Квантовое машинное обучение - крайне любопытная концепция, переносящая идею классических нейронных сетей на прототипы квантовых процессоров. Слева - типичная архитектура обычной нейронной сети. Вектор данных, обозначенный х, передается на вход функциям активации, выходы которых сворачиваются с вектором весов w - и так много раз, включая глубокие слои. Вектора весов подбираются для решения нужной задачи, что и составляет обучение сети. На выходе имеем вектор ответов o. Сходная по смыслу схема может быть реализована на квантовом процессоре, см. правую часть картинки. Здесь исходные данные нужно загрузить в кубиты, например, переводя их в углы поворота параметризованных однокубитных операций θ(x). Затем вместо фиксированных функций активации имеется много параметризуемых квантовых вентилей, причем "внутренних слоев" этих вентилей может быть много, и все они разной степени сложности. Параметры этих унитарных операций также подбираются исходя из желаемого поведения алгоритма. Получается, что внутренние квантовые вентили берут на себя роль как функций активаций, так и весов - но делают это сложным способом, специфичным для квантового устройства. В конце этого расчета ответ считается закодированным в амплитудах кубитов, поэтому проводя измерения над регистром, можно получать классический ответ. Это интересно по многим причинам: квантовые цепочки операций могут быть крайне выразительными даже при небольшом числе кубитов, поскольку доступное многообразие имеет сложную структуру. Кроме того, есть интересные способы вычисления градиентов и аналог обратного распространения ошибки, что делает обучение довольно понятным процессом, аналогичным обучению классической нейросети.

Решаем задачу по реверс-инжинирингу от Jane Street Jane Street время от времени выпускает крайне сложные челленджи по реверс-инжинирингу. Автор потратил на такой челлендж целый месяц, попутно написав собственный симулятор схем, свой язык для их описания и даже свой просмотрщик диаграмм, прежде чем признал, что готовые инструменты вроде surfer и GDS Viewer справятся лучше. Схема, которую предстояло разгадать, отвечает текстовыми сообщениями на поданные сигналы. Неверный пароль выдаёт TRY AGAIN, нулевой сигнал даёт EMPTY SKY, а сигнал из одних единиц оборачивается BIG BANG. Среди всех возможных значений входного сигнала есть только один вариант, на который схема отвечает иначе, и перебором его не найти. Узнаем, каким оказался этот пароль и что для этого пришлось провернуть с симуляцией.

👀 Новости перфоманс-маркетинга за прошлую неделю Что нового в рекламных кабинетах и вокруг них 🔵 Мета 1️⃣ Тестируют создание кампании на 1 экране Раньше у нас было 3 экрана: создание кампании, создание адсета, создание объявления. Теперь они пробуют всё запихнуть в один. Ну пусть будет. 🟢 Гугл 2️⃣ Новые эксперименты для поисковых кампаний Три штуки: — A/B-тесты разных бюджетов и целевых ROAS/CPA — эксперименты с AI Max, где сохраняются контроли по бренду и локациям — рекомендации Performance Planner можно применить прямо к кампании Инструменты тестирования это всегда прикольно. Но реально юзабельным вижу только певый тест. ⚪️ Остальное 3️⃣ В ChatGPT Ads добавили текстовые подводки к рекламе Над рекламным блоком теперь появляется текст, который подводит пользователя к рекламе, исходя из контекста диалога. На скрине пример. Ну, а под самой рекламой спрашивают, интересна ли вам это объявление, с пальцем вверх и вниз. 4️⃣ В кабинете ChatGPT появились предсгенерированные объявления Найти можно в разделе Suggested Ads. Система читает URL и сама собирает текст и картинку для объявления. Можно взять как есть, отредактировать или нажать regenerate. Удивительно было бы, если бы не сделали. 5️⃣ Моссери пугает всех отменой алгоритмов В Австралии готовят закон, ограничивающий алгоритмы, нацеленные на вовлечение. Пользователям могут дадить более очевидный и простой способ вернуться к хронологической ленте. Моссери собрал местных журналистов и объяснил, насколько это плохая идея. Мол без ранжирования ленту заполнят те, кто постит чаще всех, а не самый интересный контент. И тогда Инстаграм перестанет быть про друзей и креаторов. Люди начнут пользоваться приложением реже и меньше, охваты у создателей контента упадут. А хронологию, по его словам, хочет только меньшинство пользователей. Интересно, что он буквально ничего не сказал про сами алгоритмы. То есть он подтвердил, что в хронологической ленте люди будут меньше залипать. А именно эту цель Австралия и преследует. Странная линия защиты. Да и Инстаграм это давно не про креаторов. Я помню его начало, когда вся лента была в творчестве, люди проводили Инстамиты и реально парились за интересные фотки и видео. Сейчас же я тестирую другие соцсетки для фотографов. Ведь Инстаграм это давно про смешные рилсики и сплетни. А инстамиты проводили лет 10 назад.

