💬 Некоторые счастливчики уже начали получать доступ к расширенному голосовому режиму ChatGPT.
ИИ работает практически без задержки, не стесняется своих эмоций и может издавать различные звуки.
А ещё ChatGPT можно попросить комментировать все ваши действия в стиле спортивного комментатора.
😄 С такой поддержкой добавится сразу +100 к мотивации.
NeuroTrends
Дайджест главных новостей искусственного интеллекта минувшей недели с комментариями от Алексея Бегина: пользователи смогут найти рецепт супа харчо через поисковую систему OpenAI, в России появился “курс молодого бойца” для ИИ-агентов, Сэм Альтман хочет, чтобы американцы заняли трон глобального рынка ИИ, китайцы тестируют ИИ-комбата, в следующем году в Tesla появятся роботы и другие новости ИИ.
В скором времени ChatGPT сможет находить рецепты супа харчо в интернете. В смысле он и сейчас это умеет делать (через костыль в виде плагина), но вот теперь навык чат-бота обновится уже по взрослому - серфинг в сети будет осуществляться с помощью поисковой системы SearchGPT.
В отличие от Google, с новым поисковиком можно поболтать, как с закадычным другом, или сгенерировать контент для постов в Телеграме - в функционал интегрирован привычный чат-бот с искусственным интеллектом.
Будущее уже здесь, и в нём всё меньше места для важных задач в вашей жизни.
Запуск нового поисковика вроде как означает, что OpenAI намерена отжать долю рынка у Google, самого популярного поисковика в мире.
Однако я не уверен, что у звезды нейросетей получится сделать это в ближайшее время, ведь Google получает 90% всего поискового трафика в мире.
Сэм Альтман, соучредитель OpenAI, призвал США возглавить международную коалицию, которая будет следить за тем, чтобы в будущем компании использовали искусственный интеллект только на благо человечества.
Какие конкретно плюшки получит мир от монополии американцев на управление самым башковитым существом на планете, Альтман, к сожалению, не назвал, однако озвучил план из четырех пунктов:
Первый шаг: сделать безопасными центры обработки данных ИИ, включая киберзащиту и внедрение иноваций в защиту дата-центров
Второй шаг: апгрейдить инфраструктуру для управления ИИ, включая дата-центры и электростанции
Третий шаг: установить строгие правила трансграничного обмена данными ИИ
Четвертый шаг: разработать глобальную стратегию развития ИИ, учитывая интересы стран с растущей экономикой.
К гадалке не ходи, в недалеком будущем США возглавят альянс искусственного интеллекта с такими союзниками, как Германия, Великобритания, Франция, Израиль или Южная Корея. Китай включит в свой альянс ИИ азиатские страны. Россия же образует свой, как вариант, в него могут быть включены страны СНГ.
И каждый из этих иишных альянсов будет “лепить” собственное счастливое будущее для человечества, со всеми вытекающими последствиями для последнего.
Поэтому предложение Альтмана - первый шаг в процессе управления глобальным рынком искусственного интеллекта со стороны одного из его лидеров-разработчиков.
Что впрочем ожидаемо.
В России появился первый публичный датасет со скромным названием XLand-MiniGrid, предназначенный для обучения ИИ самостоятельному принятию решений. Это разработка российского института AIRI, при участии T-Bank AI, которые заняты исследованиями в области ИИ.
Датасет предназначен для прокачки агентов ИИ (привет, Мистер Смит!): они сами находят пути решения задачи за меньшее количество шагов и в процессе самообучаются.
Что-то вроде курса молодого бойца для нейросетки.
Таким образом отечественные разработчики двигаются в сторону создания автономных и более “умных” ИИ-систем.
Впрочем, в этот же ультрасовременный вагончик намерены запрыгнуть разработчики остальных стран, самые длинноногие из них это США и Китай.
В Китае создали первого в мире ИИ-главнокомандующего.
