последствия своих действий, прежде чем их совершить. Такие модели позволяют планировать и принимать более обдуманные решения.
Возможно, именно на стыке нейронаук и машинного обучения мы найдем ответы на многие вопросы о природе интеллекта. Ведь в конечном счете и мозг, и ИИ решают одну задачу: как принимать оптимальные решения в сложном, неопределенном мире 👨‍🚀.
Всем спасибо за внимание! Если у вас есть вопросы — пишите в комментариях. Хорошей недели 👌

Впечатляет 👍

На днях нарыл вот такую ссылочку на сайт OpenAI c коллекцией примеров веб-приложений, которые созданы с GPT-5. Но суть не в этом. Если кликнуть на любой блок, то откроется демо программы и исходный промт.

На это стоит обратить внимание, так как здесь отлично видно, как правильно составленный промт напрямую влияет на результат. Ведь навыки грамотного промтинга — это не прихоть, а реальный инструмент продуктивной работы с ИИ. Можно глянуть, как общаются разработчики со своим детищем и учесть в своей работе. Так что чекайте, уверен, пригодится 👋

Я с добрыми новостями ❤️

Нас стало ➕

Поэтому с конца прошлого месяца я отсутствовал не просто в канале, а в телефоне вообще. Вероятно, в ближайшее время посты будут выходить пореже. Или они будут просто поменьше, например, как предыдущий. В общем, если что не теряйте меня. Я примеряю на себя новую важную роль 🧑‍🍼

Спокойной ночи, обнимаю 👋

Добрый вечер 📢

Хотите узнать, как клубника уничтожит Chrome 📱?

Если есть догадки о чем я, пишите в комментариях. Всех обнимаю 🍅

Всем привет! Провел клубничный тест 🍅

Как правильно догадался один из подписчиков в комментариях предыдущего поста речь пойдет о 🍓 Strawberry Browser 🍓 (не только в России бизнес и стартапы называют в честь ягод. Привет, WB).

❔ Узнал про него случайно, но как узнал сразу захотел попробовать, хотя по натуре своей я достаточно консервативен. Очень привлекла одна фишка в реализации и подход создателей. Но об этом чуть позже.

Сначала немного теории: Strawberry — это первый в своем роде "агентский браузер" со встроенными ИИ-ассистентами, которые могут работать самостоятельно, пока вы занимаетесь другими делами. Внутри Клубники работает тот же движок, что и в Chrome. Это обеспечивает отличную совместимость с современными сайтами. То есть, все выглядит очень привычно, будто Вы сидите в слегка кастомизированном Хроме, и справа у Вас окошко с Компаньоном, которому Вы даете задачи по этой странице. И вот здесь начинается самое интересное...

Теперь самое крутое ❕
Создатели сделали в браузере умных помощников, называемых "компаньонами" (Companions). Эти товарищи могут анализировать содержимое страниц и взаимодействовать с ними. И они реализованы просто гениально. Это цветные мультяшные человечки, каждый со своим уникальным навыком Вот они, слева направо:

Лора — универсальный помощник для повседневных задач
Камилла — исследует и анализирует ваших конкурентов
Денис — собирает и структурирует информацию с сайтов
Линус — автоматизирует работу с профессиональной сетью
Ноэль — помогает с созданием и управлением рассылками
Уильям — обнаруживает ошибки на сайтах и помогает с их обслуживанием.

😍 Кроме того, вы можете создавать собственных компаньонов для любых специфических задач (выбираете внешку, даете имя), обучая их через демонстрацию или даже с помощью видеоинструкций. Они могут анализировать содержимое страниц и взаимодействовать с ними.

Я пока поработал только с Лорой. Она реально очень умная, у нее есть стиль, хороший вкус. У меня есть все основания так полагать, потому что ей понравился наш канал, а это говорит о многом (на фотке ее комментарий, хоть и нейронка, а все равно приятно, ей Богу). А если серьезно, то она достаточно качественно проанализировала другие 45 существующих каналов с IT-тематикой и дала мне сравнительную таблицу достоинств и недостатков каждого из них. С цифрами по просмотрам, подписчикам, реакциям итп. Правда, на это ушло 27 минут. Однако обзор литературы она все равно пишет, как школьный доклад. Но это она в базе, думаю, можно будет натренировать на нужный стиль. Да, говорят, что Компаньоны учатся и адаптируются под Ваши задачи.

Бесплатно дают 200к кредитов в месяц. Вчера, за мои тесты я потратил 46к... 😭 Как оказалось тратятся они легко, лимит достигается быстро. Если хотите больше (800к) — 20$ в месяц.

