Кабинет
Big Ledovsky | AI изнутри

Big Ledovsky | AI изнутри

Александр Ледовский Head of AI @ Listee, ex: Avito, Сбер, ШАД @aledovsky

Юзернейм
@big_ledovsky
Категория
Технологии
Страна
РоссияРоссия
Создан
, 4 года
Подписчики2 068+1 за неделю
Просмотров на пост, 7 дн.555+2,1% к пред. 7 дн.
ERR26,84 %за 7 дней

Подписчики, 30 дней

6 нояб. – 16 нояб.+4 (+0,2%)

Показать таблицей
ДатаПодписчики
6 нояб. 2026 г.2 064
7 нояб. 2026 г.2 064
8 нояб. 2026 г.2 066
9 нояб. 2026 г.2 067
10 нояб. 2026 г.2 067
11 нояб. 2026 г.2 067
12 нояб. 2026 г.2 067
13 нояб. 2026 г.2 066
14 нояб. 2026 г.2 067
15 нояб. 2026 г.2 067
16 нояб. 2026 г.2 068

Средние просмотры поста по дням

По дню публикации

Показать таблицей
ДатаПросмотров на пост
21 окт. 2026 г.1 185
23 окт. 2026 г.1 244
26 окт. 2026 г.1 418
30 окт. 2026 г.1 086
2 нояб. 2026 г.768
6 нояб. 2026 г.488
12 нояб. 2026 г.555

Самые просматриваемые за месяц

  1. 01

    Справился с написанием Flash Attention Месяцы идут, а я все еще прохожу курс CS336 Language Modelling from Scratch (предыдущая серия, страница курса). Но я считаю - главное прогресс 😎 Вторая домашка курса посвящена эффективности. Сперва нужно было профилировать LLM в разных плоскостях. Затем написать flash attention своими руками на triton. Flash attention - это алгоритм эффективного вычисления атеншена на видеокарте. Типа как есть преобразование фурье, а есть FFT. К счастью, к этому моменту я уже понимал, что инструментов под названием triton в мире ML два, и они абсолютно не связаны между собой 😏 Во-первых, это OpenAI Triton - just in time компилятор, который питон на лету преобразует в CUDA kernels (т.е. нативные функции). Как раз на нем нужно было писать. А во-вторых, это NVIDIA Triton Inference Server - движок для инференса моделей. Не путайте =) Писать Flash Attention было круто. Я получил огромное удовольствие 🫠 Писал за 4 сессии. Сперва я читал статью и вкуривал идею. На второй сессии попросил Claude написать мне свой tutorial по triton, где я выучил фреймворк (что было не сложно после курса по CUDA). На третей сессии долго перемножал матрицы на листочке, чтобы осознать алгоритм. А на четвертой на удивление довольно быстро закодил. Надеюсь я вас вдохновил. Хочу еще потратить время на алгоритмы распределенного обучения и посмотрю что там дальше. Курс как будто неровный. Надеюсь до post-traning'а доберусь! 💪

    Превью ссылкиизменён
    Просмотры1,42 тыс.
    Пересылки32
    Реакции45
    Комментарии13
  2. 02
    Просмотры1,24 тыс.
    Пересылки13
    Реакции12
    Комментарии3
  3. 03

    Без текста

    Видеоальбом
    Просмотры1,2 тыс.
    Пересылки12
    Реакции—
    Комментарии—
  4. 04
    Просмотры1,17 тыс.
    Пересылки11
    Реакции3
    Комментарии12
  5. 05
    Просмотры1,09 тыс.
    Пересылки15
    Реакции29
    Комментарии7

Новые посты

#543Видео
Просмотры555−35%к среднему
Пересылки12
Реакции23
Комментарии9
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
8 ч436
32 ч528
71 ч555
  1. Через 6 часов436
  2. Через 24 часа528
  3. Всего сейчас555
#542Фотоальбом
Просмотры487−43%к среднему
Пересылки20
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
1 ч271
13 ч408
25 ч426
74 ч487
  1. Через 1 час271
  2. Через 24 часа426
  3. Всего сейчас487
#541Фотоальбом
Просмотры486−43%к среднему
Пересылки20
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
1 ч270
13 ч408
25 ч425
74 ч486
  1. Через 1 час270
  2. Через 24 часа425
  3. Всего сейчас486
#540Фотоальбом
Просмотры486−43%к среднему
Пересылки20
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
1 ч270
13 ч408
25 ч425
74 ч486
  1. Через 1 час270
  2. Через 24 часа425
  3. Всего сейчас486
#539Фотоальбомизменён

GrokBot очень хорош Какое-то время работаю на нем. И удивляюсь насколько это удачный продукт. Это как OpenClaw, только гораздо удобнее. Все работает из коробки. 💔 Чем меня GrokBot меня еще очаровал - Постоянно работает на сервере, при этом бесшовно выполняет команды на ноутбуке, когда он открыт - Легкость создания новых агентов - Проактивная работа. В GrokBot встроена рутина проактивной работы. Это очень приятно. Например, когда он смотрит твои встречи на день и готовит тебе бриф с актуальной инфой, какую может вытащить 💎 Еще лайфхак. Если хотите сделать читалку X, то грокбот - лучший вариант. X можно читать только через API или через скрапперы. Через API цена - 5 долларов за 1000 постов. Это грабительство просто! У грокбота включенный лимит на 1000 запросов в день, каждый до 25 айтемов, т.е. до 25 тысяч постов в день Есть люди, которые говорят - в чем прикол опенкло или грокбота? 😐 Можно все то же самое делать клод кодом. Расскажу в будущих постах. Always-on агенты - это совсем иной класс инструментов.

