пфф, до aidata'ы вам далеко

Не спорю

знаете их, да?)

Но сбор данных у нас не в приоритете

Конечно)

Не лично конечно но смотрел

/me горд.

Кстати, а вас как нить затронул закон о перс.данных и gdrp?

Да, мы все прописали в политике

*надеюсь

Хах

Понятное дело что в обновили политики)
А по пользователям? Серьезные изменения были по оттоку или может проблемы с новыми привлечениями?

Не понял суть вопроса ?)))

А... Туплю

Cvcode.ru только недавно запустили )))

Мы брали готовые данные у партнеров для аналитики а сами не хранили

Вообще сам продукт вполне себе интересный, но, имхо конечно, будет сложно правильно позиционироваться на рынке. Особой боли у соискателей наверно нет, да и сложно объяснить что конкретно делает продукт.
А для компаний:  
К примеру крупные игроки рынка (финтех в основном) создают свои внутренние продукты, приуроченные к их модели, а мелким и средним игрокам это по сути не нужно.

Хотя, могу конечно заблуждаться 😊 возможно я не правильно понял направленность

AI / нейросети
Искусственный интеллект DeepMind научился придумывать фотографии

Британская компания DeepMind, в 2014 году ставшая частью Google, постоянно работает над совершенствованием искусственного интеллекта. В июне 2018 года ее сотрудники представили нейронную сеть, способную создавать трехмерные изображения на основе двумерных. В октябре разработчики пошли дальше — они создали нейросеть BigGAN для генерации изображений природы, животных и предметов, которые сложно отличить от настоящих фотографий.

Как и в других проектах по созданию искусственных изображений, данная технология основана на генеративно-состязательной нейросети. Напомним, что она состоит из двух частей: генератора и дискриминатора. Первая создает изображения, а вторая оценивает их схожесть с образцами идеального результата.

В этой работе мы хотели стереть грань между изображениями созданными ИИ и фотографиями из реального мира. Мы обнаружили, что для этого достаточно уже существующих методов генерации.

Чтобы научить BigGAN создавать фотографии бабочек, собак и еды, использовались разные наборы изображений. Сначала для обучения использовалась база ImageNet, а затем — более масштабный набор JFT-300M из 300 миллионов изображений, разделенных на 18 000 категорий.

Обучение BigGAN заняло 2 дня. Для этого потребовалось 128 тензорных процессоров Google, разработанных специально для машинного обучения.

В разработке нейросети также участвовали профессора из шотландского Университета Хериота-Уатта. Подробности о технологии расписаны в статье «Обучение
крупномасштабной генеративно-состязательной нейросети GAN синтезу естественного изображения высокой точности».
@

!report

!spam