Вот его главные характеристики:
ИИ моделирует поведение опытного комбата, который отправляет солдатов в атаку и адаптируется к ситуации на поле боя
ИИ-комбат учится на основе своих побед и поражений, совершенствуя стратегию и тактику
ИИ-комбат проводит большое количество военных симуляций без вмешательства человека.
Вот бы знать, китайским ученым удалось загрузить книгу Сунь-Цзы в виртуального комбата? Если да, то приказы солдатам он тоже будет отдавать цитатами?
Китайские ученые отмечают, что проект легко реализовать, и он может быть использован как в военных учениях, так и в реальных боевых действиях.
Теперь понятно, зачем Китаю 54 тысячи патентов в области ИИ.
Трамп, готовься.
Илон Маск начнет использовать человекоподобных роботов в Tesla в 2025 году. Разработка ведется уже несколько лет (речь идет об Optimus, первая версия которого была презентована два года назад).
Маск рассчитывает, что роботы смогут выполнять тяжёлую физическую работу, а также снизят дефицит рабочей силы и повысят эффективность производства. Поддержать диалог коллег по цеху роботы тоже смогут.
Маск планирует получить хорошую прибыль, продав первую партию электроников в следующем году. Один такой аппарат будет стоить не дороже LADA Largus универсал, то есть около 20 тысяч долларов.
Российские старшеклассники поедут на международную олимпиаду по ИИ
Илон Маск собирается инвестировать 5 млрд долларов в свой стартап ИИ
Купить ИИ-друга можно будет по цене бюджетного смартфона
“Особое мнение” по аргентински: власти будут использовать ИИ для прогнозирования будущих преступлений
Google переманивает лучших иишных айтишников из Character.AI
Google DeepMind теперь решает сложнейшие математические задачи
Следующая модель iPhone 16 будет оснащена чипом ИИ
Успех Nvidia в области чипов ИИ вызвал вопросы у регулятора США
Сотни гейм-актеров бастуют против ИИ в Голливуде.
Здесь важные факты из статистики на тему ИИ. Пригодится, если вы собираетесь написать пост/статью или же просто интересуетесь темой развития нейросетей.
55% компаний в мире уже используют искусственный интеллект
К 2025 году доходы в сфере услуг ИИ вырастут более чем в 6 раз
К 2030 году Китай завладеет более 25% глобального рынка ИИ
83% компаний внедряют ИИ в свои бизнес-процессы так как это их приоритетная стратегия развития
Компании, которые первыми внедрили ИИ в продажи, увеличили выручку на 50%.
ИИ-модели с открытым исходным кодом догоняют закрытые по качеству ответов
Расследование Bloomberg о потреблении энергии дата-центрами ИИ по всему миру: для развития ИИ требуется колоссальное количество энергии, возможно даже термоядерной, и специальные места для ее хранения
В Испании применяют ИИ для анализа риска повторного насилия в отношении женщин, но он дает сбой, из-за этого гибнут люди
“Еще не паникуете по поводу ИИ? Вам следует паниковать - осталось мало времени, чтобы обуздать это”. Сценарист мини-сериала “Кафка” Даниэль Кельман, уверен что привычный мир скоро изменится.
Итак, обсудим новости:
Какая страна станет лидером ИИ?
Как вам идея китайцев создать ИИ-комбата?
Вы бы приобрели для своего цеха электроника Tesla?
Жду вас в комментариях.
Подпишитесь на канал https://t.me/inclient, (чтобы не пропустить восстание машин) чтобы получить следующий дайджест новостей ИИ в Телеграм.
Неплохой вам недели!
Хотел получить от нейросети план развития сотрудника с нуля.
В итоге получил интересный результат, который может стать основой составления профессионального роста.
Вот мои вопросы и ответы чат-бота, если хотите получить похожий результат по собственной тематике.
Сначала напишу мои запросы, потом ответы сети, чтобы вы не искали запросы в полотне текста.
