5 минут на 5 часов чтения
Андрей Карпаты написал тред в Твиттере о продолжающейся консолидации в сфере ИИ. Как ~десять лет назад зрение, речь, естественный язык, обучение с подкреплением и т. д. были совершенно отдельными, а теперь во всех них доминируют трансформеры. И точно так же, как неокортекс имеет во многом схожую архитектуру для всех модальностей ввода, преобразователи могут получать последовательности слов, фрагменты изображений или фрагменты речи. И какие это отличные новости для исследований ИИ. Я думаю, что это также консолидирует кадровый резерв, что является имхо отличной новостью как для компаний, так и для профессионалов машинного обучения.
Следующие три статьи попали в мой список для чтения на этой неделе:
- Как Spotify использует машинное обучение для создания будущего персонализации.Персонализация — важная вещь в Spotify (у них даже есть вице-президент по персонализации!). Я уже давно впечатлен их рекомендательным движком. Как они учитывают историю прослушивания, саму музыку, время суток и многое другое, чтобы рекомендовать самые приятные песни из 70 миллионов треков каждому из своих ~380 миллионов пользователей. Они экспериментировали с концепциями исследования и использования, чтобы сделать опыт устойчивым. Теперь кажется, что обучение с подкреплением — это способ обеспечить долгосрочное удовлетворение и удовольствие слушателей. (Инжиниринг в Spotify)
- dbt и инженер по аналитике — о чем ажиотаж? Статья показалась своевременной, поскольку на этой неделе состоится конференция по объединению. Во-первых, кто такой инженер-аналитик? Туан Нгуен пишет: Если инженер данных женится на аналитике данных и у них родится девочка, эта девочка будет инженером-аналитиком. Что ж, это так не работает, но вы поняли. Повышение роли вызвано переходом от ETL к ELT, который предоставляет возможность очень техническим аналитикам, хорошо разбирающимся в бизнесе, моделировать необработанные данные в четкие, четко определенные наборы данных. И тем, что современные облачные хранилища обладают достаточной мощностью для обработки этих преобразований. Я бы только добавил, что это также открывает возможности для бизнеса создавать своего цифрового двойника и постоянно обновлять его по мере развития бизнеса и его приоритетов. (Оливер Моландер @ Валидио)
- От прогноза к действию — как выработать оптимальную политику на основе данных (1/4).В борьбе с оттоком клиентов компании часто создают модель оттока (Я сам делал это много раз). Но знать склонность или вероятность оттока недостаточно. Нам необходимо принять превентивные меры. Но отдельные клиенты могут реагировать на каждое возможное действие по-разному. Как выбрать оптимальное действие (проблема поиска оптимальной политики)? Тот, который приведет к максимальной ожидаемой прибыли. Серия (да, 1/4 означает, что там четыре статьи) объясняет, как это сделать. Оптимизация политик — действительно очень полезный навык в науке о данных. Не только для специалистов по данным. (Рама Рамакришнан @ TDS)
Мы были в Люцерне на прошлой неделе, и, хотя там не было массовых рождественских базаров, все равно было очень по-рождественски. Итак, мы купили мини-настольный футбол в качестве раннего подарка. Это начало периода, когда я покупаю себе игрушки и могу сказать, что это для детей?
На случай, если вы пропустили выпуск журнала Keeping up with data за последнюю неделю
Спасибо, что прочитали!
Пожалуйста, поделитесь своими мыслями или советами по чтению в комментариях.
