Сотрудники-инвалиды — сложная и деликатная тема для любого бизнеса. Профессионалов с особенностями не нужно бояться брать на работу и адаптировать в коллективе. Часто они — перспективные специалисты. Пандемия, удаленка и дефицит кадров привели к тому, что бизнес стал активнее рассматривать кандидатов с инвалидностью. Со временем такие люди не только получат интерес работодателей, безбарьерными для них станут и офисы, уверен менеджер IT-проектов Артем Мелентьев. У него буллезный эпидермолиз, или «болезнь бабочки», тем не менее он вполне успешен в своей карьере.

Известно, что глубокие нейронные сети (DNN) и модели компьютерного зрения, в частности, хорошо справляются с конкретными задачами, но зачастую не могут сделать обобщение при работе с новыми. Так, модель, которая хорошо работает с данными о продуктах питания, может показать себя не очень хорошо на спутниковых изображениях и т. д..

В начале этого года OpenAI опубликовала модель под названием CLIP (Contrastive Language–Image Pre-training). В статье авторы модели привели потрясающие результаты по точности zero-shot-классификации изображений, а также сопоставили тексты и картинки в рамках одной системы. Однако модель OpenAI работает только с английским языком. Можно ли быстро адаптировать её для работы с русским?

Команды R&D SberDevices и Sber AI увлеклись этим вопросом. В этой статье мы расскажем про первые результаты наших исследований CLIP для русского языка, опишем ключевые идеи предложенной модели и поделимся с вами кодом для её использования — решения задач zero-shot image classification.

Что же можно сделать с помощью ruCLIP?

Почему GIF должен умереть

• Вес файла GIF ровно в 10 раз больше чем H264
• Анимированный GIF поддерживает только 256 цветов
• Формат H264 поддерживают ВСЕ современные браузеры
• Так как H264 это по сути видео, к нему опционально можно добавить элементы управления: перемотку, паузу.

#Палеонтология@phanerozoi

Без долгих прелюдий, а то как-то раз меня обвинили, что в постах о подобных животинах, я водой текст заливаю, хотя там сухо и никто не утонул (но это не точно). Итак, галлюцигении — это род кембрийских ксенузиид — животных, гипотетически родственных бархатным червям и возможно, являющимися предками всей их орнихофорной группы [1].

Штош. Скорее всего, у многих в папке загрузок собиралась куча разных инсталляторов, архивов и прочих файлов. И вот наступает момент, когда из этой кучи экскрементов нужно найти какой-то файл. Вот я и подумал, почему бы не написать скрипт сортировщика по расширениям файлов на Python?

Короткая предыстория

Когда я проходил собеседование на текущее место работы, я упомянул о себе такую вещь: мне нравится участвовать в проектах, которые имеют социальные последствия. Талантливые менеджеры, нашли для меня аргументы, почему их проект именно такой и рассказ меня очень подкупил. И даже больше — довольно быстро речь зашла о том, что текущие инструменты устаревают, требуется новое более гибкое решение. Всё это определило моё очень серьёзное отношение к тому что и как я делаю.

Поначалу мне попали в работу легаси проекты, архитектура которых была Transactional Script или Table Module. Модули требовали рефакторинга, решения тех.долгов, встал вопрос о целесообразности рефакторинга и альтернативных реализаций. Как инженер, я решил, что единственный верный шаг прокачать себя, а затем и команду, теоретически, а потом предпринимать стратегические шаги. Если с TS и TM архитектурами я был хорошо знаком, то шаблон Domain Model был знаком только в самых общих чертах по книге Мартина Фаулера. На фоне общения на конференциях, чтения матёрых книг про рефакторингу, SOLID, Agile, пришло понимание почему именно изучение подобных архитектур оправдано: в Enterprise есть смысл стремиться к максимально адаптируемому к изменениям ПО, а для доменной модели изменения требований стоят несравнимо дешевле в реализации. И меня напрягало, что как раз доменные модели я если и применяю, то по наитию, бессистемно, невежественно. Так началось моё знакомство с предметно-ориентированным проектированием.

В этой первой части, о том какие наработки удалось получить команде.

Коллеги, всем привет!

В сегодняшней статье хотелось бы поговорить о том, как можно своими силами организовать обучение сотрудников в ситуации, когда нет времени или возможности оперативно отправить их на внешние тренинги или курсы.

Представим ситуацию, что ваш вечер начался с фразы:

— Есть закурить?

А продолжился так, что вы стоите под фонарём со своими зубами в ладошке и думаете, что делать дальше.

Ну или вы занимались спортом и вдруг встретили дерево. Или у вас бытовая травма в результате дробящего удара скалкой. Или вы поскользнулись в ванной и ухватились зубами за край раковины. В общем, зубы выпали, и хотелось бы вставить их обратно. Потому что вы к ним привыкли, и потому что это вроде бы дешевле, чем ставить потом импланты. 

На реплантацию зуба есть шесть часов. Оптимально сделать это за ближайшие два часа, дальше риски будут выше. Расскажу, что нужно делать в такой ситуации.

BERT – нейросеть, способная неплохо понимать смысл текстов на человеческом языке. Впервые появившись в 2018 году, эта модель совершила переворот в компьютерной лингвистике. Базовая версия модели долго предобучается, читая миллионы текстов и постепенно осваивая язык, а потом её можно дообучить на собственной прикладной задаче, например, классификации комментариев или выделении в тексте имён, названий и адресов. Стандартная версия BERT довольно толстая: весит больше 600 мегабайт, обрабатывает предложение около 120 миллисекунд (на CPU). В этом посте я предлагаю уменьшенную версию BERT для русского языка – 45 мегабайт, 6 миллисекунд на предложение. Она была получена в результате дистилляции нескольких больших моделей. Уже есть tinybert для английского от Хуавея, есть моя уменьшалка FastText'а, а вот маленький (англо-)русский BERT, кажется, появился впервые. Но насколько он хорош?