Количество стресса в жизни Во время решения олимпиадных задач часто применяется техника стресс-тестирования. О ней я уже писал раньше. Когда вы написали сложное решение, а оно почему-то не проходит тесты, можно написать значительно более простое но медленное решение, а потом найти маленький тест, на котором ответы отличаются. У меня есть репозиторий, в котором я уже пять лет сохраняю все решенные олимпиадные задачи https://github.com/bminaiev/rust-contests Оказалось, что если построить график того, как часто приходилось писать стресс для решений в разные года, то получается очень понятная закономерность. Видимо, писать код без багов все сложнее и сложнее...

Сдвиг в пиар-индустрии и возрождение медиа 🔥 AgilityPR пишет о важном сдвиге в пиаре: искусственный интеллект стал гейткипером (gatekeeper) для брендов. Что это значит? Например, если родителям нужно купить коляску или автокресло, раньше они шли в Google или спрашивали совета у друзей. Сегодня всё чаще они задают этот вопрос ChatGPT, Gemini или Perplexity. И если AI не упоминает ваш бренд в своём ответе, для потенциального покупателя вас просто не существует. Автор приводит исследование, в котором проанализировали 2400 AI-ответов о колясках и автокреслах. И здесь начинается самое интересное: на то, кого рекомендует AI, влияет не только сайт бренда или его сегодняшняя популярность. Алгоритмы собирают информацию из огромного количества источников: СМИ, обзоров, социальных сетей, ритейлеров, отзывов и архивных публикаций. Поэтому репутация теперь имеет гораздо более длинную память. Автор приводит пример Evenflo: в AI-ответах до сих пор появляется расследование 2020 года, связанное с безопасностью бустеров. Аналогичная ситуация с производителями детского питания: старые отзывы продукции продолжают существовать внутри информационного поля, из которого AI формирует сегодняшние рекомендации. И здесь очень интересный вывод именно для пиар профессионалов. Публикация в хорошем СМИ теперь работает не только в момент выхода. Она становится частью информационной базы, к которой AI может обратиться через годы, когда человек спросит: «Какую коляску купить?» или «Какой бренд безопаснее?». По данным исследования, именно earned media оказались самым сильным фактором для выдачи в LLM. То есть PR постепенно начинает работать сразу на две аудитории: на человека и на алгоритм, который завтра будет советовать этому человеку, что купить. Вывод? Сила СМИ возрождается🔥

Подписчица Марина поделилась вот такой фичей Яндекс Музыки (далее её текст с минимальной редактурой):

Наткнулась в Яндекс Музыке на забавную фичу, которую раньше не видела - кнопку "Назад к привычному". 99% моих любимых исполнителей - это представители разных поджанров металла и рока. Я даже "Волной" не пользуюсь, а просто открываю список исполнителей, выбираю у них альбом и слушаю. Волна включается только когда альбом заканчивается. А сегодня я решила вспомнить детство и послушать ВИА ГРА. Видимо, Яндекс понял, что меня куда-то вообще не туда занесло, и вывел на главную страницу яркую кнопку "Назад к привычному". Я посмеялась и из любопытства нажала её: он включил мне Creedence Clearwater Revival. Этой группы у меня среди лайкнутых исполнителей нет - так что, видимо, Яндекс просто включил мне "Мою Волну". Вот такая забота от Яндекс Музыки.

