class Safe:
    def __init__(self):
        self.__money = 1000  #скрытое поле
    
    def show_balance(self):  #единственный способ узнать баланс
        return f"баланс: {self.__money}$"

    def __alarm(self):  #скрытый метод
        print("сработала защита")

safe = Safe()
print(safe.show_balance())  #работает (интерфейс)

#safe.__money = 0  ошибка (данные защищены)
#safe.__alarm()   ошибка (метод скрыт)  

class SteamGame: #создаем базовую игру
    def __init__(self, title):
        self.title = title
    
    def play(self):
        return f"запуск {self.title}"

class DLC(SteamGame): #наследуем базовую игру
    def __init__(self, title, base_game):
        super().__init__(title)
        self.base_game = base_game
    
    def play(self): #задаём условия для запуска
        return f"запускаем {self.title} (требуется {self.base_game})"

#создаем игру и дополнение
base = SteamGame("Cyberpunk 2077")
expansion = DLC("Phantom Liberty", base.title)

print(base.play())  #"запускаем Cyberpunk 2077"
print(expansion.play())  #"запускаем Phantom Liberty (требуется Cyberpunk 2077)"  

class SteamProduct:
    def buy(self):
        pass

class Game(SteamProduct):
    def buy(self):
        return "игра добавлена в библиотеку"

class DLC(SteamProduct):
    def buy(self):
        return "DLC разблокировано (нужна базовая игра)"

class Bundle(SteamProduct):
    def buy(self):
        return "набор активирован (20%)"

#один интерфейс для разных типов продуктов
def process_purchase(item: SteamProduct):
    print(item.buy())

#использование
process_purchase(Game())   #игра добавлена в библиотеку
process_purchase(DLC())    #DLC разблокировано
process_purchase(Bundle()) #набор активирован 

from abc import ABC, abstractmethod

class Vehicle(ABC):  #абстрактный класс
    @abstractmethod
    def move(self):  #обязательный метод
        pass

class Car(Vehicle):
    def move(self):  #реализация абстрактного метода
        return "едем по дороге"

class Boat(Vehicle):
    def move(self):
        return "плывём по воде"

#использование
car = Car()
print(car.move())  #едем по дороге
  

import time

start_time = time.time()
numbers = [i for i in range(1, 1000001)]
end_time = time.time()
print(f" {end_time - start_time:.5f} секунд")
#пример результата:  0.09855 секунд

✅ Квантование преобразует 32-битные числа в более компактные 8-битные, уменьшая объём вычислений без существенного ущерба для точности;
✅ Бинаризация заменяет все веса простыми бинарными значениями (0 и 1), что делает модель исключительно лёгкой, но резко снижает качество ответов на сложные вопросы;
✅ Прунинг "обрезает" лишние нейронные связи, сохраняя только наиболее значимые элементы.

✅ Mixture of Experts и Sparse Transformers работают избирательно, активируя только необходимые модули, пока остальные остаются неактивными;
✅ Метод Early Exit позволяет модели завершать вычисления досрочно, если вероятность положительного результата достаточно высока;
✅ Sparsity-aware алгоритмы задействуют лишь часть сети в зависимости от конкретной задачи.

✅ Локальные вычисления: вместо отправки данных в облако модели работают прямо на устройстве (смартфоны, камеры, IoT-датчики), экономя трафик и энергию;
✅ Федеративное обучение позволяет обучать модели на распределённых устройствах без передачи сырых данных в центральный сервер;
✅ Блокчейн и децентрализованные сети (например, Bittensor) создают рынок вычислительных ресурсов, где участники получают вознаграждение за предоставление своих мощностей для AI-задач.

✅ Специализированные аппаратные ускорители вроде TPU от Google превосходят традиционные GPU по энергоэффективности в разы (подходят не для всех моделей);
✅ Возобновляемая энергия: солнечные, ветряные электростанции и даже компактные ядерные реакторы. Крупнейшие технологические компании (Google, Microsoft, IBM) активно тестируют и используют альтернативные источники электричества;
✅ Cистемы жидкостного охлаждения не только сокращают расход воды, но и существенно продлевают срок службы оборудования, создавая устойчивую экосистему для развития искусственного интеллекта.

✅ Zero-shot и few-shot learning алгоритмы решают задачи без обучения на конкретных примерах. Например, CLIP от OpenAI, который анализирует и сопоставляет изображения с текстом без предварительной настройки;
✅ Self-learning (самообучение) - подход, при котором модели совершенствуются на основе предугадывания недостающих или неразмеченных данных (например, Contrastive Learning в компьютерном зрении);
✅ Meta-learning (обучение обучению) - алгоритмы вроде MAML позволяют моделям быстро адаптироваться к новым задачам, используя опыт предыдущих решений.

Вашего персонального ассистента по учебному расписанию — «ФИН Помощник»