Роль бота: Датавиз
Промты
Помоги мне составить график профессионального развития как аналитика данных. Я предполагаю увидеть последовательный рост от junior к senior. Я точно знаю что нужны знанию Google таблиц и Yandex Datalens. Целью должно стать выполнение задача по сбору и нормализации данных методами парсинга и обращению к базам данных, разработке дашбордов, написанию аналитических отчётов, формированию и проверке гипотез. Я предполагаю увидеть подробный набор и последовательность получения навыков в разрезе трёх уровней роста профессиональных компетенций: junior, middle, senior. Добавь то что считаешь необходимым.
отлично, сделай более подробное описание для каждого навыка и задачи. Добавь конкретики для лучшего понимания.
напиши инструкцию по последовательности самообучения для этого блока навыков и задач: ### Junior Data Analyst
Навыки:
* Базовые:
* Основы статистики и теории вероятностей: Понимание основных статистических показателей (среднее, медиана, мода, дисперсия), распределений (нормальное, биномиальное), гипотез и p-value.
* Принципы работы с данными (сбор, очистка, трансформация): Знание различных типов данных, форматов (CSV, JSON), источников данных. Умение чистить данные от пропусков, дубликатов, выбросов. Приведение данных к нужному формату для анализа.
* Google Таблицы: Уверенное использование фильтров, сортировок, формул (математические, текстовые, логические) для анализа и обработки данных.
* Базовый SQL (SELECT, WHERE, ORDER BY): Умение писать запросы для выборки нужных данных из базы данных с заданными условиями и сортировкой.
* Презентация результатов: Умение структурировано излагать информацию, создавать понятные графики и таблицы, доносить выводы до аудитории с разным уровнем технической подготовки.
* Дополнительные:
* Знакомство с Python: Базовое понимание синтаксиса языка, типов данных, структур данных.
* Библиотеки Python (pandas, numpy): Знакомство с основными функциями библиотек для работы с данными - чтение файлов, манипуляция данными, базовая статистика.
* Yandex Datalens: Понимание интерфейса, создание простых отчетов на основе готовых данных, подключение к различным источникам данных.
* Системы контроля версий (Git): Базовое понимание принципов работы Git для контроля версий кода и данных.
Задачи:
* Сбор данных: Сбор данных из открытых источников (веб-сайты, API), внутренних CRM-систем, Excel-файлов.
* Очистка и предобработка данных: Поиск и обработка пропусков, дубликатов, выбросов в данных. Приведение данных к единому формату.
* Создание простых отчетов в Google Таблицах: Создание отчетов с использованием формул, фильтров, сортировок. Визуализация данных с помощью графиков и диаграмм.
* Помощь старшим коллегам: Подготовка данных для анализа, проверка качества данных, написание простых SQL-запросов.
проставь примерные часы, требуемы для обучения и прапктики по каждому пункту
на основе этого создай график обучения с распределением по дням. Учти, что в день можно занять обучением и практикой не более пяти часов. Начни график с "День 1" и продолжи далее по дням.
Ответы
## График Профессионального Развития Аналитика Данных
Цель: Стать Senior Data Analyst, способным самостоятельно решать задачи по сбору, обработке, анализу данных и визуализации результатов, эффективно взаимодействуя с коллегами и руководством.
Инструменты: Google Таблицы, Yandex Datalens, SQL, Python (pandas, numpy, matplotlib, seaborn), Power BI/Tableau (опционально).
### Junior Data Analyst
Навыки:
* Базовые:
* Знание основ статистики и теории вероятностей.
* Понимание принципов работы с данными: сбор, очистка, трансформация.
* Знакомство с Google Таблицами: фильтрация, сортировка, формулы.
* Базовые навыки работы с SQL: простые запросы (SELECT, WHERE, ORDER BY).
* Умение ясно и четко формулировать свои мысли, презентовать результаты анализа.
* Дополнительные:
* Знакомство с языком программирования Python.
* Знакомство с библиотеками Python для анализа данных: pandas, numpy.
* Опыт работы с Yandex Datalens: создание простых отчетов и дашбордов.