👍 В целом, браузер мне очень зашел. В основном благодаря своему необычному и качественно реализованному подходу. Думаю, это может задать свой тренд в этой области. Если заинтересовало пробуйте (ссылочка), учите ваших Компаньонов решать задачи, рассказывайте друзьям.

Понравился ли Вам формат тестов? Хотели бы еще подобные небольшие разборы нейроновинок? Если да, ставьте реакции на пост, пишите коммы. Для меня это лучшая обратная связь. Обнимаю Вас ❤️

Кто и как сделал фразу "Hello, World" культовой? 🖥

Каждый программист, независимо от опыта, хотя бы раз писал эти знаменитые строки кода, выводящие простую фразу "Hello World" на экран. Что начиналось как скромный пример в учебнике, превратилось в культурный феномен и неотъемлемую часть процесса обучения программированию. Давайте разберемся, как и почему это произошло.

Истоки традиции 🎨
История "Hello World" началась в 1978 году с публикации знаменитой книги Брайана Керниган и Денниса Ритчи "Язык программирования С". В этой книге авторы использовали простую программу, выводящую фразу "hello, world" (заметьте, с маленькой буквы и запятой), чтобы продемонстрировать базовый синтаксис языка:

main() {
    printf("hello, world\n");
}

Почему именно эта фраза? Сам Керниган в интервью объяснял, что выбрал её просто потому, что она была короткой, понятной и немного забавной.

Культурный феномен 🐱
С течением времени "Hello World" превратился в нечто большее, чем просто учебный пример. Это стало своеобразным ритуалом посвящения в программисты, общим опытом, объединяющим разработчиков по всему миру. Фраза обросла мемами, появилась на футболках, наклейках для ноутбуков и даже татуировках.
Для многих программистов "Hello World" символизирует начало пути, первый шаг в бесконечное путешествие по миру кода.

Возможно, в этом и кроется секрет её долговечности — она напоминает нам, что независимо от сложности современных технологий, всё начинается с простого приветствия. А какой был Ваш первый "Hello, World!"? Признавайтесь, на каком языке Вы его писали? Обнимаю 🌻

Реальная возможность 👊

Несколько недель назад познакомился с крутыми ребятами, которым скоро сдавать ЕГЭ. Они ведут свои каналы, где рассказывают о своем пути, вместе решают задачи и мотивируют друг друга 🧑‍🏫.

Я агитирую всех будущих выпускников школ обратить на их каналы и проект «РЕШАЛЫ» внимание. Думаю, Вам будет полезно. Я же решил им помогать в продвижении, потому что мне нравятся они и их настрой ❤️.

🐱Я знаю, что мой канал не совсем про ЕГЭ, но, тем не менее, я через него прошел и весьма удачно. Может, мой канал послужит для молодых и стремящихся ребят неким кладезем интересных знаний, уровнем, примером того, чему они научатся, если не остановятся на своем пути. По крайней мере мне бы этого хотелось.

Всем моим новым молодым подписчикам удачи! Я желаю Вам затащить все экзамены. Не ленитесь, узнавайте новое, окружайте себя правильными и заряженными людьми. А я буду стараться мотивировать Вас, делать кайфовый контент, который пригодится Вам как на экзаменах, так и в жизни, создавать уют в канале. Обнимаю ❤️

Вкуснятина снизу 😍🍿

У нас появился шанс посоревноваться с ИИ-шками 🍳

Вчера наткнулся на интересный ресурс — TrackingAI.org. Это попытка создать единую систему мониторинга развития ИИ в реальном времени.

В рамках проекта модели проходят оффлайн-IQ тесты 🧐
Сейчас лидер — GPT Pro 5, новейшая модель. Она набрала 123 IQ, причем тест не использовался при её обучении, что делает результат особенно показательным. Результат не прямо гениальный, но и далеко неглупый. Поэтому...

Я предлагаю нам заморочиться и победить ее 💪. Я сам на днях пройду этот тест и честно напишу о результате, думаю будет забавно. Если Вам не лень, делитесь результатами в комментах тоже.

+ На самом деле, тема оценки уровня интеллекта очень дискуссионная и иногда спекулятивная. Очень много вопросов к этим тестам, когда речь идет об оценке людей, а здесь вообще ИИ. Мне пока не совсем ясно, как его проводили и интерпретировали? Хочу разобраться и сделать публикацию об этом. Если Вам интересно, поддержите пост реакцией и репостом. Пусть другие тоже попробуют унизить GPT 📱.

