Найм и менторство часть //

Прошло 3 месяц с момента, как я впервые посадил своего двоюродного брата за ноутбук.

Спустя первую неделю совместной практики я вернулся в город. Однако, я хотел чтоб кто-то продолжал заниматься с Димой. Так я оформил его на онлайн курсы для школьников. С его слов ему понравилось то, как молодой преподаватель со старта начал энергично вести урок. Курсы стоят в месяц примерно 9к (4 занятия). Для моей родни это были большие деньги за какие-то там курсы в интернете - поэтому первое время я скрывал их стоимость и платил сам. Позже это вскрылось и платить продолжил уже не я. В третьем абзаце расскажу про результат.

Ближе к лету я столкнулся с новой сложностью. Мой план был подать Дмитрия на летнюю олимпиадную школу МФТИ. Однако, что вы думаете?! Дима напрочь отказался. Я не смог пока что замотивировать его. Для меня оказалось сверх сложным заинтересовать восьмиклассника. Зачем ему покидать деревню и ехать в Москву в лагерь на две недели ведь он планировал ходить с кентами на рыбалку. Это мы с вами знаем, насколько классно и полезно получить такой опыт, а школьник из глубинки не видит в этом ценности. Про то что это платно и стоит 80к+ я вообще промолчал, чтоб это не мешало и родители были на моей стороне. В общем, пока не хочется прибегать к силовым методам, попробую заинтересовать как-то иначе. Возможно через метод «социального одобрения».

И собственно, какие результаты у Дмитрия в программировании на python после 3-х месяцев в школе?! Если бы это был кто-то из моих ровесников - я бы посоветовал ему бросить это дело, но тут другой случай. Тут школьник 13-ти лет. И недавно мы с ним снова встретились. Я попросил его расспечать нечетный числа до N. И он с помощью мелких подсказок справился! На скрине его решение. Это прям зажгло во мне новый раунд мотивации. Юхуууу!
Да, задача простая, да, он решал её уже однажды на pythontutor.com, да, от 3-х месяцев обучения в онлайн школе ожидал большего, но все равно черт возьми приятно!

В общем, пока как-то так. Буду держать вас в курсе.

Круто! Чекнул некоторые решения их поста выше, многие реально шарят за Pandas )

Вот вам решение от PandasAI:

df = (df
     .sort_values(by='score', ascending=False)
     .groupby('book')
     .head(3)
     .groupby('book')['page']
     .apply(list)
     .reset_index()
      )

Статью про PandasAI можно глянуть на хабре или в гугл колабе .

Смотрите, как Спикадора сейчас затащит каточку…

Я прям кайфую, когда так четко отрабатывает. И так почти в 99% случаев

Нативное изучение языка) А еще она идеально решает задания из экзаменов по английскому, но хорошо, что школьники про это не знают)

Знайте в чем разница, если еще не определись кто вы.

Voice2Order в Dodo Pizza

🍕 Еще год назад придумали с командой фичу - быстрый голосовой заказ. В приложение не добавили т.к кастдев показал себя не очень. И только сейчас дошли руки поднять качество и найти, где применить. Оказалось удобным для заказа через телеграм. Приложил пример работы, собранный на коленке для коллег.

🍔 Говорят, Макдоналдс закрыл эту опцию спустя год т.к Voice2Order у них отрабатывал некачественно. Вместо «трех чизбургеров» выдавал «72 картошки» 🫠

Скажу, что похожие фичи требуют определенной сноровки в реализации. Есть как минимум 3 тонких момента:
- Качественный few-shot и ранжирование
- Правильное переиспользование контекста
- Максимальное отсутствие галлюцинаций и умная реакция на них

#dodo #pizza #ai

Второй год запускаю соревновательный ML бут кемп. В этом году на кегле летом много посильных сорев. Рекомендую участвовать пока идет лето и есть свободное время 😉

К чему можно присмотреться?
- LMSYS - по сути текстовые таблички
- ISIC - бинарная классификация на картинках

Новый феймворк Congnita для RAG систем

🤔 Системы RAG (Поисковая дополненная генерация) — это мощные инструменты, но их создание и развертывание может оказаться сложной задачей.
🚀 Cognita стремится стать удобным и модульным решением, решающим общие проблемы RAG.

Проблемы с текущими фреймворками:
⚙️ Задания по фрагментированию и внедрению часто требуют отдельной настройки, но не встроены в существующие платформы, известные мне на данный момент.
💻 Развертывание сервисов запросов для производства может оказаться сложной задачей.
🤖 Для управления развертыванием моделей (языковых моделей, моделей внедрения) отсутствует встроенная поддержка.
🗄 Векторные базы данных могут оказаться сложными для масштабирования.
Нет единого готового шаблона, который можно было бы легко адаптировать.

Как Cognita решает эти проблемы
🎯 Cognita сочетает в себе настройку и простоту использования.
🧠 Масштабируемый дизайн для интеграции прорывных решений по мере их возникновения.

Cognita — библиотека для создания модульных приложений RAG с открытым исходным кодом для производства.
Модульная конструкция: разбейте RAG на этапы для упрощения управления и обновлений.
♻️ Многоразовые компоненты: парсеры, загрузчики и т. д. для экономии времени в проектах.
🚀 Оптимизированное развертывание: Cognita справляется со всеми тонкостями производственных систем.
⚖️ Масштабируемость: компоненты масштабируются независимо, чтобы справиться с возросшим трафиком.
✨ Удобный интерфейс: даже нетехнические пользователи могут играть с настройками RAG.
🔌 На основе API: Cognita хорошо работает с другими системами.

Компоненты Когниты

Индексирование задания

1) Загрузчики данных 🚚
Что: Извлекать данные из разных мест (папок, баз данных и т. д.).
Почему: RAG нуждается в данных для работы!

2) Парсеры 🗂️
Что: Преобразовать различные типы файлов в общий формат.
Почему: упрощает обработку всей информации системой RAG.

3) Эмбеддеры 🔎
Что: создавать кодовые представления текста для быстрого сравнения.
Зачем: помогает найти наиболее актуальную информацию по вашему вопросу.

Хранилище метаданных 🧠
Что: «мозг» системы, хранящий детали конфигурации.
Зачем: сохраняет вашу RAG организованной и простой в управлении.

LLM Gateway 💬
Что: «Переводчик» для разных языковых моделей.
Почему: позволяет переключаться между моделями, не перекодируя все.

Векторные БД 🗄️
Что: хранит встроенные файлы для сверхбыстрого поиска данных.
Почему: Эффективный поиск имеет решающее значение для больших наборов данных.

API-сервер ⚙️
Что: Координатор, который обрабатывает вопросы пользователей и генерирует ответы.
Почему: Он соединяет все части системы RAG вместе.