Як я ремонтував клімат на своєму BMW X5 e53

Коли купляв машину на ній не працював клімат.

Перше що я зробив це поїхав на сервіс перевірив систему на гермітичніст та заправив фріон.

Клімат запрацював. Але не працював додатковій вентілятор охолодження.

На сервісі сказали що треба міняти. Без нього не можна вмикати клімат а то видавить фріон.

Заказав вентілятор (не орігинал) і доробляв його щоб поставити.

Вийшов цілий сериал.

Що таке биткоин-пазли?

• Біткоїн-пазли – це 75 гаманців, які містять 969 BTC (~$29,4 млн на момент публікації).
• Будь-хто може забрати ці біткоїни, якщо підбере приватні ключі.
• Створити аналогічні ігри не так вже й складно.

Хто і коли створив біткоін-пазли?

15 січня 2015 року анонім розподілив 32,9 BTC між 256 адресами: перший отримав 0,001 BTC, другий – 0,002 BTC, третій – 0,003 BTC і так далі, аж до 0,256 BTC.

Користувачі Bitcointalk помітили ці транзакції та виявили закономірність — приватні ключі до адрес у бінарному форматі починалися з нулів, кількість яких поступово зменшувалася.

• ключ до першої адреси – 0 … 00000000001, один випадковий біт;
• ключ до четвертої адреси – 0 … 00000001000, чотири випадкові біти;
• ключ до дев’ятої адреси – 0 … 000111010011, дев’ять випадкових бітів.

Досі невідомо, хто стоїть за проектом, проте творець пазлів періодично нагадує себе. У 2017 році він перемістив біткоїни з адрес від №161 до №256 на «молодші» адреси. Швидше за все, через те, що в найближчому майбутньому неможливо підібрати ключ довше 160 бітів.

Чому адреси назвали пазлами?

Спільнота припускає , що творець головоломки хотів продемонструвати стійкість біткоін-адрес до перебору ключів. Користувачі ставляться до злому пазлів як завдання з винагородою, а чи не спробі крадіжки.

Анонім намагається підтримувати інтерес спільноти до гри. У квітні 2022 року він збільшив винагороди в 10 разів і забрав біткоїни з кожної п’ятої адреси.

На момент публікації не зламано 75 пазлів ( від №66 до №160 ) з балансами від 6,6 BTC (~$200 500) до 16 BTC (~$486 100). Загальна сума монет у пазлах складає 969 BTC (~$29,4 млн).

 Як отримати біткоїни з пазлів?

Для вирішення биткоин-пазла потрібно підібрати приватний ключ до відповідної адреси.

У першу добу з моменту створення головоломки користувачі зламали 29 пазлів. Підбір ключів на адресу №40 зайняв два тижні, на адресу №47 — сім місяців, а на адресу №64 — п’ять років.

Найпростіший з пазлів, що залишилися, містить 66 випадкових бітів. Кількість можливих комбінацій – 7,37 * 10 ^ 19. Якщо перевіряти по мільярду варіантів на секунду на відеокарті GTX 1660 Ti, то на перевірку діапазону піде дві тисячі років.

Учасники спільноти створили десятки інструментів для вирішення пазлів. Ось кілька із них:

• Private Key Finder — веб-додаток для підбору ключів до гаманців із біткоїнами та Ethereum. Використовує процесор комп’ютера, не потребує встановлення;
• KeyHunt — програма з відкритим вихідним кодом для брутфорсу біткоін-ключів у заданому діапазоні. Використовує процесор, що працює на Linux;
• BitCrack – ще один інструмент для брутфорсу приватних ключів. Використовує відеокарту, працює на Windows.

Щоб збільшити шанси підбору, можна приєднатися до пулу 66 Bit Collective . Його учасники розділили діапазон можливих рішень до пазла №66 на 33 млн. частин і перевіряють їх окремо. У разі успіху вони розділять нагороду пропорційно до кількості перевірених ключів.

Як створити біткоін-пазли?

Створити схожу головоломку можна у будь-якій мережі. Для цього потрібно повторити дії аноніма з 2015 року:

1. Згенерувати 256-бітові рядки, у яких випадковими є від 1 до 256 біт.
2. Перетворити кожен рядок на приватний ключ за криптографічною формулою обраного блокчейна.
3. Згенерувати публічні адреси.
4. Надіслати на них токени. Розмір нагород повинен відповідати кількості випадкових біт у ключі.

Історія біткоін-пазлів показала, що підбір ключів із 60 і більше випадкових бітів може зайняти кілька років.

Щоб зберегти інтерес до гри, варто використовувати кілька адрес з невеликою кількістю випадкових бітів та меншою винагородою, ніж додавати монети за кожний додатковий біт.

Джерело

Звичайний вихідний власника старого BMW X5 e53

Якщо в тебе багато зайкого часу на вихідних, а також є гроші то можна купляти старий BMW X5 e53.

Як власники старих BMW, які люблять свої машини, проводять свої вихідні.

Що таке зрозумілий штучний інтелект (XAI)?

• Зрозумілий штучний інтелект (Explainable AI, XAI) — напрямок досліджень у галузі ШІ, який прагне створити системи та моделі, здатні пояснювати свої дії та приймати рішення зрозумілим для людей чином.

• Однією з основних проблем у навчанні сучасних штучних інтелектів є «чорна скринька»: системи можуть давати точні відповіді та виконувати складні завдання, але часто важко зрозуміти, яким чином вони дійшли цих результатів.

• XAI може бути корисним у областях, де потрібен високий рівень зрозумілості прийнятих рішень, таких як медицина, фінанси, право.

Як визначити ШІ?

