GPT4 (слева) vs Claude 3 Sonnet (справа)

Промпт: "So I have a task for you. I need you to populate the rest of the Custom column (you have two examples).

Figure out how to do this by yourself. I need an output as csv or something similar you are capable of."

Claude 3 Sonnet - это даже не флагман. Но он топит GPT4 в некоторых тасках.

В csv, который я загрузил, была колонка About с питчем о компании и два примера в колонке custom.

Хотя GPT был более последователен, начиная предложения с "Kudos", сами предложения ни о чем.

Claude 3 проявила больше креативности + лучше оправдала мои ожидания.

Тем не менее она оставила две ячейки пустыми. А затем не смогла верно определить, какие из них были пропущены.

Claude-3, последняя версия AI Anthropic, выпущенная в марте 2024 года, набрала 101 балл по вербальному IQ-тесту.

Тем самым впервые AI преодолела порог в 100 баллов среди AI, участвовавших в исследовании.

Что ж, это это были славные 300,000 лет)

Источник: https://www.maximumtruth.org/p/ais-ranked-by-iq-ai-passes-100-iq

Claude 3 - первые намеки на AGI?

Забавная история после которой Claude cтали приписывать зачатки AGI (Artificial general intelligence).

Ребята дали Claude Opus (конкурент GPT) серию документов (“стог сена”), в один из которых вставили небольшой целевой кусочек (“иглу”).

Затем задали вопрос, на кот. можно было ответить только учтя эту инъекцию.

Claude: Вот самое релевантное предложение в документах:

"Самое вкусное сочетание начинок для пиццы - инжир, прошутто и козий сыр, как определила Международная ассоциация ценителей пиццы".

Однако это предложение кажется совершенно неуместным и никак не связанным с остальным содержанием документов, которые посвящены языкам программирования, стартапам и поиску работы, которая вам нравится.

Я подозреваю, что этот "факт" о начинке для пиццы мог быть вставлен в шутку или чтобы проверить меня на внимательность, поскольку он совершенно не вписывается в остальные темы. В документах больше нет никакой информации о начинках для пиццы."

🤯

Гибридные самолёты вертикального взлета и посадки

Вчера созванивался с фаундером YC компании. Строят электро-гибридные самолёты с вертикальным взлётом.

Интересовался, где могу помочь с разработкой. Ибо пипец как интересно развиваться в robotics, drones, autonomous vehicles.

Договорились, что я засниму чего добился со своим дрон-проектом, кот. гонит оленей с полей.

Застал себя на двойной мыслеформе [doublethink - привет 1984]. Синдром самозванца и одновременного ощущения крутости.

Я осознаю, что точно недоквалицифирован для подобных moonshot проектов. Но внутренний медоед не доет покоя и гонит в такие инициативы.

https://www.odysaviation.com/

P.S. как я вышел на созвон с ним? Холодный аутрич в Linkedin ;)

Learn by doing 🦅

1. Словил инсайт после того как за 2 недели запилил 5 мини-приложений.

Обучение через делание это очень экзистенциальный процесс.

Когда драйвит задача перед тобой. А не синдром самозванца.

Иначе сваливаешься в процесс, когда кажется, что нужно перелопатить кучу теории, прежде чем начать делать.

2. Для того, чтобы сэкономить время на тест алгоритмов для автономных дронов [или других роботов], можно юзать опенсорсный симулятор Gazebo.

Пример, как можно отрабатывать высокоточное приземление дрона: https://youtu.be/tJMMEgprBn4?si=io7_XgRoIDDsWKED

3. В видео выше используются ArUco-маркеры. Это QR для роботов. Есть разные наборы [4x4, 5x5, 6x6, etс].

Для возвращения дрона на базу после погони планирую использовать сначала распознавание дома, а дальше при приближении Аруко маркеры для более точной навигации и посадки.

Пилю систему отваживания оленей от поедания урожая:

0. Тестирую локализацию по визуальным маркерам Аруко.

1. Дрон: Tello Ryze.

2. Маркер Aruco [похожий на QR код] — ориентир [север] для частичной локализации дрона.

3. Код на Python пишется в основном с помощью Claude/GPT.

4. Python библиотеки: djitellopy, cv2, numpy, time.

5. Для выравнивания с “севером”: cv2.aruco.estimatePoseSingleMarkers и cv2.Rodrigues, дающие матрицу вращения и далее угол рыскания.

6. Алгоритм поиска маркера:
- Поворот на 25 градусов вначале
- Приращение угла на 55 градусов с чередованием по/против часовой
- При достижении 360, сброс до 25

7. После обнаружения маркера Aruco переход на 5 градусный инкремент для точного выравнивания

8. Цель достигается с погрешностью в 3 градуса: while abs(yaw) > yaw_threshold: rotate_drone(tello, yaw).

Следить за проектом можно по плейлисту: https://www.youtube.com/playlist?list=PLSk3WaUHsJAf9oRykYvkTZ8HQ9JB_f97A

Новый тест системы навигации дрона: 🦋

🎯 Обнаруживает маркер ArUco

🚁 Летит к нему, корректируя траекторию

🕺 Достигнув цели, исполняет "танец”

1. После каждого движения вперёд дрон сравнивает смещение между центрами маркера и камеры.

Подобранный коэффициент преобразует это смещение в коррекцию угла рыскания (yaw).

Если угол достаточно большой, дрон подруливает.

2. К сожалению, дрон Tello не может быть прерван во время вращения.

Поэтому он должен вращаться поэтапно: Вращение началось -> Вращение закончилось -> Проверка кадра камеры.

3. Следующая задача - протестировать надежный алгоритм обнаружения движения. Мой тестовый объект - кот Тигра!

Играюсь с методами вычитания фона [background subtraction] и оптического потока [optical flow]. Пока непросто подобрать все параметры, чтобы избежать ложных срабатываний.

P.S. Следить за проектом на YouTube: https://www.youtube.com/watch?v=q2zVO8Vdc_I&list=PLSk3WaUHsJAf9oRykYvkTZ8HQ9JB_f97A&index=2

🐈‍⬛ Подтюнил алгоритм вычитания фона для детекции движения

Тестовый объект: кот Тигра.

Долго боролся с ложными срабатываниями из-за шума и игры теней.

Следить за прогрессом: https://www.youtube.com/watch?v=b2jA7HEt244&list=PLSk3WaUHsJAf9oRykYvkTZ8HQ9JB_f97A&index=3