London Underground Dot Matrix Typeface adalah satu set font yang mereplikasi jenis huruf yang digunakan pada papan kedatangan dan papan pengumuman sistem transportasi London Underground.
Jenis huruf ini memiliki bobot yang berbeda dan mewakili jenis huruf yang digunakan pada periode waktu yang berbeda di jaringan Underground.
Jenis huruf ini dibuat dengan menggunakan bahan referensi seperti foto dan video, dan ada kesempatan bagi orang-orang untuk berkontribusi dengan menambahkan karakter baru ke jenis huruf yang ada.
Tulisan ini menyelidiki asal-usul dan sejarah simbol U+237C ⍼ SUDUT KANAN DENGAN PANAH ZIGZAG KE BAWAH dalam standar Unicode.
Penyelidikan ini menelusuri simbol tersebut kembali ke ISO/IEC TR 9573-13, sebuah laporan teknis untuk SGML, dan Monotype di bawah nomor seri matriks S16139.
Penulis menghadapi tantangan dalam menemukan dokumentasi spesifik yang terkait dengan simbol tersebut, tetapi penyelidikan sedang berlangsung.
Artikel ini membahas pencarian arti dan asal usul simbol misterius yang disebut U+237C ⍼ &Angzarr;
Penulis mengajukan permintaan kepada Perpustakaan Cambridge untuk memindai dokumen yang terkait dengan simbol tersebut, namun diberitahu bahwa hal tersebut melanggar undang-undang hak cipta dan batas pemindaian.
Para pembaca tertarik untuk membantu mendanai permintaan digital tersebut dan menemukan cara untuk melanjutkan penelitian ini.
Pekerjaan omong kosong adalah posisi yang tidak berguna dan tidak perlu yang ada di sektor publik dan swasta, yang menyebabkan frustrasi di antara para karyawan dan merusak tujuan sebenarnya dari organisasi.
Banyak pekerja merasa terjebak dalam pekerjaan yang tidak berarti dan berjuang untuk menemukan keseimbangan antara kebutuhan akan pekerjaan yang berarti dan tuntutan dari pekerjaan omong kosong, yang mengarah pada efek negatif pada kesehatan mental dan harga diri mereka.
Konsep Universal Basic Income (UBI) dipandang sebagai solusi potensial untuk mengatasi masalah pekerjaan omong kosong dan ketidaksetaraan pendapatan, dengan memberdayakan individu untuk memilih bagaimana mereka menghabiskan waktu mereka dan berkontribusi kepada masyarakat.
Buku "Bullshit Jobs" oleh David Graeber mengeksplorasi konsep pekerjaan yang dianggap tidak berguna atau tidak perlu oleh karyawan itu sendiri.
Buku ini menimbulkan pertanyaan tentang sifat pekerjaan, dampak birokrasi pada organisasi, dan makna serta nilai yang diperoleh orang dari pekerjaan mereka.
Konsep pekerjaan omong kosong telah memicu percakapan tentang masa depan pekerjaan dan kebutuhan akan pekerjaan yang bermakna.
GB Studio adalah pembuat game seret dan lepas yang mudah digunakan yang memungkinkan Anda membuat game retro untuk sistem video game genggam GameBoy.
Aplikasi ini tersedia untuk Windows, Mac, dan Linux, dan Anda dapat mengunduhnya dari Itch.io.
Perangkat lunak ini tidak memerlukan pengetahuan pemrograman apa pun dan mendukung berbagai genre game. Ini juga termasuk editor musik built-in dan memungkinkan Anda untuk membuat file ROM nyata yang dapat dimainkan pada emulator GameBoy apa pun.
Penulis mengungkapkan rasa frustasi mereka dengan munculnya bahasa query baru di industri dan berpendapat bahwa menggunakan SQL sebagai bahasa dasar umum untuk database tujuan umum lebih praktis dan efisien.
Penulis membandingkan bahasa kueri baru yang disebut FancyQL dengan SQL, menyoroti bahwa SQL tidak serumit yang sering digambarkan dan dapat secara efektif menangani tugas-tugas yang berhubungan dengan data.
Penulis menekankan keuntungan dari SQL, seperti penggunaannya yang luas, dukungan dari mesin database utama, dan peningkatan berkelanjutan melalui komite standar. Mereka menegaskan bahwa tidak perlu bahasa kueri yang mewah ketika SQL sudah mampu.
