В репозитории GitHub в README может быть указано «Transformer», «RAG» или «Computer Vision». Это не говорит вам, является ли работа технически глубокой, оригинальной, воспроизводимой или даже действительно вашей. Я создал AI-Atlas, чтобы смотреть сквозь этикетки и...
В репозитории GitHub в README может быть указано «Transformer», «RAG» или «Computer Vision». Это не говорит вам, является ли работа технически глубокой, оригинальной, воспроизводимой или даже действительно вашей. Я создал AI-Atlas, чтобы смотреть сквозь метки и проверять доказательства внутри кода.
Практически за каждым техническим портфолио скрывается удивительно сложный вопрос: насколько на самом деле хорош этот проект?
Не важно, насколько отполирован README, сколько звезд он получил, содержит ли имя репозитория LLM, Agent или Computer Vision, написал ли его автор AI Engineer в LinkedIn. Я имею в виду нечто более конкретное: что на самом деле демонстрирует реализация?
Представьте себе два репозитория:
Первый настраивает предварительно обученный Transformer с использованием существующего сценария обучения, меняет несколько гиперпараметров, сообщает о точности и на этом останавливается.
Второй модифицирует механизм внимания, реализует изменение вручную, сравнивает его с несколькими базовыми показателями, документирует, почему существует модификация, сохраняет воспроизводимые конфигурации эксперимента и включает удаление, показывающее, действительно ли идея помогла.
Оба являются законными проектами-трансформерами. Но это далеко не одно и то же произведение