Podcasts about recommender

VYS0049 | Machines of Loving Vayse - Vayse to Face with Sequoyah Kennedy v2.0 - Show Notes Imagine, if you will, a world burning as society crumbles (is this stretching you?), in the perpetual, scorched twighlight of a dying planet, the determined foot of a tall figure crushes a skull on a landscape forged of human bones - that foot belongs to Sequoyah Kennedy and the human bones are the vestiges of the common myths and misunderstandings about artificial intelligence... apparently AI's are better than humans at devising effective metaphors in order to convey useful information - and we'll have to hope for their sake that's true. In this episode Hine and Buckley invite back to Vayse one of the most intelligent and articulate humans in the material world, Sequoyah Kennedy. Since the Nonsense Bazaar ended SK has gone deep down the rabbit hole of large language models and has returned to help Hine and Buckley get their heads round what artificial intelligence actually means in 2025 and dismisses some of the ubiquitous confusion which surrounds the topic: is the best use of AI as personal assistant and unpaid artists? Are there demons haunting cyberspace? Do androids dream of electric sheep? and he touches on one of the big questions of our time - are we all in very real danger from this soulless, characterless mockery of human ingenuity with no empathy, no conscience and no soul... or will Elon Musk just finally piss off so that we can live in glorious harmony with our wonderful, wise robot buddies? (recorded 11 March) Thanks to Sequoyah for his patenience in explaining these ocmplex ideas to two middle-aged luddites and thanks, as always to Special K - the man who makes sense of our ramblings, Keith who once again did a sterling job of the show notes. You can give him a follow on Blue Sky here: @peakflow.bsky.social Sequoyah Kennedy online Sequoyah's Patreon (https://www.patreon.com/sequoyahkennedy) - Find the links to SK's custom chatbots and other great content here Empyrean Dream Machines substack (https://empyreandreammachines.substack.com/) Sequoyah on Twitter/X (https://x.com/sequoyahkennedy) Sequoyah on Instagram (https://www.instagram.com/birdbrains33/) The Nonsense Bazaar podcast - Podtail (https://podtail.com/podcast/the-nonsense-bazaar/) Hine's (?) Intro AI Voice Cloning: Is It the Future or a Cybersecurity Nightmare? - Neil Sahota (https://www.neilsahota.com/ai-voice-cloning-is-it-the-future-or-a-cybersecurity-nightmare/) Vayse to Face with Sequoyah Kennedy What is Late-Stage Capitalism? - The Balance (https://www.thebalancemoney.com/late-stage-capitalism-definition-why-it-s-trending-4172369) ArtificiaI Intelligence - Wikipedia (https://en.wikipedia.org/wiki/Artificial_intelligence) Battlestar Galactica | The Cylons Arrive on New Caprica - YouTube (https://www.youtube.com/watch?v=0Dzy_FiLd64) AI with personality — Prompting ChatGPT using Big Five Personality Model values - Medium (https://medium.com/@damsa.andrei/ai-with-personality-prompting-chatgpt-using-big-five-values-def7f050462a) Ong's Hat Compleat - JosephMatheny.com (https://josephmatheny.com/ongs-hat-compleat/) Ong's Hat: COMPLEAT, by Joseph Matheny, Sequoyah Kennedy - Goodreads (https://www.goodreads.com/book/show/223112896-ong-s-hat?) The Nonsense Bazaar 62 - Written By Artificial Intelligence - Podtail (https://podtail.com/podcast/the-nonsense-bazaar/62-written-by-artificial-intelligence/) Recommender system - Wikipedia (https://en.wikipedia.org/wiki/Recommender_system) Relational database - Wikipedia (https://en.wikipedia.org/wiki/Relational_database) Facial recognition system - Wikipedia (https://en.wikipedia.org/wiki/Facial_recognition_system) Large language model - Wikipedia (https://en.wikipedia.org/wiki/Large_language_model) Are LLMs Just Fancy Autocomplete? Here's Why It Might Look That Way - Medium (https://generativeai.pub/ai-bites-are-llms-just-fancy-autocomplete-heres-why-it-might-look-that-way-17b952ae569e) Andrej Karpathy - Intro to Large Language Models - YouTube (https://www.youtube.com/watch?v=zjkBMFhNj_g) Attention mechanism - Geeks for Geeks (https://www.geeksforgeeks.org/ml-attention-mechanism/) Vector space - Wikipedia (https://en.wikipedia.org/wiki/Vector_space) Generative pre-trained transformer (GPT) - Wikipedia (https://en.wikipedia.org/wiki/Generative_pre-trained_transformer) Claude (language model) - Wikipedia (https://en.wikipedia.org/wiki/Claude_(language_model)) ChatGPT - Wikipedia (https://en.wikipedia.org/wiki/ChatGPT) Llama website (open-source AI models) (https://www.llama.com/) Python (comp lang) (https://en.wikipedia.org/wiki/Python_(programming_language)) Why Can't AI Count the Number of "R"s in the Word "Strawberry"? - HackerNoon (https://hackernoon.com/why-cant-ai-count-the-number-of-rs-in-the-word-strawberry) Gods in the machine? The rise of artificial intelligence may result in new religions - The Conversation (https://theconversation.com/gods-in-the-machine-the-rise-of-artificial-intelligence-may-result-in-new-religions-201068) Robert Anton Wilson - Wikipedia (https://en.wikipedia.org/wiki/Robert_Anton_Wilson) Hunter S. Thompson - Wikipedia (https://en.wikipedia.org/wiki/Hunter_S._Thompson) From pixels to realism: the evolution of video game graphics - Mainleaf (https://mainleaf.com/the-evolution-of-video-game-graphics/) The Green Dilemma: Can AI Fulfil Its Potential Without Harming the Environment? - Earth.org (https://earth.org/the-green-dilemma-can-ai-fulfil-its-potential-without-harming-the-environment/) The Uneven Distribution of AI's Environmental Impacts - HBR.org (https://hbr.org/2024/07/the-uneven-distribution-of-ais-environmental-impacts) Almond Milk vs. Cow's Milk: Which Is More Environmentally Friendly? - Treehugger (https://www.treehugger.com/almond-milk-vs-cow-milk-5215833) Elon Musk warns AI could cause ‘civilization destruction' even as he invests in it - CNN Business (https://edition.cnn.com/2023/04/17/tech/elon-musk-ai-warning-tucker-carlson/index.html) Grok-3 website (https://x.ai/news/grok-3) Elon Musk's AI assistant Grok roasts its creator - Mashable (https://mashable.com/article/grok-x-ai-assistant-roasts-elon-musk) Claude AI website (https://claude.ai/) Anthropic (company) - Wikipedia (https://en.wikipedia.org/wiki/Anthropic) Amanda Askell's website (https://askell.io/) Genie from Aladdin (Robin Williams) - YouTube (https://www.youtube.com/watch?v=WFh2Aab-MVM) Pareidolia - Wikipedia (https://en.wikipedia.org/wiki/Pareidolia) Artificial consciousness - Wikipedia (https://en.wikipedia.org/wiki/Artificial_consciousness) Frankenstein's Monster, AI, and the Perils of Innovation - Medium (https://medium.com/the-procurement-paradox/frankensteins-monster-ai-and-the-perils-of-innovation-918064ab4638) David Lynch - Wikipedia (https://en.wikipedia.org/wiki/David_Lynch) Kundalini - Wikipedia (https://en.wikipedia.org/wiki/Kundalini) William S. Burroughs: "Language is a virus from outer space" - FixQuotes (https://fixquotes.com/quotes/language-is-a-virus-from-outer-space-2449.htm) David Grusch UFO whistleblower claims - Wikipedia (https://en.wikipedia.org/wiki/David_Grusch_UFO_whistleblower_claims) Diana Walsh Pasulka - Wikipedia (https://en.wikipedia.org/wiki/Diana_Walsh_Pasulka) DARPA - Wikipedia (https://en.wikipedia.org/wiki/DARPA) UFO Twitter (https://twitter.com/hashtag/UFOTwitter) Psilocybin & OCD: Can psychedelics treat obsessive compulsive disorder? - New Atlas (https://newatlas.com/science/psilocybin-ocd-psychedelic-therapy-obsessive-compulsive-disorder/) Kabbalah - Wikipedia (https://en.wikipedia.org/wiki/Kabbalah) Taoism (Daoism) - Wikipedia (https://en.wikipedia.org/wiki/Taoism) AI in 2024: Reaching the Point of Super-Persuasion - YouTube (https://www.youtube.com/watch?v=lSEzeHRwYGE) Cambridge Analytica - Wikipedia (https://en.wikipedia.org/wiki/Cambridge_Analytica) Quantum mysticism - Wikipedia (https://en.wikipedia.org/wiki/Quantum_mysticism) Google Gemini website (https://gemini.google.com/?hl=en-GB) VYS0047 | The Weird Review Of The Year 2024 (https://www.vayse.co.uk/vys0047) Don't be evil (Google motto) - Wikipedia (https://en.wikipedia.org/wiki/Don%27t_be_evil) Rhode Island - Wikipedia (https://en.wikipedia.org/wiki/Rhode_Island) UAP recovery video shows ‘egg-shaped' object - YouTube (https://www.youtube.com/watch?v=009qMHiqsVs) Tarot - Wikipedia (https://en.wikipedia.org/wiki/Tarot) I Ching - Wikipedia (https://en.wikipedia.org/wiki/I_Ching) Artificial Intelligence Could Finally Let Us Talk with Animals - Scientific American (https://www.scientificamerican.com/article/artificial-intelligence-could-finally-let-us-talk-with-animals/) Anthropic's Claude AI is playing Pokémon on Twitch…slowly - TechCrunch (https://techcrunch.com/2025/02/25/anthropics-claude-ai-is-playing-pokemon-on-twitch-slowly/) Reality tunnel - Wikipedia (https://en.wikipedia.org/wiki/Reality_tunnel) AI through the lens of neurodiversity - Medium (https://medium.com/digital-architecture-lab/ai-through-the-lens-of-neurodiversity-3134c7ec11a7) Neural network (machine learning) - Wikipedia (https://en.wikipedia.org/wiki/Neural_network_(machine_learning)) Skynet (Terminator) - Wikipedia (https://en.wikipedia.org/wiki/Skynet_(Terminator)) Data (Star Trek) - Wikipedia (https://en.wikipedia.org/wiki/Data_(Star_Trek)) The Shamanic Journey - Shaman Links (https://www.shamanlinks.net/shaman-info/about-shamanism/the-shamanic-journey/) Aidan Wachter's website (https://www.aidanwachter.com/) VYS0042 | Grinding Out Some Low-End - Vayse to Face with Aidan Wachter (https://www.vayse.co.uk/vys0042) The Eagle River Incident (Joe Simonton and the Space Pancakes) (https://www.ufoinsight.com/aliens/encounters/eagle-river-incident) Co-Creation of Reality, Consciousness Evolution, and the Hierarchy of Consciousness in the Cosmic Synthesis Theory (CST) Model - Medium (https://medium.com/@nathandmiller1980/co-creation-of-reality-consciousness-evolution-and-the-hierarchy-of-consciousness-in-the-cosmic-c261a82491dd) Information space - Wikipedia (https://en.wikipedia.org/wiki/Information_space) The Imaginal Realm - Imaginal Journeying (https://imaginaljourneying.com/the-imaginal-realm/) The Secret Commonwealth: An Essay of the Nature and Actions of the Subterranean (and, for the Most Part) Invisible People, Heretofore Going under the Name of Elves, Fauns, and Fairies, by Robert Kirk - Goodreads (https://www.goodreads.com/book/show/572121.The_Secret_Commonwealth) Meme - Wikipedia (https://en.wikipedia.org/wiki/Meme) The Power of Language: How Words Shape Our Reality - Medium (https://medium.com/@sergeianikin/the-power-of-language-how-words-shape-our-reality-59d8c7ac0f3b) AIs are becoming more self-aware. Here's why that matters - AI digest (https://theaidigest.org/self-awareness) Jinn - Wikipedia (https://en.wikipedia.org/wiki/Jinn) Live action role-playing game (LARP) - Wikipedia (https://en.wikipedia.org/wiki/Live_action_role-playing_game) TechGnosis: Myth, Magic, and Mysticism in the Age of Information, by Erik Davis - Goodreads (https://www.goodreads.com/book/show/1527805) Hermetic Qabalah - Wikipedia (https://en.wikipedia.org/wiki/Hermetic_Qabalah) Four Worlds (spiritual realms) - Wikipedia (https://en.wikipedia.org/wiki/Four_Worlds) The Chicken Qabalah of Rabbi Lamed Ben Clifford: Dilettante's Guide to What You Do and Do Not Need to Know to Become a Qabalist, by Lon Milo DuQuette - Goodreads (https://www.goodreads.com/book/show/420549.The_Chicken_Qabalah_of_Rabbi_Lamed_Ben_Clifford) Twin Peaks - Red Room Full Scene HD - YouTube (https://www.youtube.com/watch?v=kDTxN4dbN3E) Morphine - Like a Mirror - YouTube (https://www.youtube.com/watch?v=_ft_bhOzU1g) A hilarious new Harry Potter chapter was written by a predictive keyboard, and it's perfect - Mashable (https://mashable.com/article/harry-potter-predictive-chapter) Great Filter - Wikipedia (https://en.wikipedia.org/wiki/Great_Filter) This Wild, Believable Theory Suggests AI Is Blocking Us From Alien Contact - Inverse (https://www.inverse.com/science/this-wild-believable-theory-suggest-ai-is-blocking-us-from-alien-contact) VYS0048 | Chinese Sex Balloons - Vayse to Face with Edwina Quatermass-Palmer (https://www.vayse.co.uk/vys0048) Adama's 'So Say We All' Speech - Battlestar Galactica - YouTube (https://www.youtube.com/watch?v=bX3orumzB_8) Sequoyah's recommendations (and other stuff) ChatGPT website (https://chatgpt.com/) Sequoyah's Patreon (https://www.patreon.com/sequoyahkennedy) - You can find the links to SK's custom chatbots here Wind of Change podcast (https://podtail.com/podcast/wind-of-change/) Under the Silver Lake - Wikipedia (https://en.wikipedia.org/wiki/Under_the_Silver_Lake) Under the Silver Lake | Official Trailer HD - YouTube (https://www.youtube.com/watch?v=mwgUesU1pz4) Robert Monroe (The Munroe Institute) - Wikipedia (https://en.wikipedia.org/wiki/Robert_Monroe) Songs in the Key of Vayse compilation - Bandcamp (https://vayse.bandcamp.com/album/songs-in-the-key-of-vayse) Buckley's closing question Data - Best Moments - YouTube (https://www.youtube.com/watch?v=P-v31fL_H14) The Best of Bender - YouTube (https://www.youtube.com/watch?v=ln4rfYh7ng0) Short Circuit 1 and 2 - Best of Johnny 5 - YouTube (https://www.youtube.com/watch?v=wdLoz6UZcCo) Vayse online Website (https://www.vayse.co.uk/) Twitter (https://twitter.com/vayseesyav) Bluesky (https://bsky.app/profile/vayseesyav.bsky.social) Instagram (https://www.instagram.com/vayseesyav/) Bandcamp (Music From Vayse) (https://vayse.bandcamp.com/) Ko-Fi (https://ko-fi.com/vayse) Email: vayseinfo@gmail.com Special Guest: Sequoyah Kennedy.

Welcome to Read Aloud For Me, the pioneering AI dashboard designed for the whole family! Our platform is the first of its kind, uniquely crafted to cater not only to adults but also to kids.Summary"Read Aloud For Me - AI Dashboard", is a free app available for iOS and Android devices, and as a Progressive Web App. It provides access to various AI tools, including text-to-speech, translation, image recognition, and generative AI services like ChatGPT and Google Gemini. The app aims to be a user-friendly and secure platform for exploring and utilizing the latest AI technologies, targeting both adults and children with its family-friendly features and educational content. Dive into a world where you can explore and test cutting-edge AI tools, or let your children engage with built-in AI games and bedtime stories, all tailored to spark their imagination and curiosity. Additionally, our intuitive AI explanations are designed to educate both kids and adults about how AI technologies function in a simple and understandable way. Whether you're seeking education, entertainment, or an interactive experience, Read Aloud For Me is your gateway to the future of family-friendly digital interaction. At Wonderland Bedtime Stories, diversity shines through every tale. Our multilingual stories celebrate the rich heritage of children from all corners of the globe, ensuring every child sees themselves in the magic of storytelling.iOs PRO (No Ads): Read Aloud PRO - AI Dashboard on the App Store (apple.com)iOs: Read Aloud For Me AI Dashboard on the App Store (apple.com)Web/Android/PWA: https://readaloudforme.com Windows: AI Tools Catalog and Read Aloud For Me - Download and install on Windows | Microsoft Store

The Hope and Courage Collective- A group who work to counter online disinformation and hate- have called on the Government to ensure social media companies turn off their recommender systems - which drive engagement. Director of Advocacy and Community Engagement with the Hope and Courage Collective, Niamh McDonald tellls us more.

Find any powerful story in Scripture—then look closely. Past the obvious. Behind the headliners. You will likely read about a woman or man, perhaps a servant or onlooker, who contributes a line, a word, or a gesture. The servant girl who offers a word of advice to a king. A face in the crowd that sparks a ministry. Those secondary stories that represent the minor key in the symphony. Every one of them important. In this series, we will consider the unsung, unnoticed, often unnamed characters in scripture without whose contribution the music may never have been heard. The sermon today is titled "The Recommender." It is the second installment in our series "Supporting Cast: Minor Characters, Major Lessons." The Scripture reading is from 2 Kings 5:1-4 (ESV). Originally preached at the West Side Church of Christ (Searcy, AR) on July 28, 2024. All lessons fit under one of 5 broad categories: Begin, Discover, Grow, Learn, and Serve. This sermon is filed under SERVE: Making A Difference.Click here if you would like to watch the sermon or read a transcript.Sources of Inspiration for the Lesson Used in Today's Podcast:Tim Keller, “How We Live As Believers” (2012).Imaculee Ilibageza, Left To Tell. Le Miserables, Act 1.Hieronymus Weller von Molsdorf (1499-1572), “Annotations on 2 Kings.” In Weller, Liber secundus Regum, 15v. Quoted in Reformation Commentary on Scripture, OT Vol 5: 1-2 Samuel, 1-2 Kings, 1-2 Chronicles.T. R. Hobbs, 2 Kings, WBC, Vol 13.David T. Lamb, 1 & 2 Kings, The Story of God Bible Commentary.I'd love to connect with you!Watch sermons and find transcripts at nathanguy.com.Follow along each Sunday through YouTube livestream and find a study guide and even kids notes on the sermon notes page.Follow me @nathanpguy (facebook/instagram/twitter)Subscribe to my email newsletter on substack.