Kueri SQL dapat memiliki kelemahan ketika harus meng-query database dengan berbagai jenis dan keragaman, yang mengarah ke output yang berlebihan dan kurangnya penanganan kesalahan.
Dukungan JSON dalam database memungkinkan untuk menggabungkan hasil subseleksi ke dalam satu kolom, memberikan lebih banyak fleksibilitas dalam kueri.
Bahasa kueri alternatif seperti EdgeQL dan PRQL bertujuan untuk memperbaiki keterbatasan SQL, tetapi SQL tetap menjadi alat yang berharga dan banyak digunakan dalam industri ini.
Postingan ini membahas teknik untuk mempercepat pelatihan dan inferensi Model Bahasa Besar (LLM) untuk menggunakan jendela konteks hingga 100 ribu token input, yang secara signifikan lebih besar dari model sebelumnya.
Keterbatasan arsitektur Transformer yang asli ketika bekerja dengan panjang konteks yang besar dijelaskan, termasuk kompleksitas waktu dan ruang kuadrat dari komputasi lapisan perhatian.
Beberapa teknik pengoptimalan dipaparkan, termasuk penyematan posisi ALiBi, Sparse Attention, FlashAttention, Multi-Query attention, komputasi bersyarat, dan penggunaan GPU A100 80GB, yang membantu meningkatkan panjang konteks dan meningkatkan efisiensi LLM.
Model 100k dari Anthropics menggunakan teknik pintar untuk memperpanjang jendela konteks, tetapi memiliki beberapa ketidaksempurnaan.
Menempatkan instruksi setelah teks referensi dalam input dapat membantu model untuk lebih memperhatikannya.
Ketidakmampuan untuk menyimpan cache transformer membuat jendela konteks yang besar menjadi mahal, tetapi proyek RWKV-LM di GitHub menawarkan solusi yang potensial.
Claude dari Anthropics mengungguli GPT4 dalam beberapa hal dan berada di antara GPT4 dan Bard secara keseluruhan.
Posisi prompt dalam input dapat memengaruhi "perhatian" dan bias kemutakhiran model.
Transformers dirancang untuk menghindari masalah posisi, tetapi beberapa kasus menunjukkan bahwa bias kemutakhiran masih dapat terjadi.
LLM dapat berjuang untuk mengalokasikan tingkat perhatian yang sama ke semua bagian input di seluruh jendela konteks.
Claude dari Antropologi dianggap kurang dihargai, tetapi akses ke sana saat ini sulit.
Persyaratan komputasi untuk ukuran konteks yang besar dapat menjadi signifikan, tetapi mungkin sepadan untuk aplikasi tertentu seperti pemrograman.
Melatih LLM dengan jendela konteks yang besar membutuhkan sumber daya yang besar, tetapi mengompresi dan mengoptimalkan model dapat meningkatkan efisiensi.
Ukuran konteks yang besar diperlukan untuk tugas-tugas seperti mengingat fakta dan memahami cerita yang panjang.
Diperlukan tolok ukur yang berfokus pada tugas-tugas yang membutuhkan ukuran konteks yang besar.
Kompresi lossy dapat menghasilkan kualitas yang lebih baik dibandingkan dengan kompresi lossless dalam hal LLM.
Metode penyandian posisi seperti penyematan sinusoidal mungkin tidak cocok untuk ukuran konteks yang besar.
Pengetahuan tentang AI secara umum sangat penting, tetapi mereproduksi atau memodifikasi LLM secara mandiri membutuhkan sumber daya yang signifikan.
Ada penelitian yang sedang berlangsung untuk meningkatkan skalabilitas LLM dalam hal komputasi dan kebutuhan memori.
Penggunaan penyandian posisi yang dipelajari memungkinkan untuk penyesuaian pada ukuran konteks yang lebih besar.
Artikel ini tidak memiliki penjelasan rinci dan membuat pernyataan yang tidak jelas tentang penskalaan konteks dalam LLM.
Ada ketertarikan untuk mengeksplorasi berbagai paradigma dan teknik untuk mengatasi kompleksitas komputasi ukuran konteks yang besar.
Blog GoPenAI, tempat artikel ini dihosting, tidak berafiliasi dengan OpenAI meskipun ada kesamaan nama domain.
