Вы узнаете, что такое OCR, какие архитектуры нейронных сетей используются для обучения и в чем его практическое применение
__________
Подписывайтесь: "Как приручить ИИ"
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥8👍4
Поспорили: нужен ли продакту технический опыт? 🤔
Наше мнение: да.
Такой специалист лучше оценивает задачи, может помочь разработке в поиске решений, эффективно решает проблемы (понимает их актуальность). В конце концов, меньше шансов, что продакт с техническим опытом придет с заведомо нереальными идеями.
Но есть коллеги, которые считают иначе:
Мол для продакта скорее критически важны развитые soft skills (конечно, помимо других основных скиллов).
Продакт должен быть сконцентрирован на поиске пользы для бизнеса и пользователя. А с техническим бэкграундом велик соблазн начать спорить с командой об архитектурном решении.
А если есть сомнения — всегда можно обратиться к техлиду/Lead DS за независимым мнением и попросить объяснить принципы разработки моделей.
🔥— если думаете, что технический опыт нужен
❤️ — если ну его, не нужен
Дебаты в комментах приветствуются 👇🏻
__________
Подписывайтесь: "Как приручить ИИ"
Наше мнение: да.
Такой специалист лучше оценивает задачи, может помочь разработке в поиске решений, эффективно решает проблемы (понимает их актуальность). В конце концов, меньше шансов, что продакт с техническим опытом придет с заведомо нереальными идеями.
Но есть коллеги, которые считают иначе:
Мол для продакта скорее критически важны развитые soft skills (конечно, помимо других основных скиллов).
Продакт должен быть сконцентрирован на поиске пользы для бизнеса и пользователя. А с техническим бэкграундом велик соблазн начать спорить с командой об архитектурном решении.
А если есть сомнения — всегда можно обратиться к техлиду/Lead DS за независимым мнением и попросить объяснить принципы разработки моделей.
🔥— если думаете, что технический опыт нужен
❤️ — если ну его, не нужен
Дебаты в комментах приветствуются 👇🏻
__________
Подписывайтесь: "Как приручить ИИ"
🔥8❤7👍1
В Подмосковье за порядком теперь следит ИИ. Что думаете об этом?
Речь об уличных камерах с искусственным интеллектом. В рамках проекта «Чистая территория» сейчас действует более 21 тысячи таких устройств.
Раз в сутки нейросеть анализирует фотографии с камер: проверяет их на наличие граффити, листовок, мусора, ям, нерабочих фонарей и т.д.
Если находятся нарушения — система автоматически создает задачу по их устранению.
👉🏻Источник
Как думаете, полезен ли ИИ в городском пространстве? 🤔
__________
Подписывайтесь: "Как приручить ИИ"
Речь об уличных камерах с искусственным интеллектом. В рамках проекта «Чистая территория» сейчас действует более 21 тысячи таких устройств.
Раз в сутки нейросеть анализирует фотографии с камер: проверяет их на наличие граффити, листовок, мусора, ям, нерабочих фонарей и т.д.
Если находятся нарушения — система автоматически создает задачу по их устранению.
👉🏻Источник
Как думаете, полезен ли ИИ в городском пространстве? 🤔
__________
Подписывайтесь: "Как приручить ИИ"
🔥6👍1🤔1
Вопрос-ответ: зачем считать метрики разнообразия?
Очень часто при разработке рекомендательных систем внимание уделяют только оффлайн-метрикам (map@k, ndcg@k и т.д.) или онлайн-метрикам (CTR, Retention и т.д.), но забывают про метрики разнообразия.
У рекомендательных систем существуют определенные проблемы, которые трудно выявить при помощи оффлайн и онлайн метрик. Одна из них — «информационный пузырь»: система начинает предлагать пользователю ассортимент слишком узкого спектра. Например, десять идентичных товаров, но от разных продавцов.
В сегодняшнем посте раскроем некоторые из метрик разнообразия.
🔵 Intra-list diversity (Разнообразие внутри списка)
Зачем используем: Понять насколько разнообразные товары мы рекомендуем пользователю.
За счет расчета ILD мы можем проверить, не рекомендуем ли пользователю слишком похожие товары.
