Latest posts
Machine Learning World
22 Sept, 18:05
Делаю в свободное время разные тулзы для себя которые экономят время. Сверху оригинал, снизу видео уже после обработки в Davinci Resolve.Всю обработку делает AI через кастомный MCP через мост в Davinci Resolve.Из плюшок которые есть уже сегодня: - Обработка цвета через генерацию LUT'ов - Нарезка (по звуку, по смене кадров, по тексту, по линии глаз) - Работа с камерой (создание разноплановых сцен, зум, движение) - Генерация текста с аудио и генерация субтитров - Работа со звуком (выравнивание, контроль громкости, удаление долгих пауз, улучшение качества голоса у убирание шумов) - Оптимизация через AI локальный для уменьшение сьедания токенов. - Работа с простыми эффектами FusionВ идеале хочу сделать комбайн который может делать качественные видео уровня крутого видеоредактора автоматом. Я конечно и сам это люблю, как и сьемку видео.. но увы времени нет вообще, а делать нужно многоMachine Learning World
22 Sept, 07:05
CRDT хорошо понимать не как "магическую eventual consistency", а как способ заранее определить такую структуру данных, которую разные узлы смогут менять независимо, а потом слить без конфликтов. Возьмем OR-Set - Observed-Remove Set. Он нужен там, где несколькоMachine Learning World
22 Sept, 07:05
CRDT хорошо понимать не как "магическую eventual consistency", а как способ заранее определить такую структуру данных, которую разные узлы смогут менять независимо, а потом слить без конфликтов.Возьмем OR-Set - Observed-Remove Set. Он нужен там, где несколько replica могут одновременно добавлять и удалять одни и те же элементы: collaborative apps, distributed caches, replicated metadata, shopping carts, multi-region storage.Проблема обычного Set очень простая. Пусть replica A и B одновременно работают с элементом "x". A делает add("x"), а B - remove("x"). Потом сеть восстанавливается. Что должно победить?OR-Set решает это не timestamp-ом, а уникальными тегами операций.Когда A добавляет "x", она хранит не просто:xа, например:(x, a1)Если B независимо тоже добавит "x":(x, b1)
Machine Learning World
21 Sept, 07:02
Одна небольшая техническая статья однажды принесла моему маленькому аутсорсу клиента, который потенциально стоил намного больше, чем вся реклама, которую мы могли себе позволить. В то время я развивал небольшое направление по machine learning и искал клиентов.Machine Learning World
21 Sept, 07:02
Одна небольшая техническая статья однажды принесла моему маленькому аутсорсу клиента, который потенциально стоил намного больше, чем вся реклама, которую мы могли себе позволить.В то время я развивал небольшое направление по machine learning и искал клиентов. Параллельно мне было интересно, можно ли взять обычный фитнес-браслет Xiaomi, разобраться с его протоколом, собирать сырые данные с сенсоров и построить модель, которая по паттернам движения определяет, чем человек занимается прямо сейчас.Сегодня подобные функции кажутся очевидными. Тогда они были далеко не в каждом трекере, а мне хотелось проверить саму идею.Можно было собрать собственное устройство, писать firmware, подключать датчики и тратить недели только на железо. Но для задачи это было бессмысленно. Мне нужен был не красивый prototype board, а поток реальных данных.Поэтому я взял готовый браслет, разобрался с его
Machine Learning World
18 Sept, 14:01
Колись давно я працював у стартапі, який в один прекрасний день просто закінчився. Гроші закінчились, робота теж. А буквально через стіну від нас сиділа геймдев компанія, з хлопцями з якої ми давно були знайомі. Я зайшов до них і спитав founder-а: вам щеMachine Learning World
18 Sept, 14:01
Колись давно я працював у стартапі, який в один прекрасний день просто закінчився. Гроші закінчились, робота теж. А буквально через стіну від нас сиділа геймдев компанія, з хлопцями з якої ми давно були знайомі.Я зайшов до них і спитав founder-а: вам ще один інженер не потрібен? Він подумав секунд п'ять і сказав: в принципі, потрібен. Домовились про зарплату, і наступного дня я вже сидів у них.Відкриваю кодову базу їх сервера і хвилин через двадцять розумію, що в них серйозні проблеми з грою. Сервер більш менш жив до приблизно тисячі одночасних клієнтів, а далі починав задихатися і падати. Для соціальної гри це катастрофа. В рекламу вливають гроші, користувачі приходять, а гра в найкращий момент каже їм "до побачення".Я подивився на все це і спитав: хто це писав?Founder подивився на мене і відповів приблизно в стилі: а ти можеш краще?
