От себя добавлю, что для работы с проблемами актуальны:
Метод 5 почему
Диаграмма Исикавы
SWOT-анализ
Модель Enterprise Value Map
ТРИЗ

Они более высокоуровневые, но тимлиду надо расти 😉

Помните мы недавно писали про ИИ-агента Manus? Так вот, теперь вышел... ANUS (Autonomous Networked Utility System) — бесплатный клон Manus AI.

Всё просто: разработчик попросил Manus клонировать себя, что нейронка и сделала. Результатом стала полностью функциональная структура агента с открытым кодом, архитектурой и документацией, воссозданная за считанные минуты.

Основные возможности:
– Выполнение сложных задач через естественный язык;
– Взаимодействие между несколькими агентами;
– Работа с веб-ресурсами, документами, кодом;
– Обработка текста, изображений и аудио.

Также ANUS можно расширить плагинами и кастомными инструментами.

Если хотите попробовать ANUS, то гитхаб тут

r/#singularity

#prompt

AI Prompting Tips from a Power User: How to Get Way Better Responses

# 1. Stop Asking AI to “Write X” and Start Giving It a Damn Framework

AI is great at filling in blanks. It’s bad at figuring out what you actually want. So, make it easy for the poor thing.

🚫 Bad prompt: “Write an essay about automation.”
✅ Good prompt:

Title: [Insert Here]
Thesis: [Main Argument]
Arguments:
- [Key Point #1]
- [Key Point #2]
- [Key Point #3]
Counterarguments:
- [Opposing View #1]
- [Opposing View #2]
Conclusion: [Wrap-up Thought]


Now AI actually has a structure to follow, and you don’t have to spend 10 minutes fixing a rambling mess.

Or, if you’re making characters, force it into a structured format like JSON:

{
"name": "John Doe",
"archetype": "Tragic Hero",
"motivation": "Wants to prove himself to a world that has abandoned him.",
"conflicts": {
"internal": "Fear of failure",
"external": "A rival who embodies everything he despises."
},
"moral_alignment": "Chaotic Good"
}


Ever get annoyed when AI contradicts itself halfway through a story? This fixes that.

# 2. The “Lazy Essay” Trick (or: How to Get AI to Do 90% of the Work for You)

If you need AI to actually write something useful instead of spewing generic fluff, use this four-part scaffolded prompt:

Assignment: [Short, clear instructions]
Quotes: [Any key references or context]
Notes: [Your thoughts or points to include]
Additional Instructions: [Structure, word limits, POV, tone, etc.]


🚫 Bad prompt: “Tell me how automation affects jobs.”
✅ Good prompt:

Assignment: Write an analysis of how automation is changing the job market.
Quotes: “AI doesn’t take jobs; it automates tasks.” - Economist
Notes:
- Affects industries unevenly.
- High-skill jobs benefit; low-skill jobs get automated.
- Government policy isn’t keeping up.
Additional Instructions:
- Use at least three industry examples.
- Balance positives and negatives.


Why does this work? Because AI isn’t guessing what you want, it’s building off your input.

# 3. Never Accept the First Answer—It’s Always Mid

Like any writer, AI’s first draft is never its best work. If you’re accepting whatever it spits out first, you’re doing it wrong.

How to fix it:

1. First Prompt: “Explain the ethics of AI decision-making in self-driving cars.”
2. Refine: “Expand on the section about moral responsibility—who is legally accountable?”
3. Refine Again: “Add historical legal precedents related to automation liability.”

Each round makes the response better. Stop settling for autopilot answers.

# 4. Make AI Pick a Side (Because It’s Too Neutral Otherwise)

AI tries way too hard to be balanced, which makes its answers boring and generic. Force it to pick a stance.

🚫 Bad: “Explain the pros and cons of universal basic income.”
✅ Good: “Defend universal basic income as a long-term economic solution and refute common criticisms.”

Or, if you want even more depth:
✅ “Make a strong argument in favor of UBI from a socialist perspective, then argue against it from a libertarian perspective.”

This forces AI to actually generate arguments, instead of just listing pros and cons like a high school essay.

# 5. Fixing Bad Responses: Change One Thing at a Time

If AI gives a bad answer, don’t just start over—fix one part of the prompt and run it again.

* Too vague? Add constraints.
* Mid: “Tell me about the history of AI.”
* Better: “Explain the history of AI in five key technological breakthroughs.”
* Too complex? Simplify.
* Mid: “Describe the implications of AI governance on international law.”
* Better: “Explain how AI laws differ between the US and EU in simple terms.”
* Too shallow? Ask for depth.
* Mid: “What are the problems with automation?”
* Better: “What are the five biggest criticisms of automation, ranked by impact?”

Tiny tweaks = way better results.

# Final Thoughts: AI Is a Tool, Not a Mind Reader

If you’re getting boring or generic responses, it’s because you’re giving AI boring or generic prompts.

