Авторский канал про инженерию умных систем.
SDD, AI/Human collaboration, инженерное мышление.
Связь: @m0n0x41d
Post #282
122
- 🌭 2
Channel Public Channel
IV ivan zakutni
@neuralstack
- Subscribers
- 585
- Photos
- 160
- Videos
- 3
- Links
- 193
Showing posts older than #283 · Back to latest
Older Posts 20 shown
Post #281
133
А это точно computer autopilot? 😈
Просто сильно похоже на прилизанный browser-use
Выглядит конечно здорово. Отличный пример как надо воровать опенсорс 😃
Просто сильно похоже на прилизанный browser-use
Выглядит конечно здорово. Отличный пример как надо воровать опенсорс 😃
- 🌭 2
Post #280
123
- 🌭 3
Post #279
125
- 🌭 1
Post #278
149
Для совсем ленивых или тех кто вообще не в теме, вот выжимка из дока от NotebookLM в любезном переводе gpt:
Встраивания — это низкоразмерные числовые представления реальных данных, таких как текст, изображения и аудио, разработанные для захвата семантического значения и отношений путем размещения похожих объектов ближе в векторном пространстве. Они имеют решающее значение для эффективной обработки и хранения крупномасштабных мультимодальных данных и используются в различных приложениях, таких как поиск, рекомендации и обнаружение мошенничества.
В техническом документе рассматриваются различные типы встраиваний, включая встраивание текста (встраивание слов и документов с использованием таких методов, как Word2Vec, GloVe, Doc2Vec, и тех, которые получены из больших языковых моделей, таких как BERT и Gemini), встраивание изображений и мультимодальное встраивание, встраивание структурированных данных и встраивание графов.
Качество моделей встраивания оценивается на основе их способности извлекать похожие элементы и исключать несхожие, используя такие метрики, как точность, полнота и nDCG.
Векторный поиск — это мощный метод, который выходит за рамки сопоставления ключевых слов путем поиска значения в различных модальностях данных с использованием встроенных семантических представлений.
Эффективный векторный поиск опирается на алгоритмы Approximate Nearest Neighbor (ANN), такие как Locality Sensitive Hashing (LSH), KD-деревья, Ball-деревья, Hierarchical Navigable Small Worlds (HNSW) и ScaNN, чтобы преодолеть ограничения линейного поиска в больших наборах данных.
Векторные базы данных — это специализированные системы, предназначенные для хранения, управления и запроса вложений в масштабе для производственных сред, решая такие проблемы, как масштабируемость, доступность и согласованность данных. Примерами являются Vertex Vector Search от Google Cloud, AlloyDB, Cloud SQL Postgres и Pinecone.
Встраивания и векторные хранилища позволяют использовать многочисленные приложения, в частности Retrieval Augmented Generation (RAG), который объединяет извлечение соответствующих документов с использованием семантического поиска с большими языковыми моделями для генерации более точных и фактических ответов с указанием источника.
Выбор модели встраивания и векторной базы данных должен основываться на конкретных данных, варианте использования, бюджете и бизнес-потребностях.
- 🌭 3
Post #277
125
Честно говоря, даже не знаю, что рассказать про WhitePaper о эмбеддингах и векторных хранилищах из вчерашнего дня интенсива.
Например, в конце этого дока уже 58 других источников 🙂
Ноубуки лабы были короткие – в основном опять про примеры использования API Гугла, чуть-чуть Кераса. Была питоновская ChromaDB, немного перемешали матрицы с векторами, потыкались в similarity.
В общем, как обычно — если нет времени, послушайте подкаст, а если время есть — обязательно почитайте сам WhitePaper.
Обмазываться Embedding круто, модно и полезно — не только при построении RAG-систем, но, например, и для Semantic Router. (До сих пор, на момент первой бумаги третьего дня, ни одного упоминания про такое использование 🙂
Semantic-router библиотека не сырая, уже даже брейкинг-чендж версию пережила 🤣.
У неё уже две с половиной тысячи звезд на GitHub (будет больше, я уверен), потому что с помощью Semantic Router вполне можно построить очень достойного ассистента в плане детерминированного выбора.
Рассказывать про ReAct, ToT и прочую теоретическую шутку, конечно, здорово, но я вот почему-то совсем не сомневаюсь, что все большие провайдеры нейронных удовольствий эмбеддинги для роутинга по тем же ToT используют 🙂
Первый и основной документ третьего дня называется очень знакомым словом - Agents, полностью меркнет на фоне доки про вектора – опять про RAG, про Vertex AI.
