Если вы выложили модель в открытый доступ и другие пользователи её скачали для своего использования, то в этом случае вы можете только удалить модель с сервиса, на который вы залили её, и предупредить пользователей о том, что она не пригодна для использования. Но также вы можете "подкорректировать" вашу модель, например, удалив из неё ненужные и „плохие“ знания, а затем её обновить на вашем сервисе, на который вы ранее залили модель, но и в этом случае вам необходимо будет предупредить пользователей об обновлении модели.
Это касается операторов поисковой системы. Сейчас в России, действительно, не так много законов о регулировании AI, в целом, они больше касаются стран EС и ряда других стран. Здесь я хотел подметить, в целом, важность этого направления, так как модели отчасти являются "архиваторами" данных.
Не совсем, суть в том, что в весах моделей, например, в блоках MLP, модели хранят в себе некоторые концепции, которые они изучили в процессе обучения, и, полагаясь на выученные концепции, модели выдают своё предсказание. Суть в том, что если "случайно" заточим модель под "плохие" концепции,например, конфиденциальные данные пользователей, то в будущем будет склонна их генерировать при ответе из-за чего на нас могут наложить юридически санции, как было с OpenAI.
Спасибо за комментарий! Вы правы, применимость более дорогая для бизнеса, это направление актуально скорее для поставщиков моделей, у которых есть необходимые ресурсы. Его можно рассматривать как задел на будущее, чем "здесь и сейчас".
Есть скорее платформы, которые упрощают создание RAG систем без необходимости самим писать код. Например, no-code решение Dify, которое работает как конструктор для построения базы знаний.
Фреймворки типа Axolotl построены на transformers от Huggingface. Основная их суть состоит в том, чтобы упростить процесс дообучения модели, то есть загрузить данные, выставить необходимые гиперпараметры и запустить через одну строчку кода.
Метрики скорее зависят уж от качества данных, методе для дообучения и заданных гипепараметров.
Базовый синтаксис языка схож с Python, и это является его преимуществом, но также он имеет свои особенности. Под базовым синтаксисом я подразумеваю условия, циклы и прочее.
В Mojo на данный момент нет чего-то подобного. Но в языке есть класс SIMD, который в некоторой степени заменяет списки. О нём можно почитать здесь и здесь. Классы же в Mojo заменены структурами, Struct, о них можно почитать тут.
Просто взять код с Python и вставить его в Mojo не получится, но вы можете интегрировать его интегрировать. О том, как это сделать можно почитать здесь.
По сути под "Open Source" авторы имели в виду возможность контребьюта в их проект, в частности, в стандартную библиотеку. Об этом можно почитать их блогпост здесь.
На данный момент говорить о переезде с Python на Mojo ещё рано. Проект ещё достаточно молодой и не поддерживает многие фишки и мелочи, которые вы имеете в виду. Список стандартных библиотек Mojo можно найти здесь.
Если вы хотите начать работу с Mojo, к примеру, чтобы провести свои исследования, то инструкцию по установке можно почитать здесь.
А кто сейчас не пользуется ии для помощи
Спасибо за комментарий! Ответы на ваши вопросы:
Если вы выложили модель в открытый доступ и другие пользователи её скачали для своего использования, то в этом случае вы можете только удалить модель с сервиса, на который вы залили её, и предупредить пользователей о том, что она не пригодна для использования. Но также вы можете "подкорректировать" вашу модель, например, удалив из неё ненужные и „плохие“ знания, а затем её обновить на вашем сервисе, на который вы ранее залили модель, но и в этом случае вам необходимо будет предупредить пользователей об обновлении модели.
Это касается операторов поисковой системы. Сейчас в России, действительно, не так много законов о регулировании AI, в целом, они больше касаются стран EС и ряда других стран. Здесь я хотел подметить, в целом, важность этого направления, так как модели отчасти являются "архиваторами" данных.
Не совсем, суть в том, что в весах моделей, например, в блоках MLP, модели хранят в себе некоторые концепции, которые они изучили в процессе обучения, и, полагаясь на выученные концепции, модели выдают своё предсказание. Суть в том, что если "случайно" заточим модель под "плохие" концепции,например, конфиденциальные данные пользователей, то в будущем будет склонна их генерировать при ответе из-за чего на нас могут наложить юридически санции, как было с OpenAI.
Спасибо за комментарий! Вы правы, применимость более дорогая для бизнеса, это направление актуально скорее для поставщиков моделей, у которых есть необходимые ресурсы. Его можно рассматривать как задел на будущее, чем "здесь и сейчас".
Есть скорее платформы, которые упрощают создание RAG систем без необходимости самим писать код. Например, no-code решение Dify, которое работает как конструктор для построения базы знаний.
Спасибо)
Это точно важно — часто на практике наблюдаю, что корректное разделение данных на чанки влияет на итоговое качество.
Привет!
Фреймворки типа Axolotl построены на transformers от Huggingface. Основная их суть состоит в том, чтобы упростить процесс дообучения модели, то есть загрузить данные, выставить необходимые гиперпараметры и запустить через одну строчку кода.
Метрики скорее зависят уж от качества данных, методе для дообучения и заданных гипепараметров.
Базовый синтаксис языка схож с Python, и это является его преимуществом, но также он имеет свои особенности. Под базовым синтаксисом я подразумеваю условия, циклы и прочее.
Круто! Было бы интересно на это посмотреть!
В Mojo на данный момент нет чего-то подобного. Но в языке есть класс SIMD, который в некоторой степени заменяет списки. О нём можно почитать здесь и здесь. Классы же в Mojo заменены структурами, Struct, о них можно почитать тут.
Просто взять код с Python и вставить его в Mojo не получится, но вы можете интегрировать его интегрировать. О том, как это сделать можно почитать здесь.
Спасибо вам за отзыв. Впредь постараюсь быть более внимательным при написании статей.
По сути под "Open Source" авторы имели в виду возможность контребьюта в их проект, в частности, в стандартную библиотеку. Об этом можно почитать их блогпост здесь.
Спасибо ?
На данный момент говорить о переезде с Python на Mojo ещё рано. Проект ещё достаточно молодой и не поддерживает многие фишки и мелочи, которые вы имеете в виду. Список стандартных библиотек Mojo можно найти здесь.
Если вы хотите начать работу с Mojo, к примеру, чтобы провести свои исследования, то инструкцию по установке можно почитать здесь.
Спасибо за замечание. Учту этот момент)
Спасибо за отзыв! Возможно вскоре будет вторая часть уже с программированием на Mojo)