Штучний інтелект може бути складним та непрозорим для розуміння. Через це логічно виникає запит на зрозумілий штучний інтелект (Explainable AI, XAI).

Щоб розібратися в тому, що таке XAI, спочатку слід уважніше подивитися на ШІ взагалі. Технології штучного інтелекту – велика область, яка продовжує інтенсивно зростати. Однак універсального визначення для неї поки що не існує.

У 2021 році Європейська комісія представила регулятивну пропозицію, що дало б юридично обов’язкове визначення ШІ. У документі йдеться, що до штучного інтелекту належать системи, які роблять висновки, прогнози, рекомендації або приймають рішення, що впливають на навколишнє середовище.

Відповідно до юриста та дослідника ШІ Джейкоба Тернера, штучний інтелект також можна визначити як «здатність неприродної сутності приймати рішення на основі процесу оцінки». Об’єднавши визначення Європейської комісії та Тернера, можна сказати, що системи штучного інтелекту здатні «вчитися» і впливати на навколишнє середовище. Штучний інтелект не обмежується програмним забезпеченням, може проявлятися у різних формах, включаючи робототехніку.

Що таке «чорна скринька» в ШІ?

Штучний інтелект приймає «рішення» або створює вихідні дані на основі вхідних даних та алгоритмів. Завдяки здатності навчання та застосуванню різних технік та підходів, ШІ здатний робити це без прямого людського втручання. Це призводить до того, що ШІ-системи часто сприймають як «чорну скриньку».

Під «чорною скринькою» в даному випадку мається на увазі складність розуміння та контролю над рішеннями та діями, які виробляють системи та алгоритми ШІ. Це створює проблеми з прозорістю та відповідальністю, що, у свою чергу, несе різні правові та регуляторні наслідки.

Як цю проблему вирішує XAI?

Поняття зрозумілого штучного інтелекту виникло як у відповідь проблему «чорного ящика». XAI є підхід, спрямований на створення систем ШІ, результати яких можна пояснити в термінах, зрозумілих людині. Основна мета зрозумілого штучного інтелекту — зробити прийняття рішень у системах ШІ прозорим та доступним.

Можна виділити такі фактори, які роблять XAI значним компонентом у сфері розробки та використання ШІ:

• Відповідальність. Якщо система ШІ приймає важливе для людини рішення (наприклад, відмова у кредиті або постановка медичного діагнозу), люди повинні розуміти, як і чому це рішення було ухвалено. Концепція XAI дозволить підвищити прозорість та відповідальність подібних процесів, позбавити суспільство від страхів, пов’язаних з використанням технологій ШІ.
• Довіра. Люди радше довіряють системам, які вони розуміють. Якщо система ШІ може доступно пояснити свої рішення, люди охоче прийматимуть її рішення.
• Поліпшення моделі. Якщо ми можемо зрозуміти, як система ШІ приймає свої рішення, ми можемо використовувати цю інформацію для покращення моделі. Це дозволить ефективно виявляти та усувати упередженості, робити систему точнішими, надійнішими та етичнішими.
• Відповідність законодавству. У деяких юрисдикціях, наприклад, у Європейському Союзі із запровадженням Загального регламенту захисту даних (GDPR), потрібно, щоб організації могли пояснити рішення, прийняті з використанням автоматизованих систем.

Прозорість і зрозумілість можуть поступатися місцем іншим інтересам, таким як прибуток або конкурентоспроможність. Це наголошує на необхідності встановлення правильного балансу між інноваціями та етичними міркуваннями при розробці та застосуванні штучного інтелекту.

Підвищення довіри до державних та приватних систем ШІ має важливе значення. Воно стимулює розробників бути більш відповідальними і гарантує, що їх моделі не поширюватимуть дискримінаційних ідей. Крім того, це сприяє запобіганню незаконному використанню баз даних.

XAI відіграє ключову роль цьому процесі. Пояснення означає прозорість ключових факторів та параметрів, що визначають рішення ШІ. Хоча повна зрозумілість може бути недосяжною через внутрішню складність ШІ-систем, можливо встановити певні параметри та значення. Це робить штучний інтелект.

Які є приклади XAI?

Прикладами зрозумілого штучного інтелекту можуть бути різні техніки машинного навчання. Вони підвищують зрозумілість моделей ШІ через різні підходи:

• Дерева рішень. Надають чітке візуальне подання процесу ухвалення рішень ШІ.
• Системи з урахуванням правил . Визначають алгоритмічні правила у форматі, зрозумілому для людей. Вони можуть бути менш гнучкими щодо інтерпретації.
•  Байєсівські мережі. Імовірнісні моделі, які показують причинно-наслідкові зв’язки та невизначеності.
• Лінійні моделі та аналогічні техніки в нейронних мережах. Ці моделі показують, як кожен вхідний параметр впливає на вихід.

Для досягнення XAI використовуються різні підходи, включаючи візуалізацію, пояснення природною мовою та інтерактивні інтерфейси. Інтерактивні інтерфейси, наприклад, дозволяють користувачам досліджувати, як передбачення моделі змінюються при зміні вхідних даних.

Візуальні інструменти, такі як карти інтенсивності та дерева.

У чому недоліки XAI?

Пояснимий штучний інтелект має кілька обмежень, деякі пов’язані з його застосуванням:

• Складність розробки. Великі команди інженерів можуть працювати над алгоритмами протягом багато часу. Це ускладнює розуміння всього процесу розробки та вбудованих у системи ШІ принципів.
• Неоднозначність терміна «зрозумілість». Це поняття, що широко трактується, яке може викликати різні інтерпретації при впровадженні XAI. Коли аналізуються ключові параметри та фактори в ШІ, виникають питання: що саме вважати «прозорим» чи «зрозумілим» і які межі цієї зрозумілості?
• Швидкий розвиток ШІ. Штучний інтелект розвивається експоненційно. У поєднанні з бездоглядними системами та глибоким навчанням теоретично може досягти рівня загального інтелекту. Це відкриває шлях до нових ідей та інновацій, але й спричиняє додаткові складності при впровадженні XAI.

