Круто! Отличный пример применения ML для трейдинга. И взрослый подход.

>> «градиентный бустинг для классификации рыночных режимов»

Норм работает этот механизм?


>> «XGBoost… Модель не просто оценивает ожидаемую доходность, а прогнозирует распределение вероятностей доходности»

Оно так умеет? Знаю как получить прогноз величины (1 цифра) или вероятность если классификация. Или распределение это про выборку а не единичный прогноз по одной акции в момент времени?

 Соглашусь в целом с оценками, с оценкой вектора развития. Вот будет ли оно мощно и лавинообразно или скорее вяло, но настойчиво — тут не знаю. 

Может быть сопряжено с социальными потрясениями, понятно. В том числе эти потрясения могут приблизить (или и до/без них) что-то типа пассивного безусловного дохода. Ну типа производительность труда сильно вырастет, производить можно будет сильно больше и сильно дешевле. Пассивный доход будет покрывать в худшем случае какие-то минимальные потребности (ну хотя как в худшем — в худшем не будет никакого безусловного дохода), в лучшем нормальные потребности. А если хочешь лучше — крутись извивайся, ищи варианты конкурировать с LLM или теми кто ими владеет или теми кто использует их как рычаги. За счет высокой производительности денег на закрытие потребностей через пассивный доход нужно будет меньше, чем если сейчас. Пополнять копилку для этих расходов будут те, кто бенефитит от этого всего — производители железа, владельцы LLM, AI стартапы и прочие ребята.

Какие скиллы помогу продержаться на плаву и конкурировать, а где-то может даже бустануть — тут сложновато прям объективный список дать — ну тут традиционно критическое мышление, предпринимательская жилка, адаптивность и гибкость, что-то такое.

100%, что чтобы получить другой результат нужно и делать другое.

Наши действия определяются нашими стратегиями принятия решений и привычками, те в свою очередь определяются нашими ценностями и убеждениями. Те в свою очередь определяются тем, кем мы себя считаем, как мы себя самоидентифицируем. В данном случае «определяются» — это и про направление этой «стрелочки».

Начинат с последних звеньев, конечно, можно, но тебе всегда нужно будет преодолевать это мощное воздействие верхних слоёв. Надо начинать с самоидентификации, но это тоже не грааль, потому что меняться на верхних слоях сложнее, но зато если измениться — всё остальное состроится автоматически.

Интересные сравнения, почти во всех понятно, про что.

Генетические алгоритмы, когда он находит комбинацию, дающую лучший результат, сама природы поиска является фактором обосновывающим, что это не случайный результат? Ну т.е. если прям все комбинации перебрать, взять сеть с лучшим результатом — не факт что она на OOS отработат хотя бы хорошо, не говоря уже о лучше всех.

>> Кроме того, hh.индекс может означать просто, что много людей мечтают сменить место работы

Они такие посмотрели что всех сокращают и работу найти сложно и такие: почему мы мне, имеющему работу, не найти новую работу прямо сейчас.

Я не утрверждаю что описанные метрики не могут существовать вместе и при этом быть корректными, но данный фактор выглядит очень притянутым за уши. Более реалистичным может быть что-то такое: hh не показывает репрезентативную выборку по ваканси и людям, вероятно там сильное смещение в офисные вакансии, а в общей статистике более равномерно. Но это гипотеза тоже.

 В каких-то сценариях использования, типах задач LLM дают космический прирост эффективности. В каких-то поменьше, в каких-то проигрывают просто человеку. То же программирование взять, написать какую-то функцию где понятно что на входе, что на выходе или понятна внутренняя логика или например, с API синтегрироваться — здесь LLM в разы повышает эффективность. А вот если делать что-то большое и сложное — тут уже не так однозначно, если делать не правильно, может получиться, что вместо времени на кодинг и продумывание архитектуры (как раньше) будешь тратить время на итерирование «ошибка — исправь» с LLM и сложность будет выходить из под контроля. 

В общем, в умелых руках и правильных сценариях LLM — мощь.