Хорошей недели, друзья. Всех обнял ❤️. Жду результатов 🤫

Всем привет! ‼️

Пост будет завтра! Пишите в комментариях, о чем. Думаю, тут быстро отгадаете ❤️

Сегодня сдал экзамен по иностранному 💪

+ Напоминаю, всем про конкурсы на канале. У РЕШАЛ совсем немного времени осталось 😶🐱.

Удачи, обнимаю 😘

Цифровая детоксикация: когда алгоритмы знают нас лучше, чем мы сами ‼️

Всем привет! Об алгоритмах соцсетей всем известно. Но как они работают? - мне стало интересно узнать…

В эпоху информационного изобилия рекомендательные системы превратились из простых помощников в изощрённые инструменты управления вниманием. За кажущейся услужливостью "вам также понравится" стоит целая инфраструктура инженерии поведения.

📖 Математическая модель нашей личности

Современные алгоритмы давно вышли за рамки примитивного "похожий контент для похожих пользователей". В цифровом мире каждый пользователь представлен как многомерный вектор характеристик, постоянно уточняющийся с каждым взаимодействием. Наши действия, бездействие и даже микропаузы формируют всё более точную модель цифрового "я".

🥕 Алгоритмы работают с двумя типами данных:

Эксплицитные — то, что мы сами явно сообщаем системе (лайки, оценки, подписки).

Имплицитные — то, что отражает наше реальное поведение: время просмотра, задержка скролла, глубина прочтения, последовательность действий.

Именно имплицитные данные часто являются более точными предикторами, поскольку показывают не то, что мы думаем о себе, а то, как мы на самом деле действуем.

Что уже знает о вас алгоритм 🤨

1. Циркадные ритмы внимания
Системы точно определяют не только в какие дни, но и в какие часы мы наиболее восприимчивы к разным типам контента.
2. Карта эмоциональных триггеров
Рекомендательные системы создают детальные карты контентных триггеров, вызывающих у нас наиболее сильную эмоциональную реакцию. Негодование, умиление, ностальгия, профессиональный интерес — каждая эмоция каталогизирована и используется для максимизации вовлеченности.
3. Предсказательные модели решений
Алгоритмы анализируют последовательности наших действий, создавая вероятностные модели принятия решений. Например, после просмотра определенного типа видео в определенное время суток вероятность перехода на связанный товар возрастает на конкретный процент.
4. Метрики информационного потребления
Системы отслеживают не только что мы смотрим, но и как: скорость скролла, время задержки на элементах, глубину прочтения материалов. Это позволяет определять оптимальную информационную плотность контента для каждого пользователя.
5. Алгоритмическое определение когнитивной усталости
Современные системы умеют распознавать признаки "усталости внимания" — момент, когда мы готовы покинуть платформу. Именно в эти критические моменты алгоритм предлагает наиболее привлекательный для нас контент.

Почему мы поддаёмся? 😐

Наш мозг эволюционно не приспособлен к противостоянию алгоритмическим манипуляциям. Дофаминовая система вознаграждения, миллионы лет обеспечивавшая выживание вида, сегодня эксплуатируется цифровыми платформами. Каждое уведомление, новая рекомендация или обновление ленты — это микродоза дофамина, запускающая замкнутый цикл поведения.

Исследования показывают, что предсказуемость награды может быть не менее сильным стимулом, чем сама награда. Именно поэтому феномен doom scrolling (бесконечной прокрутки) стал повсеместным — мы подсаживаемся не только на контент, но и на ожидание следующей порции.

Так, современные системы создают иллюзию свободы: мы чувствуем, что выбираем сами, но на деле идём по траектории, рассчитанной для удержания нашего внимания.

Моя ставочка 🐱

Учитывая ситуацию сейчас, я думаю, что через 10 лет способность к глубокому фокусу станет суперсилой 👊. Те, кто научится управлять вниманием, получат преимущество в мире, где остальные будут теряться в алгоритмических ловушках.

Вопрос/вызов к нам: если алгоритм знает наши желания лучше нас самих — кто на самом деле принимает решения в нашей жизни?
И главное, готовы ли мы вернуть контроль над своим вниманием? Можете поделиться своими мыслями, если хотите. Чувствуете ли Вы свою зависимость? Боритесь ли с ней? Обнимаю, хорошего дня ❤️

ИИ-словарь 📢

В мире ИИ существует множество терминов, которые звучат сложно для непосвященных. Решил, что буду объяснять их простым и понятным языком, чтобы вы могли:

💪Понимать новости об ИИ без гугления

💪Увереннее общаться с техническими специалистами,

💪 Видеть за хайпом реальные технологии и их возможности

Какие термины вызывают у вас больше всего вопросов? Оставляйте их в комментариях — я включу самые популярные запросы в ближайшие выпуски.