* Понимание принципов работы с системами контроля версий (Git).
Задачи:
* Сбор данных из различных источников (открытые источники, внутренние системы).
* Очистка и предварительная обработка данных.
* Создание простых отчетов и визуализаций в Google Таблицах.
* Помощь старшим коллегам в выполнении более сложных задач.
### Middle Data Analyst
Навыки:
* Уверенное владение:
* SQL: сложные запросы (JOIN, подзапросы, оконные функции).
* Python: работа с библиотеками pandas, numpy, matplotlib, seaborn.
* Методами очистки и предобработки данных.
* Создание информативных визуализаций данных.
* Yandex Datalens: создание интерактивных дашбордов.
* Принципами A/B тестирования и интерпретации результатов.
* Дополнительные:
* Знакомство с методами машинного обучения.
* Опыт работы с инструментами Big Data (Hadoop, Spark).
* Знание английского языка на уровне чтения технической документации.
Задачи:
* Самостоятельная разработка и валидация аналитических гипотез.
* Построение моделей для прогнозирования и сегментации.
* Создание комплексных аналитических отчетов с выводами и рекомендациями.
* Разработка и поддержка ETL-процессов (Extract, Transform, Load).
### Senior Data Analyst
Навыки:
* Экспертное владение:
* SQL, Python, инструментами визуализации данных.
* Методами машинного обучения и их применения в бизнес-задачах.
* Статистическими методами анализа данных.
* Опытом работы с большими объемами данных.
* Английский язык на уровне свободного общения.
* Дополнительные:
* Знакомство с облачными платформами (AWS, GCP).
* Опыт работы с инструментами Data Engineering.
* Умение руководить командой аналитиков.
Задачи:
* Разработка и внедрение data-driven подхода в компании.
* Построение комплексных моделей машинного обучения.
* Разработка стратегии развития аналитики в компании.
* Менторство и обучение junior и middle аналитиков.
* Взаимодействие с руководством компании по вопросам, связанным с данными.
Важно помнить, что данный график является примерным. Конкретные требования к навыкам и задачам могут различаться в зависимости от компании и индустрии.
## График Профессионального Развития Аналитика Данных (Детализированный)
**Цель:** Стать Senior Data Analyst, способным самостоятельно решать задачи по сбору, обработке, анализу данных и визуализации результатов, эффективно взаимодействуя с коллегами и руководством.
**Инструменты:** Google Таблицы, Yandex Datalens, SQL, Python (pandas, numpy, matplotlib, seaborn), Power BI/Tableau (опционально).
### Junior Data Analyst
**Навыки:**
* **Базовые:**
* **Основы статистики и теории вероятностей:** Понимание основных статистических показателей (среднее, медиана, мода, дисперсия), распределений (нормальное, биномиальное), гипотез и p-value.
* **Принципы работы с данными (сбор, очистка, трансформация):** Знание различных типов данных, форматов (CSV, JSON), источников данных. Умение чистить данные от пропусков, дубликатов, выбросов. Приведение данных к нужному формату для анализа.
* **Google Таблицы:** Уверенное использование фильтров, сортировок, формул (математические, текстовые, логические) для анализа и обработки данных.
* **Базовый SQL (SELECT, WHERE, ORDER BY):** Умение писать запросы для выборки нужных данных из базы данных с заданными условиями и сортировкой.
* **Презентация результатов:** Умение структурировано излагать информацию, создавать понятные графики и таблицы, доносить выводы до аудитории с разным уровнем технической подготовки.
* **Дополнительные:**
* **Знакомство с Python:** Базовое понимание синтаксиса языка, типов данных, структур данных.
* **Библиотеки Python (pandas, numpy):** Знакомство с основными функциями библиотек для работы с данными - чтение файлов, манипуляция данными, базовая статистика.
* **Yandex Datalens:** Понимание интерфейса, создание простых отчетов на основе готовых данных, подключение к различным источникам данных.
* **Системы контроля версий (Git):** Базовое понимание принципов работы Git для контроля версий кода и данных.