Join us at our first in-person conference on June 25 all about AI Quality: https://www.aiqualityconference.com/ Miguel Fierro is a Principal Data Science Manager at Microsoft and holds a PhD in robotics. From Robotics to Recommender Systems // MLOps Podcast #240 with Miguel Fierro, Principal Data Science Manager at Microsoft. Huge thank you to Zilliz for sponsoring this episode. Zilliz - https://zilliz.com/. // Abstract Miguel explains the limitations and considerations of applying ML in robotics, contrasting its use against traditional control methods that offer exactness, which ML approaches generally approximate. He discusses the integration of computer vision and machine learning in sports for player movement tracking and performance analysis, highlighting collaborations with European football clubs and the role of artificial intelligence in strategic game analysis, akin to a coach's perspective. // Bio Miguel Fierro is a Principal Data Science Manager at Microsoft Spain, where he helps customers solve business problems using artificial intelligence. Previously, he was CEO and founder of Samsamia Technologies, a company that created a visual search engine for fashion items allowing users to find products using images instead of words, and founder of the Robotics Society of Universidad Carlos III, which developed different projects related to UAVs, mobile robots, humanoid robots, and 3D printers. Miguel has also worked as a robotics scientist at Universidad Carlos III of Madrid (UC3M) and King's College London (KCL) and has collaborated with other universities like Imperial College London and IE University in Madrid. Miguel is an Electrical Engineer by UC3M, PhD in robotics by UC3M in collaboration with KCL, and graduated from MIT Sloan School of Management. // MLOps Jobs board https://mlops.pallet.xyz/jobs // MLOps Swag/Merch https://mlops-community.myshopify.com/ // Related Links Website: https://miguelgfierro.com GitHub: https://github.com/miguelgfierro/RecSys at Spotify // Sanket Gupta // MLOps Podcast #232 - https://youtu.be/byH-ARJA4gkRecommenders joins LF AI & Data as new Sandbox project: https://cloudblogs.microsoft.com/opensource/2023/10/10/recommenders-joins-lf-ai-data-as-new-sandbox-project/ --------------- ✌️Connect With Us ✌️ ------------- Join our slack community: https://go.mlops.community/slack Follow us on Twitter: @mlopscommunity Sign up for the next meetup: https://go.mlops.community/register Catch all episodes, blogs, newsletters, and more: https://mlops.community/ Connect with Demetrios on LinkedIn: https://www.linkedin.com/in/dpbrinkm/ Connect with Miguel on LinkedIn: https://www.linkedin.com/in/miguelgfierro/ Timestamps: [00:00] Miguel's preferred coffee [00:11] Takeaways [02:25] Robotics [10:44] Simpler solutions over ML [15:11] Robotics and Computer Vision [19:15] Basketball object detection [22:43 - 23:50] Zilliz Ad [23:51] Mr. Recommenders and Recommender systems' common patterns [31:35] Embeddings and Feature Stores [42:34] Experiment ROI for leadership [47:17] Hi ROI investments [51:13] LLMs in Recommender Systems [54:51] Wrap up

Welcome to another episode of Professional Book Girl! This week Kayla is sharing how to have the perfect bookish NYC day, before getting into three books that she always recommends.  The March Book Club pick is Listen For the Lie by Amy Tintera. Send your review to professionalbookgirlpod@gmail.com by 3/26 to be included in the book club episode. The book club episode will be out on 3/28. On this episode, Kayla talks about: The Family Plot by Megan Collins Caraval by Stephanie Garber The Boys Club by Erica Katz As always, the reviews are spoiler-free. Thank you for listening!  Buy the books Kayla covered here: https://bookshop.org/shop/professionalbookgirl Follow Professional Book Girl on Instagram: https://www.instagram.com/professionalbookgirl/ Follow Kayla on Instagram: https://www.instagram.com/kayreadwhat/Watch on YouTube: https://www.youtube.com/@professionalbookgirlpod

In the digitalised world, citizens – while having control over their personal information – are increasingly exposing their data, and there are plenty of online platforms ready to collect this.Aigul Kaskina, in collaboration with the FMsquare Foundation, presents the concept of a fuzzy-based recommender system for user account privacy settings that can be used for citizen participation on online political platforms. Read the original research: doi.org/10.1007/978-3-031-06021-2_1 Read more about the FMsquare Foundation in Research OutreachVisit the FMsquare Foundation's website: fmsquare.org

Recommender systems (RS) play important roles to match users' information needs for Internet applications. In natural language processing (NLP) domains, large language model (LLM) has shown astonishing emergent abilities (e.g., instruction following, reasoning), thus giving rise to the promising research direction of adapting LLM to RS for performance enhancements and user experience improvements. In this paper, we conduct a comprehensive survey on this research direction from an application-oriented view. We first summarize existing research works from two orthogonal perspectives: where and how to adapt LLM to RS. For the"WHERE"question, we discuss the roles that LLM could play in different stages of the recommendation pipeline, i.e., feature engineering, feature encoder, scoring/ranking function, and pipeline controller. For the"HOW"question, we investigate the training and inference strategies, resulting in two fine-grained taxonomy criteria, i.e., whether to tune LLMs or not, and whether to involve conventional recommendation model (CRM) for inference. Detailed analysis and general development trajectories are provided for both questions, respectively. Then, we highlight key challenges in adapting LLM to RS from three aspects, i.e., efficiency, effectiveness, and ethics. Finally, we summarize the survey and discuss the future prospects. We also actively maintain a GitHub repository for papers and other related resources in this rising direction: https://github.com/CHIANGEL/Awesome-LLM-for-RecSys. 2023: Jianghao Lin, Xinyi Dai, Yunjia Xi, Weiwen Liu, Bo Chen, Xiangyang Li, Chenxu Zhu, Huifeng Guo, Yong Yu, Ruiming Tang, Weinan Zhang https://arxiv.org/pdf/2306.05817v4.pdf

Frustrated by a lack of understanding of consumer taste preferences and a lack of data-driven decision-making about winemaking, Katerina Axelsson, CEO and Co-Founder of Tastry, built an AI and chemical analysis system to solve this. With custom-built algorithms that take chemical analysis and develop flavor profiles and a database of consumer taste preferences that map to the US's 248M adults, Tastry is paving a new, innovative way to use data to make and market wine.Detailed Show Notes: Tastry was founded around 6 years ago, but 1st 4 were more of an R&D project, officially launched Dec 2021The wine industry is trying to anticipate what consumers wantNew wines have an 85% failure rate in the 1st yearPeople describing flavors in wine doesn't correlate with if they like itTastry uses AI and Machine Learning with chemical analysis to break down a wine's flavor2 databases - wine's flavor profile and consumer taste preferences that are matched togetherWine databaseAnalyze 10,000's of wines/yearChemical analysis is done in-house on standardized equipment but with proprietary softwareThe Top 2,000 wines based on IRI annually are analyzed to build a baseline data set as wineries' samples are proprietaryConsumer taste databaseDid double-blind tasting panels, asking consumers if they both liked or did not like wines; the negative preference is important for the flavor profile buildingConsumers also asked analog questions that became the Recommended by Tastry quizUse algorithms to relate data and predict preferences for the rest of the population (248M taste profiles)Can now predict individual consumer taste profiles if they take the Tasty quiz with 93% accuracy in how they would rate the winePalates are very unique; the largest cohort is only 13 peopleDemographics don't show a lot of differences in taste preferencesCustomers - work with >100 wineries, 22 of 25 largest wineriesWinemaker use casesComputational Blending - uses simulation to match profiles from different blends and adjustments; winemakers set parameters on what they are trying to achieveWinery had to switch from barrels to adjustments to 5x production and used blending to get a similar profileNavigating smoke taint (3k tons, $10M worth of fruit) - came back with a recipe that solved the issueMaintaining year-over-year consistencyWinery marketing use casesRecommended by Tastry plug-in for wine clubsLook more at finished wines and at competitive sets and overlap of consumer preferencesRetailer use casesRecommender helps get more niche brands discoveredThere is more traction for e-retailers now; pilots with big box retailersDec 2023 - Tastrt will announce a scalable way to access a broad # of winesStrong ROI - 44-215x, benefits mainly cost savings, increased revenueBusiness model - Vertical SaaS with consumption-based modelSubscription to dashboardLab analysis of samples provides ~$3,000 worth of analysis for a $370 list priceCompublend - per simulation chargeAccess to competitive data sets from the Top 2,000 winesPricing is the same for winemakers, marketing, and retailersRaised ~$10M in funding from individuals, early stage VC's, and strategic investors (wine, AI, retail) Get access to library episodes Hosted on Acast. See acast.com/privacy for more information.

Summary Large language models have gained a substantial amount of attention in the area of AI and machine learning. While they are impressive, there are many applications where they are not the best option. In this episode Piero Molino explains how declarative ML approaches allow you to make the best use of the available tools across use cases and data formats. Announcements Hello and welcome to the Machine Learning Podcast, the podcast about machine learning and how to bring it from idea to delivery. Your host is Tobias Macey and today I'm interviewing Piero Molino about the application of declarative ML in a world being dominated by large language models Interview Introduction How did you get involved in machine learning? Can you start by summarizing your perspective on the effect that LLMs are having on the AI/ML industry? In a world where LLMs are being applied to a growing variety of use cases, what are the capabilities that they still lack? How does declarative ML help to address those shortcomings? The majority of current hype is about commercial models (e.g. GPT-4). Can you summarize the current state of the ecosystem for open source LLMs? For teams who are investing in ML/AI capabilities, what are the sources of platform risk for LLMs? What are the comparative benefits of using a declarative ML approach? What are the most interesting, innovative, or unexpected ways that you have seen LLMs used? What are the most interesting, unexpected, or challenging lessons that you have learned while working on declarative ML in the age of LLMs? When is an LLM the wrong choice? What do you have planned for the future of declarative ML and Predibase? Contact Info LinkedIn (https://www.linkedin.com/in/pieromolino/?locale=en_US) Website (https://w4nderlu.st/) Closing Announcements Thank you for listening! Don't forget to check out our other shows. The Data Engineering Podcast (https://www.dataengineeringpodcast.com) covers the latest on modern data management. Podcast.__init__ () covers the Python language, its community, and the innovative ways it is being used. Visit the site (https://www.themachinelearningpodcast.com) to subscribe to the show, sign up for the mailing list, and read the show notes. If you've learned something or tried out a project from the show then tell us about it! Email hosts@themachinelearningpodcast.com (mailto:hosts@themachinelearningpodcast.com)) with your story. To help other people find the show please leave a review on iTunes (https://podcasts.apple.com/us/podcast/the-machine-learning-podcast/id1626358243) and tell your friends and co-workers Parting Question From your perspective, what is the biggest barrier to adoption of machine learning today? Links Predibase (https://predibase.com/) Podcast Episode (https://www.themachinelearningpodcast.com/predibase-declarative-machine-learning-episode-4) Ludwig (https://ludwig.ai/latest/) Podcast.__init__ Episode (https://www.pythonpodcast.com/ludwig-horovod-distributed-declarative-deep-learning-episode-341/) Recommender Systems (https://en.wikipedia.org/wiki/Recommender_system) Information Retrieval (https://en.wikipedia.org/wiki/Information_retrieval) Vector Database (https://thenewstack.io/what-is-a-real-vector-database/) Transformer Model (https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)) BERT (https://en.wikipedia.org/wiki/BERT_(language_model)) Context Windows (https://www.linkedin.com/pulse/whats-context-window-anyway-caitie-doogan-phd/) LLAMA (https://en.wikipedia.org/wiki/LLaMA) The intro and outro music is from Hitman's Lovesong feat. Paola Graziano (https://freemusicarchive.org/music/The_Freak_Fandango_Orchestra/Tales_Of_A_Dead_Fish/Hitmans_Lovesong/) by The Freak Fandango Orchestra (http://freemusicarchive.org/music/The_Freak_Fandango_Orchestra/)/CC BY-SA 3.0 (https://creativecommons.org/licenses/by-sa/3.0/)

It is time for every senior in the country to look on what they have not done and what they need to get done like: Final draft list of collegesTheir requirements for admissions, interviews, rep visits and financial aid (check this one!)Drafts of statements for each application and for each campus (there will be a lot)Check with recommenders (two core teachers, counselor and outside recommender if desired)Check your emails -- they can see if you read your emails or notGet connected with your repsAll transcriptsTriple check your list that there are challenge, possible and likely campuses for admissions and paying for collegeGood luck!

It is time for every senior in the country to look on what they have not done and what they need to get done like: Final draft list of collegesTheir requirements for admissions, interviews, rep visits and financial aid (check this one!)Drafts of statements for each application and for each campus (there will be a lot)Check with recommenders (two core teachers, counselor and outside recommender if desired)Check your emails -- they can see if you read your emails or notGet connected with your repsTriple check your list that there are challenge, possible and likely campuses for admissions and paying for collegeGood luck!

MLOps Coffee Sessions #157 with Katrina Ni & Aaron Maurer, MLOps Build or Buy, Startup vs. Enterprise? co-hosted by Jake Noble of tecton.ai. This episode is sponsored by tecton.ai - Check out their feature store to get your real-time ML journey started. // Abstract There are a bunch of challenges with building useful machine learning at a B2B software company like Slack, but we've built some cool use cases over the years, particularly around recommendations. One of the key challenges is how to train powerful models while being prudent stewards of our clients' essential business data, and how to do so while respecting the increasingly complex landscape of international data regulation. // Bio Katrina Ni Katrina is a Machine Learning Engineer in Slack ML Services Team where they build ML platforms and integrate ML, e.g. Recommend API, Spam Detection, across product functionalities. Prior to Slack, she is a Software Engineer in Tableau Explain Data Team where they build tools that utilize statistical models and propose possible explanations to help users inspect, uncover, and dig deeper into the viz. Aaron Maurer Aaron is a senior engineering manager in the infra organization at Slack, managing both the machine learning team and the real-time services team. In six years at Slack, most of which Aaron spent as an engineer, He worked on the search ranking, recommendation, spam detection, performance anomaly detection, and many other ML applications. Aaron is also an advisor to Eppo, an experimentation platform. Prior to Slack, Aaroon worked as a data scientist at Airbnb, earned a Masters in statistics at the University of Chicago, and helped develop econometric models projecting the Obamacare rollout at Acumen LLC. // MLOps Jobs board https://mlops.pallet.xyz/jobs // MLOps Swag/Merch https://mlops-community.myshopify.com/ // Related Links --------------- ✌️Connect With Us ✌️ ------------- Join our slack community: https://go.mlops.community/slack Follow us on Twitter: @mlopscommunity Sign up for the next meetup: https://go.mlops.community/register Catch all episodes, blogs, newsletters, and more: https://mlops.community/ Connect with Demetrios on LinkedIn: https://www.linkedin.com/in/dpbrinkm/ Connect with Jake on LinkedIn: https://www.linkedin.com/in/jakednoble/ Connect with Katrina on LinkedIn: https://www.linkedin.com/in/katrina-ni-660b2590/ Connect with Aaron on LinkedIn: https://www.linkedin.com/in/aaron-maurer-4003b638/ Timestamps: [00:00] Aaron and Katrina's preferred coffee [00:41] Recommender and System and Jake [02:06] Takeaways [05:38] Introduction to Aaron Maurer & Katrina Ni [06:53] Aaron Maurer & Katrina Ni's Recommend API blog post [08:36] 10-pole machine learning use case and Rex's use case [10:14] Genesis of Slack's recommender system framework [11:47] The Special Sauce [12:58] Speaking the same language [15:23] Use case sources [17:08] Slack's feature engineering [17:52] Main CTR models [18:40] Data privacy [21:33] Slack's recommendations problem [22:09] Fine-tuning the generative models [23:30] Cold start problem [26:02] Underrated [28:24] Baseline [28:55] Cold sore space [30:15] LLMs in Production Conference Part 2 announcement! [32:32] Data scientists transition to ML [33:35] Unicorns do exist! [34:43] Diversity of skill set [36:02] The future of ML [38:34] Model Serving [40:11] MLOps Maturity level [43:06] AWS Analogy [45:05] Primary difficulty [48:07] Wrap up

This episode of Recsperts features Justin Basilico who is director of research and engineering at Netflix. Justin leads the team that is in charge of creating a personalized homepage. We learn more about the evolution of the Netflix recommender system from rating prediction to using deep learning, contextual multi-armed bandits and reinforcement learning to perform personalized page construction. Deep content understanding drives the creation of useful groupings of videos to be shown in a personalized homepage.Justin and I discuss the misalignment of metrics as just one out of many elements that is making personalization still “super hard”. We hear more about the journey of deep learning for recommender systems where real usefulness comes from taking advantage of the variety of data besides pure user-item interactions, i.e. histories, content, and context. We also briefly touch on RecSysOps for detecting, predicting, diagnosing and resolving issues in a large-scale recommender systems and how it helps to alleviate item cold-start.In the end of this episode, we talk about the company culture at Netflix. Key elements are freedom and responsibility as well as providing context instead of exerting control. We hear that being really comfortable with feedback is important for high-performance people and teams.Enjoy this enriching episode of RECSPERTS - Recommender Systems Experts.Chapters: (03:13) - Introduction Justin Basilico (07:37) - Evolution of the Netflix Recommender System (22:28) - Page Construction of the Personalized Netflix Homepage (32:12) - Misalignment of Metrics (37:36) - Experience with Deep Learning for Recommender Systens (48:10) - RecSysOps for Issue Detection, Diagnosis and Response (55:38) - Bandits Recommender Systems (01:03:22) - The Netflix Culture (01:13:33) - Further Challenges (01:15:48) - RecSys 2023 Industry Track (01:17:25) - Closing Remarks Links from the Episode: Justin Basilico on Linkedin Justin Basilico on Twitter Netflix Research Publications The Netflix Tech Blog CONSEQUENCES+REVEAL Workshop at RecSys 2022 Learning a Personalized Homepage (Alvino et al., 2015) Recent Trends in Personalization at Netflix (Basilico, 2021) RecSysOps: Best Practices for Operating a Large-Scale Recommender System (Saberian et al., 2022) Netflix Fourth Quarter 2022 Earnings Interview No Rules Rules - Netflix and the Culture of Reinvention (Hastings et al., 2020) Job Posting for Netflix' Recommendation Team Papers: Steck et al. (2021): Deep Learning for Recommender Systems: A Netflix Case Study Steck et al. (2021): Negative Interactions for Improved Collaborative Filtering: Don't go Deeper, go Higher More et al. (2019): Recap: Designing a more Efficient Estimator for Off-policy Evaluation in Bandits with Large Action Spaces Bhattacharya et al. (2022): Augmenting Netflix Search with In-Session Adapted Recommendations General Links: Follow me on Twitter: https://twitter.com/MarcelKurovski Send me your comments, questions and suggestions to marcel@recsperts.com Podcast Website: https://www.recsperts.com/

MLOps Coffee Sessions #141 with Stephen Bailey, Airflow Sucks for MLOps co-hosted by Joe Reis. // Abstract Stephen discusses his experience working with data platforms, particularly the challenges of training and sharing knowledge among different stakeholders. This talk highlights the importance of having clear priorities and a sense of practicality and mentions the use of modular job design and data classification to make it easier for end users to understand which data to use. Stephen also mentions the importance of being able to move quickly and not getting bogged down in the quest for perfection. We recommend Stephen's blog post "Airflow's Problem" for further reading. // Bio Stephen has worked as a data scientist, analyst, manager, and engineer, and loves all the domains equally. He currently works at Whatnot, a collectibles marketplace that focuses on live shopping, and has previously worked in privacy tech at Immuta. He has his Ph.D. from Vanderbilt University in educational cognitive neuroscience, but it has yet to help him understand why his three children are so crazy. // MLOps Jobs board https://mlops.pallet.xyz/jobs // MLOps Swag/Merch https://mlops-community.myshopify.com/ // Related Links Airflow's Problem blog post: https://stkbailey.substack.com/p/airflows-problem Airflow's Problem and the reception it got on Hacker News: https://news.ycombinator.com/item?id=32317558 --------------- ✌️Connect With Us ✌️ ------------- Join our slack community: https://go.mlops.community/slack Follow us on Twitter: @mlopscommunity Sign up for the next meetup: https://go.mlops.community/register Catch all episodes, blogs, newsletters, and more: https://mlops.community/ Connect with Demetrios on LinkedIn: https://www.linkedin.com/in/dpbrinkm/ Connect with Joe on LinkedIn: https://www.linkedin.com/in/josephreis/ Connect with Stephen on LinkedIn: https://www.linkedin.com/in/stkbailey/ Timestamps: [00:00] Stephen's preferred coffee [00:19] Introduction to co-host Joe Reis [01:40] Takeaways [06:29] Subscribe to our newsletters! [06:55] Shout out to our sponsor, Wallaroo! [08:05] Whatnot [10:47] Stephen's side hustle [14:35] Stephen's work breakdown at Whatnot [18:03] Fundamental tensions in the data world [21:27] Initial questions to answer that you were on the right path [24:06] Recommender systems [28:15] Coordinating with ML teams [29:43] Daxter [31:38] Too advanced, more challenging [34:37] Orchestration layer [36:14] Decision criteria [39:23] Human design aspect of Daxter [40:53] Orchestration layer centralization and sharing knowledge with stakeholders [46:18] Airflow's Problem and the reception it got on Hacker News [51:00] Wrap up

Zum Abschluss des Themenfelds Besucherlenkung widmen wir uns heute dem Thema Recommender. Wie sollen Empfehlungen ausgespielt werden um möglichst viele Personen zu erreichen und wie unterscheiden sich die verschiedenen Ausspielkanäle? In  dieser Folge diskutieren Jessica und Felix mit Robert.