✅ Give it structure (frameworks, templates)
✅ Refine responses (don’t accept the first answer)
✅ Force it to take a side (debate-style prompts)

AI isn’t magic. It’s just really good at following instructions. So if your results suck, change the instructions.

Got a weird AI use case or a frustrating prompt that’s not working? Drop it in the comments, and I’ll help you tweak it. I have successfully created a CYOA game that works with minimal hallucinations, a project that has helped me track and define use cases for my autistic daughter's gestalts, and almost no one knows when I use AI unless I want them to.

For example, this guide is obviously (mostly) AI-written, and yet, it's not exactly generic, is it?

AI Хедж-фонд, finally…

Пруф-оф-концепт хедж-фонда на базе ИИ!!!

Классический такой фонд из:

- Ben Graham Agent 👑 – инвестирует с запасом прочности.
- Bill Ackman Agent 💪 – занимает смелые позиции.
- Cathie Wood Agent 🚀 – верит в инновации и рост.
- Charlie Munger Agent 🤝 – покупает отличные компании по справедливой цене.
- Stanley Druckenmiller Agent 📈 – ищет асимметричные возможности.
- Warren Buffett Agent 🔮 – выбирает замечательные компании по справедливой цене.
- Valuation Agent 💹 – рассчитывает внутреннюю стоимость акций.
- Sentiment Agent 😃 – анализирует рыночное настроение.
- Fundamentals Agent 📊 – анализирует фундаментальные данные.
- Technicals Agent 📉 – изучает технические индикаторы.
- Risk Manager ⚠️ – управляет рисками и лимитами.
- Portfolio Manager 📋 – принимает финальные торговые решения.

🚀 Запуск хедж-фонда

poetry run python src/main.py --ticker AAPL,MSFT,NVDA

- Для вывода рассуждений агентов:

poetry run python src/main.py --ticker AAPL,MSFT,NVDA --show-reasoning

- Для указания временного диапазона:

poetry run python src/main.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

🗿 Запуск бэктестера

poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA

- С указанием дат:

poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

⁉️ Один вопрос, где агент-таролог, который учитывает движение планет в торговле?

‼️ А так проект интересный, можно даже подсмотреть что-то полезное. Структура хорошая же)

Quant Researcher

#ml #interesting

Value Stream Mapping

В рамках анализа затыков в процессе поставки релизов наткнулся на статью, рассказывающую о Value Stream Mapping (VSM).

Value Stream Mapping — метод визуализации процесса работы. Он помогает увидеть весь процесс от начала написания кода до деплоя в прод, выявить узкие места и наметить улучшения.

Но, прежде чем строить карту потока, важно понять, зачем мы это делаем. Здесь помогает Outcome Mapping:
1. Собираем ключевых участников.
2. Формулируем, какую стратегическую задачу мы хотим решить.
3. Записываем проблемы, вопросы, идеи.
4. Группируем их, выбираем главную область для улучшения.
5. Формулируем конкретный и измеримый результат.

В статье ещё приводится несколько конкретных примеров Outcome mapping.

Теперь можно перейти к построению VSM.
Что нужно отразить на карте:
— Ключевые шаги — от написания кода до деплоя, тут важно выбрать для себя достаточный уровень детализации процесса, но это можно сделать только эмпирическим путем.
— Задержки — проанализировать и отразить места, где работа простаивает.
— Хенд-оффы — уделить особое внимание на передачу задачи между командами, например, между анализом и разработкой.
— Время ожидания — время, когда кто-то на каком-то этапе кого-то ждет

В целом и раньше подобное делали, но не использовали какую-то конкретную практику. Теперь попробуем применить. Расскажите, применяете ли вы что-то подобное на практике? Как ищете узкие места?

На тему ускорения процесса доставки у нас был пост, где мы анализировали источники багов.
А сократить путь бага нам помогает табличка с зонами ответственности.

#systemdesign

Конкретный автоэнкодер [2019] и его улучшение [2024]

Итак, обычно в автоэнкодерах мы решаем задачу сжатия изначального вектора фичей в пространство маленькой размерности. Мы обучаем энкодер q(z|x) и декодер p(x|z) таким образом, чтобы у нас получалось восстановить изначальный вектор x из вектора скрытых переменных z.

Конкретный автоэнкодер ставит задачу более интересным образом - вместо перевода вектора фичей в скрытое пространство мы хотим выбрать список фичей в x, который и будет этим самым вектором скрытых переменных.

Иначе говоря, какие фичи содержат наибольшее количество информации, которое позволит восстановить исходный вектор x наилучшим образом? Конкретный автоэнкодер решает именно эту задачу.

Слово "конкретный" в названии - "concrete" - на самом деле сокращение от Continuous Discrete - это параллельное изобретение того самого Gumbel Softmax трюка, который я описывал в позапрошлом посте.

Единственным параметром энкодера является матрица KxN - размерность скрытого вектора на кол-во фичей. В каждой строке у нас находится обучаемый вектор "логитов" для каждой фичи, к которому мы применяем Gumbel Softmax и получаем soft one-hot вектор-маску для всех фичей, которую затем скалярно умножаем на исходный вектор фичей - получая таким образом дифференцируемую аппроксимацию выбора одной фичи из всего списка.