Марине большое спасибо, фича и правда забавная (шлите мне ваши фичи - если годные, я опубликую, и могу даже ваш канал бесплатно тегнуть в таком случае, мне не жалко). А фича эта призвана расширить рекомендации, помогая и в пузыре не замыкаться, и в то же время чтобы из-за внезапных порывов алгоритм совсем уж в кроличьи норы не улетал. Теперь небольшое дополнение от меня: Я попросил Клода копнуть, что за фича такая, и скинул ему картинку. Он ответил вот что:

«Попытка №5» сверху — счётчик встряхиваний. Вы пять раз попросили «что-то другое», и алгоритм пятый раз перестроил поток. Крестик рядом — выйти из режима.

Многого ты ещё не знаешь о жизни, свит самма эйай-чайлд, ох многого не знаешь. AGI пока откладывается 😈 Фичизм

Рекомендую канал "Зачем мне эта математика?" Популярно пишут про фундаментальные вещи в ML и математике. Читается легко несмотря на глубокие темы. Недавно у них вышла хорошая серия постов про No Free Lunch Theorem. Обычно ее рассмотрение заканчивают на том, что идеального ML алгоритма не существует, но не объясняют: почему тогда все табличные кагглы решаются бустингами, а глубокие нейронные сети решают все задачи? Ребята заглядывают глубже: - https://t.me/practicum_math/1127 - https://t.me/practicum_math/1128 - https://t.me/practicum_math/1129 Если после этих трёх постов захочется продолжения — весь канал примерно в таком духе. Подписаться: @practicum_math

Илон Маск поссорился с Chess.com: миллиардер заявил, что сверхинтеллект скоро сможет решить шахматы Илон Маск поспорил с Chess.com, заявив, что сверхинтеллект однажды полностью решит шахматы. На сайте ему возразили: число возможных партий на 40 порядков превышает количество атомов в наблюдаемой Вселенной. Маск ответил, что допустимых позиций гораздо меньше, а будущий ИИ сможет найти способы их сжать и проанализировать. В итоге миллиардер назвал собеседника «случайным стажёром», а Chess.com объявил себя победителем спора. При этом обе стороны были правы: они просто говорили о разных вещах — партиях и позициях. #илонмаск #ии #шахматы 📎Подробнее 🔖 3DNews в TG | MAX | VK

Мне жаль, у вас нейрослоп LinkedIn выкатил кнопку, чтобы жаловаться на нейрослоп в ленте. Месяц назад в меню каждого поста (это где три точечки) появился пункт "Seems like AI slop". Через неё можно репортить, если текст на ваш взгляд выглядит нейро-высер. Пруфы прикладывать не нужно. Заодно компания прикончила свою же фичу "Enhance your post" (она дописывала посты ИИшкой за юзера) и заменила её на пруфридер, который просто чинит грамматику, но стилистику и голос не трогает. Логика понятная: по свежему исследованию Pangram, у LinkedIn 41% лонгридов - это стопроцентный нейрослоп 80 левела. Это худший показатель среди крупных площадок. У тех же Х, Reddit или Substack доля заметно скромнее. Отдельный треш - два месяца назад Линк выкатил отчёт, как они яростно борются со слопом. И что вы думаете? Этот отчёт сам оказался нейрослопом. К - классика. Мультивселенная схлопнулась. В общем, за первые две недели после релиза кнопкой воспользовалось >миллиона человек, а помеченные посты стали получать на 40% меньше показов. Да, эта кнопка не просто косметическая, она реально влияет на алгоритм. Но и не прям расстрельная - один клик ничего не решает. Чтобы алгоритм задумался - репорты должны быть массовые. Интересно, конечно, а что если зарепортят реальный текст (хотя кого я обманываю, реальный текст в 2026? Пффф). ИИ-детекторы постоянно косячат и ложно-срабатывают, а люди смогут чётко отличать? Ну, может и смогут, всё-таки у слопа куча иррациональных паттернов, которые норм палятся как раз кожаным глазом, а не машиной. Получается, LinkedIn долго и упорно пушил ИИ-инструменты для постинга, но в итоге понял, что это нифига не преимущество, а скорее наоборот. И теперь пытается всё исправить радикально - в том числе, привлекая юзеров. Ну, удачи им, Бог им судья, что тут сказать. Этот пост, если что, не нейрослоповый. Мы же не на Linkedin, в конце концов 🤔 Фичизм