In dieser Podcastfolge von MY DATA IS BETTER THAN YOURS spricht Jonas Rashedi mit Andre Bielecki, Senior Produktmanager AI bei OTTO. Das Besondere an dieser Folge? Sie ist im OTTO-Hauptgebäude in Hamburg aufgenommen (auf YouTube ist auch das Video zu sehen). Andre hat VWL studiert und als Data Scientist gearbeitet, bevor er sich auf das Thema Künstliche Intelligenz fokussierte. Mit dieser Spezifikation sitzt er nun in der AI-Foundation, einem Sub-Bereich aus mehreren Teams, dessen Ziel es ist, KI-Modelle bei OTTO zu etablieren. Dazu gehören Recommender-Systeme und Personalisierung. Andre erklärt sehr anschaulich den Prozess, wie KI-Modelle in die Anwendung gebracht werden: Das Team erhält ein Business-Problem, zudem im ersten Schritt Daten gesammelt werden, um das Problem genau zu eruieren. Dann werden jede Menge Papers gesichtet und gelesen. Diese wissenschaftliche Arbeit sorgt dafür, dass am Ende mehrere Lösungen zur Auswahl stehen, von denen die einfachste und robusteste weiterverfolgt wird. Zunächst wird dann ein POC gebaut, welcher auch sehr schnell live geht. Das Testing über den Shop sorgt oft für harte, gleichzeitig aber für effiziente Ergebnisse, sodass schnell klar wird, welche Lösung weiterverfolgt werden sollte. Andre und Jonas finden eine schöne Analogie hierfür: Zunächst sollen die Brötchen klein gebacken werden, und wenn nötig, kann dann ein AI-Brot in den Ofen kommen. Zudem erklärt Andre, wo der Schwerpunkt bei OTTO hinsichtlich der Recommender liegt, denn die inhouse erstellten Algorithmen arbeiten mit einer impliziten Personalisierung auf Basis des Kundenverhaltens. Doch auch die Herausforderungen bei Produkten, welche noch nicht im Shop existieren, werden gelöst, was Andre anschaulich und auch auf technischer Ebene erklärt. Zum LinkedIn-Profil von Andre: https://www.linkedin.com/in/dr-andre-bielecki-10106450/ Zur Webseite von OTTO: https://www.otto.de Zur MAIN-Session: https://mainsession.ai Zur Kaggle Challenge: https://www.otto.de/jobs/technology/techblog/artikel/otto-machine-learning-competition.php Zur Webseite von Jonas: https://www.jonas-rashedi.de Zum LinkedIn-Profil von Jonas: https://www.linkedin.com/in/jonasrashedi/ Zum Newsletter von Jonas: https://share-eu1.hsforms.com/1m5SesP8QStuLDLjrJAnZXAfcb4n Zum Podcast auf Spotify: https://open.spotify.com/show/1CbTKaUuWhWnCUjGEagajs?si=6d7feac78076476d Zum Podcast bei Apple: https://podcasts.apple.com/de/podcast/my-data-is-better-than-yours/id1524294960 Zum YouTube-Kanal: https://www.youtube.com/c/JonasRashedi

Organized in partnership with the Faculty of Fine Arts, University of Lisbon, Communication Design and of Multimedia Arts departments Discriminating Data, a conversation with Wendy Hui Kyong Chun Wendy Hui Kyong Chun Canada 150 Chair in New Media, Director, Digital Democracies Institute In Discriminating Data [2021], Wendy Hui Kyong Chun reveals how polarization is a goal—not an error—within big data and machine learning. These methods, she argues, encode segregation, eugenics, and identity politics through their default assumptions and conditions. Correlation, which grounds big data's predictive potential, stems from twentieth-century eugenic attempts to “breed” a better future. Recommender systems foster angry clusters of sameness through homophily. Users are “trained” to become authentically predictable via a politics and technology of recognition. Machine learning and data analytics thus seek to disrupt the future by making disruption impossible. In this conversation, Chun will discuss the themes of her book with Andrea Pavoni, assistant research professor at DINAMIA'CET and then take questions from the audience. Wendy Hui Kyong Chun Wendy Hui Kyong Chun is the Canada 150 Research Chair in New Media at Simon Fraser University, and leads the Digital Democracies Institute. She studied Systems Design Engineering and English Literature, which she combines in her current work on digital media, and is the author of Control and Freedom: Power and Paranoia in the Age of Fiber Optics (2006), Programmed Visions: Software and Memory (2011), Updating to Remain the Same: Habitual New Media (2016) and, more recently, Discriminating Data (2021). https://www.sfu.ca/communication/team/faculty/wendy-chun.html https://mitpress.mit.edu/books/discriminating-data https://twitter.com/whkchun Human Entities is a public programme of talks organised by CADA.

Visit The URL below befowing buying on Amazon to browse our Amazon Affiliate links. The Podcast receiving earnings from this links use! www.SupportTheAddicts.com The Anime Addicts play a game of Random Recommender. We use a number generator to recommend anime, like em' or hate em' from our MAL lists. We also review the latest in a storied tradition of "girls with guns" anime, Lycoris Recoil. Don't miss it! Time Markers: --Intro(s): 0:00 --Big News of the Week: 8:00 --Main Topic: Random Recommender: 17:00 --Trivia/News Break: 0:57:30 --Anime Confessional: 1:06:15 --Mailbags: 1:11:30 --Review: Lycoris Recoil: 1:18:00 --Closing Information: 2:00:00 You can support the podcast in the following ways: Sign up at: http://www.aaapodcast.com/join Send a donation at: https://www.aaapodcast.com/donate Sign up at Patreon: https://www.patreon.com/AAAPodcast Thank you for your generosity and kindness. ------------------------------------------------------ You can also join our Discord Channel at: https://discordapp.com/invite/jFyUqgk ------------------------------------------------------

This episode details: The most important recommender criteria What you should do if you can't ask your direct manager for a letter What you should do if you don't want anyone at your company to know of your MBA plans If it's OK to use college professors or extracurricular contacts as recommenders Whether seniority or alumni status matters Whether "side letters" are effective What you should do if you've worked for more than one company since college What you should do if you haven't worked with one of your recommenders for some time, and finally What you should do if you work for a family-owned business (This is a replay of episode 12.)

MLOps Coffee Sessions #123 with Gleb Abroskin, Machine Learning Engineer at Funcorp, How & Why We Update Models 100 Times a Day at Funcorp co-hosted by Jake Noble. // Abstract FunCorp was a top 10 app store. It was a very popular app that has a ton of downloads and just memes. They need a recommendation system on top of that. Memes are super tricky because they're user-generated and they evolve very quickly. They're going to live and die by the Recommender System in that product. It's incredible to see FunCorp's maturity. Gleb breaks down the feature store they created and the velocity they have to be able to create a whole new pipeline in a new model and put it into production after only a month! // Bio Gleb make models go brrrrr. He doesn't know what is expected in this field, to be honest, but Gleb has experience in deploying a lot of different ML models for CV, speech recognition, and RecSys in a variety of languages (C++, Python, Kotlin) serving millions of users worldwide. / MLOps Jobs board https://mlops.pallet.xyz/jobs MLOps Swag/Merch https://mlops-community.myshopify.com/ // Related Links --------------- ✌️Connect With Us ✌️ ------------- Join our slack community: https://go.mlops.community/slack Follow us on Twitter: @mlopscommunity Sign up for the next meetup: https://go.mlops.community/register Catch all episodes, blogs, newsletters, and more: https://mlops.community/ Connect with Demetrios on LinkedIn: https://www.linkedin.com/in/dpbrinkm/ Connect with Jake on LinkedIn: https://www.linkedin.com/in/jakednoble/ Connect with Gleb on LinkedIn: https://www.linkedin.com/in/gasabr/ Timestamps: [00:00] Introduction to Gleb Abroskin [00:50] Takeaways [05:39] Breakdown of FunCorp teams [06:47] FunCorp's team ratio [07:41] FunCorp team provisions [08:48] Feature Store vision [10:16] Matrix factorization [11:51] Fairly modular fairly thin infrastructure [12:26] Distinct models with the same feature [13:08] FunCorp's definition of Feature Store [15:10] Unified API [15:55] FunCorp's scaling direction [17:01] Level up as needed [17:38] Future of FunCorp's Feature Store [18:37] Monitoring investment in the space [19:43] Latency for business metrics [21:04] Velocity to production [23:10] 30-day retention struggle [24:45] Back-end business stability [27:49] Recommender systems [30:34] Back-end layer headaches [32:04] Missing piece of the whole Feature Store picture [33:54] Throwing ideas turn around time [36:37] Decrease time to market [37:41] Continuous training pipelines or produce an artifact [39:33] Worst-case scenario [40:38] Realistic estimation of a new model deployment [41:42] Recommender Systems' future velocity [43:07] A/B Testing launch - no launch decision [46:32] Lightning question [47:08] Wrap up

The Anime Addicts succumb to Caroline's brain child, the "Random Anime Recommender!!" Get recommended fools! Then, a review of the Winter 2022 anime, and Listener Choice selected "Akebi's Sailor Uniform". Time Markers: --Intro(s): 0:00 --Big News of the Week: 7:00 --Main Topic: Random Anime Recommender!: 13:30 --Trivia/News Break: 50:00 --Unexplored Pictres: 53:30 --Mailbag: 59:30 --Review: Akebi's Sailor Uniform: 1:07:00 --Closing Information: 1:39:00 You can support the podcast in the following ways: Sign up at: http://www.aaapodcast.com/join Send a donation at: https://www.aaapodcast.com/donate Sign up at Patreon: https://www.patreon.com/AAAPodcast Thank you for your generosity and kindness. ------------------------------------------------------ You can also join our Discord Channel at: https://discordapp.com/invite/jFyUqgk ------------------------------------------------------

Recommender systems have become omnipresent in our everyday lives exemplified by Netflix telling us what movies to watch, to Amazon suggesting which books we should read, to Instacart promoting specific brands we must buy. We are constantly being influenced and seduced by these algorithms and the humans who designed them. On this month's HDSR podcast we examine the pros and cons of recommender systems as well as the art, passion, and creativity that can be lost when we rely too heavily on them.  Our expert guests are Dr. Pearl Pu, the leading data scientist on recommender systems and a senior scientist at the Faculty of Information and Communication Sciences at EPFL in Lausanne, Switzerland, and film-maker Brandt Andersen whose most recent film, Refugee about a Syrian doctor's escape from her war torn country, was short-listed for an Academy Award for Best Live Action Short in 2020.  

Kyle Kranen is a Deep Learning Software Engineer at Nvidia. Researching, implementing, and optimizing state of the art distributed deep learning models, using mainly Pytorch and Tensorflow. He has a unique combination of skillset of both hardware and software engineering. We talked about Graph Neural Network (GNN), Temporal Fusion Transformer (TFT), time series, and other deep learning research topics and his career journey. Follow @dalianaliu for more on data science, career, and updates of this podcast. Kyle's Linkedin: https://www.linkedin.com/in/kyle-kranen/

welcome to the nonlinear library, where we use text-to-speech software to convert the best writing from the rationalist and ea communities into audio. this is: Aligning Recommender Systems as Cause Area, published by IvanVendrov on the effective altruism forum. by Ivan Vendrov and Jeremy Nixon Disclaimer: views expressed here are solely our own and not those of our employers or any other organization. Most recent conversations about the future focus on the point where technology surpasses human capability. But they overlook a much earlier point where technology exceeds human vulnerabilities. The Problem, Center for Humane Technology. The short-term, dopamine-driven feedback loops that we have created are destroying how society works. Chamath Palihapitiya, former Vice President of user growth at Facebook. The most popular recommender systems - the Facebook news feed, the YouTube homepage, Netflix, Twitter - are optimized for metrics that are easy to measure and improve, like number of clicks, time spent, number of daily active users, which are only weakly correlated with what users care about. One of the most powerful optimization processes in the world is being applied to increase these metrics, involving thousands of engineers, the most cutting-edge machine learning technology, and a significant fraction of global computing power. The result is software that is extremely addictive, with a host of hard-to-measure side effects on users and society including harm to relationships, reduced cognitive capacity, and political radicalization. Update 2021-10-18: As Rohin points out in a comment below the evidence for concrete harms directly attributing to recommender systems is quite weak and speculative; the main argument of the post does not strongly depend on the last paragraph. In this post we argue that improving the alignment of recommender systems with user values is one of the best cause areas available to effective altruists, particularly those with computer science or product design skills. We'll start by explaining what we mean by recommender systems and their alignment. Then we'll detail the strongest argument in favor of working on this cause, the likelihood that working on aligned recommender system will have positive flow-through effects on the broader problem of AGI alignment. We then conduct a (very speculative) cause prioritization analysis, and conclude with key points of remaining uncertainty as well as some concrete ways to contribute to the cause. Cause Area Definition Recommender Systems By recommender systems we mean software that assists users in choosing between a large number of items, usually by narrowing the options down to a small set. Central examples include the Facebook news feed, the YouTube homepage, Netflix, Twitter, and Instagram. Less central examples are search engines, shopping sites, and personal assistant software which require more explicit user intent in the form of a query or constraints. Aligning Recommender Systems By aligning recommender systems we mean any work that leads widely used recommender systems to align better with user values. Central examples of better alignment would be recommender systems which optimize more for the user's extrapolated volition - not what users want to do in the moment, but what they would want to do if they had more information and more time to deliberate. require less user effort to supervise for a given level of alignment. Recommender systems often have facilities for deep customization (for instance, it's possible to tell the Facebook News Feed to rank specific friends' posts higher than others) but the cognitive overhead of creating and managing those preferences is high enough that almost nobody uses them. reduce the risk of strong undesired effects on the user, such as seeing traumatizing or extremely psychologically manipulative content. What interventions would best lead to these improvements? Prioritizing specific interventions is out of scope ...

This episode covers who you should ask to write your recommendations if you work for a family business, lead a startup, or can't risk asking your direct manager (or possibly anyone at your current firm).

Finishing an amazing book is kind of like going on the Keto Diet: if you don't tell everyone in your life about it, you're probably not doing it right. But that's honestly one of the coolest things about books. They have a way of turning readers into evangelists. It's also one of the coolest things about our guest this week's job: she gets to recommend great reads to literally millions of people each month. And she gets paid for it! Sarah Gelman is the Editorial Director of Amazon's Books division. (That's right, selling books on the internet: back where it all began for Amazon.) In that role, Sarah leads the team of writers, readers, and content creators who serve as the "human" element of Amazon's recommendation engine. As great as the "frequently bought together" and "you might also like" tools are, we can't leave your next book solely in the hands of the robots. Which is where Sarah and her team come in, writing reviews and making recommendations on hundreds of titles every year. Think of them like your best friend with impeccable taste. Just, you know...on the most popular website on the internet. Sarah stops by The Dream Job this week to talk about her earliest literary memories, what it was like interviewing Chelsea Clinton, and how she manages to read nearly 100 books a year. And, of course, since she's in the "recommendation business," we make sure to get her recommendations for the books you MUST be reading with what's left of your summer. (Links below.) Sarah is a living example of the magic that can happen when a passion (books), a profession (Amazon), and a mission (celebrating great authors and great literature) all converge into one. Give it a listen! And then instead of getting back to work...get back to reading! Sarah on InstagramAmazon's Book Review SiteBooks Recommended On The EpisodeEverything I Never Told You, Celeste NgLittle Fires Everywhere, Celeste NgThe Husbands, Chandler BakerWinter Garden, Kristin HannahThe Great Alone, Kristin HannahCount The Ways, Joyce MaynardPunch Me Up To The Gods,  Brian Broome

เราจะวางกลยุทธ์ MBA Recommendation ยังไงให้ติด Top-U . สรุปเทคนิคการทำ Letter of Recommendation การหา Recommender ที่ทำให้เราติด Top-U ได้ค่ะ . อยากได้เคล็ดลับเรียนต่อ TopU และเคล็ดลับสอบ GMAT ติดตาม Website: missiontotopu.com/  ติดตาม Line: bit.ly/3akDRqq

We have been talking a lot about recommendations (letter of reference) lately. Today, I will be answering Mariam's question on how to select the perfect person to write a letter of recommendation for your MBA application. Mariam Al-Hassan is a member of the City of Lane. LANE (Light Africa NEtwork) is a community of MBA alumni, students, and applicants looking to leverage their MBA experience for a politically and economically inclusive Africa. Our Offerings at LANE: https://linktr.ee/cityoflane