Вообще не рекомендую к ознакомлению, не тратьте время (по крайней мере первую часть, там есть какой то advanced док, который я еще не прожевал, ждите)
Рассказали про tool-calls, очень аккуратно упоминают, что "сложно! Сложно может быть! Делай больше в RAG", но очень конкретно – "Агент – это не просто LLM с тулами, там нужно делать cognitive architecture".
Вот это cognitive architecture очень важно подчеркивать и нормально проектировать. Да, я сейчас опять скажу это – semantic-router, similarity!
А пока мне кажется, что пространство возможностей вокруг LLM в AI системах благодаря эмбеддингам очень и очень сильно расширяется. Работает это достаточно быстро, прям ну вот так и хочется каких то сценариев, переходов в виде деревьев нахреначить... А может все таки и циклических графов? 😨
В общем и целом саммари такое – важно помнить, что эмбеддинги это не только про векторные базы данных и RAG. Вот.
Например, в конце этого дока уже 58 других источников 🙂
Ноубуки лабы были короткие – в основном опять про примеры использования API Гугла, чуть-чуть Кераса. Была питоновская ChromaDB, немного перемешали матрицы с векторами, потыкались в similarity.
В общем, как обычно — если нет времени, послушайте подкаст, а если время есть — обязательно почитайте сам WhitePaper.
Обмазываться Embedding круто, модно и полезно — не только при построении RAG-систем, но, например, и для Semantic Router. (До сих пор, на момент первой бумаги третьего дня, ни одного упоминания про такое использование 🙂
Semantic-router библиотека не сырая, уже даже брейкинг-чендж версию пережила 🤣.
У неё уже две с половиной тысячи звезд на GitHub (будет больше, я уверен), потому что с помощью Semantic Router вполне можно построить очень достойного ассистента в плане детерминированного выбора.
Рассказывать про ReAct, ToT и прочую теоретическую шутку, конечно, здорово, но я вот почему-то совсем не сомневаюсь, что все большие провайдеры нейронных удовольствий эмбеддинги для роутинга по тем же ToT используют 🙂
Первый и основной документ третьего дня называется очень знакомым словом - Agents, полностью меркнет на фоне доки про вектора – опять про RAG, про Vertex AI.
Вообще не рекомендую к ознакомлению, не тратьте время (по крайней мере первую часть, там есть какой то advanced док, который я еще не прожевал, ждите)
Ну реклама, да, а кто спонсор? Чей Kaggle в конце концов? И тем не менее Vertex AI неплохая платформа, если вы готовы к полному вендерлоку... почему нет?
Рассказали про tool-calls, очень аккуратно упоминают, что "сложно! Сложно может быть! Делай больше в RAG", но очень конкретно – "Агент – это не просто LLM с тулами, там нужно делать cognitive architecture".
Вот это cognitive architecture очень важно подчеркивать и нормально проектировать. Да, я сейчас опять скажу это – semantic-router, similarity!
Ошибаюсь я или нет, мы узнаем в течение следующих полутора-двух недель, когда я завершу интенсив и наконец возьмусь за курс Рината.
А пока мне кажется, что пространство возможностей вокруг LLM в AI системах благодаря эмбеддингам очень и очень сильно расширяется. Работает это достаточно быстро, прям ну вот так и хочется каких то сценариев, переходов в виде деревьев нахреначить... А может все таки и циклических графов? 😨
В общем и целом саммари такое – важно помнить, что эмбеддинги это не только про векторные базы данных и RAG. Вот.
- 🌭 2
Post #274
122
У нас было 2 кластера TPU, 75 слоев семантик роутера, полдюжины мелких PydanticAI агентов, половина квоты Google Cloud и целое множество мелких опенсорсных моделей всех семейств и квантизации, а также три набора синтетических размеченных данных, five-shot CoT промпты, контейнер с жирнющим pgvector постгрессом, терабайт выкачанных маркдаун документов, ржавые гвардрейлы и морда на чейнлите.
Не то чтобы это был необходимый набор для корпоративной RAG-системы.
Но если начал собирать лишние зависимости для ML-стека, становится трудно остановиться.
Единственное что вызывало у меня опасение — это LangChain. Нет ничего более беспомощного, безответственного и отчаявшегося, чем ML-инженер севший на дерьмовые библиотеки.
Я знал, что рано или поздно мы перейдем и на эту дрянь.