Які перспективи у XAI?

Розглянемо дослідження про «генеративних агентів», автори якого інтегрували мовні моделі ШІ з інтерактивними агентами. У ході експерименту була створена віртуальна пісочниця, що є маленьким містечком з двадцятьма п’ятьма віртуальними «жителями». Спілкуючись природною мовою, вони демонстрували реалістичну індивідуальну та соціальну поведінку. Так один агент «захотів» організувати вечірку, після чого агенти почали самостійно розсилати запрошення.

Слово «самостійно» тут украй важливе. Якщо системи ШІ демонструють поведінку, яку складно простежити до окремих компонентів, це може викликати наслідки, що складно прогнозуються.

XAI здатний запобігти або хоча б пом’якшити деякі ризики використання ШІ. Важливо пам’ятати, що зрештою відповідальність за рішення та дії, що ґрунтуються на ШІ, лежить на людях, навіть якщо не всі рішення штучного інтелекту можуть бути пояснені.

Матеріал підготовлений за участю мовних моделей, розроблених OpenAI. Інформація, представлена ​​тут, частково ґрунтується на машинному навчанні, а не на реальному досвіді чи емпіричних дослідженнях.

BMW X5 e53 Як все починалось….

Преший огляд BMW X5 e53 після покупки. Треба багато чого виправляти. Але це і є саме цікаве.

Це як великий та не дешевий конструктор для дорослих )

Кому цікаво відео підписуйтесь на мій youtube канал BMW-ist та instagram
Також дав авто на українські ресурси DRIVER.TOP та  єДрайв

Згорткові нейромережі: що це і для чого вони потрібні?

• Згорткові нейронні мережі (Convolutional Neural Networks, CNN) – особливі типи нейронних мереж, які допомагають комп’ютерам бачити та розуміти зображення та відео.
• Такі мережі мають кілька шарів, які називаються згортковими. Вони дозволяють CNN вивчати складні особливості та робити більш точні передбачення про вміст візуальних матеріалів.
• Згорткові нейромережі застосовуються в тому числі для розпізнавання осіб, автопілотування, медичного прототипування та обробки природної мови.

Як влаштовані згорткові нейромережі?

CNN працюють, імітуючи людський мозок, та використовують набори правил, які допомагають комп’ютеру знаходити особливості у зображеннях, розуміти та інтерпретувати інформацію.

Кожен шар такої мережі обробляє дані та спрямовує виявлені особливості наступного шару для подальшої обробки. Вони використовуються фільтри, які допомагають виділити важливі особливості, наприклад краю чи форми об’єктів на зображенні.

Коли до візуального матеріалу застосовуються фільтри, ми отримуємо згорнуте зображення. Потім CNN його аналізує та виявляє важливі особливості. Цей процес називається вилученням ознак.

Крім згорткових шарів, CNN включають:

• шари пулінгу, які зменшують розмір зображення, щоб мережа могла працювати швидше та краще узагальнювати дані;
• шари нормалізації, які допомагають запобігти перенавченню та покращити продуктивність мережі;
• солозв’язні шари, які використовуються для класифікації.

Як вони працюють?

Згорткові нейронні мережі працюють таким чином:

• вхідні дані, такі як зображення або відео, надходять на вхідний шар;
• згорткові шари отримують різні ознаки з вхідних даних. Вони використовують фільтри виявлення меж, форм, текстур та інших характеристик;
• після кожного згорткового шару застосовується функція активації ReLU. Вона додає нелінійність та допомагає покращити продуктивність мережі;
• далі слід шар пулінгу. Він зменшує розмірність карт ознак, вибираючи найважливіші значення кожної області;
• повнозв’язні шари приймають вихідні дані з шару пулінгу і використовують набір ваги для класифікації або передбачення. Вони об’єднують виділені ознаки та приймають остаточне рішення.

Приклад виконання завдання.

Припустимо, згорткової нейронної мережі необхідно класифікувати зображення кішок та собак. Операція буде проведена за таким алгоритмом:

• вхідний шар: отримує кольорові зображення собаки або кішки у форматі RGB, де кожен піксель представлений значеннями інтенсивності червоного, зеленого та синього кольорів;
• згортковий шар: застосовує фільтри до зображення, щоб виділити характеристики, наприклад краю, кути та форми;
• шар ReLU: додає нелінійність, застосовуючи функцію активації ReLU до виходу згорткового шару;
• шар пулінга: Зменшує розмірність характеристик, вибираючи максимальні значення у кожному ділянці карти ознак;
• повторення шарів: безліч згорткових та пулінгових шарів об’єднуються для вилучення все більш складних характеристик із вхідного зображення;
• шар розгладжування: перетворює вихід попереднього шару одномерний вектор, що представляє всі характеристики;
• повнозв’язковий шар: приймає розгладжений вихід та застосовує ваги для класифікації зображення як собаки чи кішки.

Згорткова нейромережа навчається на прикладах із зображеннями, які вже мають ярлики, що вказують, що на них зображено. У процесі навчання вага фільтрів та повнозв’язкових шарів змінюється, щоб знизити ймовірність помилок між прогнозами мережі та правильними відповідями.

Коли навчання закінчено, CNN може точно визначити, що зображено на нових, ще знайомих, зображеннях кішок і собак. Вона використовує отримані знання про ознаки та шаблони, щоб ухвалити правильне рішення про класифікацію.

