Теж поюзав курсор. Зараз Бек/фронт можна чисто вайбкодингом написати з правильним підходом (декомпозиція, базове розуміння що має бути, агент луп з тестами).
Все що має менше комʼюніті/кодову_базу треба писати самому, але AI добре пришвидшує цей процес.
Розробка пришвидшиться, а от чи обʼєм ринку зменшиться, чи навпаки (буде більше проектів із-за дешевшого софту) це не ясно.
Ясно те що треба освоювати новий інструмент
«Постріл» з лазерної зброї вартує декількох чашок кави.
Таке відчуття що чашка кави це нова валюта у стартап індустрії
Дякую за статтю
Чи працювали ви з Multi-modal LLM?
Розробляю PoC для відеоаналітики з використанням LLaVA 1.6. Цю модель можливо запускати з 1 FPS, але хочеться більше.
Ваш текст сам собі суперечить.
Ви говорите що в 26 році будуть проблеми і при цьому пишете про обробку відео, тренування на згенерованих даних.
Навіщо доплачувати? В таких умовах ті хто захочуть залишитись на робочому місці будуть вчитися у вільний час.
Досвід навчив, якщо великі IT компанії пропонують релокацію — краще прислухатися.
Дякую за статтю. Чи використовували ви ШІ для генерації баз знань чи документації? (Або допомоги в цьому)
Тільки після вашого коменту зрозумів наскільки провокаційним вийшов заголовок)
Мова — python (в ідеалі ще С++, допоможе побудувати інтуіцію як python працює під капотом)
За курси — тут питання чим саме в AI ти хочеш займатися, можеш просто в пошук вбити курс по Pytorch але після того як буше базово знати python.
Далі дивлячись що тебе більше цікавить (розділення умовне і ти можеш комбінувати ці навики в якісь власній пропорції):
Якщо Data Science (робота «з класичними» моделями, їхнє навчання і покращення якості) — то треба прокачувати базу: Calculus, Linear Algebra, Statistics (корисно любому в сфері AI, але не завжди пріорітетне). Раджу в універі ці пари не пропускати в любому випадку.
Якщо AI Engineer (більше фокус на inference моделі і її розгортання) — глибше вивчення python, як працює multithreading по-справжньому, методи оптимізації моделей і як вони працюють в середині, в майбутньому розібратися з docker і як працює клауд.
Ось два канали які добре пояснюють деякі речі в AI:
www.youtube.com/@AndrejKarpathy/videos — глибокий розбір як працюють LLM
www.youtube.com/@3blue1brown/playlists — крутий канал де пояснюють і математику і ML (краще дивитися по плейлистах)