Не то чтобы это был необходимый набор для корпоративной RAG-системы.
Но если начал собирать лишние зависимости для ML-стека, становится трудно остановиться.
Единственное что вызывало у меня опасение — это LangChain. Нет ничего более беспомощного, безответственного и отчаявшегося, чем ML-инженер севший на дерьмовые библиотеки.
Я знал, что рано или поздно мы перейдем и на эту дрянь.
- 🌭 6
Post #273
122
Ну а вот пасхалки в виде бонусного папируса мы уважаем, спасибо, нрааааиица!
В конце второй лабы первого дня (про эвалюйшены) прицепили это
Тут у нас про методы оценки LLM, рассказывают как от MVP дойти до продаи сколько ног при этом придется сломать.
есть три основных подхода к оценке:
- Computation-Based Methods: количественная оценка, BLEU, ROUGE и прочее. Быстро, но не всегда точно.
- Human Evaluation: самое надежное (правда ведь?), но дорого и долго.
- Autoraters: оценка с помощью других LLM, попытка баланса между масштабируемостью и качеством.
Опять проталкивают – "документируйте всё!" Молодцы))
Эвалы это тоже мучение LLM, поэтому тут все еще работает правило garbage in - garbage out.
Про autoraters интересно - они могут давать bias (позиционный, к длине текста, к своей модели), но есть разные техники для борьбы с этим.
В документе даже есть таблица с разными моделями-оценщиками и их особенностями.
Структура оценки для LLM сложнее, чем для обычных ML-моделей. Нужно учитывать, что "правильный" ответ может быть не один, а метрики надо адаптировать под бизнес-задачу.
Мета-оценка тоже важна (да-да сами оценщики надо оценивать 😃): как понять, что сам оценщик адекватен?
Уже есть много датасетов для этого.
В конце второй лабы первого дня (про эвалюйшены) прицепили это
Тут у нас про методы оценки LLM, рассказывают как от MVP дойти до прода
есть три основных подхода к оценке:
- Computation-Based Methods: количественная оценка, BLEU, ROUGE и прочее. Быстро, но не всегда точно.
- Human Evaluation: самое надежное (правда ведь?), но дорого и долго.
- Autoraters: оценка с помощью других LLM, попытка баланса между масштабируемостью и качеством.
Опять проталкивают – "документируйте всё!" Молодцы))
Эвалы это тоже мучение LLM, поэтому тут все еще работает правило garbage in - garbage out.
Про autoraters интересно - они могут давать bias (позиционный, к длине текста, к своей модели), но есть разные техники для борьбы с этим.
В документе даже есть таблица с разными моделями-оценщиками и их особенностями.
Структура оценки для LLM сложнее, чем для обычных ML-моделей. Нужно учитывать, что "правильный" ответ может быть не один, а метрики надо адаптировать под бизнес-задачу.
Мета-оценка тоже важна (да-да сами оценщики надо оценивать 😃): как понять, что сам оценщик адекватен?
Уже есть много датасетов для этого.
- 🌭 1
Post #271
122
Привет, завершаем курить бамбук с первого дня интесива.
Я очень борюсь с тем чтобы не утыкаться в приложенные источники, ибо как раз там, там мякотка! Ну ладно, вот отчет или типа того.
Тема второго дня интенсива – “Embeddings and Vector Stores/Databases"
И три лабы.
Ждите новостей сегодня вечером или завтра утром по этому материалу.
Саммари подкаст от NotebookLM как обычно прилагаетяся, можно послушать тут
Telegraph Kaggle intensive day 1 Prompt Engineering Привет, завершим первый день интесива. Вторая папира не такая плотная. Тут у нас про промпт-инжиниринг, рассказывают основные техники промптирования и важные параметры выхлопа моделей. Ну про температуру вы точно знаете – чем выше температура, тем рандомнее… Я очень борюсь с тем чтобы не утыкаться в приложенные источники, ибо как раз там, там мякотка! Ну ладно, вот отчет или типа того.
Тема второго дня интенсива – “Embeddings and Vector Stores/Databases"
И три лабы.
Ждите новостей сегодня вечером или завтра утром по этому материалу.
Саммари подкаст от NotebookLM как обычно прилагаетяся, можно послушать тут
- 🌭 4
Post #270
118
- 🌭 2
Post #269
119
А лабы кстати, вообще фигня 🙂
- 🌭 1
Post #268
125
Жесть канешна они с козырей зашли на интенсиве.
