Нейросеть Reshot AI позволяет редактировать фотографии, изменять выражение лица и корректировать его позу.

Sketch показал редизайн под macOS Tahoe.

📖Data Wrangling Using Pandas, SQL, and Java
🖋Oswald Campesato 2023

Это подробное руководство призвано помочь любителям работы с данными эффективно использовать Vertex AI от Google Cloud Platform для широкого спектра операций машинного обучения. В нем рассматриваются основы работы с Google Cloud Platform, включая облачное хранилище, BigQuery и IAM. Далее речь пойдет о специфике Vertex AI, в том числе об AutoML, обучении пользовательских моделей, развертывании моделей на конечных точках, разработке конвейеров Vertex AI и хранилище функций Explainable AI.

💾 Скачать книгу

Daily Coding #книги #DataScience & Max

🧰 Shadow Factory — плагин для создания цветных градиентных теней

Dezzigners

КИТАЙ vs ЗАПАД: Kimi K3 vs Claude

16 июля вышла новая китайская модель Kimi K3. Она абсолютно бесплатная, держит 1 000 000 токенов контекста и работает на уровне топовых закрытых моделей.

Помните как я тестировал Claude для своих подписок? Тоже самое решил сделать через Kimi.

В Telegram через настройки выгрузил архив своих подписок и загрузил файл в нейросеть. Модель выбрала каналы, которые чаще всего пересекались в «похожих», и на их основе собрала базу.

Около недели читал найденные ресурсы — авторы действительно интересные, без глупого копипаста. Каждый канал в подборке получился уникальным и экспертным. Подписывайтесь, каждый найдет для себя что-то полезное

• ИИ: фишки нейрогенерации, библиотеки промптов и вайб-кодинг.
• Автоматизация: как внедрять нейросети в бизнес-процессы и экономить время.
• IT и карьера: как развивать свои проекты, расти в грейде и выходить на топовые офферы.

Сохраняйте подборку себе или попробуйте выгрузить свои данные и прогнать их через Kimi K3

Подписка в 1 клик:
👉 https://t.me/addlist/7ZtK-j24E6ljNmQy

Вдохновение дизайном новогоднего подарка от Dolcedolka от агентства Babyage.

📖Learning Google Cloud Vertex AI
🖋Hemanth Kumar 2024

Это подробное руководство призвано помочь любителям работы с данными эффективно использовать Vertex AI от Google Cloud Platform для широкого спектра операций машинного обучения. В нем рассматриваются основы работы с Google Cloud Platform, включая облачное хранилище, BigQuery и IAM. Далее речь пойдет о специфике Vertex AI, в том числе об AutoML, обучении пользовательских моделей, развертывании моделей на конечных точках, разработке конвейеров Vertex AI и хранилище функций Explainable AI.

💾 Скачать книгу

Daily Coding #книги #AI & Max

🧰 Handwritten — плагин превращает ваш почерк в настоящий шрифт

Dezzigners

UX и AI - концепция Explainable AI. Статья Explainable AI: roles and stakeholders, desirements and challenges
Хоффман для меня важный автор - он один из пионеров разных подходов когнитивных интервью и анализа когнитивных задач, автор многочисленных книг по природе экспертизы и экспертного знания при взаимодействии с интерфейсами и продуктами https://www.ihmc.us/groups/rhoffman/

Его статья с соавторами посвящена проблеме и аспекту объяснимости ИИ и выводов языковых моделей, пресловутый ExAI, кажется, наиболее крутая тема с точки зрения дизайна и человекоориентированного восприятия. Идея систем ИИ, которые могли бы объяснять себя конечным пользователям, была отчасти стимулирована Докладом Европейского союза о праве на объяснение решения, принимаемого системой ИИ