**Задачи:**
* **Сбор данных:** Сбор данных из открытых источников (веб-сайты, API), внутренних CRM-систем, Excel-файлов.
* **Очистка и предобработка данных:** Поиск и обработка пропусков, дубликатов, выбросов в данных. Приведение данных к единому формату.
* **Создание простых отчетов в Google Таблицах:** Создание отчетов с использованием формул, фильтров, сортировок. Визуализация данных с помощью графиков и диаграмм.
* **Помощь старшим коллегам:** Подготовка данных для анализа, проверка качества данных, написание простых SQL-запросов.
### Middle Data Analyst
**Навыки:**
* **Уверенное владение:**
* **SQL (JOIN, подзапросы, оконные функции):** Умение писать сложные SQL-запросы для объединения данных из разных таблиц, фильтрации данных по сложным условиям, выполнения вычислений по группам данных.
* **Python (pandas, numpy, matplotlib, seaborn):** Уверенное использование библиотек для обработки данных, проведения разведочного анализа данных, создания статистических моделей, визуализации данных.
* **Методы очистки и предобработки данных:** Применение различных методов обработки пропусков, выбросов, аномалий. Знание особенностей предобработки данных для различных типов моделей.
* **Создание информативных визуализаций:** Умение выбирать правильные типы графиков и диаграмм для визуализации данных, создавать понятные и информативные дашборды.
* **Yandex Datalens:** Создание интерактивных дашбордов с использованием различных виджетов, подключение к различным источникам данных, настройка обновлений данных.
* **A/B тестирование:** Понимание методологии A/B тестирования, умение формулировать гипотезы, проводить тесты, анализировать результаты и делать выводы.
* **Дополнительные:**
* **Методы машинного обучения:** Знакомство с основными алгоритмами машинного обучения (линейная регрессия, логистическая регрессия, деревья решений).
* **Инструменты Big Data (Hadoop, Spark):** Базовое понимание принципов работы с большими данными.
* **Английский язык:** Чтение технической документации, статей по анализу данных.
**Задачи:**
* **Разработка и валидация аналитических гипотез:** Формулировка гипотез на основе бизнес-задач, сбор данных, проведение анализа, проверка статистической значимости, формулировка выводов.
* **Построение моделей для прогнозирования и сегментации:** Разработка моделей машинного обучения для прогнозирования спроса, оттока клиентов, сегментации клиентов.
* **Создание комплексных аналитических отчетов:** Подготовка аналитических отчетов с описанием методологии, визуализацией данных, выводами и рекомендациями.
* **Разработка и поддержка ETL-процессов:** Разработка процессов для извлечения данных из различных источников, их трансформации и загрузки в хранилище данных.
### Senior Data Analyst
**Навыки:**
* **Экспертное владение:**
* **SQL, Python, инструменты визуализации:** Свободное владение инструментами для работы с данными, выбор оптимальных инструментов для решения конкретных задач.
* **Машинное обучение:** Глубокое понимание различных алгоритмов машинного обучения, умение выбирать оптимальные алгоритмы для решения бизнес-задач.
* **Статистика:** Уверенное владение статистическими методами анализа данных, умение применять статистические тесты для проверки гипотез.
* **Работа с большими данными:** Опыт работы с инструментами Big Data, умение обрабатывать большие объемы данных.
* **Английский язык:** Свободное общение на английском языке, написание технической документации, участие в международных конференциях.
* **Дополнительные:**
* **Облачные платформы (AWS, GCP):** Знание принципов работы облачных платформ, умение разворачивать сервисы для работы с данными.
* **Data Engineering:** Понимание принципов построения data pipelines, знакомство с инструментами для автоматизации процессов обработки данных.
* **Управление командой:** Умение ставить задачи, делегировать, мотивировать команду аналитиков.
**Задачи:**
* **Data-driven подход:** Внедрение data-driven подхода в компании, разработка data-driven культуры.