Закинули два дока, и лабы – рассчет на один день? Ну если на доки забить и сразу лабы ломануться делать!
Очень сомнительное, ибо бумажули хорошие, хочется их вычитывать внимательнее, изучать концепции глубже и писать из своей головы больше! Вроде база базой, но так хорошо и последовательно написано! Идеальный баланс в тех деталях, никакой воды.
Вероятно что создатели интесива не подразумевали что большая часть, или вообще кто-то так будут к изучению подходить... Ну, главное нахватать материала и лабы сдать 🚗
По части первого документа – Foundational Large Language Models & Text Generation я вам немного написал
Внутри так же ссылки на оба документа и на NotebookLM сгенеренные подкасты по ним же.
Telegraph Kaggle intensive day 1 Привет, идет первый день интенсива про LLM от Kaggle и Google. TL;DR: Материал ну просто топ! Первым документом на интенсиве предлагают довольно свежее и подробное описание о том где мы оказались – что такое трансформеры, как они появились, как развивались… Закинули два дока, и лабы – рассчет на один день? Ну если на доки забить и сразу лабы ломануться делать!
Очень сомнительное, ибо бумажули хорошие, хочется их вычитывать внимательнее, изучать концепции глубже и писать из своей головы больше! Вроде база базой, но так хорошо и последовательно написано! Идеальный баланс в тех деталях, никакой воды.
Вероятно что создатели интесива не подразумевали что большая часть, или вообще кто-то так будут к изучению подходить... Ну, главное нахватать материала и лабы сдать 🚗
По части первого документа – Foundational Large Language Models & Text Generation я вам немного написал
Внутри так же ссылки на оба документа и на NotebookLM сгенеренные подкасты по ним же.
- 🌭 1
Post #267
112
Всем и повсюду – привет!
Я заползаю в свою AI неделю и начну делиться наработками и мыслями по мере их появления.
Сейчас же представляю вам небольшой пост на тему Квантовых Вычислений, не вижу причин не поделиться материалом раз он появился 🥳
Мне было интересно посмотреть что это такое, и немного помечтать куда оно выльется :)
Оказалось чуть менее интересно, чем я думал 🤷♀️
Методичка по тайм трекингу тоже будет на этой неделе, но чуть позже 💃
Я заползаю в свою AI неделю и начну делиться наработками и мыслями по мере их появления.
Сейчас же представляю вам небольшой пост на тему Квантовых Вычислений, не вижу причин не поделиться материалом раз он появился 🥳
Мне было интересно посмотреть что это такое, и немного помечтать куда оно выльется :)
Оказалось чуть менее интересно, чем я думал 🤷♀️
Методичка по тайм трекингу тоже будет на этой неделе, но чуть позже 💃
- 🌭 1
Post #266
110
Все perfomance review в которых я когда либо участвовал были чем-то вроде цирка лицемерия – тебя нахваливают за то, где ты был молодец, если серьезных косяков не было - вообще их не упоминают, или упоминают вскользь. Ну и иногда дают прибавку которая приближает тебя к нижнему грейду по рынку (сверху или снизу :) и стремится покрыть инфляцию.
Один мой знакомый аналитик пошел джуном в Яндекс, очень толковый парнишка. Обещали через N месяцев ревью, если косяков нет – повысят оклад.
Результат – Биба. Пацан смайнал в банк и правильно сделал.
Perfomance review как абстрактная концепция может и норм, только правда вот в чем:
1) если вы будете косячить как Олег, никто не будет ждать очередного PR в календаре и Лид начнет стучать по башке сразу.
2) обещания ничего не стоят. Пустая похвала - приятна, но тоже ничего не стоит. Если вам обещают прибавку на следующем ревью - фиксируйте это обещание а переписке, а потом все время пока работаете до этого PR сами фиксируйте свои достижения. Так будет нааааамного сложнее вас прокатить. Ну и в рефлексии потренируетесь.
Вообще конечно самая крутая система была в DBI, когда в тебя кидают таблицей с грейдами и списками знаний/задач которые надо обрести и доказать на практике. Очень прозрачно, и далеко не все сразу ломятся по грейдам подниматься.
В любом случае, чтобы там не было – pr, грейды, или вообще ничего - свои достижения и косяки лучше фиксировать самостоятельно. Далеко не каждый менеджер хорошо фиксирует последние, и редко какой вообще нормально фиксирует первые.
Один мой знакомый аналитик пошел джуном в Яндекс, очень толковый парнишка. Обещали через N месяцев ревью, если косяков нет – повысят оклад.