Существуют успешные демонстрации того, что машинно-генерируемые объяснения могут положительно влиять на производительность. Пользователи иногда хотят объяснений, но объяснения особенно полезны, когда ИИ ошибается. Объяснения могут влиять на доверие пользователя к ИИ и помогать пользователям формировать более богатые ментальные модели того, как работает ИИ
Объяснения помогали людям проверять рекомендацию ИИ и решать, приведёт ли изменение входных данных к изменению рекомендации ИИ. Объяснительный человеко-машинный диалог может улучшать процесс приобретения знаний для экспертных систем продемонстрировали, что «рационалы» человека (аннотации) текстового материала, которые система машинного обучения представляет в качестве объяснений своих классификаций, приводят к суждениям о том, что объяснения улучшились. Обратный результат состоит в том, что объяснения не всегда помогают. Они могут негативно влиять на уверенность пользователя в конечном решении

Проблема в том, а что такое объяснимость?
Объяснение систем ИИ пользователям, заинтересованным сторонам или другим бенефициарам систем ИИ почти неизбежно будет отличаться от объяснений, которые удовлетворяют формалистскому пониманию объяснимости, интерпретируемости или прозрачности — таких как деревья решений и логические программы. Разработчикам нужны «научные» объяснения, тогда как конечным пользователям или неспециалистам — «повседневные» объяснения.

Некоторые авторы предложили спекулятивное сопоставление групп заинтересованных сторон с различными требованиями к объяснениям: конечным пользователям (лицам, принимающим решения) нужны объяснения, которые позволяют им формировать доверие и «возможно, предоставляют им дополнительное понимание для улучшения их будущих решений и понимания явления». Затронутым сторонам нужны объяснения, которые позволяют им определить, справедливо ли с ними обошлись. Регуляторам необходимо знать, что решения являются справедливыми и безопасными. Разработчикам систем необходимо знать, работает ли ИИ как ожидается, как диагностировать и улучшать ИИ, а также, возможно, получать понимание из его решений.

Хотя большая часть работы в этой области сосредоточена на таксономиях, эти представления начали проникать в продукты. Например, демонстрация IBM AI Explainability 360 (IBM, 2021) имеет отдельные интерфейсы для трёх различных типов «потребителей» (клиент банка, кредитный специалист и специалист по данным), которые предлагают всё более сложные перспективы правил принятия решений, а также переход от примеров, основанных на случаях, в качестве объяснений к крупномасштабным представлениям базовых данных в сценарии заявки на кредит

Авторы провели некоторое число интервью, результатом которых стал “Справочник по объяснимости ИИ” (PLAYBOOK, прости Господи), который сам по себе позволял соотнести роль и возможное необходимое объяснение - но не обошлось без сюрпризов, потому что в конечном итоге самообъяснимость имеет дополнительные значения для пользователей: дать обучающемуся возможность развить более богатую ментальную модель работы ИИ, но также удовлетворить любопытство, делать более точные прогнозы поведения ИИ, достичь соответствующего доверия к ИИ-модели, объяснить кому-то другому логику выбора.
При этом есть устойчивый класс пользователей, которым не интересен и не нужен объяснение как получен вывод, ну это тоже логично, сценарий поисковика
Наиболее интересное замечание, мне кажется, следующее. Инструкторы и тренеры должны иметь возможность обучать конечных пользователей тому, «как оно отказывает» и «как оно вводит в заблуждение» (ограничения и слабые стороны)

Инструкторы — и люди в других ролях заинтересованных сторон — должны иметь понимание, достаточное для того, чтобы объяснять систему ИИ не себе, а другим людям. Инструкторам, конечно, нужен доступ к богатому корпусу случаев, которые являются репрезентативными для контекстов внедрения. Но они также должны иметь возможность обучать конечных пользователей заниматься деятельностью по обслуживанию и устранению неполадок. Инструкторы должны иметь возможность обучать конечных пользователей чувствовать, насколько быстро они войдут в серую зону в различных сценариях. ИИ нужно делать больше, чем объяснять «почему» конкретных решений: оно должно иметь возможность давать пользователю заблаговременное знание о том, когда рабочая система приближается к граничному случаю.

Обучение на граничных случаях имеет решающее значение для установления доверия к ИИ
Сама статья:
https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2023.1117848/full