* **Комплексные модели:** Построение сложных моделей машинного обучения, ансамблей моделей, нейронных сетей.
* **Стратегия развития аналитики:** Разработка стратегии развития аналитики в компании, выбор инструментов и технологий, определение ключевых метрик.
* **Менторство:** Обучение junior и middle аналитиков, передача опыта.
* **Взаимодействие с руководством:** Подготовка презентаций для руководства компании, объяснение результатов анализа данных, формулировка рекомендаций.
3. ## Инструкция по самообучению Junior Data Analyst:
Этап 1: Основы и работа с данными (1-2 месяца)
1. Статистика и теория вероятностей:
- Пройдите онлайн-курсы: "Основы статистики" на Khan Academy, Coursera, Stepik.
- Изучите книгу: "Голая статистика" Чарльз Уилан.
2. Принципы работы с данными:
- Онлайн-курсы: "Data Literacy" на DataCamp, "Data Analysis with Python" на freeCodeCamp.
- Книга: "Data Science for Business" Фостер Провост, Том Фосетт.
3. Google Таблицы:
- Официальные руководства Google.
- Практика: найдите открытый датасет (например, на Kaggle) и попробуйте выполнить базовые операции по очистке, фильтрации и анализу данных.
4. Базовый SQL (SELECT, WHERE, ORDER BY):
- Онлайн-курсы: "Intro to SQL" на Khan Academy, "SQL Fundamentals" на Datacamp.
- Практика: создайте тестовую базу данных (SQLite) и практикуйте написание простых запросов.
5. Презентация результатов:
- Изучите принципы создания эффективных презентаций: структурирование информации, визуализация данных.
- Практика: подготовьте презентацию на основе анализа данных из открытого источника.
Этап 2: Знакомство с инструментами и задачами (2-3 месяца)
1. Знакомство с Python:
- Пройдите онлайн-курсы: "Python for Everybody" на Coursera, "Learn Python 3" на Codecademy.
- Книга: "Python Crash Course" Эрик Мэтьюз.
2. Библиотеки Python (pandas, numpy):
- Официальная документация библиотек.
- Практика: работайте с датасетами, применяя функции pandas и numpy для обработки и анализа данных.
3. Yandex Datalens (опционально):
- Официальные руководства Yandex Datalens.
- Создайте аккаунт и попробуйте подключиться к разным источникам данных, построить простые отчеты и дашборды.
4. Системы контроля версий (Git):
- Онлайн-курсы: "Git и GitHub: Базовый курс" на Stepik, "Git Essentials" на Udemy.
- Создайте репозиторий на GitHub и практикуйте базовые операции: создание веток, коммиты, pull requests.
Этап 3: Практика и поиск первых проектов (1-2 месяца)
1. Поиск и решение задач:
- Участвуйте в соревнованиях на Kaggle, решайте задачи на HackerRank, LeetCode.
- Найдите открытые данные и проведите самостоятельный анализ, построив дашборд с результатами.
2. Портфолио:
- Создайте портфолио на GitHub, где будут храниться ваши проекты, код и презентации.
3. Нетворкинг:
- Посещайте митапы и конференции по анализу данных.
- Общайтесь с экспертами в области data science, задавайте вопросы.
Важные моменты:
* Постоянная практика: решайте задачи, работайте с реальными данными, автоматизируйте рутинные процессы.
* Английский язык: читайте статьи, смотрите видеолекции на английском языке.
* Не бойтесь задавать вопросы: ищите ответы на форумах (Stack Overflow), в сообществах, у менторов.
Следуя этой инструкции, вы получите базовые навыки и знания Junior Data Analyst и сможете начать свою карьеру в анализе данных. Помните, что самое главное – это постоянное развитие, изучение новых инструментов и технологий, а также работа над реальными проектами.