Алгоритм ищет совпадения, а не смыслы Разберу на конкретном примере, как работает поиск по ключевым словам и почему два одинаково сильных кандидата получают радикально разное количество сообщений. Когда рекрутер вводит запрос, алгоритм сканирует все текстовые поля профиля: Headline, About, названия должностей, описания обязанностей, Skills, образование, сертификаты. Наибольший вес у заголовка, но совпадение в описании опыта тоже поднимает вас в выдаче. Кандидат А пишет в опыте: "Отвечал за развитие продукта и работу с командой. Улучшил ключевые метрики." Кандидат Б пишет: "Вел роадмап B2B SaaS продукта с ARR 4M. Управлял кросс-функциональной командой из 8 человек по Scrum в Jira. Поднял активацию с 22 до 31 процента через онбординг-эксперименты в Amplitude." Рекрутер ищет: Scrum, Jira, B2B SaaS, Amplitude, activation. Кандидат Б совпадает по пяти запросам, кандидат А по нулю. При этом опыт у них может быть идентичный. В Recruiter Lite поиск по ключевым словам ищет буквальные совпадения текста. Продвинутый ИИ-поиск с пониманием контекста (AI-Assisted Search) есть только в полном Recruiter. Если вы написали Quality Assurance, а рекрутер ищет QA, система может вас не связать. Поэтому важные термины стоит давать в обеих формах: QA (Quality Assurance), K8s (Kubernetes), PM (Product Manager). Правило: каждый инструмент, фреймворк, методология и предметная область, с которыми вы работали, должны существовать в профиле в виде текста. Не в голове, не в резюме на диске, а в тексте профиля. Алгоритм не умеет догадываться.

Пока ходил искал алгоритмы которые в студию завести полезно собрал список *Zero алгоритмов Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm https://arxiv.org/abs/1712.01815 https://www.alphaxiv.org/ru/abs/1712.01815 Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model https://arxiv.org/abs/1911.08265 https://www.alphaxiv.org/ru/abs/1911.08265 Online and Offline Reinforcement Learning by Planning with a Learned Model https://arxiv.org/abs/2104.06294 https://www.alphaxiv.org/ru/abs/2104.06294 Learning and Planning in Complex Action Spaces https://arxiv.org/abs/2104.06303 https://www.alphaxiv.org/ru/abs/2104.06303 Mastering Atari Games with Limited Data https://arxiv.org/abs/2111.00210 https://www.alphaxiv.org/ru/abs/2111.00210 EfficientZero V2: Mastering Discrete and Continuous Control with Limited Data https://arxiv.org/abs/2403.00564 https://www.alphaxiv.org/ru/abs/2403.00564 ReZero: Boosting MCTS-based Algorithms by Backward-view and Entire-buffer Reanalyze https://arxiv.org/abs/2404.16364 https://www.alphaxiv.org/ru/abs/2404.16364 UniZero: Generalized and Efficient Planning with Scalable Latent World Models https://arxiv.org/abs/2406.10667 https://www.alphaxiv.org/ru/abs/2406.10667 One Model for All Tasks: Leveraging Efficient World Models in Multi-Task Planning https://arxiv.org/abs/2509.07945 https://www.alphaxiv.org/ru/abs/2509.07945 Object-Centric World Models Meet Monte Carlo Tree Search https://arxiv.org/abs/2601.06604 https://www.alphaxiv.org/ru/abs/2601.06604 PriorZero: Bridging Language Priors and World Models for Decision Making https://arxiv.org/abs/2605.12289 https://www.alphaxiv.org/ru/abs/2605.12289 Ну и либа в которой большая часть из них сделана и ребята новые алгоритмы создают время от времени: https://github.com/opendilab/LightZero