Делая это независимо K раз, мы выбираем K фичей, которые и становятся выходом энкодера. В базовой статье про конкретный автоэнкодер иллюстрация на MNIST демонстрируют способность такой схемы обучиться игнорировать пиксели по краям и при этом задействовать по 1 пикселю из всех остальных частей картинки, никогда не беря соседние. Эксперименты на других датасетах там тоже есть.

Indirectly Parameterized CAE - улучшение данного подхода. Я с CAE не развлекался, но утверждается, что у базовой модели есть проблемы со стабильностью обучения, а также она почему-то всё же дублирует фичи по несколько раз, что, вроде как, тоже связано с этой нестабильностью.

Один простой трюк очень сильно улучшает ситуацию. Вместо обучаемой матрицы KxN используется Indirect Parameterization - эта матрица вычисляется как функция от 3 обучаемых штук: умножения матрицы KxN на матрицу NxN и прибавления вектора размера N к каждой строке результата.

Честно говоря, в статье не хватает нормальной мотивации и интуиции, но, судя по результатам, у них это обучается гораздо лучше бейзлайна и всегда выдаёт уникальные фичи.

Главный вопрос - а нахрена вообще всё это нужно?

Внезапно эта идея имеет отличное практическое применение в нейросетях, а именно для проведения Feature Selection! В ситуации, когда обучать сеть супердорого и вы можете позволить это делать единичное число раз, а фичей у вас тысячи, использование Конкретного Энкодера в самом начале модели позволяет обучить Selection K фичей из N напрямую. При этом, если качество модели совпадает с качеством изначальной модели, можно смело выкидывать из прода целых N-K фичей.

Коллеги рапортуют о том, что у нас это заработало, так что, с чистой совестью делюсь хаком.

@knowledge_accumulator

Привет, друзья! Сегодня кратко-пост
про небольшое удивительное чтение с множеством ссылок.

Рассмотрим обученную модель машинного или глубокого обучения. Как её отучить от чего-либо?

Что делать, если модель

1. гендерно или социально предвзята? [1, 2, 3]
2. отдаёт вредоносные ответы;
3. содержит данные, защищенные авторским правом или личные данные;
4. галлюцинирует

Можно ли заставить её забыть изученное? Можно и сложно.

Model (от истоков machine) unlearning (MU) — актуальная задача для больших моделей, восставшая от проблем машинного обучения. Восставшая — потому что, если рассматривать агрегаторы статей, проблема отучения редко упоминалась, чаще всего рядом с SVM, в 2000-2015 и сделала скачок с 2018 года рядом с глубокими моделями.

Что интересно, термин «механистическая интерпретируемость» тоже сперва был рядом с ML моделью SVM. Нестареющая классика!

Подходы в MU глобально разделены на 3 группы:

1. Model-Agnostic Methods (независимые от модели)
2. Model-Intrinsic Methods (встроенные в процесс обучения модели)
3. Data-Driven Methods (основанные на изменении данных)

Key Idea из методов: заставить модель забыть что-то — это больше чем про полное переобучение (потому что это чаще будет дорого). Если посмотреть на подходы «очень сверху», то мы можем:

1. Применять обучение с подкреплением (проводить хитрый файн-тюнинг);
2. Выполнять градиентный подъем по примерам под забывание (проводить хитрый файн-тюнинг);
3. Модифицировать пространство обучения (менять данные, чтобы проводить хитрый файн-тюнинг или обучение)
4. Использовать различные методы файн-тюнинга (LoRA, KL-divergence based etc) (снова проводить хитрый файн-тюнинг)
5. Накладывать условие на изменение параметров модели для конкретных примеров (проводить хитрое обучение/дообучение (снова файн-тюнинг));
6. Находить параметры, отвечающие за конкретное поведение и занулять их (не однозначный, но валидный к жизни метод, так как также важно показать, что зануление не вызвало других нежелательных поведенческих изменений)

Быть может, я не докопала до идей глубже (и если вы знаете что-то — welcome в комментарии!), но отучение преимущественно построено на генерации гипотез о том, как дообучить модель или же как устранить нежелательное поведение точечно (если говорить о "выключении" активаций).

Ещё интересно, что хотя статьи 1-3 также сосредоточены на устранении точечных признаков/паттернов поведения, термин "unlearning" в них явно не упоминается. Это может усложнять, как мне кажется, будущие обзоры и поиск литературы — необходимо генерировать и анализировать смежные ключи. Будьте всегда внимательны)

Пара полезных ссылок про Unlearning:

1. Глубокая детализация подходов для MU здесь.
2. Репозиторий, собирающий статьи по MU

Такой мини-обзор, друзья! Само наличие класса исследований про unlearning просто вдохновляет — чем больше модели, тем будто бы больше задач нам нужно решать.

Бесконечная область, выходит :)

Отличного вам вечера,
Ваш Дата автор!