[קישור לקובץ mp3] פרק 415 [!Unsupported Media Type] של רברס עם פלטפורמה - באמפרס מספר 75.אז זהו באמפרס: התוכנית החודשית - שלפעמים הופכת לדו-חודשית - שבה אנחנו נפגשים ומדברים על דברים מעניינים שראינו ברחבי האינטרנט, שקשורים לפיתוח תוכנה או לדברים אחרים שמעניינים אותנו: Repos מעניינים של GitHub, פרוייקטים מעניינים ב-Open Source, בלוגים, אתרים או כל דבר אחר טכנולוגי שמעניין אותנו, ונקווה שגם אתכם. אז אני אתחיל . . .רן - אספר על כלי שנתקלתי בו - וקוראים לו tuplex. קצת כמו Duplex, רק מתחיל ב-T . . .אז tuplex זה בעצם Framework חדש שלמעשה נועד לעבד מה שנקרא “Big Data”מה שמיוחד ומעניין בו זה שהוא מבחינת API דומה ל-Spark, אז כל מי שעבד עם Spark, נגיד ב-Python, מכיר את ה-API שלו - אבל המימוש, מתחת לפני השטח, למעשה הולכת ומקמפל (Compile) את הקוד ה-Python-י לקוד ב-C או ב-++C, באמצעות LLVM, וככה מריץ אותו.אז זה החלק המעניין - יש לו בעצם “Dual Mode” - הוא פעם אחת יכול להריץ את זה ב-Python, פעם אחת יכול להריץ את הקוד המקומפלוזה, לטענת המחברים, מייצר, יכולת Performance מאוד מעניינת ומרשימה.אני לא יודע מה יכולות ה-Parallelization שלו - זאת אומרת, החלק הגדול והמעניין ב-Spark זה באמת היכולת לעשות את הכל ב-Concurrency מאוד גבוהאז אני לא יודע מה היכולות של tuplex עצמואבל מה שכן - מהחינת Raw Performance, לכאורה, יש להם פה רווחים, כי הם למעשה מקמפלים את הכל ל-Native, זאת אומרת - ל-++C, באמצעות ה-LLVM.(אלון) רגע, יש לי יותר מדי שאלות לקהל . . .(רן) שאל . . .(אלון) אתה כותב ב-Python, ובסוף יוצא לך ++C?(רן) כן . . . אני חושב שגם זה, בסופו של דבר, מתקמפל מן הסתם לשפת מכונה - אבל כן.(אלון) אז השאלה, קודם כל אם . . . (דותן) לא . . . זה בנוי ב-++C - אתה כותב ב-Python, וזה פולט החוצה LLVM . . .(רן) אה, אוקיי . . . סבבה, LLVM.(אלון) אז LLVM, אוקיי - אז עכשיו, השאלה הבאה היא למה לא לכתוב - אם זה עובד, נניח - אז למה לא לכתוב Python רק בזה? בלי קשר למקביליות, בלי קשר לכלום . . . אם בסוף יצא לי LLVM? כאילו, מה עשו פה - Complier מ-Python ל-LLVM בעצם?(רן) נכון . . . אני חושב שהשאלה היא במקום, והשאלה היא . . . אני לא יודע, יכול להיות שהמרחק פה באמת מאוד קטן, אבל יכול להיות שהם התמקדו לא על כל מה ש-Python יודע לעשות, אלא על הדברים הספציפיים . . .על API שבין Python לבין Sparkאבל שאלה מעניינת . . . יש לך עוד שאלות?(אלון)כן!(דותן) זה מה שאני רואה - אני מטייל להם בקוד, ואני רואה שהם עשו בדיוק את זה . . .(אלון) כי אם זה עושה Complier, אז בעצם זה פתרון גנרי - אם זה היה עובד טוב. יש לי יותר מדי . . . אני חושש מהפרויקט הזה, כי זה מסוג הדברים שעובד לך ב-Python ואז אתה מקמפל ולא עובד כלום, אין לך מושג מה קורה, אתה מקבל LLVM, כי יש בעיה ב-Complier, אז אני חושש . . .ואם ה-Complier כן עובד - אז בעצם פתרנו את בעיות הביצועים של Python?! כאילו - משהו פה לא מסתדר . . . (דותן) יש פה . . . זה לא נראה לי יהיה ככה אי-פעם - אם היו מקמפלים את Python מחדש באופן גנרי לכל דבר שאתה יכול לכתוב ב-Python, נראה לי שזו הייתה הכרזה מסוג אחר . . . (רן) כן . . .אני חושב שזה הרבה-הרבה יותר צר - לצורך העניין, הם לא מטפלים, אני מנחש, ב-Threading או ב-Multi-Process או בהרבה דברים אחרים, פיצ'רים אחרים שיש ב-Python.הם התמקדו ספציפית בפיצ'רים של ה-API שיש ל-Python מעל Sparkאז זו איזושהי זוית מאוד צרה - אבל יכול להיות שמפה, לקחת את זה הלאה ולעשות את זה Python גנרי, יכול להיות שזה יותר קל . . .אבל הם לא עשו את זה.(דותן) אני יכול לנחש שנגיד - אם אתה כותב Java, אז ה-JIT, עם הזמן, יהפוך את הקוד שלך לקוד הכי טוב בעולם . . .פה הם אמרו: “טוב, אתה כותב ב-Python, אין JIT, זה לא ‘JI-thon' - בוא נעשה משהו דומה” . . נראה לי שזה מה שהם . . .לא קראתי לעומק, אבל נראה לי שזה מה שהם רצו לעשות.(אלון) טוב . . . מעניין. מפחיד אך מעניין . . . (רן) נסווג את זה תחת “מפחיד אך מעניין” [פיילוט לפינה חדשה?]אני, באופן אישי, לא ניסיתי, אני חייב להגיד . . . ראיתי את הפרויקט, קראתי, נראה לי מעניין - אז רציתי להביא את זה לפה, אבל לא השתמשתי בו עדיין.אני גם לא רואה את עצמי משתמש בו בקרוב, אני חייב להגיד . . .בכל אופן - חשבתי שזה יהיה מעניין.הנושא הבא - נתקלתי באתר שנקרא Gently Down The Streamאני מניח שרובינו זוכרים את השיר באנגלית מכיתה ג' - Row Row Row Your Boat, Gently Down The Stream [ברחוב סומסום היה את “בוא נשיט סירה על פני גיא והר” . . . ] - אז יש אתר שנקרא Gently Down The Stream והוא מאוד מאוד נחמד, אני ממליץ להיכנס אליו.מה שהוא בעצם עושה זה שהוא מלמד אותנו איך עובד Kafka - איך עובדת מערכת ה-Messaging שנקראית Kafkaאבל הוא עושה את זה בצורה מאוד מאוד ויזואלית ונחמדה, עם הרבה מאוד, ככה, ציורים מאוד מזמינים - רואים שם דגים וציפורים וחיות שונות שככה נמצאות ליד הנחל ומדברות ביניהן, ותוך כדי אתה גם סופג הסברים על איך פועלת Kafka - אז זה נחמד(אלון) זה סיפור ילדים שהוא קפקא . . . כאילו, זה ממש מגניב - זה בעצם ספר-לפני-השינה לילדים, שאם תקרא להם הם ידעו Kafka בסוף . . . (רן) לגמרי . . . אז אם רציתם ללמד את הילד שלכם טיפה תכנות - התחלתם ב-Logo? התחלתם ב-BASIC? טעיתם! צריך להתחיל ה-Kafka . . . משם הם יצאו מפתחים דגולים . . .אז זה ממש נחמד - באמת, מאוד ככה נחמד ויזואלית, כיף לטייל שם ולקרוא את הסיפור הזה...(דותן) מגניב . . .(רן) ואנחנו עוברים לאייטם הבא - ועל האייטם הבא אני חושב שכולם כבר שמעו: רציתי להגיד כמה מילים על Copilot של GitHub, אז . . (אלון) מה זה?!(רן) אז כן - לאלון, שעדיין לא שמע על זה - מה זה Copilot? אז Copilot זה בעצם יכולת שהוציאו GitHub - למעשה, בשיתוף עם Microsoft Research - שבעצם עוזרת לך, כמפתח, לכתוב קוד.זה בעצם “השלמה אוטומטית” - אבל לא סתם השלמה אוטומטית אלא על סטרואידים: Copilot “הולך ולומד” Code-bases, שקיימים אי-שם בעולם, בחוץ, Open-Sourceואם אתה, לצורך העניין, רוצה לכתוב . . הדוגמא הקלאסית היא שאתה רוצה לכתוב ב-Java פונקציה שפותחת וקוראת קובץ - אז נכון אף אחד לא זוכר איך עושים את זה, כי יש איזה שלושה-ארבעה Class-ים שצריך לעשות להם Instantiation ולטפל בהם כמו שצריך? אז הוא הולך “וכותב” לך את זה, לפי ה-Best Practices שהוא מצא “בעולם”.עכשיו, ראינו דוגמאות ב-Java, ב-Bash, ב-Python ובשפות אחרות, זאת אומרת - הוא יודע לעשות את זה, באופן יחסית כללי.וזה מעניין מאוד - ועולות פה הרבה הרבה שאלות . . . קודם כל - אני חושב שזה הישג מדעי מאוד יפה ומרשים. דבר נוסף מעניין . . .ואולי שווה להגיד שזה עדיין ב-Beta סגורה - אני עדיין . . . אני ביקשתי גישה ועדיין לא קיבלתי, לא יודע - אולי מישהו מכם כן קיבל ויכול לספר לנו איך זה באמת עובד, אבל אני עוד לא בפנים.בכל אופן, יש שם כמה דברים שאני חושב שהם מעניינים - באופן תמידי עולה השאלה “אוקיי, אז זהו - להתחיל לחפש מקצוע אחר? מישהו כבר יעשה את העבודה בשבילי?” אני חושב שהתשובה לזה היא די טריוויאלית כרגע - לא.זה אולי כלי-עזר - ואולי כלי-עזר טוב, יש אולי סימן שאלה לגבי עד כמה הוא טוב או לא, אבל בכל אופן זה כלי עזר - ואני חושב שהתשובה היא “לא”.שאלה נוספת היא לגבי הלגיטימיות של השימוש בכלל בכלי, או למעשה הלגיטימיות של שימוש של Microsoft או GitHub ב-Open-Source שבהם הם השתמשו - מכיון שעלתה הטענה שלמעשה הם השתמשו ב-Open Source שאסור היה להם להשתמש . . .למעשה, כאלה שיש להם מה שנקרא “רישיון וויראלי” [לרענון - 317 Zusammen with Zohar Sacks] - ואם אתם עכשיו הולכים להשתמש בהצעות שלהם, אז למעשה גם המוצר שלכם צריך להיות Open Source . . . בקיצור - יש פה כמה שאלות משפטיות לא פשוטות שעלו, ואולי בפן-הנקרא-לזה-הנדסי או מדעי, החלק המעניין ביותר, זה שלמעשה הפרויקט Copilot נכתב מעל מנוע שפה שנקרא GPT3 של OpenAI, שאני מאמין שכבר הזכרנו אותו פה בפודקאסט לפני זה [אכן, נגיד כאן - 397 Bumpers 69]אז זה למעשה מנוע שפה יחסית גנרי, שפיתחו ב-OpenAI, שדרך אגב - Microsoft היא אחד מה-Backer-ים הגדולים של OpenAI, ולכן יש להם גם גישה אליו . . . אז לא לכל אחד יש גישה ל-GPT3, אבל ל-Microsoft יש.אפשר לבקש גישה, ואני לא יודע על סמך איזה קריטריונים הם נותנים - אבל אפשר לבקש.ובכל אופן - החלק המעניין הוא ש-Microsoft פרסמו שעל הפרויקט הזה עבד בסך הכל Data Scientist אחד - אבל הרבה מהנדסים . . . מה הם רוצים להגיד? הם רוצים לבוא ולהגיד שהמנוע של GPT3 הוא כל-כך גנרי, ככה שנדרשת מעט מאוד עבודה “מדעית” כדי להתאים אותו, לצורך העניין, ל-Source code.מנוע GPT3 זה מנוע שפה יחסית גנרי, שיכול - אני מניח שראיתם בעולם דוגמאות של איך הוא כותב פרוזה, חמשירים ודברים כאלה, זה מנוע שפה מאוד-מאוד גנרי - ולבוא ולהתאים אותו ל-Source Code זה, יחסית, מעט עבודה.כן יש פה עבודה “הנדסית” של ללכת ולהנדס את ה-Pipeline של ה-Data, לאסוף את כל הדאטה וכו' - אבל מבחינה מדעית, רק Data Scientist אחד עבד על הפרויקט הזה, לפי הפרסומים שלהם.שזה בא לומר שהמנוע הוא כל כך גנרי, שמאוד קל להתאים אותו ל-Domain-ים שונים.(דותן) או . . . (רן) ולתיאוריה השנייה . . .(דותן) אני אתן את החלק השני של הסיפור הזה - וזה שהיה פיאסקו שלם, ששרף את האינטרנט: שבעצם אנשים הבינו שה-Copilot משלים להם דברים מסוכנים, גמו Secret-ים וכל מיני API keys של אנשים אחרים . . . בין היתר היה גם Copyrighted code ובעצם . . . התיאוריה האחרת היא שפשוט, כאילו, עשו את זה בצורה כזאת “עיוורת”, הפעילו את המנוע בצורה עיוורת ואז . . . (אלון) וסרקו Private Repos . . . . . . אנשים עשו Auto-completion מזעזע . . .(רן) כן - אז אני חושב שהסיפור הזה הוציא את הטוב ואת הרע באנושות, בהרבה מובנים - ולמעשה יכול להיות מאוד שהיה צריך לעשות פה עבודת הכנה וניקוי הרבה יותר משמעותית ממה שהם עשו.אני חושב שעל זה הרבה יכולים להסכיםאבל בכל אופן - אני חושב שזה, מבחינה טכנולוגית-מדעית - יש פה איזושהי קפיצת דרך [טריילר חדש!] מאוד מאוד מעניינת.דרך אגב - זה לא מפתיע שהם לא נתנו להרבה אנשים גישה . . . כנראה שלפחות מה שציינת, זה חלק מהסיבות שהם לא נתנו להרבה אנשים גישה . . . יכול להיות שהם החליטו לעצור את זה באיזשהו שלב.אבל בכל אופן - כן, זה כלי שאני חושב שעורר הרבה מאוד הדים והרבה מאוד עניין, ונתן איזושהי קריאת-כיוון לגבי היכולות של מנוע שפה באופן כלליואול גם - אני קצת סקפטי בעניין הזה - אבל אולי גם, ככה, “עתיד המקצוע שלנו”.מה שכן - צריך להזהיר שגם אם זה היה פתוח ועובד לכולם, אני חושב שזה יהיה חוסר . . . בוא נאמר בזהירות - “חוסר אחריות” מצידינו, כמפתחים, ללכת ופשוט לקבל את ההצעות שלו, As-is.אבל אם כל זה אני חייב להגיד שברגע שמקבלים הצעה כזו, וזה נראה בסדר - אז מאוד קל להשתכנע שזה כן בסדר, זאת אומרת - יש פה איזושהי סכנה, לטעמי, נקרא לזה, לאיכות הקוד שבסופו של דבר מפתחים יוציאו[ואלוהים ישמור כמה אנשי Security החסירו פעימה עכשיו לאור הביטוי “מאוד קל להשתכנע שזה כן בסדר” . . .]יש הבדל בין לבוא ולהבין את הבעיה לעומק ולפתור את זה בעצמך, לבין לקבל איזושהי הצעה ולהגיד “אוקיי, נראה לי טוב, נמשיך הלאה”.(אלון) יש פה כמה דברים . . . מעניין מתי יתחילו להיות לזה Hack-ים של Vulnerability בכוונה - לזרוק קוד ולשים אותו על Repos, עם ה-Vulnerabilities, בכוונה שישלים לאחרים וככה תיצור Vulnerabilities במקום אחר, שזה תמיד הכובע הרע . . .אני חושב שהשימוש הטוב שלו יהיה בסוף שהוא יחסוך לך זמן בלקרוא APIs וללמוד דוקומנטציות (Documentation) -כי כשאתה מסתכל על הדוגמא הזאת, אני אומר שאני רוצה לשלוף משהו מ-Database, אז אתה אומר “רגע, איך אני מתחבר ל-Database, איך אני עושה . . .” -ואז זה משלים לך, וכאילו חסך לך את כל הקטע הזה של “רגע, איך נראות הדוקומנטציות?” או לנסות להתחיל ולבדוק ב-Auto-complete מה מופיע לך על האובייקט . . .אז אני חושב שבקטע הזה זה מאוד חזק - שאתה פשוט אומר “זה ה-Database, הנה ה-Template, אני לא צריך ללכת לאיזה Stack Overflow כדי לקחת את ה-Template ואז להתחיל לסדר את זה אלי”זה חוסך, לדעתי, בקטע הזה, הרבה זמן יקר.(דותן) מצד שני - יש Database-ים שמאבדים דאטה [פעמיים ד”ש לזהר באותו אייטם?], אז מה זה משנה איך אתה שולף מהם?(אלון) כן . . . אתה יודע - עשיתי Select From Mongo, ויצא לי Return NULL . . .(רן) אני מתפלא שבאמת אין לנו אף אייטם על Mongo, אבל בוא נראה - אולי יהיה בהמשך[לכל המאוחר באפריל 2022](רן) בסדר, אז זה היה -Copilot - מיצינו . . . אני חושב שזה כנראה הולך להמשיך ולהיות איזשהו נושא שנוי במחלוקת . . . יש לי תחושה שעוד נשמע עליו בעתיד, אבל בואו נעבור הלאה לנושא הבא.הנושא הבא זה איזשהו ספר Online שנתקלתי בו, שנקרא Machine Learning Interviews Bookהספר הזה פורסם ע”י Data Scientist שנקראית Chip Huyen - השם ויאטנמי אז אני לא בטוח שאני הוגה אותו כמו שצריך [לפחות בטקסט זה נשמע בול אותו הדבר]בכל אופן - זהו ספר Online, שהתפרסם והוא פתוח לכולם ואפשר לקרוא - ולמרות שהכותרת שלו זה Machine Learning Interviews Book, הוא למעשה, אני חושב, ספר על רעיונות עבודה באופן כללי.מאוד מעניין ופותח עיניים.בגדול, הוא מחולק לשני חלקים - החלק הראשון זה איזשהו קטע גנרי על מה זה ראיונות עבודה, איך חברות מחפשות עובדים, איך נראה שוק העבודה וכו' - שאני חושב שזה קטע מאוד מעניין.החלק השני זה בעצם דוגמאות לשאלות-ראיון בתחום של Machine Learning - זה כבר באמת משהו מאוד מאוד ספציפי.אז אני ממליץ לקרוא את החלק הראשון, או לפחות את החלקים שמעניינים אתכם בחלק הראשוןקצת ללמוד על שוק העבודה - לפחות שוק העבודה האמריקאי, שוק הראיונותוכמובן שיש המון דימיון לדברים שקורים פה שישראל - הכל מאיך עושים Negotiation, איך להתכונן לראיון עבודה, על מה מראיינים בדר”כ מסתכלים, איך נראה Pipeline של ראיונות וכו'אני חושב שהספר עצמו, בסך הכל, די נגיש וכתוב בצורה יפה - אז אני ממליץ על הקריאה שלו.ולנושא הבא - אייטם קטנצ'יק: לאחרונה קניתי מוניטור חדש לבית, מסך מחשב חדש - ואני משתמש בוויש בו רמקולים, במסך הזה . . . אז למעשה, את השמע (Audio) שלי אני שומע מתוך המסך - וזה יותר נוח לי מאשר לשמוע מתוך ה-Mac, שבדר”כ המכסה שלו גם סגור, ככה שזה נשמע פחות טוב.העניין הוא שכדי לשלוט על הסאונד, לשלוט על עוצמת הסאונד - ה-Mac לא עושה את זה . . . As-is, ה-Mac לא מסוגל לשלוט על עצמת הסאונד של המוניטור החיצוני, של Dell במקרה הזה.