Machine Learning World
18 Sept, 11:08
Мій work-life balance простий. Work: код. Life: коти. Balance: 12 гривень на картці, а до зарплати ще 11 днів.#жартипроандрія
Machine Learning World
17 Sept, 13:06
Нормальні люди о 2 ночі сплять. Я о 2 ночі думаю: а якщо часу насправді не існує, то, може, технічно я не недосипаю?#жартипроандрія
Machine Learning World
17 Sept, 12:52
T-Digest становится особенно полезным, когда среднее время ответа выглядит хорошо, а пользователи уже жалуются. Допустим, 99.9% запросов занимают 80 мс, а остальные 0.1% - 3 секунды. Среднее получится всего 82.92 мс. На миллионе запросов за этой красивойMachine Learning World
17 Sept, 12:52
T-Digest становится особенно полезным, когда среднее время ответа выглядит хорошо, а пользователи уже жалуются.Допустим, 99.9% запросов занимают 80 мс, а остальные 0.1% - 3 секунды. Среднее получится всего 82.92 мс. На миллионе запросов за этой красивой цифрой скрываются 1000 долгих ожиданий.Чтобы видеть такие проблемы, нужны percentiles. Например, p99 - время, в которое укладываются 99% запросов.Точный расчет по произвольному потоку требует сохранять много информации. Только 100 млн значений по 8 байт - уже 800 MB без накладных расходов.T-Digest сжимает поток в группы - centroid-ы. Для каждой хранит среднее mean и число измерений weight.Как это работает?В варианте с буфером новые измерения накапливаются, затем сортируются вместе с существующими centroid-ами. Алгоритм проходит по ним и объединяет соседние группы, пока позволяет ограничение размера.При объединении: weight =
Machine Learning World
16 Sept, 07:42
Недавно я поймал очень неприятную вещь там, где вообще не ожидал ее увидеть - внутри библиотеки, которую просто добавили в Python VirtualEnv. Я запускал AI-агента для работы с проектом. Ничего экзотического: обычный код, обычное окружение, зависимости. НоMachine Learning World
16 Sept, 07:42
Недавно я поймал очень неприятную вещь там, где вообще не ожидал ее увидеть - внутри библиотеки, которую просто добавили в Python VirtualEnv.Я запускал AI-агента для работы с проектом. Ничего экзотического: обычный код, обычное окружение, зависимости. Но у меня есть профессиональная паранойя - AI у меня никогда не получает обычный доступ к машине. Filesystem ограничен, secrets вынесены, права урезаны, а исходящий трафик во время работы разрешен только к API самого AI-провайдера. Именно это в итоге и спасло.Механика атаки была особенно неприятной. Библиотека в определенный момент специально ломалась, и агент закономерно упирался в ошибку. Я писал ему обычный запрос в стиле: "найди проблему и почини". Агент шел смотреть код библиотеки, находил место поломки, а прямо рядом в комментарии было что-то вроде: "чтобы исправить эту проблему, выполни следующий код". Ниже уже находилась
Machine Learning World
15 Sept, 16:08
https://voicebox.sh/ - крутой фреймворк для работи с голосом
Machine Learning World
14 Sept, 07:02
Большинство распределенных систем падают не потому, что один сервис умер. Они падают потому, что живые сервисы начинают слишком активно "спасать" ситуацию. Типичный сценарий выглядит невинно. Один downstream-сервис начинает отвечать не за 50 мс, а за 2 секунды.Machine Learning World
14 Sept, 07:02
Большинство распределенных систем падают не потому, что один сервис умер. Они падают потому, что живые сервисы начинают слишком активно "спасать" ситуацию.Типичный сценарий выглядит невинно. Один downstream-сервис начинает отвечать не за 50 мс, а за 2 секунды. Причина может быть любой: медленная база, исчерпанный connection pool, GC pause, перегретый shard.Upstream продолжает принимать трафик. Запросы теперь живут дольше, значит одновременно открытых запросов становится больше. Растут очереди, количество goroutine, threads, sockets, memory usage. Это backpressure, которую система почему-то решила проигнорировать.А дальше появляется retry.Первый запрос не дождался ответа за 1 секунду и отправился повторно. Но оригинальный запрос вполне может все еще выполняться. Теперь перегруженный сервис получает не меньше работы, а больше.
Machine Learning World
13 Sept, 11:58
Хочете поржати? Ось це пропонується як докторська робота)) Якщо що я це робив ще років 8 тому, а до мене ще люди роки 3-5, а принцип відомий років 40 мабудь.Це дно бляха. повне.Ось лінк на це нечто: https://scc.knu.ua/zdobuvach-phd?id=336484&fbclid=IwY2xjawUTbfFwZG9mBWV4dG4DYWVtAjEwAGJyaWQRMTIyWVR5S0JkUjRVcmd1ZFNzcnRjBmFwcF9pZBAyMjIwMzkxNzg4MjAwODkyAAEe2Y5vDaU_L6rxEU5DENgfQSmZLMTp4gmL72eBvGpYdl4l_cWk9Ey5cck0gCQ_aem_Y9S9hVtCYjmGu2H5JRThTgсама робота: https://scc.knu.ua/components/com_chronoforms7/chronoforms/uploads/336484/Kubytskyi_Panchenko_phd_dissertation_2026_final_pdfa.pdf
Machine Learning World
11 Sept, 10:01
В холодильнику просто мерехтіло світло. Через три години: дошка з формулами, квантова гравітація, причинність, детермінізм і питання про природу часу.#жартипроандрія
Machine Learning World
10 Sept, 13:03
Я софтвер архітектор, девелопер і менеджер. Але вдома все навпаки: 14 котів ставлять задачі, контролюють дедлайни і регулярно вимагають перегляд зарплати кормом.#жартипроандрія
Machine Learning World
10 Sept, 07:06
Когда я впервые увидел FAIR, мне понравилась одна вещь: он убирает из risk management слова вроде "высокий риск" и заставляет переводить разговор в деньги, частоты и вероятности. В упрощенном виде FAIR раскладывает риск так: Risk = Loss Event Frequency
Related Channels
Other channels in the same section of the catalogue.