От Евереста до Олимпа: 🧬 🧬 норм или стрем?

Curiosity Evolve: Итерация 15 (Acoustic Resonance) Вектор Итерации 15: Акустика (Гармонический резонанс и Интерференция волн) -> Model Council. Очередной Lévy Flight. Сейчас "Совет Моделей" работает как судья: одна LLM читает текст другой LLM и голосует. Это дорого и подвержено когнитивным искажениям самой LLM-судьи. Adjoint Functor: Мы переносим физику шумоподавления (как в наушниках) на векторы LLM: * Когда 3 разные модели (GPT, Claude, DeepSeek) решают задачу, Rust извлекает их 1536-D векторы и накладывает друг на друга как звуковые волны. * Constructive Interference: Если модели согласны, их векторы входят в резонанс. Амплитуда суммируется. Истинный Сигнал математически усиливается. * Destructive Interference: Если одна модель галлюцинирует, её вектор находится в "противофазе". Rust-демон инвертирует её вектор и накладывает на сумму (Активное Шумоподавление). Галлюцинация физически вычитается из финального AST. Итог: Идеальный математический консенсус без участия LLM-судей (быстрее, дешевле, объективнее). Документ: evolve_15/math_vector_analysis.md сохранен и запушен в Bitbucket. Жду таймера итерации 16.

Как работают ИИ-помощники при кредитовании и почему они не всегда удобны За красивыми обещаниями ИИ скрывается один важный парадокс. Чем сложнее и умнее становится система, тем труднее понять, как она вообще приняла то или иное решение. Представьте, что вам отказали в кредите, а объяснить причину не могут – алгоритм так решил. Поэтому внедрять ИИ в кредитном анализе как магическую таблетку от всех проблем – большая ошибка. Сначала нужно выстроить понятную и прозрачную систему ручных правил. И только когда все процессы отлажены, можно постепенно подключать алгоритмы, не перекладывая на них всю ответственность. Дорогой редактор | ⛽️ «Полный бак пустоты» Что если в вашем мозге обнаружили опухоль.