אז אם משתמשים בכפתורים של ה-Volume, ה-Up וה-Down על המקלדת, הם לא עובדים . . .[הוסף בדיחת “מתאם Apple לבן - רק ב-$99!“ גנרית כאן . . . ]אז מצאתי איזשהו כלי שנקרא MonitorControl, שלמעשה ברגע שאתם מתקינים אותו - הוא נותן לכם את השליטה גם על ה-Control של מוניטורים חיצונייםאצלי הוא שולט למעשה על השמע ועל הבהירות של המסךאז זה נחמד . . . אפשר לעשות את זה מהמקלדת שלכם, או כמובן גם עם העכבר - ולא צריך ללכת לכפתורים של המוניטור ולעשות את זה, ששם זה קצת יותר מסורבל.אז זהו - אם יש לכם Mac ואתם רוצים לשלוט על המוניטור שלכם, והמוניטור שלכם כרגע לא מאפשר את זה - אתם מוזמנים לנסות את MonitorControl, יכול להיות שזה יעבוד לכם . . .אני כן ראיתי שזה לא תמיד תואם, זאת אומרת - זה לא תואם לכל המוניטורים, יכול להיות שזה גם לא תואם לכל הגרסאות של מערכת ההפעלה . . .אז לנסות את זה בזהירותזה כן משהו שהוא יחסית Low-Level וככה קצת שביר - מספיק שאיזשהו פרוטוקול קצת משתנה וזה יכול להישבר, אבל לפחות לי זה עובד, אז אני מרוצה ממנו (אלון) קודם כל - תתחדש על המסך . . . רוצו להתקין את זה . . .(דותן) לקנות מסכים של Dell . . .(אלון) כן . . . בחסות . . . “פרק זה בחסות Dell!”(רן) Alt + Ctrl + Dell . . . ואליך דותן . . .דותן - טוב, האמת שבוא נמשיך בתמה המסוכנת שלנו - למי ששמע השבוע על הסיפור עם NSO . . . אני קצת מפחד לדבר על זה כי אני רוצה שנמשיך לעשות פודקאסט, אז ננסה, ככה, להיות עדינים . . .(אלון) יש מאחוריך מישהו, דותן - אני רואה במצלמה . . .(דותן) אז פשוט ניקח את זה בפרספקטיבה אחרת לגמרי - לא נדבר על מה שהיה, כדי שניהיה עם הטובים . . . (אלון) תגיד מה היה, לפי פרסומים זרים, למי שלא מעודכן . . .(דותן) לא רוצה, אני מפחד . . .בקיצור - יש פה איזשהו Framework שמישהו בנה - קוראים לזה Mobile Verification Toolkit, ובעצם המטרה של הכלי הזה זה שלוקחים טלפון ובודקים אם יש בו איזושהי רוגלה של חברה שאנחנו ממש אוהבים, או לא יודע . . . לא רוצים להגיד את השם שלה [וולדמורט?]תכל'ס, מבחינה Engineer-ית, זה פשוט שם בומבסטי ל”הנה ערימה של סקריפטים שמחפשים String-ים בתוך המכשיר שלכם” . . .אותו בחור שבנה את ה-Toolkit הזה - אני חושב שהוא עובד באמנסטי, שהיא חלק מכל הפרסומים שהיו השבוע, או שהוא איזשהו פעיל זכויות אדםוהוא בכלל מתחזק איזושהי רשימה של מחקרים, או יותר נכון Investigations של אמנסטי - שזה עניין אותינכנסתי ל-Repo - וכל המידע פה הוא פומבי: נכנסים ל-Repo, ויש לפי תאריכים. . . הוא בעצם מתחזק, לרוב, רשימות של Domain-ים שקשורים לכל מיני חברות שעושות, לטענתו, ריגול.יש פה כל מיני מקרים - נגיד ב-2018, אותה חברה [Who must not be named], ואחרי זה במצריים משהו שקרה, ואחרי זה במרוקו, וכל מיני תקריות . . .בתקרית האחרונה, יש פה כל מיני Domain-ים ואימיילים שאותה תוכנה משתמשת בהם, שבעצם אם מוצאים את הדברים האלה על המכשיר, אז אפשר להגיד שמרגלים אחריכם, או שאפשר להגיד שאתם נגועים ברוגלה.ואיך שזה נראה, צריך בעצם לשלב בין שני הכלים - כאשר הוא מתחזק את שני הדברים האלה בנפרד . . .חייב לומר שחיטטתי קצת ברשימה של ה-Domain-ים והאימיילים - והרשימה היא משוגעת . . . יש פה משהו כמו 1400 Domain-ים שונים שנראים לגמרי, נקרא לזה, “תמימים”סתם לדוגמא - apigraphs.net או blogreseller.net וכל מיני דברים כאלה . . .וזהו - אז מי שמתעניין, מי שחושד, מי שהוא עיתונאי . . . יכול לקחת את הכלים האלה ולסרוק את המכשיר שלו.וזה מעניין לראות את הדבר הזה מכיוון של אותו ארגון זכויות אדם, איך הם רואים את זהויכול להיות גם שזה הכל שטויות, זה הכל לכאורה . . .(אלון) תראה, לכאורה הם כתבו פה שיש . . . שזה Developed בעקבות ה-”Pegasus Project”, לא יודע מה זה [Try to Google it . . . ], יש פה איזו חברה של שלוש אותיות, לא יודע(דותן) אני גם לא יודע מה זה . . .(אלון) מתחיל ב-”N” ונגמר ב-”O”, אבל לא יודע . . . (דותן) לא יודע, אף פעם לא שמעתי(אלון) . . . הכל לפי הפרסומים פהאז זהו . . . שמע - זה מעניין, אין ספק(דותן) כן . . . שוב - נדגיש שזה הכל “לכאורה”.ונמשיך לנושא אחר . . . האמת שנדבר קצת על Rust, ויש פה איזשהו מדען מחשב, שעשה דוקטורט - ובדוקטורט שלו הוא הוכיח את מה ש-Rust טוענת: Rust היא שפה שהיא Safeכמובן, “Safe” יכול להיות בכל מיני מובנים - במאמר הזה ספציפית הוא הוכיח שהיא Safe במובן הזה שזה בולם או מונע מחלקה שלמה של טעויות מפתחיםאני אזכיר קצת אילו טעויות מפתחים רודפות אותנו כל החיים . . .(אלון) רגע - מה החידוש בזה? כי בעצם . . .(דותן) אין חידוש - הוא פשוט הוכיח את זה “מדעית”, מתימטית.(אלון) אבל הייתי בטוח שזה כבר הוכח מדעית . . . זה לא הוכח מדעית עד עכשיו? כי הייתה את הטענה הזאת שזה הוכח, ש-Rust היא Safe Language . . .(דותן) לא חושב שמישהו עשה על זה איזשהו מחקר אקדמאי והוכיח את זה מהכיוון הזה(אלון) הייתי בטוח שכבר עשו . . .(דותן) אז זה מה שוא עשה - שזה מגניב, זה מראה ש . . . (רן) אז על איזה מחלקות - זיכרון? . . (דותן) הדברים הרגילים . . . אני חושב שאחד הדברים הכואבים ביותר, והשנויים במחלוקת ביותר, זה כל ה-NULL Safety . . .ואני אומר “השנויים במחלוקת” עד היום, כי יש שפות שאומרות “אין לנו NULL בשפה, יש משהו אחר” - וגם הן טועות . . . גם הן מובילות לאותו Class של טעויות בדיוק . . .אז ב-Rust באמת זה Safe - וזה עובד טוב.הוא קיבל גם איזשהו “צל”ש” על המאמר הזה, וכל מיני דברים טובים אחרים - ממש נחמד למי שרוצה לקבל קצת “הבטחה” עם “ה”, או לשלוח את זה למישהו שהוא רוצה לשכנע כדי שנתחיל לעבוד ב-Rust בחברה . . .אז עכשיו - אייטם משוגע: אתם מוכנים?(רן) כן! מוכנים, יושבים . . .(אלון) רגע! רק אם אני יכול, לפני האייטם הזה, כי אני מכיר אותו קצת - למי שנוהג: לעצור בצד! להקשיב לדותן, לא תצטערו . . . תמשיך.(דותן) טוב - אז האייטם הזה בא מ-Discourse, ואני חייב לומר שזו הפעם השניה שאני רואה אותם יוצאים מהמסך ונותנים לי סטירה, שזה די מדהים - ובעצם המאמר הזה הוא על איך לייצר Upload-ים יותר מהירים, Upload-ים של קבצים יותר מהירים ל-Discourse.וכשחושבים על זה, וקוראים את ה-Title, אז כתוב פה Rust ו- WebAssembly וכו' . . אז אומרים “טוב, אז הם מימשו משהו ב-Server” או, לא יודע . . . “זה Rust, אין לו VM, יש לו פיצויים מטורפים . . . בטח החליפו איזה Upload Server, כמו ש-Google עשו עם Go”.אבל מה שהם עשו זה שהם בנו WebAssembly, שיושב ב-Browser, וכשאדם פשוט כמונו רוצה להעלות קובץ תמונה - הדבר הזה, ב-Client-Side, על ה-Browser, בעצם מאפטם (Optimize) את התמונהבעצם, אם אני עכשיו, בא לי לעלות png. - למי שמכיר, אז יש כל מיני PNG Crushers ו-Utilities שמאפטמים png. - אז ה-png. שלי, מן הסתם, הוא לא Optimized - אני מעלה את זה ל-Discourse, מקבל Crunching של כל הקובץ שלי, לוקאלית - משתמש ב-CPU שלי, זה לא עולה להם כלום - ואז מאיזה 2Mb אני בעצם צריך להעלות 100Kb . . .וככה הם האיצו את כל ה-Uploads ב-Discourseחייב להגיד שזה אחד הטוויסטים בעלילה, המשוגעים, שלא חשבתי עליהם - וזה מדהים, זהו.אתם יכולים להמשיך לנהוג, למי ש . . .(רן) אפשר להתניע. . . (אלון) מי שלא התעלף לנו, ממה שהם עשו . . . (רן) אז יש לך איזו פינה חמה בלב ל-Rust, ככה אני מרגיש . . . אם אני קורא בין השורות . . .(דותן) ודאי - קודם כל: Rust ו- WebAssembly הם ממש קרובים . . .(אלון) אחוקים . . (דותן) נכון . . . אם אתה רוצה לעשות WebAssembly ולהרוויח את ה-Benefits שלו, אז Rust זה המקום.כמובן שהדורות הקודמים של זה היו עם סקריפטים וכל השיפוצים האלה, שכמובן היו חייבים לקרות כדי שהעולם יתקדם - אבל Rust נותן לך את כל ה . . . Ticks all the boxes בשביל לבנות WebAssembly שעובד יעיל וטובוגם - כל ה-Tooling שם: אם אתה רוצה לעשות את זה, אתה פשוט . . . יש לך המון כלים ש”מחבקים אותך” ונותנים לך להפיק, בסופו של דבר, WebAssembly.וזהו - אז אחרי הדבר הזה, אמרתי “בוא נבדוק מה ככה, ה-State of WebAssembly”, וגם לתת למי שרוצה לנסות כמה רעיונות - אז המאמר הבא מדבר על איך מריצים Rust ב-Electronתזכורת Electron זו התשתית שעליה רצים מלא . . איך נקרא לזה? “אפלקיציות מהסוג החדש”כל מיני עורכי טקסט למיניהם וכו'(אלון) בקיצור - Chrome . . . או “HTML-Renderers”, בוא נגיד את זה ככה . . (דותן) כן . . . בקיצור, אם אתה רוצה לבנות אפליקציה, ובא לך להשתמש ב-HTML או Java או מה שאתה רוצה, אז אתה משתמש ב-Electronאני רק מזכיר את זה - היום זה די ברור כבר לכולםואם אתם רוצים להריץ שם Rust מאיזושהי סיבה, אם באמת בונים Client-Side-Up, ולא רוצים לבנות את זה בדרך המסורתית - רוצים Performance, ואת הדברים הטובים שה-User-ים מצפים להם - אז אפשר להריץ Rust פחות או יותר, שוב באותו שיטה, עם WebAssemblyנגיד - תחשבו על עורך תמונות, או עורך אודיועוד דבר שחשבתי שיכול להיות מגניב, באותו קו, זה איך להריץ Wasm בקלות - שזה WebAssembly - על Raspberry Piאז מי שאוהב יותר לשחק עם חומרה, זה מאמר שככה, ניגש שלזה בצורה אחרת.אייטם הבא - את האמת ששמתי אותו רק כדי שיהיה לי, ככה, לצחוק, איך להלביש בדיחה: אז יש פה Windows11 ממומש ב-React . . . [האימוג'ים במקור, זורם . . . ]למי שמכיר את הסיפור של Windows 11 - זה סיפור בהמשכים, ונקרא לזה “הקונספט הרווח” היום שזה - סוג-של-Face-lift, וה-UI השתנה . . .אז מישהו פשוט מימש את ה-UI - וזהו: בנה את זה ב-React, כמו Mock-up כזה, שמתנהג ועובד אותו הדבר.נראה לי שזו הדרך היחידה שבה לא יהיה Blue-Screen בדבר הזה . . .לא?(רן) הפכו את זה לירוק, לא?[מה פתאום?! מיקרוסופט שלנו?! לא - הם צבעו אותו לשחור; בטח כי לא היה רפרנס ל-Rolling Stones מאז 1995…][וזה אחרי ש-Windows 10 is the last version of Windows . . . ](דותן) כן, אבל זה רץ על Chrome, אז הכל טוב . . .(רן) זה מבטיח שימוש ב-CPU, זה בטוח(דותן) לגמרי . . .(אלון) זה יכול להריץ Chrome, בפנים?(דותן) ניסיתי, את האמת - יש שם Edge, כאילו - יש שם אייקונים של Edge וכל מיני דברים כאלו . . ניסיתי ללחוץ לפחות, זה לא מגיב . . . לך תדע, אולי זה באמת ה-Windows 11 האמיתי - זה גם לא יגיב . . .(אלון) אתה יודע, יש את ההרצאה הזאת, של הבחור הזה שעושה על JavaScript ב-20-30, לא זוכר . . . (דותן) Wat, לא?(אלון) כן, הבחור של Wat - אבל יש את ההרצאה האגדית על JavaScript ושם בסוף, מריצים . . . Browser שמריץ Browser שמריץ Browser . . . רקורסיביתאז חשבתי - אולי התקדמנו לשם . . . אבל עוד לא.(דותן) עוד לא . . . לא נראה לי.האייטם הבא - האמת שפשוט אני אוהב Recommender systems . . . והדבר הזה קצת הפתיע אותי: זה היה נראה כמו עוד Recommender system שכתוב ב-Go, אבל זה נראה כמו Playground אחד שלם, שמשלב טכניקות מתקדמות[זה נקרא gorse]יש בפנים עוד כל מיני דברים מתקדמיםלא יודע עד כמה זה אתגר היום, הנושא הזה בתחום, אבל למי שמתעניין זה יכול להיות נחמד לנבור בקוד שם.אייטם הבא - קצת הזכרנו אותו פה: פעם אני חושב ששמנו איזשהו פרויקט AI שמשבט קול - עושה Cloning ל-Voice . . . [יאפ - Real-Time-Voice-Cloning, ב-381 Bumpers 63]אז יש פה עוד אחד כזה, ואת זה ניסיתי - והוא עבד ממש מגניב.[זה אותו אחד מאז - Real-Time-Voice-Cloning - וגם באזכור אז ההנחה הייתה שהשימוש העיקרי יהיה להטריל אנשים בעבודה . . . Who would've thought . . . ]אז בעצם אפשר, תוך חמש שניות, לשבט קול של מישהו ופשוט לייצר שיחה . . . אז לא יודע מה איתכם, אני מקליט אתכם . . . (רן) זהו, אני מניח שההערה הבאה של אלון היא לא באמת של אלון . . . (אלון) נכון, זה רן הקליט אותי, ועכשיו מייצר בוט שאומר מה אני עושה . . . זה די מטורף, אתה היום באת עם כלים של חברה מסויימת, ועכשיו הכלי הזה . . . די פסיכי, הדבר הזה.(דותן) לגמרי . . . שמע - תנסו את זה בבית, זה יכול להיות מצחיקואולי גם בעבודה - זה יכול להיות עוד יותר מצחיק . . .(אלון) כמה מסובך זה לעבוד עם זה? טוב, בוא נראה . . .(דותן) זה חמוד . . .(רן) טוב - אלון . . . האייטמים שלךאלון - יש איזו Repo ב-GitHub, שמדבר על . . . כמו כל ה-Awesome-ים שיש? אז Awesome Engineering Managementהוא בעצם - יש פה לינקים, כמו כל ה-Awesome-ים - מה זה כל דבר: Agile ו-Extreme programming ו-Rapid Prototyping ו-Waterfallבעצם, כל Buzzword שקשור ל-Software Management יש פה, החל מניהול ל-Process-ים לכלים, Learning . . . בקיצור, כמו כל ה-Awesome-ים, אז עשו Awesome של Engineering Management . . .(דותן) יש לי בעיה, אבל, עם המילה “Awesome” . . . (אלון) זו מילה שמורה כבר?(דותן) זה באמת Awesome? (אלון) אה, האם זה באמת “Awesome”? . . . לא יודע, אבל זה כמו כל ה-Awesome-ים(דותן) Awesome Waterfall?! . . . (אלון) האמת שלא בדקתי מה זה Awesome Waterfall . . .(דותן) יש פה . . .(אלון) כן . . .שתדע, אם כבר Waterfall, אז שיהיה ב-Awesome, אני אומר . . . כאילו, מה רע?ואגב - אם יש לך פרויקט, נגיד, של שלוש שעות - אני ממליץ לעשות אותו ב-Waterfall, זה בלי שום בעיה.זו יכולה להיות פרקטיקה די טובה - נגיד, לחלק לספרינטים של שבועיים פחות מוצלח . . . אז לפעמים זה מתאים.(רן) אז יש פה, אלון, יש פה איזו חמישים נושאים שונים - הזכרנו Waterfall, יש גם Agile, יש גם Project Charter ו-Project Management Plan וכו' . . . יש פה מלא-מלא תת-סעיפים, ולכל אחד מהם יש כלים או הסברים על איך לעשות אותם - אבל זה מלא חומר . . .קראת פה משהו? מצאת פה משהו ממש שימושי ומעניין?(אלון) אני חייב להגיד שלא מצאתי עדיין משהו מעניין - אבל יש פה הרבה חומר, אם מישהו כן מחפש משהו מעניין להתעמק בו . . .אז יש פה רשימה שלמה, על מלא נושאים - ויכול להיות שאפשר למצוא פה משהו נחמד.שמע - זה דברים די Basic, כן? . . . אבל יש פה גם Tool-ים לכל מיני דברים שמחפשים, לינקים וכאלה . . .אז למי שחסר לו משהו - יכול לחפש פה.(רן) אוקיי . . .(אלון) נראה לי מקום טוב להתחיל, האמת . . . יש פה הרבה נושאים והרבה Tool-ים, לפעמים מחפשים Tool-ים ואתה . . . נראה לי שזה מקום לא רע להתחיל בו.(רן) אוקיי . . . נקסט?(אלון) נקסט! דיברת על Rust מקודם, שהוכיחו אפילו שהיא שפה Safe . . . אז עכשיו - תמיד אנחנו מדברים על זה שזה מגניc לכתוב ב-Rust, אבל עד שאתה מסיים לקמפל (Compile), אתה כבר יכול לכתוב את זה מחדש ב-Go . . .אז עכשיו יש פה מאמר שמסביר ש-Compiling Rust is NP-hard, שזו בעיה NP קשה . . . . אז זה אכן קשה לקמפל את השפה - ובגלל זה לוקח לזה זמן . . .(דותן) שמע, אותי לימדו שבחיים, מה שבזול - ביוקר . . .