Які існують типи згорткових нейронних мереж?

• традиційні CNN , також відомі як «звичайні», складаються з серії згорткових та субдискретизуючих шарів, за якими слідують один або кілька повнозв’язкових шарів. Кожен згортковий шар у такій мережі виконує згортки з використанням фільтрів, що навчаються, для вилучення ознак з вхідного зображення. Прикладом традиційної CNN є архітектура Lenet-5, яка була однією з перших успішних нейронних згорткових мереж для розпізнавання рукописних цифр. Вона складається з двох наборів згорткових та субдискретизуючих шарів, за якими йдуть два повнозв’язні шари. Архітектура Lenet-5 продемонструвала ефективність CNN в ідентифікації зображень, і вони стали широко застосовуватися в галузі комп’ютерного зору;
• рекурентні нейронні мережі (Recurrent Neural Networks, RNN ) можуть обробляти послідовні дані з огляду на контекст попередніх значень. На відміну від звичайних нейронних мереж, які обробляють дані у фіксованому порядку, RNN можуть працювати з входами змінної довжини та робити висновки, що залежать від попередніх входів. Рекурентні нейромережі широко використовуються для обробки природної мови. Працюючи з текстами вони можуть лише генерувати текст, а й виконувати переклад. Для цього рекурентна нейромережа навчається на парних реченнях, складених двома різними мовами. RNN обробляє пропозиції по одному, створюючи вихідну речення, яка на кожному кроці залежить від вхідної. Завдяки цьому рекурентна нейромережа може правильно перекладати навіть складні тексти, оскільки вона враховує попередні входи та виходи, що дозволяє їй розуміти контекст;
• повністю згорткові мережі (Fully Convolutional Networks, FCN) – широко використовуються в задачах комп’ютерного зору, таких як сегментація зображень, виявлення об’єктів та класифікація зображень. Вони навчаються від початку до кінця з використанням методу зворотного розповсюдження помилки (backpropagation) для категоризації чи сегментації зображень. Backpropagation допомагає нейронної мережі обчислити градієнти функції втрат за вагами. Функція втрат використовується для вимірювання того, наскільки добре модель машинного навчання передбачає очікуваний результат для заданого входу. На відміну від традиційних згорткових нейронних мереж, FCN не мають повнозв’язкових шарів і повністю базуються на згорткових шарах. Це робить їх більш гнучкими та ефективними для обчислень;
• мережа просторових трансформацій (Spatial Transformer Network, STN) — застосовується у завданнях комп’ютерного зору поліпшення здатності нейронної мережі розпізнавати об’єкти чи візерунки на зображенні незалежно від розташування, орієнтації чи масштабу. Це називається просторовою інваріантністю. Прикладом використання STN є мережа, яка застосовує перетворення вхідного зображення перед його обробкою. Перетворення може включати вирівнювання об’єктів на зображенні, виправлення перспективних спотворень або інші зміни, що покращують роботу мережі у конкретній задачі. STN допомагає мережі обробляти зображення, враховуючи їх просторові особливості, та покращує її здатність розпізнавати об’єкти у різних умовах.

Які переваги у CNN?

Однією з головних переваг згорткових нейронних мереж є інваріантність до зсуву. Це означає, як уже було сказано вище, що CNN може розпізнавати об’єкти на зображенні незалежно від їхнього розташування.

Ще одна перевага – загальне використання параметрів. Це означає, що той самий набір параметрів застосовується для всіх частин вхідного зображення. Такий підхід дозволяє мережі бути більш компактною та ефективною, оскільки вона не повинна запам’ятовувати окремі параметри для кожної області матеріалу, що вивчається. Натомість вона узагальнює знання про ознаки на всьому зображенні, що особливо корисно при роботі з великими обсягами даних.

Інші переваги CNN включають ієрархічні уявлення, які дозволяють моделювати складні структури даних та стійкість до змін, що робить їх надійними для різних умов зображень. Крім того, згорткові мережі можуть бути навчені end-to-end, тобто навчання моделі відбувається по всьому шляху від вхідних даних до висновку, що прискорює процес навчання і підвищує загальну продуктивність мережі.

CNN можуть вивчати різні рівні параметрів вхідного зображення. Верхні шари мережі вивчають складніші характеристики, такі як частини та форми об’єктів, а нижні шари – простіші елементи, наприклад межі та текстури. Ця ієрархічна модель дозволяє розпізнавати об’єкти на різних рівнях абстракції, що є особливо корисним для складних завдань, таких як виявлення об’єктів та сегментація.

Крім того, CNN можуть бути навчені по всій мережі відразу. Це означає, що градієнтний спуск (алгоритм оптимізації) може одночасно оптимізувати всі параметри мережі для покращення її продуктивності та швидкої збіжності. Градієнтний спуск дозволяє моделі коригувати параметри з урахуванням інформації про помилку, щоб мінімізувати втрати у процесі навчання.

А які недоліки?

Для навчання CNN потрібен великий обсяг розмічених даних, і він часто займає багато часу. Це з високими вимогами до обчислювальної потужності.

Архітектура CNN, що включає кількість та тип шарів, може впливати на продуктивність мережі. Наприклад, додавання більшого числа шарів дозволяє підвищити точність моделі, але й збільшує складність мережі, а з нею вимоги до обчислювальних ресурсів. Глибокі архітектури CNN також страждають від перенавчання, коли мережа зосереджується на тренувальних даних та погано застосовує отримані знання до нових, невідомих даних.

У завданнях, де потрібне контекстне розуміння, наприклад, в обробці природної мови, згорткові мережі можуть мати обмеження. Для таких завдань найкращі інші типи нейронних мереж, які спеціалізуються на аналізі послідовностей та враховують контекстуальні залежності між елементами.