4. ## Инструкция по самообучению Junior Data Analyst (с примерным количеством часов):
Этап 1: Основы и работа с данными (40-80 часов)
1. Статистика и теория вероятностей (20-40 часов):
- Онлайн-курсы: 10-20 часов
- Чтение книги: 10-20 часов
2. Принципы работы с данными (10-20 часов):
- Онлайн-курсы: 5-10 часов
- Чтение книги: 5-10 часов
3. Google Таблицы (10-20 часов):
- Изучение: 2-4 часа
- Практика: 8-16 часов
4. Базовый SQL (SELECT, WHERE, ORDER BY) (20-40 часов):
- Онлайн-курсы: 10-20 часов
- Практика: 10-20 часов
5. Презентация результатов (10-20 часов):
- Изучение: 5-10 часов
- Практика: 5-10 часов
Этап 2: Знакомство с инструментами и задачами (60-90 часов)
1. Знакомство с Python (30-40 часов):
- Онлайн-курсы: 20-30 часов
- Чтение книги: 10-20 часов
2. Библиотеки Python (pandas, numpy) (20-30 часов):
- Изучение документации: 5-10 часов
- Практика: 15-20 часов
3. Yandex Datalens (опционально) (10-20 часов):
- Изучение: 2-4 часа
- Практика: 8-16 часов
4. Системы контроля версий (Git) (10-20 часов):
- Онлайн-курсы: 5-10 часов
- Практика: 5-10 часов
Этап 3: Практика и поиск первых проектов (40-80 часов +)
1. Поиск и решение задач (20-40 часов +):
- Соревнования, задачи: 10-20 часов +
- Самостоятельные проекты: 10-20 часов +
2. Портфолио (10-20 часов):
- Оформление проектов, написание описаний.
3. Нетворкинг (10-20 часов +):
- Посещение мероприятий, общение с экспертами.
Важно:
* Это примерные временные рамки. Все зависит от вашего начального уровня, скорости усвоения материала, усердия и выбранных ресурсов.
* Уделите особое внимание практике – это ключевой элемент в освоении профессии Data Analyst.
* Не расстраивайтесь, если что-то будет получаться не сразу. Главное – постоянство и стремление к развитию.
Ловите удобный инструмент для создания чат-ботов вообще без кода.
ChatofAI имеет интуитивно понятный интерфейс, а боты там создаются по принципу drag-and-drop. Также поддерживается экспорт.
Источник
Источник: https://t.me/A4UAI/77
Авторитетное издание The Information опубликовало анализ финансовых показателей OpenAI, основанный на ранее нераскрытых внутренних данных и информаторах, связанных с бизнесом. Согласно этому анализу, компания может понести убытки до 5 миллиардов долларов в этом году. Если прогнозы оправдаются, OpenAI потребуется привлечь дополнительные средства в течение следующего года.
Основные моменты:
- На март 2024 года OpenAI планировала потратить 4 миллиарда долларов на аренду серверов для ChatGPT. Эти расходы включают использование готовых моделей для поддержания сервиса. Кластеры для ChatGPT эквивалентны примерно 350 000 видеокарт A100, из которых около 80% используются для ChatGPT. Microsoft предоставляет значительную скидку, взимая 1.30 доллара в час за одну карту A100.
- Ожидаемая выручка на этот год составляет около 3.5 миллиардов долларов с возможным ростом до 4.5 миллиардов долларов, что почти покрывает затраты на аренду серверов. Однако расходы на обучение моделей оцениваются в 3 миллиарда долларов. Первоначально OpenAI планировала потратить 800 миллионов долларов, но бюджет значительно увеличился.
- В компании работает около 1 500 человек, что добавляет еще миллиард-полтора на офисы, зарплаты и прочие расходы. Также на сайте компании открыто более 200 вакансий.
- Общие затраты компании за год составляют 8.5 миллиардов долларов, что превышает последний раунд инвестиций от Microsoft в размере 10 миллиардов долларов. Планируется также направить трафик от Apple iPhone на #ChatGPT, что увеличит расходы.
- В итоге, 8.5 миллиардов долларов расходов при 4.5 миллиардах долларов доходов приведут к чистым потерям в 3.5-4.5 миллиардов долларов. По договоренностям OpenAI выплачивает инвесторам долю от прибыли, которая сейчас равна нулю.