Начнем с базы:

1️⃣Искусственный интеллект (ИИ) — компьютерные системы, которые могут выполнять задачи, обычно требующие человеческого интеллекта.
Пример: когда Siri понимает ваш вопрос и отвечает на него, или когда Netflix предлагает фильмы, которые могут вам понравиться — это работа ИИ.

2️⃣Машинное обучение — подход, при котором компьютер учится на примерах, а не следует жестко запрограммированным инструкциям.
Пример: вместо того, чтобы прописывать правила "как выглядит кошка на фото", мы показываем системе тысячи фотографий кошек, и она сама находит закономерности.

3️⃣Нейронная сеть — система соединенных между собой "нейронов", имитирующая работу человеческого мозга.
Пример: представьте огромную сеть переключателей, где каждый переключатель решает, передавать ли сигнал дальше. Информация проходит через многие слои таких переключателей, постепенно выявляя все более сложные признаки — от простых линий до распознавания лиц.

Очень полезно — ❤️
Сложновато — 🤔
Лучше разбери 1 термин, но подробнее 🔥

Удачи, ребята! Спасибо за актив😘

Нейронные сети: как машины учатся "видеть" закономерности ❔

😇 Привет, друзья! Сегодня чуть глубже погрузимся в мир нейронных сетей — алгоритмов, вдохновленных работой человеческого мозга (наше определение в словаре выше). Как мы уже выяснили, нейроны в такой сети организованы в слои:

Входной слой – принимает данные
Скрытые слои – обрабатывают информацию
Выходной слой – выдает результат

- все просто. Каждый нейрон получает входные сигналы, применяет к ним функцию активации и передает результат дальше. В процессе обучения сеть корректирует веса связей между нейронами, минимизируя ошибку предсказания.

Я сделал для Вас небольшой наглядный пример, чтобы показать процесс обучения в реальном времени:
На видео красные и синие точки — это данные двух типов (например, "яблоки" и "мандаринки"). Белая линия — это граница, которую проводит нейросеть, чтобы разделить эти типы.
Вначале сеть "не понимает", как правильно разделить точки, но с каждой итерацией становится умнее, а к концу обучения сеть находит ту границу, которая идеально разделяет наши 🍎 и 🍊.

Полный код для воспроизведения эксперимента прилагается по этой ссылке 🐱. Попробуйте запустить его на своем компьютере, измените параметры в коде (например, "инициализация весов"), делитесь результатами.

Скажу по секрету, я хочу сделать из этого канала настоящую большую платформу, где люди узнают новое, учатся и мотивируют друг друга. Поэтому лучшей поддержкой для меня будут Ваши репосты и рекомендации друзьям. Всех обнимаю, хорошей субботы 🥰.

Вступить в наши ряды 🫡

Подгон к началу учебного года 🐱

Всем привет! ❤️❤️❤️
Хотел порекомендовать Вам инструмент, который особенно пригодится всем школьникам и студентам — NotebookLM. По факту, его основная фишка в том, что он буквально ищет иголку в стоге сена. Сейчас объясню. Представьте, у Вас есть гигантский учебник, нет, три гиганстских учебника, одна монография и 15 статей... Вам нужно как-то поработать с этим массивом информации. Но понятно, что делать это вручную долго.

Вы берете, грузите все в NotebookLM (можете грузануть еще видео и ссылки ❤️), задаете любой Ваш запрос и он приводит ответ исключительно по тем источникам, что Вы ему сами дали + делает ссылку и выделяет в тексте те места, которые легли в основу его ответа. То есть Вы можете проверить выдумывает он информацию (как иногда делает ГПТ) или нет. По факту это некий симбиоз работы ИИ и старых добрых проверенных источников, на которые можно спокойно ссылаться. При этом интерфейс построен как диалог — можно уточнять, переформулировать запросы и даже просить систему объяснить сложные концепты простыми словами. При этом, чтобы дойти до лимита объема информации надо реально постараться (я как-то работал с 60 источниками одновременно) 🖥

Недавно они выкатили обновление, говорят, что он научился презентации какие-то делать с графиками и иллюстрациями (как на видео). — этот функционал пока не проверял. Но базовая способность шерстить и ссылаться на проверенный текст — очень удобна 🐱.

Всем пятерок в предстоящем учебном году. Успейте поймать последнюю неделю лета. Делитесь постом с товарищами по учебе. Всем хорошего воскресенья, обнимаю ❤️

Вступить в наши ряды 🫡