Penelitian menunjukkan bahwa orang yang tidak bersalah dapat diyakinkan, melalui teknik interogasi yang tepat, bahwa mereka telah melakukan kejahatan yang sebenarnya tidak pernah terjadi.
Ingatan palsu tentang melakukan kejahatan dapat dibuat hanya dalam beberapa jam melalui lingkungan wawancara yang ramah dan pengenalan detail yang salah.
Memasukkan rincian yang benar ke dalam cerita kejadian palsu dapat membuatnya tampak lebih masuk akal, membuat individu memberikan deskripsi yang kaya dan terperinci tentang peristiwa yang tidak pernah terjadi.
Teknik Reid yang digunakan oleh penegak hukum dapat mengarah pada pengakuan palsu dan vonis yang salah.
Penelitian psikologis menunjukkan bahwa ingatan palsu dapat ditanamkan, yang menyebabkan orang percaya bahwa mereka melakukan kejahatan.
Penelitian ini menimbulkan pertanyaan tentang keandalan ingatan manusia dan implikasinya terhadap sistem peradilan pidana.
Mengapa Apple menolak untuk menambahkan window snapping ke macOS?- Postingan ini membahas mengapa Apple tidak menambahkan fitur yang disebut "window snapping" ke sistem operasi macOS.
Window snapping adalah fitur yang memungkinkan pengguna untuk dengan mudah mengatur dan mengubah ukuran jendela yang terbuka di layar komputer mereka.
Artikel ini mengeksplorasi berbagai perspektif tentang mengapa Apple mungkin memilih untuk tidak menyertakan fitur ini di macOS.
Pengguna mempertanyakan mengapa Apple tidak menambahkan fitur gertakan jendela ke macOS, mengekspresikan rasa frustrasi dengan perilaku default tombol hijau pada jendela macOS.
Diskusi ini menyoroti minat dan permintaan akan fitur window snapping di macOS, serta berbagai solusi dan opsi penyesuaian yang tersedia bagi pengguna.
Banyak pengguna mengungkapkan rasa frustrasi karena harus menggunakan aplikasi pihak ketiga untuk mengelola jendela secara efektif dan merekomendasikan solusi seperti Magnet, Rectangle, dan Amethyst untuk manajemen jendela.
Tinjauan kinerja server ARM64 Hetzner menunjukkan bahwa server ini memiliki kinerja yang sangat baik, dengan mesin CAX21 hanya 8% lebih lambat daripada mesin CPX21 dalam kecepatan konversi WebP.
Hetzner menawarkan harga terendah untuk server ARM64 dibandingkan dengan penyedia layanan populer lainnya.
WebP Cloud Services telah memigrasikan semua layanan mereka ke server ARM64 Hetzner karena kinerja dan efektivitas biaya yang mengesankan.
Penulis artikel membuat kesalahan dalam mendeskripsikan prosesor E3-1230 sebagai server 8-core padahal sebenarnya ini adalah server 4-core dengan 8 thread.
Beberapa pengguna mengalami kesulitan dalam menggunakan image ARM di Docker, karena image tersebut sering kali tidak lengkap atau terlambat dari siklus rilis x86.
Server ARM64 Hetzner memberikan alternatif yang hemat biaya untuk server x86, dengan kinerja yang sebanding dan penghematan biaya yang signifikan.
Sistem berkas bcachefs, yang ditujukan untuk menyediakan kinerja dan keandalan yang tinggi, semakin dekat untuk digabungkan ke dalam kernel Linux utama.
Pencipta bcachefs, Kent Overstreet, mendiskusikan status sistem berkas tersebut, termasuk peningkatan skalabilitas terbaru dan implementasi fitur seperti snapshot dan penghapusan kode.
Overstreet telah memposting patch awal untuk ditinjau dan sedang mengerjakan proses penggabungan bcachefs, termasuk menangani masalah dukungan bug dan peninjauan kode.
Bcachefs, sebuah sistem berkas baru, sedang dalam proses penggabungan ke dalam kernel Linux.
Kekhawatiran telah muncul mengenai jumlah sistem berkas dalam kernel dan kesulitan untuk menghapusnya karena keterkaitan yang erat antara sistem berkas dengan subsistem lainnya.
Bcachefs telah dikembangkan selama lebih dari 10 tahun dan menunjukkan hasil yang menjanjikan, tetapi mungkin masih perlu waktu sebelum direkomendasikan untuk digunakan secara luas.