Ты же вроде высшее образование имеешь - давай посчитаем, сколько стружки сможет притянуть такая пробка? Учитывая вязкость масла и его поток в поддоне? И также мощность магнитной пробки?
Эта хрень притянет к себе пару стружек, которые упадут прямо на нее ПОСЛЕ остановки двигателя. Это мизерный процент. Если при замене масла вы видите "ежика" на пробке - пора менять двигатель)))
Какой php? ОпенАИ даже не имеет нативного клиента для работы со своим АПИ. А в остальном - обычная работа - заказываете, платите - получаете. Никакого волшебства нет там.
И не только. Я работаю в Ажуровской виртуалке, которая размещена в Америке, через нее я подключаюсь к еще одной, суперзапароленной и засекреченной, куда сильно ограниченный доступ. Рабочий комп - Мак, обе виртуалки Винда 11. В каждой виртуалке работает свой ВПН. И все равно самая глубокая виртуалка если видит, что на моем Маке включена русская раскладка - переключается на нее.
Тут нужно понимать о чем и когда мы говорим. Да, в 90-е годы Deep Blue считали ИИ. По современным понятиям - нет. Это узкоспециализированный компьютер, обученный играть в шахматы, но не способный обучаться.С точки зрения сегодняшнего дня — это не «нейросетевой ИИ», а жёстко запрограммированный экспертный алгоритм.
Нейросеть - подраздел понятия "ИИ"
Да, у меня задача как раз в классификации и объединению по смыслам. БЕРТ отрабатывает только ембединги, но именно привязывать разные схожие по смыслу вещи у меня им не получилось. Вообще я давно хотел тебе написать / позвонить по этой теме. )
тебе нужен Sentence-BERT тогда
Не выдумывайте своих терминов, плиз. Нейросеть и ИИ - синонимы LLM gpt-agent - все это подразумевает использование моделей, построенных по определенным алгоритмам.
♟️ Deep Blue (IBM, 1997)
✅ Что это было:
Специализированный суперкомпьютер.
Задача только одна — шахматы.
⚙️ Метод работы:
Перебор всех возможных вариантов ходов (около 200 млн позиций/сек).
Алгоритм minimax + альфа-бета отсечение.
База дебютов и эндшпилей, прописанная вручную гроссмейстерами.
Оценочная функция: «ценность позиции» считалась на основе сотен заранее заданных правил (например, пешка = 1, ферзь = 9, контроль центра и т.п.).
📊 Особенности:
Никакого самообучения.
Все знания и правила внесены программистами и шахматистами.
Выиграл у Каспарова за счёт скорости расчётов и базы.
✅ Что это:
Универсальный ИИ на основе нейросетей.
Играл не только в шахматы, но и в го, сёги.
Алгоритм обучения с подкреплением (reinforcement learning).
Играл сам с собой миллионы партий, без стартовой базы дебютов или эндшпилей.
Использовал глубокую нейросеть для оценки позиции и выбора хода.
Вместо простого перебора → комбинация обучения + поиск Монте-Карло (MCTS).
Никаких «человеческих» правил — ИИ сам открывал новые стратегии.
Выучил «чуждую человеку» шахматную эстетику (жертвы фигур ради позиционного преимущества).
За несколько часов игры с самим собой достиг уровня, превосходящего Stockfish (лучший шахматный движок на тот момент).
все равно не понял. БЕРТ это не обычная ЛЛМ, он не для генерации а для классификации, там нет послойного декодирования токенов. В GPT - есть и он для генерации лучше
Это обычное соскакивание с темы, когда что-то ляпнул, а подтвердить слабо - вот и начинается увод в сторону
А что с ними там не так? Это как раз очень сильный двунаправленный энкодер, один из лучших для NLP
Ну выкладывай что тебе придумал ИИ, чтобы денег заработать.
Идей может быть много.
Ты вообще помнишь о чем речь была? При чем тут идеи? Напоминаю -твое утверждение:
При чем тут идеи, если мы говорим про качество кода?
Уверен? давай какую свою старую идею - прогоним через ИИ - сможет ли он ее улучшить?Я часто свои закидываю и он мне дает дельные советы по улучшениюВ бизнес-аналитике давно уже применяется и успешно
Не нужно, я думал ты по человечески объяснишь все толком, для тех кто не учил это. Ладно, сам погуглю, коли так.
Входной текст:"Я люблю читать книги"1. Преобразование слов в векторы (эмбеддинги):[Я] → v1[люблю] → v2[читать] → v3[книги] → v42. Self-Attention (каждое слово "смотрит" на все остальные):v1' = f(v1, v2, v3, v4)v2' = f(v2, v1, v3, v4)v3' = f(v3, v1, v2, v4)v4' = f(v4, v1, v2, v3)(результат — контекстно-зависимые векторы)3. Feed-Forward слой:Каждый вектор проходит через нейронную сеть → улучшается представление смысла4. Выход:- Если трансформер декодерный (например GPT): генерируется следующее слово- Если энкодерный (например BERT): получаем векторное представление всей последовательности
Проще я не знаю уже как