Открыть в Telegram
Просмотры492−42%к среднему
Пересылки20
Реакции19
Комментарии10
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
1 ч273
13 ч413
25 ч430
74 ч492
  1. Через 1 час273
  2. Через 24 часа430
  3. Всего сейчас492
#538Текстизменён

Что все-таки произошло с акциями Alphabet/Google в Q3 Прочитал новость в нескольких каналах, ничего не понял. Решил разобраться сам 🤓 Что случилось: после отчета alphabet за Q3 акции упали на 10% 💸 Что видно в отчете • Google показал выручку ниже ожидаемой. Но на самом деле там значение 127.6b vs 128.2b и честно говоря в абсолюте - копейки • В текущем периоде денежный поток (free cash flow) составил -9.1b, хотя ожидали, что будет 0. Это значит, что потратили больше чем получили • Выручка от поиска выросла на 12% год к году, что было ниже ожиданий в 15% • На капитальные затраты (датацентры) потратили 51.4b, т.е. 40% от выручки. Для сравнения, в 2023 году доля капитальных затрат была около 10% 🧐 Поводов для беспокойства достаточно. Но на самом деле основные причины падения не в результатах q3. Не в затратах на датацентры и во многом не в отрицательном cash flow. • Основная причина падения - это неопределенность, связанная с "AI mode", т.е. нейропоиском. На встрече с инвесторами заявили, что AI mode хуже монетизируется, и что он повлиял на выручку поиска. Конкретных цифр не дали. Да это и бессмысленно, т.к. понятно, что его монетизацию еще предстоит качать • Также, Google сказал, что собирается увеличить капитальные затраты в 2027 году. В 2026 они уже 200b. Сколько теперь будет? 300? 👉 Т.е. падение связано не с q3, а с ожиданиями в будущем. Что с приходом AI-поиска рекламная выручка будет снижаться, а затраты на датацентры растут. В отчете есть и положительная новость: доходы от Google Cloud выросли на 103%. Выше ожиданий в 92%. Сейчас Cloud приносит уже 24% от общей выручки. Подводя итог Структура выручки и финансовая модель компании и рынка вообще меняется. Что будет дальше - сложно сказать. Рынок переживает. Если рекламная выручка продолжит расти ниже ожиданий, акции будут падать дальше. С другой стороны выручка легко может сместиться в сторону клауда, и поиск перестанет быть основным источником денег. 🧐 P.S. А Google Cloud на самом деле хорош. Несмотря на его ужасную консоль. Но по крайней мере они с порога дают хорошие тиры на Gemini в AI Studio. Я посмотрел уже какое-то количество неоклаудов. И они предлагают open weighted модели с лучшим тиром (tier - уровень аккаунта), условно 500к TPM и 120 RPM. Хочешь больше - иди договаривайся. Это для кого вообще?? Гугл же спокойно дает 30kk TPM на третьем тире. Если договариваться, я думаю они сколько угодно могут предоставить. https://www.reuters.com/business/alphabets-google-cloud-unit-beats-quarterly-revenue-estimates-steady-ai-demand-2026-10-28

Открыть в Telegram
Просмотры768−10%к среднему
Пересылки2
Реакции11
Комментарии10
#536Превью ссылкиизменён

Справился с написанием Flash Attention Месяцы идут, а я все еще прохожу курс CS336 Language Modelling from Scratch (предыдущая серия, страница курса). Но я считаю - главное прогресс 😎 Вторая домашка курса посвящена эффективности. Сперва нужно было профилировать LLM в разных плоскостях. Затем написать flash attention своими руками на triton. Flash attention - это алгоритм эффективного вычисления атеншена на видеокарте. Типа как есть преобразование фурье, а есть FFT. К счастью, к этому моменту я уже понимал, что инструментов под названием triton в мире ML два, и они абсолютно не связаны между собой 😏 Во-первых, это OpenAI Triton - just in time компилятор, который питон на лету преобразует в CUDA kernels (т.е. нативные функции). Как раз на нем нужно было писать. А во-вторых, это NVIDIA Triton Inference Server - движок для инференса моделей. Не путайте =) Писать Flash Attention было круто. Я получил огромное удовольствие 🫠 Писал за 4 сессии. Сперва я читал статью и вкуривал идею. На второй сессии попросил Claude написать мне свой tutorial по triton, где я выучил фреймворк (что было не сложно после курса по CUDA). На третей сессии долго перемножал матрицы на листочке, чтобы осознать алгоритм. А на четвертой на удивление довольно быстро закодил. Надеюсь я вас вдохновил. Хочу еще потратить время на алгоритмы распределенного обучения и посмотрю что там дальше. Курс как будто неровный. Надеюсь до post-traning'а доберусь! 💪

Открыть в Telegram
Просмотры1 418+66%к среднему
Пересылки32
Реакции45
Комментарии13
#535Превью ссылки
Просмотры1 244+46%к среднему
Пересылки13
Реакции12
Комментарии3

Все посты

Связи