(אלון) אותי לימדו “קשה יש רק בלחם, ו-NP קשה - אז גם את זה אוכלים”.אז יש פה מאמר, שהאמת הוא לא ארוך, הוא די קצר . . . לא רק שהוא לא ארוך, הוא אפילו די קצר, על ש- Compiling Rust - למה זה NP Hardעל החוקים, על ה-Safety, על ה-Boolean, כל מה שצריך לעשות - והוכחה שזה NP-קשה . . .אז אולי כשיהיו לנו מחשבים קוונטיים, או משהו כזה, או שמישהו אחר יוכיח ש P = NP, אז נוכל לקמפל Rust מהר . . . אבל עד אז, אנחנו בבעיה.(רן) יכול להיות ש-P = NP, זה במקרה ש N=1 או ש P=0 . . . (אלון) כן, אבל יש את המקרה הכללי, שעוד לא הוכיחו.(רן) בכללי אני לא מתחייב . . . אבל בשני המקרים האלה כן.(אלון) כן, גם באפס, באפס הכי טוב . . .(דותן) מה שמאכזב זה שה-Comment-ים לא תפסו . . . יש Comment-ים, אנשים מתחילים להגיד לו שהוא לא צודק וכאלה, אבל זה לא ממש . . .(אלון) הוא מתעלם . . . זה בסדר, דיקטטור טוב, ככה דיקטטור צריך לעבוד - אני לא מצליח להבין מה הבעיה . . . (רן) אבל בוא, בינינו - יש הרבה בעיות NP קשות שעובדים איתן ביום-יום, זה לא פוסל את הבעיה מלהיות פתירה.אולי אי אפשר לפתור אותה, עקרונית, בזמן יעיל כשיש הרבה מאוד דאטה, אבל תכל'ס - ביום-יום, אנחנו כולנו עוסקים ופותרים בעיות שגם הן מוגדרות כ-NP קשותאו שעושים את זה בצורה, אולי, לא יעילה, אבל עדיין פותריםאו שמוצאים כל מיני יוריסטיקות (Heuristics), ופותרים אותן בצורה מקורבת - אבל עושים את זה כל היום.(דותן) ובנימה רצינית - הוא בנה פה איזשהו Extrema case - מעיין Code base כזה, שהוא מכניס את ה-Compiler ל-Loop-ים - זה קיים, כי יש ב-Rust גם Macro-ים, וגם Proc-Macros, שזו אבולוציה, או “גרסא יותר נאורה” של Macro-ים, אין ספק שאפשר לעשות את זהאני יכול להגיד שבאמת, אם מישהו ברצינות רוצה לראות זמני קומפילציה (Compilation time), אז עוד מעידן ה-Blockchain התחילו לעבוד ב--Rust מ-Day Zero, ויש פרויקטים ענקיים, שהם Fully Open Source ואפשר לראות כמה זמן לוקח להם להתקמפל - והם בנויים ב-Rust.(אלון) בסדר . . . לא אמרנו שזה שמשהו קשה, אז בסדר . . . מתמודדים.מה שביוקר - ביוקר יותר.[כמאמר הפילוסוף הידוע א. פישוף - דברים זולים עולים פחות]בקיצור - יאללה, בואו נמשיך הלאה.אז הדבר הבא שרציתי זה איזשהו Framework שנקרא Fluvio - זה Programmable platform for data in” motion”בקיצור, זה Real-time Data Streaming Framework - כן, Yet another one - שכתוב ב-Rustהוא ב-Beta, או אפילו ב-Alpha - ממש בחיתולים.זה Open-Sourceאבל הוא . . . קודם כל, מזמן לא נתקלנו במשהו מודרני שהוא לא יוצא Apache, אני חושב, וזקן כזה, מעצבן . .לזכרוני, גם כולם כתובים בסוף ב-Java, או ב-JVM כלשהו - וזה כתוב ב-Rust, אז זה שינוי מרענן.פרויקט סופר-צעיר, לא יודע אם יצא ממנו משהו - אבל אהבתי שהתחילו עם זה עידן חדש . . . לא יודע אם הפרויקט שווה משהו.(רן) אז זה משהו בסגנון של, נגיד -Kafka Streams, או משהו כזה? לעשות חישובים על Stream-ים של דאטה?(אלון) כן - זה מה שאני מבין מהפרויקט הזה, שזה “A New Kafka” . . .(רן) אוקי, מעניין . . .(אלון) !Don't write in Production - אפילו הם בעצמם רושמים שזה אלפא או בטא או משהו כזהאבל כ-Concept זה מגניב, ולפרויקטי-צד וכאלה זה יכול להיות אחלה, במיוחד עם חיים ב-Ecosystem של Rustלמשהו עם מערכות קטנות, במקום להתחיל להתעסק עם איזה Kafkaאבל - Use it wisely . . . לא הייתי מעביר עכשיו את כל ה-Kafka שלי לשם, בוא נגיד את זה ככה.ורשום אלפא! בסדר, אנחנו אוהבים אלפא . . . אלפא זה טוב.טוב, הדבר הבא שרציתי - Dropbox פרסמו את ה-Dropbox Engineering Career Framework שלהםזה בעצם רישום מאוד מאוד מפורט של כל הדרגות של המתכנתים, SREs, Security Engineers . . . בקיצור - כל מה שקשור ל-R&D בצורה כלשהיכל הדרגות שלהם - מ-IC1 ועד IC7, נגיד ב-Software Engineerבעצם - פירוט של מה נדרש, ממש בפרטים מדוייקים, מכל דרגה - מה הוא צריך לעשות, מה ה-Impact שלו, מה ה-Ownership שלו, Decision Making, ה-Direction, ה-Talent, ו-Culture ו-Craft . . . .זה מפורט ברמות . . .(דותן) משוגע . . .(אלון) כן, ממש משוגע.עכשיו - קודם כל, זה חושף קצת איך . . . מה הולך בפנים ולמה הם מצפים מאנשים, אז אם מישהו הולך לחברות גדולות, אפשר להבין את הכיוון הכללי.למי שרוצה לבנות Framework לקידום, אז אפשר לקחת מפה חלקים ולבנות משהו - כי הוא ממש מפורטמן הסתם - זה Enterprise Level, אבל אני חושב שאפשר לגזור מפה הרבה דברים יפים.וגם - מי שבא לעבוד בחברה יכול להבין בערך איפה ה-Level שלו, אם הוא IC4 או IC5 או IC6 . . . (רן) אני חושב ששווה להגיד, למי שאף פעם לא עבד בחברה כזאת גדולה - מה המשמעות של ה-Level-ים האלה . . .אז (1) זה משהו שנפוץ בחברות גדולות, אז מן הסתם תראו את זה ב-Facebook וב-Microsoft וב-Google ובהרבה מאוד חברות גדולות אחרות.דרך אגב - אני ראיתי כאלה פנימיים של Google, וזה נראה די דומה, זאת אומרת, מבחינת הנפח - זה באמת ארוך ומתיש ומאוד מאוד מפורט - אבל בצדק, כי יש פה הרבה מאוד דברים שצריך להבהיר.עכשיו, המשמעות של “הדרגות" האלה - נקרא לזה ככה, כל חברה קוראת לזה קצת אחרת, אבל נקרא לזה “דרגות”, רק לצורך הפשטות - זה (1) הן באות ואומרות מה מצופה ממך לעשות ו-(2) הן קובעות את ה-Compensations שלך . . . בדרך כלל התשלום יתאים ליכולות שלך.ופה יש איזושהי דרך פורמלית לבוא ולהגיד כמה צריך לשלם לך, בגדול.עכשיו, נכון - יש משחקים, יש טווחים . . . גם בתוך כל דרגה - אבל סביר להניח שרוב ה-IC2, יהיה להם Compensations יותר גבוה מרוב ה-IC1, אוקיי?אז באופן כללי, כשאתם מתגייסים לחברה כזאת גדולה, אתם צריכים להבין לאיזה Slot אתם נכנסים . . . ואחר כך, לאורך החיים שלכם [בחברה], אתם כמובן יכולים להתקדם למעלה ולקבל Slot יותר גבוה, דרגה יותר גבוהה.(אלון) כן - ולכל דרגה כזאת יש, כמו שאמרת, “טווח מחירים” - מ-X ל-Y - אז כן, יכול להיות שמישהו בדרגה 2 ירוויח יותר ממישהו בדרגה 3, כי המינימום של 3 הוא קטן מהמקסימום של 2 - אבל הממוצע הוא הרבה יותר גבוה.לא יודע אם הרבה יותר גבוה, זה תלוי בדרגה - אבל הוא יותר גבוה.(רן) כן, ודרך אגב - זה קצת מתקשר לאחד מהאייטמים הראשונים ששלחתי, לגבי ה-Interview Book, ששלחתי רפרנס אליואז שם, למשל, (א) יש שם איזשהו פירוט של דרגות - נגיד, השוואה בין דרגות, ב-Phase של Data Scientists במקרה הזה, אבל של דרגות . . . ב-Facebook וב-Microsoft וב-Google - לכל אחת מהן יש שמות שונים לדברים האלה, תלוי . . . לא תמצאו חפיפה - אין איזשהו סטנדרט בתעשייה . . . אבל כן יש שם איזשהו ניסיון להשוות בין השמות, לצורך העניין ה-”Facebook-יים”, ה-”Microsoft-יים” וה-”Google-יים”, של הדרגות השונותו-(2) - הם מראים, באופן מאוד מובהק, שה-Compensation משתנה לא רק בסה”כ - אלא גם ההרכב של ה-Compensation משתנה לאורך הזמןלצורך העניין, אם אתם מתחילים יחסית צעירים בתוך חברה - רוב ה-Compensation שלכם זה משכורת, אוקיי? משכורת וקצת אופציותזה כמובן תלוי בסוג החברה, אבל באופן כללי זה ככה.וככל שהזמן עובר, וככל שאתם ניהיים יותר ותיקים, ה-Balance הזה משתנה, וזה מגיע למצב שבו חלק משמעותי מאוד מה-Compensation שלכם זה אופציות או מניות - וזה לפעמים גם יותר גדול מהמשכורת עצמה, אוקיי?וזה משהו שרואים בעיקר בחברות גדולות, אבל זה יכול . . . זאת אומרת, המידע העקבי נמצא בעיקר מהחברות הגדולות, זה כמובן יכול להיות בכל מקום, אבל מידע עקבי - יותר קל לאסוף אותו מחברות גדולותושם מאוד מאוד ברור שהרכב ה-Compensation משתנה ככל שהזמן עובר, וזה הופך להיות יותר ויותר “מנייתי” ופחות משכורת.זה על סמך מידע שיש לנו מארצות הברית . . . אני מנחש שבישראל זה משהו שהוא דומה, אבל קשה . . . זאת אומרת - אין לנו מספרים מדוייקים על ישראל, לפחות לא לי.(אלון) תודה על ההבהרה . . .(אלון) טוב, נראה לי שמיצינו . . . זה אמנם על Dropbox, אבל זה מייצג כנראה כל Corporate גדול - Google, Facebook, Microsoft וכו'.(דותן) רק הוספתי לך, ככה, אייטם Response לזה - זה הזכיר לי, השבוע . . יש לי חבר בשם אדיר, בחור מאוד מוכשר, שפרסם בעברית סוג-של-וידאו-כזה, על Hiring בהיי-טק - משהו מצחיק(רן) גדול . . . ראיתי את זה היום, באמת שכחתי לשים . . .(אלון) אבל זה צריך להיות במצחיקולים . . . אני הייתי רציני!(דותן) תראה . . . הייתי חייב, אחרי כל הסולמות והזה, הייתי חייב רגע . . .(אלון) רגע . . . אני חושב שאתה לא הבנת - המצחיקולים זה אחרי זה, ואם חשבת שאני צוחק עד עכשיו, אני נורא נעלבתי . . .(דותן) אה, הבנתי, זה לא היה, כאילו . . . (אלון) לא, זו לא הייתה בדיחה, זה היה רציני . . . אני עכשיו אשב בצד, אכבה את המיקרופון ואעבוד בחושך.(רן) שמתי גם במצחיקולים, מספיק עם ה . . . (דותן) סולמות ונחשים . . .(אלון) אני מבקש מהעורך להזיז את הקטע הזה למצחיקולים הדבר הבא - וידאו, על משהו שיכול להיות שאני היחיד בעולם שלא הכיר אותו - וזה הגיוני, למרות ששלחתי למישהו והוא גם לא הכיר אותו, אז לפחות שניים . . . זה נקרא Connected Sheetsוזה בעצם - למי שיש BigQuery בארגון, ואז רוצים להתחיל להוציא Queries ולהתחיל לתשאל ולהוציא דוחות, ואז אתה רוצה איזה Engineer או איזה איש BI שישב ויוציא דוחות . . אז מסתבר שיש דרך ממש פשוטה לחבר בין BigQuery ל-Spreadsheet . . . בצורה די מטורפת, שדי מפוצצת את המוח - ואתה לא צריך לתכנת כלום: הוא פשוט מעביר את המידע: אתה בוחר את ה-Data-set, הוא עושה את ה-Query - ואתה עושה את כל החיתוכים והכל ב-Spreadsheetזה הופך את זה שכל מי שיודע לעשות עם Excel או Spreadsheets, פתאום יודע לעשות את כל ה-Queries שלו ב-BigQuery - ולא צריך שום מהנדס . . .לדעתי, זה ממש פסיכי וחוסך . . . למי שיש להם בארגון מפתחים שמתעסקים, או לא יודע - BI, לא יודע איך לקרוא ל-Title הזה - שמתעסקים ב- Queries ולהוציא לכל מיני גורמים אחרים בארגון חיתוכים של BigQuery - שווה להסתכל על זה, כי יכול להיות שאפשר להזיז כוח אדם למשהו אחר . . .ויש גם ככה מצוקת כוח אדם . . .זהו, לי זה די פוצץ את המוח, אבל יכול להיות שכולם הכירו את זה.(דותן) זה נראה . . . פרסמו את זה באפריל 2020, אז זה יחסית חדש(אלון) כן . . . זה, כאילו, כל כך פשוט שאמרתי “בוא, זה בטח כולם . . . זה היה שם קודם”, אבל זה סרטון של שבע דקות שמראה מה אפשר לעשות שם - הם לקחו את Uber, לדעתי - Demand, ובערים וכל מיני כאלה, לא זוכר בדיוק - וזה מרשים, מרשים מאוד.אז מומלץ לכל מי שיש BigQuery(רן) זהו - וזה סולל את דרכנו היישר למצחיקולים . . . כמו שהבטחנו יש כמה להיום:אז האייטם הראשון - אני בטוח שלכל מי שכאן מאזין לפודקאסט, וכל מי שמשדר בפודקאסט, יש ניסיון של לפחות חמש שנים של שימוש בכלי שנקרא Infinidashזהו כלי מבית היוצר של AWS, שהתחיל כבדיחה - ובעצם המשיך כבדיחה . . . Infinidash זה כלי מומצא, לא קיים, דימיוני - שעוזר לך לעשות הכל יותר טוב, הכל יותר מקצוע, בגדול . . . הכל.זהו איזשהו Framework . . . (אלון)הם לא אמרו מה . . . הם אמרו פשוט שהכל יותר מקצועי ויותר טוב . . . (רן) אז בגלל זה אני לא זוכר . . .זה פורסם כבדיחה, אבל כמו שמפרסמים מדי פעם בדיחות של 1 באפריל, אז נותנים לזה כאילו מסכת רצינותולאט-לאט הקהילה תפסה, והתחילו לפתח Eco-system מסביב לזה . . .כלים שונים ו-Open-Source-ים שמשתמשים ב-Infinidash או עושים לו כל מיני תוספות . . . בקיצור, גדלה קהילה שלמה מסביב לזה.ובאיזשהו שלב זה היה נראה ממש כמו משהו מאוד מאוד רציני . . . היו Job Descriptions שמכילים ניסיון ב-Infinidash וכו'. . . אז קישרתי פה כמה דברים - יש לא מעט תוכן על הרשת, קישרתי פה לפוסט ב-ycombinator ואיזשהו Twitt נחמד של Corey Quinn - יש לא מעט תוכן על זה, על Infinidash, אז אני ממליץ.זה Framework מדהים - אני ממליץ ללכת ולהשתמש בו אתמול.(אלון) כן . . . אז Signal מחפשים מפתחי Infinidash . . . זה תפס תאוצה, מי שיש לו ניסיון ב-Infinidash מוזמן.אני רק רוצה לציין, באותה נקודה, שאני כבר מכיר פודקאסט בעברית, מפורסם, שפעם עשה 1 באפריל ואחרי זה אנשים חשבו שכל מיני דברים קרו בתעשייה, שלא קרו, ואז היו התכתבויות נאצה על חלק מהדוברים בפודקאסט . . . (רן) חכו לאפריל כקרוב . . . [וורנר עוד יעלה לארץ, אתם עוד תראו]והיום יש לנו איזשהו נושא חביב, שנקרא Correlation ו- Causation: מי לא מכיר את המתח שבין Correlation ו- Causation? אז האייטם הראשון - שלך, אלון:(אלון) יש! . . . ניסו להסביר כאן Correlation ו- Causation, אז לקחו את כל כוכבי הלכת במערכת השמש שלנו, ובדקו כמה מתו . . . כמה אנשים מתו בכל כוכבאז בכל כוכבי הלכת המספר הוא אפס - ובכדור הארץ זה בערך 120 מליארד איש עד היום . . . [לא חשדתי]ואז [ואז!] עשו עם זה הצלבה עם באיזה כוכב לכת משתמשים ב-JavaScript? ויצא שרק בכדור הארץ . . .[פה חשדתי!]ולכן - כנראה ש-JavaScript גרם למותם של 120 מליארד איש . . . (רן) כן, הקורלציה פה מובהקת, ולכן גם ה”קוזציה”, אם יש מילה כזאת בעברית . . . [סיבתיות]כן - כאן שמעתם את זה לראשונה: JavaScript אחאי למותם של כ-120 מיליארד אזרחי כדור הארץ . . . בהחלט, משכנע[ולמי שלא השתכנע - בטקסט יש גם תמונות, אז זה בטוח נכון:]אז נלך למשהו קצת יותר “מעונב” - xkcd, שבא ומראה שתי דמויות, אני אתמלל לכם, וגם תוכלו לראות את הציור כמובן בבלוג [בלוג!] שלנו [הטבה בלעדית, רק למי שקורא פודקאסטים . . .]:שני אנשים באים ומדבריםאחד מהם אומר: “פעם חשבתי שקורלציה . . . I used to think that correlation implied causation“ . . . שקורלציה הינה “קוזציה” [סיבתיות]“אבל אז לקחתי קורס בסטטיסטיקה - ועכשיו אני כבר לא חושב ככה”אז עונה לו החברה - “אז נשמע כאילו הקורס עזר . . .”אז הוא אומר “טוב, לא בטוח”סטאגאדיש!(אלון) תלחץ על האפקט של התופים . . . (רן) לגמרי . . . זהו - והאייטם האחרון של המצחיקולים זה האייטם שדותן רמז עליו מקודם: החבר שלך, אדיר, שהוציא וידאו נחמד, היתולי, על מגייסים או מגייסות בחברת היי-טק טיפוסיתממליץ ללכת ולראות, מצחיק, לגמרי.ראיתי את זה . . . דרך אגב, יש לו גם Facebook, גם LinkedIn . . . .פה ספציפית שמתי את הקישור ל-LinkedIn, אבל אפשר למצוא את זה בכל הפלטפורמות המרכזיות . . . (אלון) אתה רואה - זה התזמון! עכשיו שמים את המצחיקולים . . . אחרי שרן אומר “מצחיקולים!” ויש קטע של קטעים מצחיקולים - אז אתה שם את זה.נעשה אימון לפני הפעם הבאה . . .(רן) זה לא היה הקול של אלון - זה היה דותן שעשה אותו . . .יאללה, חברים - תודה רבה, נעמתם לנו מאוד, נתראה בפעם הבאה . . . האזנה נעימה ותודה רבה לעופר פורר על התמלול!