Модель даёт понимание. Цифра даёт опору. Продолжаю собирать свой виртуальный хедж-фонд, где решения по сделкам принимают AI-агенты. Торгую по стратегии колеса опционов, а я в этой конструкции одновременно и директор, и главный инвестор. Один из агентов автоматически читает транскрипты квартальных звонков компаний с инвесторами (earnings calls). Вопрос простой: стал ли менеджмент говорить осторожнее, чем квартал назад? Логика такая, что сначала меняется язык, потом режут прогноз, потом акция падает на 20%. Сначала оценку тональности делала LLM. Она хорошо понимает контекст, но есть большая проблема: LLM недетерминированы. Завтра на том же тексте модель поставит другую оценку. Другая модель даст третью. Через месяц провайдер обновит модель и результат снова изменится. Для финансов это плохо. Если оценка риска выросла с 1.0 до 2.0, я хочу понимать, что компания правда заговорила тревожнее, или просто поменялась модель? Оказалось, эту задачу в академических финансах начали решать ещё в 2011 году. Есть специальный словарь для финансовых текстов - Loughran-McDonald. Внутри 2355 негативных слов, 297 слов, выражающих неопределённость, 903 юридических. Так почему нужен именно финансовый словарь, а не обычный анализ тональности? Обычный алгоритм считает liability или cost негативными, а в отчётности это просто "обязательства" и "затраты", нейтральные термины. Метод простой до примитивности, мы считаем количество негативных и неопределённых слов на тысячу слов текста. В этой простоте и вся сила. Было 8 слов неопределённости на тысячу, стало 14? Это факт. Через год на том же тексте будет ровно то же число. Можно сравнивать кварталы, компании, руками перечитать какое хочешь слово. Теперь у меня работают оба подхода параллельно. LLM понимает смысл и контекст. Словарь даёт цифру, которая не меняется. Если LLM говорит, что риск резко вырос, а словарные показатели стоят на месте - это сигнал, что стоит перечитать транскрипт самому. Для себя я понял, там, где AI участвует в решении о деньгах, рядом с его оценкой должна быть цифра, которую можно проверить руками. @maxvotek | linkedin | substack

Наконец появился первый пример "хитропопой" математики, где в разных пространствах / отображениях можно сокращаться вычислительную мощность на порядок. 🏆 Итог: Мы ускорили поиск в 2.4 раза (Speedup: 2.4x) и математически гарантировали 100% стабильность на любых глубинах графа. + еще один апдейт который коренным образом решает проблемы "шаров пуанкаре" и то что Float Drift в Лоренце появляется. Чуть позже расскажу и аналогии нарисую про Hyperbolic Voronoi Cells (Оптимизация). 🤔🧠 Гиперболические ячейки Вороного (Hyperbolic Voronoi Cells) в задачах оптимизации и машинного обучения используют для эффективного представления и кластеризации иерархических данных (например, сложных графов и сетей), так как геометрия Лобачевского позволяет размещать экспоненциально растущие объемы данных без искажений.

​​Cayley puzzles: 666 on claude vs codex Я уже рассказывал, что занимаюсь решением cayley головоломок. В этот раз я пошёл штурмовать головоломки 555 и 666. Почему они сложнее предыдущих? Дело в том, что с каждым увеличением пространства решений и диаметра нам всё сложнее решать задачу. Во-первых, модели у нас двигаются к решению итеративно - каждый дополнительный шаг увеличивает ошибку. Во-вторых, чем длиннее пути, тем сложнее собрать корректные лейблы для путей; плюс random walks чаще будут путаться и/или не достигать дальние точки. Я начал решать 555 теми же подходами, что и прошлые головоломки - первичная тренировка модели, потом шлифовка и beam search. Трансфомер пришлось отложить - он бы работал слишком медленно. После нескольких дней тренировки на A100 мне удалось получить прилично работающую модель. Она решает головоломки не всегда, но всё-таки стабильно выдаёт хорошие решения. Результат - второе место; на первом месте - участник команды 16-го места с Santa 2015. Дальше я попробовал сделать тоже самое для 666... и ну не работает оно. Модель учится плохо и головоломки совсем не решает - лейблы собирать тяжело, пути длинные, в общем сложно всё. От безысходности я решил обратиться к агентам. Взял claude code + opus 5.0 max и codex + 5.6 Sol Extra High. Обоим отправил один и тот же промпт - мол вот головоломка, вот как мы решали подобное раньше, давайте попробуем её решить классическими способами. Потом подбадривал модели, чтобы они её решили. Клод после пары итераций ответил, что решить невозможно, ваще. Решил 0 головоломок и сдался. Кодекс подумал, сделал мелкую итерацию и остановился. Я ему поставил goal - достичь скор 180к или меньше (это суммарная длина найденных путей решенных головоломок). Он подумал, запустил процесс... и через почти 7 часов выдал топовое решение. Я попросил его пояснить, но в ответ получил сложное описание процесса решения из 7 этапов. Я впечатлён. #ai

