Современные NLP-приложения, например, для анализа настроения, поиска ответов на вопросы, смарт-ассистенты и т. п., используют огромное количество данных. Такой объём данных можно напрямую передать в модель машинного обучения. Почти все текстовые приложения требуют большой предварительной обработки текстовых данных — создания вложенных векторов с нуля с использованием счётчика частоты слов. На это уходит много сил и времени. Чтобы избежать этого, для всех сложных задач предварительной обработки используются модели Transfer Learning. Им нужно просто передать необработанный текст, об остальном модель позаботится сама.

Небольшая ремарка. Данный материал является переводом, и мы не несем ответственности за факты, представленные автором в первоисточнике.

Ключевая тенденция рынка чат-ботов — это работа над эффективностью в определении намерений пользователя. Для себя мы поставили данную задачу во главе узла: нам критически важно сделать продукт удобным и практичным именно для разработчиков. Поэтому мы сейчас думаем о том, чтобы внедрить BERT в нашу работу. Технология для нас новая, мы читаем и переводим очень много информации по данному вопросу. Наиболее интересными материалами мы поделимся с вами в рамках данного блога.

В этой статье мы обсудим один из фреймворков трансферного обучения — BERT. Рассмотрим, как использовать модуль предварительной обработки BERT, чтобы создавать вложения слов без усилий. Основные моменты, которые будут рассмотрены в этой статье...

В августе 2021 г. компания Илона Маска по разработке искусственного интеллекта OpenAI выпустила Codex — новую систему на GPT-3, которая автоматически преобразует в код простые английские фразы. «Заменит ли она программистов?» — отвечает ранний бета-тестер.

Однажды тебе надоест копаться в проводах или работать в бесперспективной должности без роста и развития. Как раз на этот случай мы написали эту статью. Артём Ковзик, Junior Python developer сервиса Get me It, прошёл все круги становления айтишником и поделится опытом эффективного обучения и вхождения в профессию.

С чего начать

Разумеется, с желания. Первым приходит осознание, что нужно заниматься чем-то другим, чем ты занимался до этого. Сначала я работал в техподдержке производителя микроэлектроники. В какой-то момент я понял, что мне надоело дёргать трубку. Более творческие задачи вырисовывались только периодически, и я решил двигаться дальше: заниматься тем, что мне нравится больше всего. А больше всего я люблю ковыряться в железе и заниматься программированием. Мои интересы и перспективность IT — это perfect match. Занимаешься тем, что любишь, и при этом работаешь в одной из самых высокооплачиваемых и лояльных к сотруднику сфер. С первой стадией и моментом принятия решения я справился быстро, дальше стал экспериментировать с обучением.

Современные реалии таковы: спрос на IT-специалистов значительно выше их количества, зарплаты растут, а миграция кадров перестала быть сезонным явлением. Многочисленные курсы обещают низкий порог входа, а работодатели готовы вкладывать деньги и силы в обучение даже потенциальных сотрудников. Как тут не решиться на переход в IT?

С помощью нашего сервиса @Getmeit_bot мы смогли собрать любопытную статистику, отражающую основные тренды рынка найма IT-специалистов за последнее полугодие. Они помогут начинающим специалистам определиться со своим карьерным путем, а уже состоявшимся — сформировать представление, с чем выходить на рынок найма и куда двигаться дальше с целью карьерного роста.