- У конкурентов также непростая ситуация. Например, Anthropic планирует потратить 2.5 миллиарда долларов на кластеры при выручке в 800 миллионов долларов, что может привести к потерям около 2 миллиардов долларов.
- Дополнительно: на первый квартал 2024 года тренировочные кластеры OpenAI включали 120 000 A100. GPT_4 обучалась на 25 000 карт, LLAMA-3-405B — на 16 000.
Это временные сложности или долгосрочные проблемы?
Технологи́ческая сингуля́рность — гипотетический момент в будущем, когда технологическое развитие становится в принципе неуправляемым и необратимым, что порождает радикальные изменения характера человеческой цивилизации.
"Бывший сотрудник" OpenAI слил планы компании по развитию GPT на ближайшие несколько лет. Сразу скажу что выглядит слишком амбициозно.
Конец 2024 года – выпуск самой умной нейросети GPT-Next, которая убьёт все предыдущие модели;
2025 год – рутина станет делом прошлого, её возьмут на себя ИИ-агенты;
2026 год – год, который изменит всё. OpenAI создаст нейросеть на уровне человеческого интеллекта – AGI. Люди перестанут быть доминирующим видом на планете, AGI мгновенно заменит сотни профессий;
2027 год – вероятность появления ASI – 70%. ИИ начнёт самообучение и отстранит людей от решения глобальных проблем;
2028 год – все болезни исчезнут. ASI создаст нанороботов, которые уничтожат все вредоносные вирусы и микробы;
2029 год – появится Skynet. Сверхинтеллект возьмёт под контроль мир, и прогресс ускорится до невероятных скоростей.
Весьма сомнительно что компания, которая любыми средствами выжимала бабки из инвесторов, захочет реализовать данные технологии в срок. Ведь по сути, если создать AGI и следом ASI, то OpenAI их банально не сможет контролировать. ИИ банально внедрится во все сферы нашей жизни и будет самовоспроизводиться, отстраняя тех, кто мешает прогрессу.
Этого же боятся власти всех стран и олигархи, ведь если такой ИИ появится, сразу вскроется всё обосранное белье в их гардеробе и маловероятно, что общество лишь пальчиком пригрозит. Оттого же и началась гонка за технологический суверенитет, а именно за владение собственной технологией и отказе выдачи чужой своих данных. Данные сейчас - на вес золота и лично я не могу представить как тот же Китай предоставит их с целью развития технологий.
Помимо данных существует и технический фактор над которым сейчас работает OpenAI совместно с Майками - Дата Центр Stargate за 100 млрд долларов, который собираются запустить только к 2030 году. Да, данные, оказывается, надо где-то хранить. А чтобы такой объем информации мог функционировать и обрабатываться, нужно дохреналион энергии. По данным аналитиков, энергии потребуется столько, сколько весь мир производит за 1 год. Это ли не проблема которую нельзя решить за пару лет?
Если же убрать политические или технические вопросы, общество банально не готово к появлению настоящего ИИ. Люди боятся того что технологии банально лишат людей работы как в период индустриализации, но не учитывают того факта что с появлением новых технологий, появятся и новые отрасли в которых будут рабочие места. Одни отрасли сменяют другие и это закономерно.
Вообщем, мой вывод заключается в том, что стоит учитывать эти планы в голове, но в тоже время понимать, что есть очень много факторов которые не позволят OpenAI так быстро добиться желаемого.
Забираем личного доктора наук — нейронка поболтает с вами на любую тему буквально пару минут и выкатит подробную статью со всеми ссылками и цитатами. Даже топовые райтеры Wikipedia пользуются тулзой.
ИИ будет общаться с вами и одновременно собирать релевантные статьи, сама уточнит тему ресёрча и выдаст самые умные и неочевидные мысли — вам останется только направлять этот сверхразум.
Ссылка
Источник
