Sprzedaż wcześniej posiadanych domów w USA wzrosła o 14,5% w lutym 2019 roku w stosunku do poprzedniego miesiąca, ale spadła o 22,6% w stosunku do roku wcześniej.
Ceny domów w USA spadły w lutym po raz pierwszy od 11 lat, pokazując efekt kampanii Rezerwy Federalnej mającej na celu podniesienie stóp procentowych.
National Association of Realtors poinformowało, że Stany Zjednoczone doświadczyły pierwszego od ponad dekady spadku cen domów w ujęciu rocznym oraz zanurzenia w stopach hipotecznych.
Polityka OpenAI utrudnia odtwarzalne badania nad modelami językowymi, które stały się prywatnie kontrolowaną infrastrukturą badawczą.
Deprecjacja modeli przez OpenAI jest niepokojąca, ponieważ modele językowe (LLM) stają się kluczowymi elementami infrastruktury, a badacze i deweloperzy polegają na LLM jako warstwie fundamentalnej, która jest następnie dostrajana do konkretnych zastosowań lub odpowiedzi na pytania badawcze.
OpenAI, podobnie jak inne firmy, regularnie aktualizuje nowsze modele, takie jak GPT-3.5 i GPT-4, co oznacza, że korzystanie z tych modeli może stanowić barierę dla odtwarzalności.
Pochopna deprecjacja Codex przez OpenAI zmusiła badaczy i deweloperów do przejścia na modele GPT 3.5, które nie są porównywalne, co prowadzi do niereprodukowalności starych prac.
OpenAI umożliwiło naukowcom dostęp do Codex, ale proces składania wniosków jest nieprzejrzysty i nie wiadomo, jak długo model będzie dostępny.
Open-sourcing LLMs mógłby być kluczowym krokiem w zapewnieniu odtwarzalności.
Mozilla ogłosiła powstanie Mozilla.ai, która zbuduje godny zaufania i niezależny ekosystem open-source AI.
Startup ułatwi tworzenie godnych zaufania produktów AI, których rdzeniem będzie agencja, odpowiedzialność, przejrzystość i otwartość.
Mozilla przeznacza na tę inicjatywę 30 milionów dolarów, a kierować nią będzie Moez Draief.
Początkowo skupi się na narzędziach, które sprawiają, że generatywna AI jest bezpieczniejsza i bardziej przejrzysta, a także na zorientowanych na ludzi systemach rekomendacyjnych, które nie wprowadzają w błąd i nie podważają dobrego samopoczucia.
Komisja Papierów Wartościowych i Giełd (SEC) postawiła zarzuty przedsiębiorcy kryptowalutowemu Justinowi Sunowi i trzem jego firmom za niezarejestrowaną ofertę i sprzedaż papierów wartościowych aktywów kryptowalutowych Tronix (TRX) i BitTorrent (BTT).
SEC zarzuca Sunowi i jego firmom oferowanie i sprzedawanie TRX i BTT jako inwestycji poprzez wiele niezarejestrowanych "programów bounty".
Sun naruszył również przepisy federalnego prawa papierów wartościowych dotyczące przeciwdziałania oszustwom i manipulacjom rynkowym poprzez zaaranżowanie schematu mającego na celu sztuczne zawyżenie pozornego wolumenu obrotu TRX na rynku wtórnym.
SEC postawiła również zarzuty ośmiu celebrytom za nielegalne reklamowanie TRX i/lub BTT bez ujawniania wynagrodzenia: Lindsay Lohan, Jake Paul, DeAndre Cortez Way (Soulja Boy), Austin Mahone, Michele Mason (Kendra Lust), Miles Parks McCollum (Lil Yachty), Shaffer Smith (Ne-Yo) oraz Aliaune Thiam (Akon).
Z wyjątkiem dwóch celebrytów, oskarżone osoby zgodziły się zapłacić w sumie ponad 400 000 dolarów w postaci zwrotu kosztów, odsetek i kar w celu rozliczenia zarzutów, bez przyznawania się lub zaprzeczania ustaleniom SEC.