Результат – Биба. Пацан смайнал в банк и правильно сделал.
Perfomance review как абстрактная концепция может и норм, только правда вот в чем:
1) если вы будете косячить как Олег, никто не будет ждать очередного PR в календаре и Лид начнет стучать по башке сразу.
2) обещания ничего не стоят. Пустая похвала - приятна, но тоже ничего не стоит. Если вам обещают прибавку на следующем ревью - фиксируйте это обещание а переписке, а потом все время пока работаете до этого PR сами фиксируйте свои достижения. Так будет нааааамного сложнее вас прокатить. Ну и в рефлексии потренируетесь.
Вообще конечно самая крутая система была в DBI, когда в тебя кидают таблицей с грейдами и списками знаний/задач которые надо обрести и доказать на практике. Очень прозрачно, и далеко не все сразу ломятся по грейдам подниматься.
В любом случае, чтобы там не было – pr, грейды, или вообще ничего - свои достижения и косяки лучше фиксировать самостоятельно. Далеко не каждый менеджер хорошо фиксирует последние, и редко какой вообще нормально фиксирует первые.
- 🌭 2
Post #265
101
Если без шуток – отпишитесь кто уже попробовал Gemini 2.5 Pro. Я пока не могу добраться до ноута 😭
Че делали?
Чем то лучше соннета? Подойдут хотя бы субъективные ощущения.
Маркетинговые стоны в твиттере как обычно нагрузки несут маловато, все примеры задачек которые «оооуоооуоо посмотрите как круто сделало!» Claude итак норм тащил.
Из бенчмарков интересны от Рината Абдуллина которых пока для новой модели нет (очень ждем!)
Че делали?
Чем то лучше соннета? Подойдут хотя бы субъективные ощущения.
Маркетинговые стоны в твиттере как обычно нагрузки несут маловато, все примеры задачек которые «оооуоооуоо посмотрите как круто сделало!» Claude итак норм тащил.
Из бенчмарков интересны от Рината Абдуллина которых пока для новой модели нет (очень ждем!)
- 🌭 1
Post #264
123
One shot tickets ребят.
Че та за тикеты, ваши мысли?
Поправить респонс код в ручке?
Че та за тикеты, ваши мысли?
Поправить респонс код в ручке?
- 🌭 2
Post #263
109
BRUH 🗣
- 🌭 1
Post #260
122
Хорошая новость в том что дальше начинается первый, ознакомительный блок по моделированию!
Конечно, будет аж целый отдельный курс, где уже попрет петля в моделирование моделирования 🤯 но до вводного материала хочется очень поскорее добраться энивэй.
Вопрос только когда?
Неделя еще не кончилась, но я уже и за это время трекания по методе увидел очень явственно свою саму главную проблему – и это не отвлечения (я практически робот, глядите экранку за неделю), и даже не переключения контекста…
Это слишком большое колличество сайд-задач, которые я пытаюсь делать одновременно! 💥
Под одновременностью тут мной понимается попытка делать какие-либо под-задачи из этих проектов в один день.
Прикол в том, что если бы я распланировал неделю более предметно, например в понедельник один проект, во вторник другой – толку было бы намного больше, был бы какой то ощутимый прогресс, даже от учете кранча! Час на себя у меня в эту неделю ежедневно точно находится.
Но конечно, надо снижать количество этих параллельных проектов максимально, в идеале до одного :)
Мне об этом мудрый учитель говорил еще года два назад. Ну лучше поздно, чем никогда 🔨
Очень хочу часов 5 дополнительного времени в сутках чтобы все успевать, но такого не предвидится.
Хорошо что следующая неделя у нас уже определилась как состоящая на 80% из AI, как минимум из за интенсива Каггла. За базар отвечаю 😎
Может войду в резонанс.
Конечно, будет аж целый отдельный курс, где уже попрет петля в моделирование моделирования 🤯 но до вводного материала хочется очень поскорее добраться энивэй.
Вопрос только когда?
Неделя еще не кончилась, но я уже и за это время трекания по методе увидел очень явственно свою саму главную проблему – и это не отвлечения (я практически робот, глядите экранку за неделю), и даже не переключения контекста…
Это слишком большое колличество сайд-задач, которые я пытаюсь делать одновременно! 💥
Под одновременностью тут мной понимается попытка делать какие-либо под-задачи из этих проектов в один день.