This week, after watching too many science fiction films, Carrie Anne and James ask, "How moral is your machine?". We explored if computers are simply tools now that they are increasingly capable of making recommendations and taking decisions for us. What are the consequences if developers do not take the time to consider ethics and morality in their programming? And how, as educators, we can usefully bring this conversation into the classroom to engage and inspire our learners?Show notesGeneral:Read issue 13 Hello World magazineSubscribe to Hello World magazineFind out more about the charitable mission of the Raspberry Pi FoundationTeaching resources:Compare your moral decisions with the Moral MachineTeach AI to 11- to 13-year-olds with the DAILy curriculumTake a look at Isaac Computer ScienceTopical examples of ethics in computing:Recommender systems and their ethical challengesBoeing 737 Max software issues2020 UK grading algorithm

▶︎ 最近の気になるトピック ・緋色の弾丸を見てきた話（ネタバレはありません！） ▶︎ 今回のテーマ The Netflix Recommender System- Algorithms, Business Value, and Innovation の紹介 ご質問、ご意見、お便りはgoogleフォームやTwitterの#geek_engineerでお待ちしております。See Privacy Policy at https://art19.com/privacy and California Privacy Notice at https://art19.com/privacy#do-not-sell-my-info.

Users of large online dating sites are confronted with vast numbers of candidates to browse through and communicate with. To help them in their endeavor and to cope with information overload, recommender systems can be utilized.  Given the massive user bases of these dating sites, there is a need and value in helping users combat information overload by filtering the most relevant partner candidates of the abundant pool of choices. Otherwise, users have a hard time finding a partner, as they have to browse through and communicate with potentially hundreds, if not even thousands, of users and profiles. While important attributes such as age, location, gender, and relationship preference can be used to cut down on the number of viable candidates, the leftover set may still be huge especially for users living in densely populated areas. Recommender systems are a means to combat this information overload and provide users with candidate recommendations personalized to their preference and profile. Moreover, there is value in such recommender systems, even for smaller dating sites, because users' attention and time can be devoted to only a handful of choices at a time and poor matches may lead to repeated rejections and discouragement. Recommender systems may also be used to reduce the burden of popular users, who may receive unruly amounts of messages, and relieve the anguish of unpopular users and users who continually get rejected by balancing the way users occur in recommendations.Dinh Thi Buihttps://www.linkedin.com/in/dinh-thi-bui/The Data Standardhttps://datastandard.io/https://www.linkedin.com/company/the-data-standard/

A conversation with Dennis Kevogo about how he and team are leveraging patient data for predictive analytics to provide value added insights to hospitals to better manage the populations they serve with improved quality and lowered costs. "Improving the lives of the African people." 

"Reached out to someone with mutual respect for the person that you're actually trying to reach." - Jeff Bajorek in today's Tip 791 Is this work for you too? Join the conversation at DailySales.Tips/791 and share your thoughts! Have feedback? Want to share a sales tip? Call or text the Sales Success Hotline: 512-777-1442 or Email: scott@top1.fm

We wrap things up w/ our ragtag group made up of The Fork Reporter, The Recommender, and The Hearthrob. We later join with Mo' Kelly to discuss what he has in store for his show today.

Join Sheikh Sammar Ahmad, Zakaria Sheikh and Raheel Ahmad for Thursday's show where we will be discussing: Screen addiction/Books Screen addiction Lockdown has meant that we're all at home and electronic devices are being used more than normal. Join us LIVE from 4PM as we discuss the risk of spending too much time on screen for both kids and adults alike. Books: Knowledge at your fingertips When was the last time you picked up a book to fill your free time? Join us LIVE from 5pm this #worldbookday as we discuss the benefits of reading, including the knowledge we are able to obtain through books. Guests include: Cam Adair (Founder of Gamequitters.com, Addiction & bullying keynote speaker) Reverend Simon Archer (Church of England Vicar, ‘Games for God' ) Scott Evans (Primary School Teacher, Reviewer and Recommender of Child Literature on TheReaderTeacher.com) Rebecca Henman (Independent Usborne Organiser, Online book shop:Books by Becky) George Hudson (Creator of 'Kaiholo the Whale' immersive children's book, music and lullaby) Produced by: Hadiya Haseeb, Zile Huma Ahmad, Farhana Khan and Kafi Zafar

One of the consequences of living in a world where we have every kind of data we could possible want at our fingertips, is that we have far more data available to us than we could possibly review. Wondering which university program you should enter? You could visit any one of a hundred thousand websites that each offer helpful insights, or take a look at ten thousand different program options on hundreds of different universities’ websites. The only snag is that, by the time you finish that review, you probably could have graduated. Recommender systems allow us to take controlled sips from the information fire hose that’s pointed our way every day of the week, by highlighting a small number of particularly relevant or valuable items from a vast catalog. And while they’re incredibly valuable pieces of technology, they also have some serious ethical failure modes — many of which arise because companies tend to build recommenders to reflect user feedback, without thinking of the broader implications these systems have for society and human civilization. Those implications are significant, and growing fast. Recommender algorithms deployed by Twitter and Google regularly shape public opinion on the key moral issues of our time — sometimes intentionally, and sometimes even by accident. So rather than allowing society to be reshaped in the image of these powerful algorithms, perhaps it’s time we asked some big questions about the kind of world we want to live in, and worked backward to figure out what our answers would imply for the way we evaluate recommendation engines. That’s exactly why I wanted to speak with Silvia Milano, my guest for this episode of the podcast. Silvia is an expert of the ethics of recommender systems, and a researcher at Oxford’s Future of Humanity Institute and at the Oxford Internet Institute, where she’s been involved in work aimed at better understanding the hidden impact of recommendation algorithms, and what can be done to mitigate their more negative effects. Our conversation took us led us to consider complex questions, including the definition of identity, the human right to self-determination, and the interaction of governments with technology companies.

KruPJess.EP19: เลือก RECOMMENDER ผิด อาจไม่ติด TOP U by Kru P'Jess Podcast

KruPJess.EP20 :7 ข้อที่ต้องบรีฟกับ RECOMMENDER by Kru P'Jess Podcast

In episode "Correlation or causality?" David Wells, VP and co-founder of Cigar Sense, explains the key principles that drive the accuracy of our cigar recommendations. He also talks about the differences between online recommendations based on data correlation, aka big data analytics,  as opposed to recommendations based on data causality, aka deep data analytics. In statistics, "correlation does not prove causality" refers to the inability to legitimately deduce a cause-and-effect relationship between two variables solely on the basis of an observed association or correlation between them. Bottom line, on one hand you can invest virtually all you can on marketing, get millions of consumer data for and through correlation based recommendations, and hope you will make at least 50% of those millions happy with what they buy next. On the other hand, you can invest in a sensory panel, in samples, in training, in curing the data, in continuously monitoring the algorithm performance over thousands of consumers and make 90%+ of them happy. We believe that, belonging to the second example, we are ready to scale up. On another note, correlation and causality are obviously also referred to when science attempts to demonstrate flavor precursors from different terroirs. Are they managing to find causation? More on this, and on a lot more, in our online tasting course. Stay tuned.

Scott Webster and Luke Gaul sit down to discuss some of the products and apps they've spent time with over the last week or so. In this episode we share our thoughts on the following products and games:Tribit Quiet Plus 50 Wireless HeadphonesCoral UV Sanitizer and DryeriCloth Cleaning WipesPhone Cases from BodyGuardz, Vena, Blu Element, SpeckAukey Omnia Nano PD Wall Charger (Promoted Link)Tangle Master 3D

Scott and Luke sit down to chat about various products and accessories that they've been reviewing. Learn more about the devices that recently arrived at the office.Devices CoverediLive Bluetooth Tailgate Party SpeakeriVanky 7-in-1 USB-C HubMophie 4-in-1 Wireless Charging MatAugust Wi-Fi Smart LockCielo Breez Plus

App name : Choeaedol app Recommender nick name: juicyyy

Welcome back to the Klaviyo Data Science podcast! This episode, we dive into… Recommender systems: how do they work? We get recommendations for all sorts of things today: routes to take when we drive, places to eat, books to read, petitions to sign, and of course, things to buy. We take a deeper look at the task of making the data science and software systems that dispense useful recommendations at scale, with a special focus on recommending ecommerce products. You'll hear from data scientists and engineers about: The best (and worst) recommendations we've ever gotten How the recommendation systems you take for granted actually work under the hood Why dining room tables are basically the same thing as people's favorite colors

#TheSocialDilemma is a recent Netflix documentary on the concerning side effects of social medias and recommandation algorithms on mental health, political manipulation and misinformation, among other issues. We discuss the documentary, and our disagreements with the documentary's take. The documentary: https://www.netflix.com/watch/81254224 A 2020 philosophy paper on "Recommender systems and their ethical challenges", published at "AI and Society" by Silvia Milano, Mariarosaria Taddeo & Luciano Floridi. https://link.springer.com/article/10.1007/s00146-020-00950-y

Kelly Kohlleffel and Randy Pitcher share how they enable clients to find technologies that provide specific outcomes and achieve their goals, how they think about building recommendations for data architecture components, and discuss Hashmap Recommender. Show Notes: Hashmap Recommender On tap for today’s episode: Bulletproof Coffee with Ripple Plant-Based Milk and Bones Coffee: Sinn-O-Bun Contact Us: https://www.hashmapinc.com/reach-out

Is social media deceiving you and spreading fake news?With much of the world in lockdown we are using social media and devices more and more to stay connected. While these devices are useful, there are some technologies that help provide a gateway for damaging misinformation to reach the masses. In this episode Meredith and Niamh chat with social media Psychology academics to find out how we can know what to trust online.This is part of a 3-part series for National Science Week Tasmania 2020. The team are running a webinar with leading experts in science, technology and engineering to discuss how we arm ourselves against fake news and phonies! More info: https://www.facebook.com/events/316633542792311/ Show theme music: Kevin MacLeodHosts: Niamh Chapman (@nchapmanTAS) & Meredith Castles (@meredithcastles)Production: Meredith Castles (@meredithcastles) & Olly Dove (@littledove440)Media & Promotion: Olivia Holloway (@LivHolloway_) & Kate Johnson (@KatePlantPhys)

Brethren, this Short Talk Bulletin Podcast episode was written in 1987 by MW Bro Lowell C. Jensen, PGM – ID, and is brought to us by WBro David Koncz, PM of United #8, Brunswick ME. Here we have an interesting discussion about what it means to recommend someone for the degrees in Masonry: what it […]

This episode details: The most important recommender criteria What you should do if you can’t ask your direct manager for a letter What you should do if you don’t want anyone at your company to know of your MBA plans If it’s OK to use college professors or extracurricular contacts as recommenders Whether seniority or alumni status matters Whether "side letters" are effective What you should do if you’ve worked for more than one company since college What you should do if you haven’t worked with one of your recommenders for some time, and finally What you should do if you work for a family-owned business

We discuss ideas presented on this blog post by Jürgen Schmidhuber, and beyond. http://people.idsia.ch/~juergen/ai-covid.html Timecodes : 1:55 Population-scale analysis 9:11 Individual risk assessment 22:11 Drug discovery 30:22 Recommender systems 43:44 Computational thinking

“Have You Seen This One?” is a podcast co-hosted by Jay Bullington and Keith Karseno.  They are two friends that both currently live in Austin, TX, and neither one has any credentials to do a podcast about movies…but they’re doing it anyway! For each episode one host recommends a movie the other host has not seen: any genre, any era, any language.  Then you, dear listener, get the unmitigated joy of hearing “The Virgin Viewer” either profusely thank “The Recommender” for enriching their life, or curse them for the movie torture they were subjected to.  Along the way there will be special guests and other gorgeous little things, so please listen in while they delight/horrify each other with cinema magic! They hope you join the party, because they really do want to know… Have You Seen This One?

In 2017 a research group at the University of Washington did a study on the Black Lives Matter movement on Twitter. They constructed what they call a “shared audience graph” to analyse the different groups of audiences participating in the debate, and found an alignment of the groups with the political left and political right, as well as clear alignments with groups participating in other debates, like environmental issues, abortion issues and so on. In simple terms, someone who is pro-environment, pro-abortion, left-leaning, is also supportive of the Black Lives Matter movement, and viceversa. F: Ok, this seems to make sense, right? But… I suspect there is more to this story? So far, yes…. What they did not expect to find, though, was a pervasive network of Russian accounts participating in the debate, which turned out to be orchestrated by the Internet Research Agency, the not-so-secret Russian secret service agency of internet black ops. The same connected with the US election and Brexit referendum, allegedly.  F: Are we talking about actual spies? Where are you going with this? Basically, the Russian accounts (part of them human and part of them bots) were infiltrating all aspects of the debate, both on the left and on the right side, and always taking the most extreme stances on any particular aspect of the debate. The aim was to radicalise the conversation, to make it more and more extreme, in a tactic of divide-and-conquer: turn the population against itself in an online civil war, push for policies that normally would be considered too extreme (for instance, give tanks to the police to control riots, force a curfew, try to ban Muslims from your country). Chaos and unrest have repercussions on international trade and relations, and can align to foreign interests. F: It seems like a pretty indirect and convoluted way of influencing a foreign power… You might think so, but you are forgetting social media. This sort of operation is directly exploiting a core feature of internet social media platforms. And that feature, I am afraid, is recommender systems. F: Whoa. Let's take a step back. Let's recap the general features of recommender systems, so we are on the same page.  The main purpose of recommender systems is to recommend people the same items similar people show an interest in. Let's think about books and readers. The general idea is to find a way to predict the best book to the best reader. Amazon is doing it, Netflix is doing it, probably the bookstore down the road does that too, just on a smaller scale. Some of the most common methods to implement recommender systems, use concepts such as cosine/correlation similarity, matrix factorization, neural autoencoders and sequence predictors. The major issue of recommender systems is in their validation. Even though validation occurs in a way that is similar to many machine learning methods, one should recommend a set of items first (in production) and measure the efficacy of such a recommendation. But, recommending is already altering the entire scenario, a bit in the flavour of the Heisenberg principle of uncertainty.  F: In the attention economy, the business model is to monetise the time the user spends on a platform, by showing them ads. Recommender systems are crucial for this purpose. Chiara, you are saying that these algorithms have effects that are problematic? As you say, recommender systems exist because the business model of social media platforms is to monetise attention. The most effective way to keep users' attention is to show them stuff they could show an interest in. In order to do that, one must segment the audience to find the best content for each user. But then, for each user, how do you keep them engaged, and make them consume more content?  F: You're going to say the word “filter bubble” very soon. Spot on. To keep the user on the platform, you start by showing them content that they are interested in, and that agrees with their opinion.  But that is not all. How many videos of the same stuff can you watch, how many articles can you read? You must also escalate the content that the user sees, increasing the wow factor. The content goes from mild to extreme (conspiracy theories, hate speech etc). The recommended content pushes the user opinion towards more extreme stances. It is hard to see from inside the bubble, but a simple experiment will show it. If you continue to click the first recommended video on YouTube, and you follow the chain of first recommended videos, soon you will find yourself watching stuff you'd never have actively looked for, like conspiracy theories, or alt-right propaganda (or pranks that get progressively more cruel, videos by people committing suicide, and so on). F: So you are saying that this is not an accident: is this the basis of the optimisation of the recommender system?  Yes, and it's very effective. But obviously there are consequences.  F: And I'm guessing they are not good.  The collective result of single users being pushed toward more radical stances is a radicalisation of the whole conversation, the disappearance of nuances in the argument, the trivialisation of complex issues. For example, the Brexit debate in 2016 was about trade deals and custom unions, and now it is about remain vs no deal, with almost nothing in between.  F: Yes, the conversation is getting stupider. Is this just a giant accident? Just a sensible system that got out of control? Yes and no. Recommender systems originate as a tool for boosting commercial revenue, by selling more products. But applied to social media, they have caused an aberration: the recommendation of information, which leads to the so-called filter bubbles, the rise of fake news and disinformation, and the manipulation of the masses.  There is an intense debate in the scientific community about the polarising effects of the internet and social media on the population. An example of such study is a paper by Johnson et al. It predicts that whether and how a population becomes polarised is dictated by the nature of the underlying competition, rather than the validity of the information that individuals receive or their online bubbles.  F: I would like to stress on this finding. This is really f*cked up. Polarisation is not caused by the particular subject nor the way a debate is conducted. But by how legitimate the information seems to the single person. Which means that if I find a way to convince the single individuals about something, I will be in fact manipulating the debate at a community scale or, in some cases, globally! Oh my god we seem to be so f*cked. Take for instance the people who believe that the Earth is flat. Or the time it took people to recognise global warming as scientific, despite the fact that, the threshold for scientific confirmation was reached decades ago. F: So, recommender systems let loose on social media platforms amplify controversy and conflict, and fringe opinions. I know I'm not going to like the answer, but I'm going to ask the question anyway. This is all just an innocent mistake, right?  Last year, the European Data Protection Supervisor has published a report on online manipulation at scale.  F: That does not sound good. The online digital ecosystem has connected people across the world with over 50% of the population on the Internet, albeit very unevenly in terms of geography, wealth and gender. The initial optimism about the potential of internet tools and social media for civic engagement has given way to concern that people are being manipulated. This happens through the combination of constant harvesting of often intimate information about them, and the control over the information they see online according to the category they are put into (so called segmentation of the audience). Arguably since 2016, but probably before, mass manipulation at scale has occurred during democratic elections. By using algorithms to game recommender systems, among other things, to spread misinformation. Remember Cambridge Analytica?  F: I remember. I wish I didn't. But why does it work? Are we so easy to manipulate?  An interesting point is this. When one receives information collectively, as for example from the television news, it is far less likely that she develops extreme views (like, the Earth is flat), because she would base the discourse on a common understanding of reality. And people call out each other's bulls*it.  F: Fair enough. But when one receives information singularly, like what happens via a recommender system through micro-targeting, then reality has a different manifestation for each audience member, with no common ground. It is far more likely to adopt extreme views, because there is no way to fact check, and because the news feel personal. In fact, they tailor such news are to the users to push their buttons. Francesco, if you show me George Clooney shirtless and holding a puppy, and George tells me that the Earth is flat, I might have doubts for a minute. Too personal?  F: That's good to know about you. I'm more of a cat person. But, experts keep saying that we are moving towards personalisation of everything. While this makes sense for things like personalised medicine, it probably is not that beneficial with many other kinds of recommendations. Especially not the news. But social media feeds are extremely personalised. What can we do?  Solutions have focused on transparency measures, exposing the source of information while neglecting the accountability of players in the ecosystem who profit from harmful behaviour. But these are band aids on bullet wounds. The problem is the social media platforms. In October 2019 Zuckerberg was in front of congress again, because Facebook refuses to fact-check political advertisements, in 2019, after everything that's happened. At the same time market concentration and the rise of platform dominance threatens media pluralism. This in turn, is leading to repeat and amplify a handful of news pieces and to silence independent journalism.  F: When I think of a recommender system, I think of Netflix. You liked this kind of show in the past, so here are more shows of the same genre People like you have liked this other type of show. Hence, here it is for your consideration This seems relatively benign. Although, if you think some more, you realise that this mechanism will prevent you from actually discovering anything new. It just gives you more of what you are likely to like. But one would not think that this would have world-changing consequences.  If you think of the news, this mechanism becomes lethal: in the mildest form – which is already bad – you will only hear opinions that already align with those of your own peer group. In the worst scenario, you will not hear some news at all, or you will hear a misleading or false version of the news, and you don't even know that a different version exists. In the Brexit referendum, misleading or false content (like the famous NHS money that supposedly was going to the EU instead) has been amplified in filter bubbles. Each bubble of people was essentially understanding a different version of the same issue. Brexit was a million different things, depending on your social media feeds. And of course, there are malicious players in the game, like the russian Internet Research Agency and Cambridge Analytica, who actively exploited this features in order to swing the vote.  F: Even the traditional media is starting to adopt recommender systems for the news content. This seems like a very bad idea, after all. Is there any other scenario in which recommender systems are not great?  Researchers use recommender systems in a variety of applications. For instance, in the job market. A recommender system limits exposure to certain information about jobs on the basis of the person's gender or inferred health status, and therefore it perpetuates discriminatory attitudes and practices. In the US, researchers use recommender systems to calculate the bail fee for people who have been arrested, disproportionately penalising people of colour. This has to do with the training of the algorithm. In an already unequal system (where for instance there are few women in top managerial positions, and more African-Americans in jail than white Americans) a recommender system will by design amplify such inequality.  F: Recommender systems are part of the problem, and they make everything worse. But the origin of the problem lies somewhere else, I suspect.  Yep. The problem with recommender systems goes even deeper. I would rather connect it to the problem of privacy. A recommender system only works if it knows its audience. They are so powerful, because they know everything about us.  We don't have any privacy anymore. Online players know exactly who we are, our lives are transparent to both corporations and governments. For an excellent analysis of this, read Snowden's book “Permanent Record”. I highly recommend it.  F: The pun was intended wasn't it? With all this information about us, we are put into “categories” for specific purposes: selling us products, influencing our vote. They target us with ads aimed at our specific category, and this generates more discussion and more content on our social media. Recommender systems amplify the targeting by design. They would be much less effective, and much less dangerous, in a world where our lives are private.  F: Social media platforms base their whole business model in “knowing us”. The business model itself is problematic.  As we said in the previous episode, the internet has become centralised, with a handful of platforms controlling most of the traffic. In some countries like Myanmar, internet access itself is provided and controlled by Facebook.  F: Chiara, where's Myanmar? In South-East Asia, between India and Thailand. In effect, the forum for public discourse and the available space for freedom of speech is now bounded by the profit motives of powerful private companies. Due to technical complexity or on the grounds of commercial secrecy, such companies decline to explain how decisions are made. Mostly, they make decisions via recommender algorithms, which amplify bias and segregation. And at the same time the few major platforms with their extraordinary reach offer an easy target for people seeking to use the system for malicious ends.  Conclusion This is our call to all data scientists out there. Be aware of personalisation in building recommender systems. Personalising is not always beneficial. There are a few cases where it is, e.g. medicine, genetics, drug discovery. Many other cases where it is detrimental e.g. news, consumer products/services, opinions. Personalisation by algorithm, and in particular of the news, leads to a fragmentation of reality that undermines democracy. Collectively we need to push for reigning in targeted advertising, and the path to this leads to more strict rules on privacy. As long as we are completely transparent to commercial and governmental players, like we are today, we are vulnerable to lies, misdirection and manipulation. As Christopher Wylie (the Cambridge Analytica whistleblower) eloquently said, it's like going on a date, where you know nothing about the other person, but they know absolutely everything about you. We are left without agency, and without real choice. In other words, we are f*cked References Black  lives matter / Internet Research Agency (IRA) articles:  http://faculty.washington.edu/kstarbi/Stewart_Starbird_Drawing_the_Lines_of_Contention-final.pdf https://medium.com/s/story/the-trolls-within-how-russian-information-operations-infiltrated-online-communities-691fb969b9e4 https://medium.com/s/story/the-trolls-within-how-russian-information-operations-infiltrated-online-communities-691fb969b9e4 https://faculty.washington.edu/kstarbi/BLM-IRA-Camera-Ready.pdf IRA tactics: https://int.nyt.com/data/documenthelper/533-read-report-internet-research-agency/7871ea6d5b7bedafbf19/optimized/full.pdf#page=1 https://int.nyt.com/data/documenthelper/534-oxford-russia-internet-research-agency/c6588b4a7b940c551c38/optimized/full.pdf#page=1 EDPS report https://edps.europa.eu/sites/edp/files/publication/18-03-19_online_manipulation_en.pdf Johnson et al.  “Population polarization dynamics and next-generation social media algorithms” https://arxiv.org/abs/1712.06009