Незважаючи на ці недоліки, згорткові нейронні мережі все ще широко застосовуються і демонструють високу ефективність у глибокому навчанні. Вони є ключовим інструментом у галузі штучних нейромереж, особливо у завданнях комп’ютерного зору.

Матеріал підготовлений за участю мовних моделей розроблених OpenAI. Інформація, представлена ​​тут, частково ґрунтується на машинному навчанні, а не на реальному досвіді чи емпіричних дослідженнях.

BMW X5 E53 або як відволектись від кодінгу

Жив собі нудно і не цікаво. Кодінг, сон, кодінг, і так по колу…

І я вирішив придбати собі BMW X5 E53 2004 з купою косяків. Не будучи механіком, я буду  їх ремотнувати.

Тепер я буду ремонтувати свого малого BMW X5 E53 у вихідні дні без гаража та інструментів (інструмент буду докупати в процесі). Я буду вести відео-блог із процесом відновлення. І розповім, що я роблю і як)

Кому цікаво відео підписуйтесь на мій youtube канал BMW-ist та instagram
Також дав авто на українські ресурси DRIVER.TOP та  єДрайв

Генерація зображень нейромережею: 5 безкоштовних сервісів

• Нейромережa – це математична модель, що працює за принципом людського мозку. Вона навчається шляхом первинної обробки великого набору даних, не вимагаючи написання окремого коду під конкретне завдання.
• В останні роки комп’ютерні нейромережі набули великого розвитку. В основному їх використовують для завдань, де потрібно обробити текст, відео, аудіо та іншу інформацію.
• Особливої ​​популярності набули нейромережі, здатні швидко генерувати зображення з текстового запиту, поєднувати графічні об’єкти чи відтворювати відсутні елементи, зокрема людські обличчя. Вони не замінюють роботу дизайнерів та художників, але допомагають оптимізувати рутинні процеси.

Як нейромережі генерують зображення

Нейросети є одним із способів машинного навчання та лежать в основі алгоритмів глибокого навчання. Вони складаються з нейронів, які отримують, обробляють та повертають інформацію. Нейрони з’єднані між собою синапсами.

ІІ-моделі покладаються на навчальні дані для пошуку закономірностей та вирішення безлічі завдань на кшталт розпізнавання чи генерації зображень.

Наприклад, при пошуку схожих картинок за допомогою Google “Об’єктива” система також використовує нейромережу. Вона шукає подібність з іншими зображеннями з бази даних.

За подібним принципом алгоритми генерують ілюстрації з текстової підказки. Користувач вводить будь-який запит природною мовою і нейромережа комбінує відомі їй елементи.

Деякі моделі не здатні створювати зображення за текстом, але можуть накладати візуальні ефекти на готові картинки, стилізувати їх під роботи відомих художників або змінювати вибрані об’єкти.

Потенціал таких систем безмежний, особливо у сфері мистецтва. У 2022 році широку популярність набули ІІ-генератори зображень.

Bing Image Creator

Сервіс від компанії Microsoft заснований на нейромережі DALL-E. У березні 2023 року техгігант запустив окремий сайт для інструментів та інтегрував його в чат Bing.

У жовтні 2022 року відбувся публічний реліз сервісу, що дозволило вільно реєструватися у сервісі та користуватися ним. Наразі система генерує понад 2 млн зображень на день. У той же час, щоб створити профіль у DALL-E 2, знадобиться номер телефону з обмеженого списку країн.

У квітні ІІ-генератор з’явився у браузері Edge. Він доступний з бічної панелі програм для користувачів по всьому світу.

Щоб застосувати сервіс, необхідно відкрити вікно браузера, ввести підказку і дочекатися результату. Image Creator згенерує чотири варіанти зображень, які можна завантажити.

Щоб уникнути використання інструменту для створення токсичного контенту, Microsoft запровадила власний механізм захисту на додаток до методів OpenAI.

Компанія також прямо уточнює, що зображення створюються штучним інтелектом та помічають результати водяними знаками.

Інструмент надає користувачам 25 бустерів на тиждень, призначених для прискорення створення картинок. Кожен запит списується один токен.

За вичерпанням бустерів, компанія пропонує отримати їх за бали системи винагороди Microsoft Rewards або дочекатися поновлення.

Dream by WOMBO

Веб-сервіс дозволяє створювати зображення безкоштовно та без реєстрації, але є Premium-версія. Також користувачам доступний мобільний додаток на Android та iOS .

Щоб створити картинку, потрібно ввести текстовий запит довжиною до 200 символів і вибрати стиль візуалізації. Через 10-20 секунд нейромережа видасть результат у роздільній здатності 960×1568 пікселів.

Готові зображення можна завантажити чи опублікувати у стрічці на сайті сервісу.

Опція “Редагувати з текстом” дозволяє за допомогою підказки змінити згенероване зображення. Можна перемалювати зображення, додати або видалити елемент, переробити стиль об’єкта або зробити інверсію ілюстрації.

Функція перебуває у беті і точність її досить низька.

У безкоштовній версії відредагувати малюнок можна лише двічі. Потім потрібно перезалити зображення або змінити нове.

Крім того, сервіс надає можливість на запит стилізувати власну картинку.

Premium-підписка коштує $9,99 на місяць або $89,99 на рік. Сервіс також пропонує користувачам можливість одноразового платежу $169,99.

Stable Diffusion

Генератор зображень тексту, створений компанією Stability AI. У вересні 2022 року сервіс став доступним для широкої аудиторії.

Модель навчили створювати картинки за будь-яким текстовим запитом, включаючи зображення з громадськими діячами та оголеними людьми. Однак у листопаді 2022 року компанія оновила алгоритм, «послабивши» його здатність створювати NSFW-контент та ілюстрації у стилі конкретних художників.