Wpis na blogu argumentuje przeciwko używaniu Raspberry Pi jako domyślnego wyboru dla dyskretnych i niedrogich hostów Linuksa.
Autor sugeruje, że Raspberry Pi powinno być używane tylko wtedy, gdy wyróżnia się w specyficznych potrzebach, takich jak interfejsy GPIO, bardzo niskie wymagania energetyczne lub ciasne ograniczenia przestrzenne.
Autor podaje przykłady, jak inne opcje, takie jak AMD GX-415GA lub mikrokomputery HP Prodesk 600 G4, mogą zapewnić większą moc obliczeniową, szybszą i bardziej niezawodną pamięć masową oraz lepsze wsparcie społeczności za podobne lub nawet niższe koszty.
Autor dochodzi do wniosku, że używanie bardziej wydajnego systemu, który może pokryć szeroki zakres celów, jest lepsze w dłuższej perspektywie niż gromadzenie grupy Raspberry Pi o ograniczonym przeznaczeniu.
Rynek pracy dla deweloperów jest obecnie bardzo konkurencyjny, co utrudnia kandydatom znalezienie odpowiednich ról.
Niektóre firmy stosują zbyt długie procesy rekrutacyjne, które obejmują wielokrotne rozmowy kwalifikacyjne, quizy osobowościowe i testy techniczne, które zniechęcają potencjalnych kandydatów do zatrudnienia.
Negatywne doświadczenia związane z praktykami rekrutacyjnymi mogą być zgłaszane poprzez recenzje online jako sposób na podniesienie świadomości o problemach z metodami rekrutacji.
Kandydaci uważają, że rozmowy kwalifikacyjne to wydarzenie typu pass/fail, podczas gdy pracodawcy postrzegają je jako rywalizację.
Rzadko udziela się informacji zwrotnych, ponieważ firmy stosują zasady pozwalające uniknąć ewentualnych pozwów o dyskryminację.
Kandydaci nie powinni tracić czasu na ubieganie się o pracę, która nie jest dla nich odpowiednia, a LinkedIn odgrywa kluczową rolę w pomaganiu kandydatom w śledzeniu aplikacji i komunikacji z rekruterami.
Niektóre firmy mają zbyt skomplikowane procesy rozmów kwalifikacyjnych na stanowiska, które są proste.
Rynek pracy dla inżynierów oprogramowania jest teraz trudny, z wieloma wysokiej jakości inżynierami na rynku, ale firmy są ostrożne i wybredne w ich zatrudnianiu.
Firmy są bardziej selektywne w swoim procesie zatrudniania, co skutkuje dłuższymi rozmowami kwalifikacyjnymi i większą konkurencją o stanowiska.
Najlepszym sposobem na znalezienie pracy, szczególnie na trudnym rynku, pozostaje networking.
Badanie przeprowadzone przez naukowców ze Stanford ujawnia, że ludzie mogą dokładnie zidentyfikować tekst wygenerowany przez AI tylko około 50% czasu.
Uczestnikom badania przedstawiono próbki tekstu na platformach mediów społecznościowych OKCupid, AirBNB i Guru.com.
Badanie wykazało, że wysoka poprawność gramatyczna i użycie zaimków w pierwszej osobie były często błędnie przypisywane tekstom wygenerowanym przez człowieka, podobnie jak odniesienia do życia rodzinnego i użycie nieformalnego, konwersacyjnego języka.
Implikacje badania sugerują, że tańsze i łatwiejsze treści generowane przez AI mogą w przyszłości prowadzić do większej ilości błędnych informacji.
Zespół badawczy sugeruje rozwiązania, takie jak nadanie AI rozpoznawalnego akcentu lub samoczynne ujawnianie się maszyn w scenariuszach o wysokiej stawce, aby poprawić naszą zdolność do rozróżniania treści generowanych przez człowieka i AI.