🔵 Item coverage (покрытие товаров рекомендациями)
Зачем используем: Выяснить какой процент от всех товаров попадает в рекомендации.
За счет расчета item coverage мы контролируем, что шанс попасть в рекомендации есть у различных товаров из нашего каталога. Если item coverage метрика стала слишком низкой, это может свидетельствовать о смещении нашей рекомендательной системе в сторону популярных товаров.
🔵 Novelty (Новизна)
Зачем используем: Оцениваем, насколько новые и оригинальные рекомендации получает пользователь.
Например, мы не хотим рекомендовать всем пользователям онлайн-кинотеатра один и тот же популярный сериал. Вместо этого нам нужно показывать пользователям то, что они без нашей помощи не найдут. Оригинальность рекомендаций можно оценить с помощью метрики Novelty.
🔵 Gini index (коэффициент Джини)
Зачем используем: Оцениваем распределение рекомендуемых товаров.
Изначально коэффициент Джини разрабатывался как индикатор неравенства доходов в обществе. В случае рекомендательных систем индекс Джини оценивает разнообразие товаров.
Изменяется от 0 до 1. Индекс Джини равный 0 показывает, что объекты рекомендуются абсолютно равномерно, 1 — распределение объектов в рекомендациях максимально неравномерное.
Ставьте🔥 , если нужно больше гайдов!
__________
Подписывайтесь: "Как приручить ИИ"
Очень часто при разработке рекомендательных систем внимание уделяют только оффлайн-метрикам (map@k, ndcg@k и т.д.) или онлайн-метрикам (CTR, Retention и т.д.), но забывают про метрики разнообразия.
У рекомендательных систем существуют определенные проблемы, которые трудно выявить при помощи оффлайн и онлайн метрик. Одна из них — «информационный пузырь»: система начинает предлагать пользователю ассортимент слишком узкого спектра. Например, десять идентичных товаров, но от разных продавцов.
В сегодняшнем посте раскроем некоторые из метрик разнообразия.
Зачем используем: Понять насколько разнообразные товары мы рекомендуем пользователю.
За счет расчета ILD мы можем проверить, не рекомендуем ли пользователю слишком похожие товары.
Зачем используем: Выяснить какой процент от всех товаров попадает в рекомендации.
За счет расчета item coverage мы контролируем, что шанс попасть в рекомендации есть у различных товаров из нашего каталога. Если item coverage метрика стала слишком низкой, это может свидетельствовать о смещении нашей рекомендательной системе в сторону популярных товаров.
Зачем используем: Оцениваем, насколько новые и оригинальные рекомендации получает пользователь.
Например, мы не хотим рекомендовать всем пользователям онлайн-кинотеатра один и тот же популярный сериал. Вместо этого нам нужно показывать пользователям то, что они без нашей помощи не найдут. Оригинальность рекомендаций можно оценить с помощью метрики Novelty.
Зачем используем: Оцениваем распределение рекомендуемых товаров.
Изначально коэффициент Джини разрабатывался как индикатор неравенства доходов в обществе. В случае рекомендательных систем индекс Джини оценивает разнообразие товаров.
Изменяется от 0 до 1. Индекс Джини равный 0 показывает, что объекты рекомендуются абсолютно равномерно, 1 — распределение объектов в рекомендациях максимально неравномерное.
Ставьте
__________
Подписывайтесь: "Как приручить ИИ"
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6❤2👍1
Почему — рассказываем в небольшой статье: https://telegra.ph/Case-study-Computer-vision-model-07-12
Хотели бы вы применить Florence-2 в работе?
__________
Подписывайтесь: "Как приручить ИИ"
Please open Telegram to view this post
VIEW IN TELEGRAM
🤯4👍3🔥3❤1
Картинка 👆🏻 — спойлер к нашей новой статье.
Кто догадался, о чем она — ставьте 🔥, а кто нет — скорее переходите по ссылке, чтобы прочитать: https://telegra.ph/Data-Drift-07-15
__________
Подписывайтесь: "Как приручить ИИ"
Кто догадался, о чем она — ставьте 🔥, а кто нет — скорее переходите по ссылке, чтобы прочитать: https://telegra.ph/Data-Drift-07-15
__________
Подписывайтесь: "Как приручить ИИ"
🔥5😁2👍1