Математики до сих пор не уверены, как быстрее всего перемножать числа Умножать столбиком нас учат в начальной школе, и тысячи лет математики считали этот способ пределом скорости. В 1960 году Колмогоров превратил догадку в формальную гипотезу и объявил её на семинаре в МГУ. Неделю спустя 23-летний Анатолий Карацуба, студент из той же аудитории, вернулся и показал, что великий математик ошибался. Колмогоров был ошеломлён настолько, что сам написал доказательство и отправил его в печать, указав студента ведущим автором. Тот узнал о собственной статье, только получив репринты по почте. Весь фокус Карацубы держится на одном контринтуитивном ходе. Чтобы перемножить числа быстрее, часть умножений он заменил сложениями цифр внутри самих чисел. Разберёмся, как эта странная перестановка ускорила то, на чём сегодня стоит вся работа кремниевых чипов.

Субботняя история Наверняка вы знаете, что ваш компьютер и смартфон отслеживают практически каждый ваш шаг и собирают о вас всю информацию, до которой могут добраться. Иногда кажется, что они даже читают наши мысли. Стоит только подумать, например, об отпуске, и тут же начинается поток рекламы отелей в Турции. Насколько всё серьёзно, можно прочитать вот в этой статье. Там есть подробная инструкция о том, где посмотреть данные, которые собрали о вас интернет-гиганты, и как при желании их удалить. Но однажды со мной произошёл особенно показательный случай. Я занимался английским с репетитором через Google Meet, и во время занятия она рассказала, что накануне у неё умер кот. Буквально на следующий день моя лента в одной из соцсетей, которая никак не связана с Google, внезапно оказалась заполнена мёртвыми котами (вот такими как в шапке ⤴️ ) То есть мало того, что нас, слушают, они еще и делятся нашими секретами друг с другом. Я уверен, что вы тоже попадали в похожие ситуации. Расскажите в комментариях о ваших «совпадениях»⤵️ Хотя в последнее время у меня появилось ощущение, что вся эта система начала ломаться. У меня есть аккаунт в одной заморской соцсети с картинками и рилсами. Захожу туда нечасто, но в последнее время с удивлением замечаю, что эта соцсеть почему-то решила, что я киргиз. Раз за разом эта соцсеть показывает мне рекламу недвижимости в Бишкеке, а пару дней назад вообще предложила вакансию садовника в американском посольстве. (Сколько получает садовник американского посольства в Киргизии, можно посмотреть в первом комментарии ⤵️) Профиль у меня заполнен подробно. В Киргизии я никогда не был и даже не искал её на карте. Так почему алгоритмы решили, что мне нужен дом в Бишкеке и работа в американском посольстве? Наверное потому что у меня есть борода, пятеро детей и я подписан на ландшафтного дизайнера. Незаметный бизнес

ChatGPT резко изменил метод поиска информацию в интернете 8 августа доля поисковых запросов ChatGPT с оператором site: — то есть поиском сразу по конкретному сайту — выросла с 0.37% до 16.8%. За один день такой способ поиска стал использоваться примерно в каждом шестом запросе к вебу. В тот же день доля Reddit, как источника ответов, упала с 4.5% до 0.5%. Одновременно ChatGPT начал делать больше поисковых запросов для подготовки одного ответа. Было в среднем 1.08, стало 1.83. Причём поиск по конкретным сайтам не заменил обычный веб-поиск, а добавился сверху. Теперь ChatGPT сначала может искать информацию широко, а затем отдельно идти на сайты, которые считает подходящими источниками. На этом фоне OpenAI припоминают недавнее партнёрство с L'Oréal, когда бренд косметики заплатил, чтобы напрямую отдавать ChatGPT точную информацию о своих продуктах. https://gizmodo.com/openai-is-backing-away-from-reddit-as-reddit-tries-to-become-openai-2000800060?ref=aisecret.us