Accenture's Stephen Redmond, Tricia Miller and Lisa Pearson break down the General Ledger Recommendation Model Project, utilizing analytics in SAP Ariba.

Accenture's Stephen Redmond, Tricia Miller and Lisa Pearson break down the General Ledger Recommendation Model Project, utilizing analytics in SAP Ariba.

This week we have a guest recommender - Shani! She's brought us the cover song focused Coverville. Coverville is a podcast of curated covers played by the host Brian Ibbott. Brian hosts what I consider essentially a radio show that he calls a podcast, but I digress. We covered two episodes -Hair Metalvillehttp://coverville.com/episodes/coverville-1065-hair-metalville/Covering the 2019 Rock and Roll Hall of Famehttp://coverville.com/episodes/covering-the-2019-rock-roll-hall-of-fame-inductees/We play a name that cover tune game which goes wildly off the rails. Next week Bill SimmonsMalcolm Gladwellhttps://www.theringer.com/2017/8/3/16090942/malcolm-gladwell-on-the-nba-carousel-billionaire-owners-and-multipurpose-golf-coursesBill Haderhttps://www.theringer.com/the-bill-simmons-podcast/2019/3/29/18286574/bill-simmons-podcast-500th-episode-bill-hader-barry

Hoy tuvimos una excelente plática con Adi Asavaid acerca de diferentes aspectos de la evolución de la analítica. A lo largo de más de 30 años, Adi ha podido ver y vivir distintas transformaciones respecto al enfoque de la analítica en las empresas.  Disfrútenlo.     Les compartimos algunos de los links que hemos comentado durante el podcast: https://en.wikipedia.org/wiki/Dangerous_Company https://en.wikipedia.org/wiki/Recommender_system (Basic description of recommendation engines) https://wikibuy.com/ https://www.qlik.com/us https://powerbi.microsoft.com https://www.techtarget.com/   Si deseas contactar a Adi, escríbele a: adi.asavaid@biacumen.com  

Today we’re joined by JJ Espinoza, former Director of Data Science at 20th Century Fox. In this talk we start out with a discussion JJ’s transition from econometrician to data scientist, and then dig into his and his team’s experience building and deploying a content recommendation system from the ground up. In our conversation, we explore the design of a couple of key components of their system, the first of which processes movie scripts to make recommendations about which movies the studio should make, and the second processes trailers to determine which should be recommended to users. We discuss the challenges they’ve encountered fielding these systems, some of the tools that were used along the way, and a few of the upcoming projects that could be layered on top of the platform they’ve built. For the complete show notes for this episode, visit twimlai.com/talk/220. If this talk piqued your interest, you should also check out Talk #201, where Leemay Nassery of Comcast breaks down how she led the rebuild of the Comcast Xfinity X1 recommender platform.  

In the final episode of our re:Invent series, we're joined by Thorsten Joachims, Professor in the Department of Computer Science at Cornell University. Thorsten participated at the conference’s AI Summit, presenting his research on “Unbiased Learning from Biased User Feedback.” In our conversation, we take a look at some of the inherent and introduced biases in recommender systems, and the ways to avoid them. We also discuss how inference techniques can be used to make learning algorithms more robust to bias, and how these can be enabled with the correct type of logging policies. The complete show notes for this episode can be found at https://twimlai.com/talk/207.  For more information on our AWS re:Invent series, visit https://twimlai.com/reinvent2018.    

This episode features Gautam Bajaj, an engineer and data scientist that has worked with technologies mostly related to AI and machine learning. He has worked in India, USA, a leading video game company in Japan and is now consulting in Tokyo. We talk about getting into the field of data science and AI and about the different working cultures in Japan, India, USA and Sweden. We get into the possibilities and challenges of AI and machine learning, such as scaling and keeping up with developments in such a rapidly evolving field. Some things mentioned in this episode:- YanLeCun, AI course- Hadoop: a framework for distributed processing and big data- Kubernetes: a tool for running applications in "the cloud"- Medium, a blog platform- Recommender/recommendation system- Convolutional neural network (CNN)- Reinforcement learning- Generative adversarial networks (GANs)- Python- Amazon Web Services (AWS): cloud, web hosting etc.- Google Cloud Platform (GCP): cloud, web hosting etc. We do not currently have any external partners and all opinions expressed are solely our own. Nothing discussed on this podcast should be considered as any kind of investment advice. In this episode:- Gautam Bajaj, gautam1237 at gmail dot com- Martin Nordgren, works at Tobii, former engineer at Dirac, @martinjnordgren Contact us:dataspaning.se@dataspaning @ Twitterdataspaning@gmail.com

In this episode of our Strata Data conference series, we’re joined by Ahsan Ashraf, data scientist at Pinterest. In our conversation, Ahsan and I discuss his presentation from the conference, “Diversification in recommender systems: Using topical variety to increase user satisfaction.” We cover the experiments his team ran to explore the impact of diversification in user’s boards, the methodology his team used to incorporate variety into the Pinterest recommendation system, the metrics they monitored through the process, and how they performed sensitivity sanity testing. The show notes for this episode can be found at https://twimlai.com/talk/187.

Next 3 months are crucial to retail stores. Machine learning models can anticipate demand with accuracy. Recommender system can enhance sales as consumers gear up to shop around. Customer acquisition.

Recommender systems play an important role in providing personalized content to online users. Yet, typical data mining techniques are not well suited for the unique challenges that recommender systems face. In this episode, host Kyle Polich joins Dr. Joseph Konstan from the University of Minnesota at a live recording at FARCON 2017 in Minneapolis to discuss recommender systems and how machine learning can create better user experiences. 

We speak to CEO and founder of www.opening.io Andreea Wade. Andreea has a diverse background steeped in coding, design, journalism, event organizing, advertising, marketing and product management. Andreea and opening.io are in the space of Recruitment intelligence, automatically matching talent with job openings. Opening.io uses linguistics algorithms to identify patterns within the structure and phrasing of job posts and CVs, converting them into data points to match candidates to suitable jobs. In short, they built a CV recommender engine.

Machine learning is fast becoming a part of our lives. From the order in which your search results and news feeds are ordered to the image classifiers and speech recognition features on your smartphone. Machine learning may even have had a hand in choosing your spouse or driving you to work. As with cars, only the mechanics need to understand what happens under the hood, but all drivers need to know how to operate the steering wheel. Listen to this podcast to learn how to interact with machines that can learn, and about the implications for humanity. My guest is Dr. Pedro Domingos, Professor of Computer Science at Washington University. He is the author or co-author of over 200 technical publications in machine learning and data mining, and the author of my new favourite book The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Here’s the outline of this interview with Dr. Pedro Domingos, PhD: [00:01:55] Deep Learning. [00:02:21] Machine learning is affecting everyone's lives. [00:03:45] Recommender systems. [00:03:57] Ordering newsfeeds. [00:04:25] Text prediction and speech recognition in smart phones. [00:04:54] Accelerometers. [00:04:54] Selecting job applicants. [00:05:05] Finding a spouse. [00:05:35] OKCupid.com. [00:06:49] Robot scientists. [00:07:08] Artificially-intelligent Robot Scientist ‘Eve’ could boost search for new drugs. [00:08:38] Cancer research. [00:10:27] Central dogma of molecular biology. [00:10:34] DNA microarrays. [00:11:34] Robb Wolf at IHMC: Darwinian Medicine: Maybe there IS something to this evolution thing. [00:12:29] It costs more to find the data than to do the experiment again (ref?) [00:13:11] Making connections people could never make. [00:14:00] Jeremy Howard’s TED talk: The wonderful and terrifying implications of computers that can learn. [00:14:14] Pedro's TED talk: The Quest for the Master Algorithm. [00:15:49] Craig Venter: your immune system on the Internet. [00:16:44] Continuous blood glucose monitoring and Heart Rate Variability. [00:17:41] Our data: DUTCH, OAT, stool, blood. [00:19:21] Supervised and unsupervised learning. [00:20:11] Clustering dimensionality reduction, e.g. PCA and T-SNE. [00:21:44] Sodium to potassium ratio versus cortisol. [00:22:24] Eosinophils. [00:23:17] Clinical trials. [00:24:35] Tetiana Ivanova - How to become a Data Scientist in 6 months a hacker’s approach to career planning. [00:25:02] Deep Learning Book. [00:25:46] Maths as a barrier to entry. [00:27:09] Andrew Ng Coursera Machine Learning course. [00:27:28] Pedro's Data Mining course. [00:27:50] Theano and Keras. [00:28:02] State Farm Distracted Driver Detection Kaggle competition. [00:29:37] Nearest Neighbour algorithm. [00:30:29] Driverless cars. [00:30:41] Is a robot going to take my job? [00:31:29] Jobs will not be lost, they will be transformed [00:33:14] Automate your job yourself! [00:33:27] Centaur chess player. [00:35:32] ML is like driving, you can only learn by doing it. [00:35:52] A Few Useful Things to Know about Machine Learning. [00:37:00] Blood chemistry software. [00:37:30] We are the owners of our data. [00:38:49] Data banks and unions. [00:40:01] The distinction with privacy. [00:40:29] An ethical obligation to share. [00:41:46] Data vulcanisation. [00:42:40] Teaching the machine. [00:43:07] Chrome incognito mode. [00:44:13] Why can't we interact with the algorithm? [00:45:33] New P2 Instance Type for Amazon EC2 – Up to 16 GPUs. [00:46:01] Why now? [00:46:47] Research breakthroughs. [00:47:04] The amount of data. [00:47:13] Hardware. [00:47:31] GPUs, Moore’s law. [00:47:57] Economics. [00:48:32] Google TensorFlow. [00:49:05] Facebook Torch. [00:49:38] Recruiting. [00:50:58] The five tribes of machine learning: evolutionaries, connectionists, Bayesians, analogizers, symbolists. [00:51:55] Grand unified theory of ML. [00:53:40] Decision tree ensembles (Random Forests). [00:53:45] XGBoost. [00:53:54] Weka. [00:54:21] Alchemy: Open Source AI. [00:56:16] Still do a computer science degree. [00:56:54] Minor in probability and statistics.

In this NEW episode we discuss Latent Semantic Indexing type machine learning algorithms which have a PROBABILISTIC  interpretation. We explain why such a probabilistic interpretation is important and discuss how such algorithms can be used in the design of document retrieval systems, search engines, and recommender systems. Check us out at: www.learningmachines101.com and follow us on twitter at: @lm101talk  

Episode 80 Show Notes: Recommender Science: One of the most powerful, profitable, difference-making success forces Dan shares the difference between a recommender and a deal maker How to understand, engage and multiply the recommenders who quietly grow your business The unique way recommenders get rewarded and create value in the world Creating and expanding your environment so great things happen all around you One of the most powerful, positive, forward moving activities you can engage    

What ways is your marketing talking you OUT of a sale? Some ways are ok: being true to your personality, because you're polarizing -- repelling some and attracting others. You don't have to apologze, and I'll explain why! But if you repel the "serious buyers" and only attract the "tire-kickers" -- that hurts you long term. What's your goal? Our marketer of the Week is Robert Cialdini, author of "Influence": I've used his "six keys to influence" in my speaking, webinars, sales letters and more. The are: reciprocity, scarcity, liking, authority, social proof, and commitment/consistency. Are you missing one or two of them, or are you skewed way over towards one of these six factors? Scenarios We're Talking About Today... Are You Guilty of Any Of These I'm viewing a sales letter for a live chat plugin, but there's no live chat on the page. I'm about to buy a course on copywriting taught by some of the super-old "legends" until the sales letter tells me: by the end of module two, you'll have an idea of how to start your sales letter soon. What?! I sold a WP sales letter that wasn't actually on WordPress. Better fix it. Selling an "alternate" webinar service but you're pitching it on GoToWebinar. Selling an "alternate" landing page plugin but you're selling it on LeadPages. Blog post saying not to use "admin" as your WordPress login because it's easy to see if it's a valid account. I go to their WP login page, admin is a valid user on that blog. Selling a podcast course, no podcast. Or just one short episode of a podcast. That tells me you're not a master. Checklist to "Check For Holes" to Your Own Business Background: What does someone find when they do their quick "research" on you, or Google search? Selling a book writing course, better have a book in print. Article course, better have some articles. Something impressive. Testimonials: better check the URLs under each testimonials in your sales letter (don't hyperlink them though) to see if the websites are still there. If not, remove the URL and ask your list for some fresh testimonials. Bottlenecks: is there an area of your sales letter that "scares" people? Long video, mentioning of too much work (3 weeks) Negative Social Proof: 100 copies total, only 96 remaining? No one wants it! Beware of Victim Copywriting: I suffered for 20 years making this so you don't have to. Great, so you'll only get buyers who "delight" in your pain. This is 500 pages, 50 hours, no one cares! Now you're talking me out of a sale. Gray Areas: fake scarcity, countdown timer, launching/closing/reopening. Unpredictability and urgency to a point. It's a booster, but don't let it become a crutch. Internet Marketing Lessons Don't overthink it, but put your best foot forward. You don't have to be a master with 20-50 years experience, but don't leave yourself vulnerable to research. Be very careful with "distractions" like live action video, demos, lots of features and case studies to understand it -- less is more! Because I Can: you're free to say whatever you want, the only consequence is they "vote with their wallets" -- don't condone customer bullying. Life Lessons from Robert Plank Any action is better than no action. It's easier to edit crap than air. Time sorts out impostors from those who are truthful. Meaning, people aren't going to pay for ads or pay to keep a site going forever if it's not making money. What to Do Now Check out Speed Copy to get the best copywriting training out there and close the bottlenecks on your websites Download and install Paper Template to get your sales letter the best it can be (with a copywriter built into the software) Setup Your Income Machine (SEO blog, autoresponder sequence, traffic, etc.) to setup a passive income business

What ways is your marketing talking you OUT of a sale? Some ways are ok: being true to your personality, because you're polarizing -- repelling some and attracting others. You don't have to apologze, and I'll explain why! But if you repel the "serious buyers" and only attract the "tire-kickers" -- that hurts you long term. […]

User value derived from and user perception of recommendations from recommender systems; quality metrics; role of content aggregators and media conglomerates in recommender ecosystem: Amazon, Netflix, iTunes, CNet, Consumer Reports, iLike, Flixster, MovieCritic, MovieLens. Questions from listeners on multi-tiered print recommenders like Zagat.Listen now.

2nd in a series of 4 podcasts on Recommender applications; user data gathering, scaling, privacy and user data ownership issues; Google News, Amazon recommendations, product suggestions, Netflix, iTunes, Last.fm.Listen now.

Podcast: first in a series of four to introduce recommender applications: editorial recommenders, social recommenders, content filtering and collaborative filtering.Listen now.