Нейросеть малює безкоштовно.

Користувачеві достатньо ввести текстовий запит, який може складатися з будь-якої кількості слів. Потім модель згенерує чотири варіанти ілюстрації з роздільною здатністю 512×512 пікселів.

Lexica Aperture

У грудні 2022 року засновник пошуковика для картинок та ІІ-підказок Lexica Шаріф Хамім представив генератор зображень Lexica Aperture. Алгоритм вміє створювати фотореалістичні ілюстрації на текстовий запит.

Нейросеть доступна безкоштовно після входу в систему через простий веб-інтерфейс. Вона створює зображення в книжковій або альбомній орієнтації з роздільною здатністю 768×1152 пікселів.

Під полем введення підказки можна вказати негативний запит — те, чого має бути малюнку. Також сервіс дозволяє завантажити референсну картинку.

Готове зображення можна розширити чи створити його варіації.

Deep Dream Generator

Платформа призначена для створення та редагування зображень. Сервіс вимагає реєстрації облікового запису та має обмеження на безкоштовне використання.

На сайті проекту є три режими роботи.

Text 2 Dream

Дозволяє створювати малюнки за текстовим описом. Користувачеві необхідно вигадати підказку або натиснути кнопку «рандомний запит».

Генератор працює відносно швидко, але іноді не дотягує рівня DALL-E 2 або Stable Diffusion. Це стосується інтерпретації слів та створених малюнків.

Deep Dream

Режим дозволяє проводити глибоке оброблення вихідного зображення за допомогою алгоритмів штучного інтелекту. Для цього потрібно завантажити картинку та задати параметри: початкову глибину, ІІ-посилення та шар нейромережі.

Deep Style

У цьому режимі користувач може стилізувати існуюче зображення. Йому потрібно завантажити картинку чи фото та вибрати референсну ілюстрацію зі списку.

Що стосується обмежень на безкоштовне використання, то при реєстрації облікового запису користувачеві нараховують 30 одиниць енергії. Вони згоряють при застосуванні інструментів: по п’ять балів за запит у Deep Style або Text 2 Dream та по два бали за звернення до Deep Dream.

Енергію можна докупити. Найдешевший тариф коштує $19 на місяць.

DALL-E 2

У січні 2021 року компанія OpenAI здійснила революцію в області ІІ, представивши генератор картинок за текстовим запитом DALL-E.

Це трансформер , побудований на базі великої мовної моделі GPT-3 з 12 млрд параметрів та навчений на парах «текст-зображення».

Нейросеть генерує зображення з роздільною здатністю 256×256 пікселів. Вона має різноманітний набір можливостей, включаючи створення антропоморфних тварин та об’єктів, реалістичне поєднання незв’язаних концепцій, рендеринг тексту та застосування перетворень до існуючих ілюстрацій.

У квітні 2022 року компанія випустила другу версію нейромережі, здатну з меншою затримкою генерувати реалістичні картинки з роздільною здатністю 1024×1024 пікселів.

DALL-E 2 дозволяє вибирати та редагувати певні області існуючих зображень, додавати або видаляти елементи разом із тінями, створювати колажі та варіації готових малюнків.

Також у новій версії нейромережі доступна функція Outpanting. З її допомогою можна розширити зображення за допомогою текстових підказок. При додаванні нових об’єктів система враховує існуючі візуальні елементи на кшталт тіней, відбитків та текстур.

У жовтні 2022 року OpenAI закрила список очікування для бета-версії генератора зображень.

Нейросеть доступна в усіх країнах, крім Афганістану, Білорусі, Венесуели, Ірану, Китаю та Росії.

У лютому 2023 року стало відомо, що Україну виключили зі списку держав, де заблоковано сервіси компанії. Однак алгоритми OpenAI не працюють на тимчасово окупованих Росією територіях.

Користувачі з регіонів, де технологія недоступна, зможуть взаємодіяти з DALL-E 2 тільки за наявності VPN-сервісу та активного телефонного номера з відкритої для продуктів OpenAI держави.

Реєстрація в DALL-E 2 безкоштовна. Для створення зображень будуть потрібні кредити, які списуються по одному при надсиланні кожного текстового запиту.

Раніше новим користувачам надавали безкоштовні спроби створення картинок. Однак нещодавно це змінилося.

Нейросеть стала платною для акаунтів, зареєстрованих після 6 квітня 2023 року. 115 спроб коштують $15.

При цьому користувачі, які створили обліковий запис раніше вказаної дати, досі можуть використовувати нейромережу безкоштовно. Вони отримають 50 кредитів, кількість яких за місяць зменшиться до 15. Кількість спроб відновлюється кожні 30 днів.

Різні компанії та відомі бренди використовують DALL-E 2. Журнали Cosmopolitan та The Economist задіяли нейромережу для генерації обкладинок. Microsoft запустила на базі сервісу власну програму Designer , яка вміє створювати контент на кшталт тексту, рекламних банерів, листівок та логотипів.

Джерело

Зустрічайте Dev Mode у Figma

Як інструмент проектування може працювати краще для розробників? Це питання ми ставимо собі та нашій спільноті. Сьогодні ми раді представити Dev Mode – новий робочий простір у Figma, створений для того, щоб розробники отримували те, що їм потрібно, коли їм це потрібно, використовуючи інструменти, які вони використовують щодня.