Прикол в том, что если бы я распланировал неделю более предметно, например в понедельник один проект, во вторник другой – толку было бы намного больше, был бы какой то ощутимый прогресс, даже от учете кранча! Час на себя у меня в эту неделю ежедневно точно находится.
Но конечно, надо снижать количество этих параллельных проектов максимально, в идеале до одного :)
Мне об этом мудрый учитель говорил еще года два назад. Ну лучше поздно, чем никогда 🔨
Очень хочу часов 5 дополнительного времени в сутках чтобы все успевать, но такого не предвидится.
Хорошо что следующая неделя у нас уже определилась как состоящая на 80% из AI, как минимум из за интенсива Каггла. За базар отвечаю 😎
Может войду в резонанс.
- 🌭 3
Post #259
121
Неделька очень тяжелая.
Практически не было времени продолжить нормально по курсу ШСМ – надо демку ассистента допиливать 😂
Но работа по факту ведется. Эта неделя – по сути выполнение домашнего задания по первой части курса о которой были все предыдущие посты.
Задание не очень сложное – заземлиться по поводу себя самого, в смысле куда время тратишь и на что.
При том дали на курсе совершенно четкие категории траты времени, именно то чего мне не хватало в прошлом году.
Первый день (понедельник), прошел очень скомкано, но я быстро исправился и принесу вам методичку в ближайшие дни о том как попробовать заземлиться самостоятельно.
Спойлер такой: ставишь одно приложение, настраиваешь как скажут, и если лямки на кнопку нажимать хватит, через неделю у тебя будет вполне четкая картина куда время утекает.
Конечно кроме как жать на кнопку надо будет еще немножко порефлексировать, и особенно поупражняться во внимании к дребезгу.
Короче, максимально конкретно напишу.
А тем кто не зассыт и следующую неделю после релиза этой методички попробует ее в деле – что нибудь подарю 🫡 скажем – трем человекам точно будут 🎁
Практически не было времени продолжить нормально по курсу ШСМ – надо демку ассистента допиливать 😂
Но работа по факту ведется. Эта неделя – по сути выполнение домашнего задания по первой части курса о которой были все предыдущие посты.
Задание не очень сложное – заземлиться по поводу себя самого, в смысле куда время тратишь и на что.
При том дали на курсе совершенно четкие категории траты времени, именно то чего мне не хватало в прошлом году.
Первый день (понедельник), прошел очень скомкано, но я быстро исправился и принесу вам методичку в ближайшие дни о том как попробовать заземлиться самостоятельно.
Спойлер такой: ставишь одно приложение, настраиваешь как скажут, и если лямки на кнопку нажимать хватит, через неделю у тебя будет вполне четкая картина куда время утекает.
Конечно кроме как жать на кнопку надо будет еще немножко порефлексировать, и особенно поупражняться во внимании к дребезгу.
Короче, максимально конкретно напишу.
А тем кто не зассыт и следующую неделю после релиза этой методички попробует ее в деле – что нибудь подарю 🫡 скажем – трем человекам точно будут 🎁
- 🌭 2
Post #258
118
Если вы не прекратите рассуждать в форматах "Нет ну смотри вот тут во фреймворке же вот так вота сделано, надо так и делать", то вы как раз из тех кого AI заменит в первую очередь. Ну или уже заменяет...
LLM можно достаточно быстро "обьяснить" что не так, в конце концов в продолжение сообщения выше – написать пример как надо, и она пойдет копи-peace-дить как хороший джуниор 🏃♂️
Ну пусть это "достаточно быстро" займет сколько, пару часо? 🆗
С майндсетом фреймворкера-формошлепа либо вообще смысла нет бадаться (если всю карьеру так и рассуждал/работал), либо придется бадаться много дольше чем с моделью 🙂
Вбивайте в голову инженерные принципы с молоду пока мозги не закостенели, пригодится. Еще вроде поезд не ушел 🚂
LLM можно достаточно быстро "обьяснить" что не так, в конце концов в продолжение сообщения выше – написать пример как надо, и она пойдет копи-peace-дить как хороший джуниор 🏃♂️
Ну пусть это "достаточно быстро" займет сколько, пару часо? 🆗
С майндсетом фреймворкера-формошлепа либо вообще смысла нет бадаться (если всю карьеру так и рассуждал/работал), либо придется бадаться много дольше чем с моделью 🙂
Вбивайте в голову инженерные принципы с молоду пока мозги не закостенели, пригодится. Еще вроде поезд не ушел 🚂
- 🌭 2