🚨Робот-такси настучало на пассажиров Вы едете по Сан-Франциско, машина без водителя, за вами никто не следит, кажется, полная свобода… И вдруг такси само сворачивает к обочине и вызывает полицию. Именно так и вышло. Двое подростков катались в беспилотнике Waymo с заряженным «призрачным» стволом, это такое самодельное оружие без серийного номера. Машина это засекла. Аккуратно припарковалась и вызвала полицию. В полицейском протоколе не указали, чей именно был автомобиль, но Waymo потом подтвердила изданию Los Angeles Times что их. По словам компании было зафиксировано «нарушение условий использования, связанное с огнестрельным оружием». После этого такси и приняло решение. И это уже не первый случай. Ранее в этом году другой Waymo притворился, что у него поломка — лишь бы остановиться, пока пассажиры распивали алкоголь и палили из игрушечного пистолета в заднее окно. Там, кстати, тоже были подростки. Отдельно впечатляет именно этот ход с симуляцией неисправности. Машина разыгрывает сценку. Хитро! @droidergram

Физики-климатологи борются с призраками в своих машинах: облаками Облака остаются главной причиной того, что климатические модели расходятся в прогнозах на несколько градусов. Ошибка всего в два-три процента облачного покрова способна сдвинуть прогноз потепления на несколько градусов Цельсия, а добавить в модели низкие облака напрямую физики тоже не могут, потому что для этого нужно примерно в сто миллиардов раз больше вычислительной мощности, чем есть сейчас. Тогда часть исследователей взяла за основу другую задачу. Нейросети уже умеют генерировать видео, получая один кадр и достраивая правдоподобное продолжение. Учёные задались вопросом, нельзя ли показать такой сети не кадр ролика, а состояние атмосферы над конкретным местом в определённый час, и попросить угадать, что будет вечером, вообще без уравнений Навье-Стокса.

ОЗУ позволяет запускать огромные ИИ-модели на видеокартах с небольшим объёмом VRAM XDA протестировала локальные модели с архитектурой Mixture-of-Experts (MoE). Она активирует только нужных экспертов во время работы, поэтому часть данных можно вынести из видеопамяти в обычную ОЗУ. Например, на RTX 3080 Ti с 12 ГБ VRAM удалось запустить Qwen3.6-35B-A3B в формате Q4_K_M через llama.cpp. Модель содержит 35 млрд параметров, но работала со скоростью около 25 токенов/с. Ещё интереснее результат с GeForce GTX 1080 на 8 ГБ: на ней запустили Gemma-4-26B-A4B Q4_K_M со скоростью 14 токенов/с. Главное условие такого подхода - суммарного объёма VRAM и ОЗУ должно хватать для всей модели.

ML вообще работает? (эпизод 1) Давно не писал в канал. Понял, что сейчас сфокусирован на довольно больших историях, которые в формат одного поста не умещаются - ну что ж, готовьтесь к серии постов:) Заголовок конечно чуть кликбейтный для привлечения внимания "А персональные ленты товаров вообще работают? А для какого % пользователей - скорее нет?" -- Вот один из вопросов, который донимает меня последнее время. Подобное есть в любом ML-продукте от банковского скоринга до LLM-чатов, но ответить на этот вопрос не так-то просто На первый взгляд, элементерно: есть бизнес-метрики (продажи, CR и тп) и оффлайн-метрики (ndcg, recall@k). Если они достаточно хороши (vs бейзлайн и vs прод неделю назад), то все круто же? А вот и нет. Эти метрики (как и почти все другие классические в ML и продукте) показывают качество в среднем. В среднем, у нас может быть хороший продукт, но условно для 10% пользователей - плохим. Проблема чаще всего в том, что это важные 10%: новички, пред-отточники, пока еще малоактивные пользователи. Если не сделать для них качественный ML-продукт, то со временем они просто уйдут = долгосрочно это падение всех основных метрик, хотя в моменте может быть и особо не заметно. Ну и бонусом у вас постоянный поток негативного фидбека 😢 Поэтому хорошо бы мерить не только качество в среднем, но и долю плохих кейсов (дефектов) = defect rate. Пусть дефект - случай, когда пользователь сталкивается с чем-то очевидно стремным, что может привести к мгновенному окончании сессии в приложении или даже оттоку Посмотрите на свои ML-продукты. Особенно если они b2c - на экраны приложений с ними. Как часто вы видите дефекты и какие? Покидайте в комменты скрины с дефектами - может, что-то из них разберу. И поставьте лайк что ли, если эта тема интересна -- у меня там на очереди уже есть несколько эпизодов с деталями, как этот defect rate можно считать)