Figma народилася в Інтернеті – нетрадиційний початок для інструменту проектування, але ми відчували, що він украй необхідний дизайну продуктів. За допомогою одного єдиного посилання дизайнери могли співпрацювати над поточною роботою, обмінюватися ранніми напрацюваннями, а не берегти дизайн доти, доки він не буде “відшліфований”. У міру того, як все більше дизайнерів освоювали Figma і цей розрахований на багато користувачів спосіб роботи, ми почали спостерігати природне розширення використання в різних командах і дисциплінах, особливо серед розробників.

Сьогодні ми знаємо, що на наших платних тарифних планах Figma відвідує більше розробників, ніж дизайнерів. Ми також знаємо, що розуміння потреб розробників та їх проблем має вирішальне значення для перетворення Figma на місце, де розробка продукту може бути більш ефективною, спільною та виразною.

Розробники мають унікальні робочі процеси та переваги. Від front-end розробників, які працюють із зрілими системами дизайну, до інженерів, що створюють компоненти систем дизайну, до тих, хто створює макети контенту та експортує ресурси у своїй роботі з бренд-дизайнерами, – кожна команда хоче працювати з мінімальними обмеженнями, наскільки це можливо .

У режимі Dev Mode ми бачимо величезну можливість швидко та ефективно надавати розробникам те, що їм потрібно – так само, як це було з дизайнерами, коли ми тільки розпочали створення Figma. Чим простіше командам проектувати, документувати, знаходити і реалізовувати високоточні проекти, не втрачаючи при цьому на увазі роботу і один одного, тим кращий результат продукту. Ми раді зробити цей перший крок до об’єднання проектування та розробки у Figma, і нам не терпиться побачити, що команди робитимуть далі.

Швидше приступайте до кодингу

Хоча Figma відмінно підходить для вільного дослідження дизайну, вона може спантеличити, якщо ви потрапили у файл дизайну, в якому відсутня інформація, необхідна для реалізації. Режим Dev Mode – це як інспектор браузера для вашого файлу дизайну, він наближає концепції дизайну – форми, шари та групи – до концепцій розробника, таких як код, іконки та маркери. Навівши курсор і натиснувши на полотно Figma, ви можете знайти та експортувати всю необхідну інформацію, таку як вимірювання, специфікації та активи, а також розкрити додатковий контекст вашої системи проектування. Подібно до Chrome Dev Tools , Dev Mode черпає натхнення з інших інструментів розробки, щоб створити середовище, яке відразу ж стане для вас звичним.

Код у режимі Dev Mode повністю перероблений і налаштовується під ту мову, якою ви працюєте. Ми знаємо, що код не є корисним із коробки. Швидше, він є відправною точкою, щоб вам не доводилося щоразу переходити від 0 до 1. Тепер ви побачите боксову модель CSS, сучасний синтаксис з деревоподібною виставою, а також зможете перемикатися між одиницями вимірювання, щоб відповідати вашій кодовій базі.

Доступ до всього, що вам потрібно, в одному місці

Створення продуктів вимагає надійного набору інструментів, але стрибки між бібліотеками дизайну, базою коду та іншими інструментами управління проектами можуть призвести до неефективності, особливо коли назви компонентів та стилів не збігаються з назвами коду, або команда не відстежує та не документує завдання. Dev Mode покликаний зробити вашу роботу більш продуктивною, зв’язавши інструменти і компоненти коду, що використовуються вами, з файлом дизайну.

Плагіни дозволяють розширити функціональність Figma, щоб адаптувати її до того, як працює ваша команда. Ви можете керувати проектами за допомогою Jira , Linear та GitHub , щоб ви і ваш дизайнер знали, що відбувається у ваших відповідних процесах. Storybook допоможе вам послатися на те, що відбувається у вашій кодовій базі, у контексті самого дизайну. А плагіни codegen від AWS Amplify Studio , Google Relay та Anima допоможуть вам налаштувати висновок коду – ви навіть можете створити свій власний на основі вашого унікального робочого процесу.

Дуже корисно мати плагіни, які взаємодіють із нашими повсякденними інструментами. Ми використовуємо GitHub, ми використовуємо Storybook – це економить мені багато часу.
Лоран Тьєбо, керівник інженерного відділу та провідний спеціаліст з систем проектування, Decathlon (частина бета-версії Dev Mode)

Системи проектування стають більш потужними із запровадженням токенів проектування через змінні . Токени – це маленькі шматочки даних інтерфейсу користувача, які можна використовувати в дизайні і коді. Тепер вони відображаються в режимі Dev Mode, тому відразу стає зрозуміло, що потрібно для початку розробки. Ви також можете додати пов’язані посилання на об’єкти на полотні, щоб посилатися на документацію або те, що знаходиться у ваших плагінах.

Слідкуйте, що має бути відправлено у розробку

Навіть якщо етапи проектування та розробки продукту зливаються воєдино, артефакти кожної з них – файли дизайну та код – залишаються різними. До цих пір було непросто переміщатися файлами дизайну, вибирати конкретні компоненти та їх властивості або навіть знати, що змінилося з моменту останнього перегляду файлу. Тепер дизайнери можуть просто позначити розділ як “готовий до розробки” і відправити його безпосередньо, не створюючи окрему сторінку або файл. Підтримка Diff дозволяє порівнювати зміни між різними версіями кадру і залишатися в курсі подій.

Розширте свій робочий процес

За допомогою розширення VS Code ви можете використовувати можливості режиму Dev Mode у редакторі коду для перегляду дизайну, повідомлень та коментарів, а також для відстеження змін, не виходячи із середовища розробки. Розширення VS Code також виконує автокомліт стро коду на основі перегляду дизайну, допомагаючи вам працювати набагато швидше.

Dev Mode та Figma для VS Code знаходяться у бета-версії та безкоштовні для всіх користувачів до кінця 2023 року. Починаючи з 2024 року, для доступу до Dev Mode вам знадобиться платний тарифний план. Якщо ви є редактором на платному тарифному плані сьогодні, Dev Mode буде увімкнено. Ми знаємо, що є розробники, яким може не знадобитися повний набір функцій Figma, тому вводимо два нових варіанти тарифного плану для них.

Набагато вищий рівень довіри, коли люди працюють з одним і тим самим інструментом – інформація набагато актуальніша, ви більше не тягнете якісь файли на свій комп’ютер і не ганяєтеся за чимось електронною поштою. Це набагато спільніший процес.

Джорі Лалло, співзасновник, Linear

Це лише перший крок у покращенні Figma для розробників. З урахуванням вашого вкладу в бета-версію Dev Mode та VS Code ми з нетерпінням чекаємо на розширення функціональності, включаючи нові способи покращення співпраці дизайнера та розробника, отримання специфікацій та забезпечення більшої відповідності між дизайном та кодом.

Ця стаття – переклад оригінальної статті “Making Figma better for developers with Dev Mode“.

Індекс страху та жадібності на крипторинку. Все про показник простими словами.

У цьому матеріалі ми розберемо дуже важливий показник стану як фінансового, так і криптовалютного ринку –  індекс страху та жадібності  та відповімо на запитання: чому важливо його включати до свого ресерчу? На основі яких даних він вимірюється? Як інтерпретувати його значення? І що таке “надзвичайна жадібність” та “абсолютний страх”? Поїхали!

Що таке індекс страху та жадібності?

Більшість рішень учасники фінансових ринків беруть на емоціях. Коли люди бачать зростання ринку, вони починають відчувати FOMO (синдром втраченого прибутку) і жалкувати, що не зайшли в ринок до того, як він почав зростати. У той же час інвестори, які вже перебувають в активах, хочуть забрати ще більший прибуток і продовжують збільшувати свої позиції. Ці процеси формують над ринком стан “жадібності”.

Зворотна ситуація – “абсолютний страх” на ринку вказує на те, що криптовалюти недооцінені. Це може призвести до масового продажу валют і надмірної паніки. Проте страх не обов’язково означає, що на ринку спостерігається довгостроковий ведмежий тренд. Його варто розглядати як короткостроковий чи середньостроковий зріз настроїв ринку.

Індекс страху та жадібності аналізує різні тенденції та показники ринку, щоб визначити, чи відчувають учасники ринку жадібність чи страх. Оцінка 0 свідчить про надзвичайний страх (Extreme Fear), а 100 – на крайню жадібність (Extreme Greed). Оцінка 50 показує, що ринок щодо нейтральний.

Умовно, шкалу індексу можна поділити на кілька категорій:

• 0–24: сильний страх (помаранчевий)
• 25-49: страх (жовтий)
• 50-74: жадібність (світло-зелений)
• 75–100: сильна жадібність (зелений)

На основі яких даних вимірюється індекс страху та жадібності?

Складові індексу страху та жадібності:

Волатильність (вага в індексі – 25%)

В даному випадку вимірюється поточна волатильність і максимальні просідання BTC, проводиться порівняння з середніми значеннями за останні 30 і 90 днів. Незвичайний сплеск волатильності – це ознака ринку, що «лякає».

Співвідношення імпульс/обсяг ринку (25%)

Для визначення даного показника співвідносяться значення поточного обсягу та ринкового імпульсу (також за останні 30 та 90 днів). Якщо щодня на тлі позитивних умов на ринку фіксуються високі обсяги покупок, це означає, що гравці ринку виявляють зайву жадібність.

Соціальні мережі (15%)

Цей фактор аналізує кількість пов’язаних з криптовалютами хештегов у Twitter та швидкість їх поширення. Твіти збираються, підраховуються та аналізуються: наскільки швидко та активно користувачі реагували на ці повідомлення за певні періоди часу. Висока активність призводить до зростання інтересу громадськості до монети і, на думку авторів індексу, відображає жадібність гравців ринку.

Опитування професійних учасників ринку (15%)

Спільно з платформою strawpoll.com розробники Індексу жадібності та страху проводять щотижневі опитування та дізнаються, як люди сприймають поточну ситуацію на ринку. У кожному опитуванні бере участь 2000-3000 чоловік, і таким чином формується уявлення про настрій крипто інвесторів.

Домінація BTC (10%)

Про цей показник буде окремий матеріал у наступних статтях. Тут коротко. Домінація – частка монети у загальній ринковій капіталізації. У випадку з біткоїном: розробники індексу вважають, що зростання домінації викликається страхом надзвичайно спекулятивних інвестицій в альткоїни, тому біткоїн стає дедалі безпечнішим інструментом збереження капіталу. І навпаки, коли домінування BTC зменшується, це означає, що люди виявляють зайву жадібність, вкладаючи гроші в ризикованіші альткоїни, мріючи про можливість взяти участь у новому великомасштабному бичачому ралі.

Google Trends (10%)

Для оцінки даної метрики аналізуються дані Google Trends за різними пошуковими запитами, пов’язаними з біткоїном та іншими криптовалютами. Особлива увага приділяється зміні обсягів пошукових запитів, а також рекомендованим та популярним запитам на даний момент.

Де відстежувати індекс страху та жадібності?

Індекс страху та жадібності для криптовалютного ринку можна відстежувати  тут.

Індекс страху для ринку вважається інакше, але має той самий сенс – відбиває емоційний настрій учасників ринку. Його можна відстежувати  за цим посиланням.

Індекс страху і жадібності – це лише один з його статистичних метрик. Для повного аналізу його значення недостатньо, але як доповнення до вашої системи ресерчу та для швидкої оцінки поточної ринкової ситуації – це досить добрий інструмент.

Джерело