ما هو الفرق بين التعلم الآلي وتحليل البيانات ، من يجلس في Odnoklassniki وكيفية بدء رحلتك في التعلم الآلي - نتحدث عن هذا في العدد الثاني عشر من البرامج الحوارية للمبرمجين.
فيديو على قناة تكنوستريممقدم البرنامج هو بافيل شيشيربين ، المدير الفني للمشروعات الإعلامية ، والضيف هو دميتري بوجايتشنكو ، المحلل في Odnoklassniki.
00:56 ديمتري بوجايتشنكو: من الاستعانة بمصادر خارجية إلى موافق والنشاط العلمي
02:42 لماذا تجمع بين العمل في الجامعة وفي شركة كبيرة
02:57 حيث يتم تطبيق التعلم الآلي في OK
03:49 التعلم الآلي وتحليل البيانات - ما الفرق؟
05:08 سكرينكست "نحلل الجمهور على ما يرام بمساعدة تحليل البيانات"
22:34 هل زملاء الدراسة خدمة مواعدة؟
24:07 أين تبدأ تعلم التعلم الآلي؟
25:33 هل يجب أن أشارك في بطولات التعلم الآلي؟
26:53 كيفية
التمرن في "موافق"
28:18 كتيب التعلم الآلي
30:28 أحداث التعلم الآلي
32:48 كيف يتم ترتيب خط البيانات في "موافق" (عرض على السبورة)
43:42 استطلاع Blitz
أخبر القليل عن نفسك.يمكننا أن نفترض أن مسيرتي المهنية بدأت في عام 1999 ، عندما دخلت الرياضيات. لمدة خمس سنوات ، درس بنشاط الرياضيات والبرمجة والتخصصات المختلفة ذات الصلة. ثم عمل لفترة طويلة في شركة الاستعانة بمصادر خارجية. إن الاستعانة بمصادر خارجية تجربة ممتعة للغاية. تمكنت من العمل في مجموعة متنوعة من المشاريع ، من كتابة برنامج تشغيل الثلاجة إلى إنشاء أنظمة المؤسسة الموزعة.
طوال هذا الوقت ، بالإضافة إلى العمل الرئيسي ، قمت بالتدريس في الجامعة من أجل الحفاظ على الاتصال مع المجتمع الأكاديمي ، وهو أمر صعب للغاية. عندما دُعيت عام 2011 إلى Odnoklassniki للانخراط في أنظمة التوصية ، كانت فرصة جيدة جدًا ، وقد استفدت منها. هنا ، من الممكن الجمع بين الإعداد الرياضي للجامعة والخبرة العملية للبرمجة. ومع ذلك ، ما زلت أدرس في الجامعة.
هل يستغرق التدريس الكثير من الوقت؟يذهب 1.5 يومًا في الأسبوع إلى الجامعة ، ولكن الأمر يستحق ذلك ، لأن لدينا بالفعل ثلاثة من طلابي السابقين في هيئة التدريس. أي أن الجامعة تعمل أيضًا كحشد من الموظفين.
في العمل ، تتصل بهدوء بحقيقة أنك ذهبت لمدة 1.5 يومًا؟استقال. الجميع يفهم ما هو الربح من هذا ، لذلك أنا لا أواجه أي معارضة.
أخبرني عن مكان استخدام التعلم الآلي في Odnoklassniki.لدينا الكثير من التطبيقات. تاريخياً ، كان أول نظام تعلم آلي هو توصية الموسيقى. بدأ كل شيء في عام 2011. ثم كان هناك ببساطة نمو هائل: توصية المجتمعات ، توصية الأصدقاء ، "ربما تعرفون بعضكم البعض" ، تحاول تصنيف المحتوى في خلاصة الشخص. الآن الكثير من المشاريع تتطور. بغض النظر عن أي جزء من Odnoklassniki قمت بنسخه ، هناك مكونات تتعلق إما بالتعلم الآلي أو بتحليل البيانات.
ساعد قرائنا على فصل هذين المفهومين: التعلم الآلي وتحليل البيانات.يتم تحليل البيانات من قبل شخص للعثور على بعض الأنماط والصلات واختبار بعض الفرضيات. لهذا ، يتم استخدام وسائل مختلفة للإحصاءات الرياضية. يعد التعلم الآلي طريقة أكثر تقدمًا للبحث عن الأنماط ، وذلك باستخدام تقنيات تعتمد عادةً على نوع ما من النماذج الكبيرة والمعقدة التي تحتوي على عدد كبير من المعلمات.
نحن نحاول تحديد معلمات هذا النموذج بحيث يصف بشكل جيد الظاهرة التي نحتاجها. هناك العديد من الخوارزميات المختلفة ، وطرق تعداد المعلمات ، ولكن كل هذا يتم من أجل إيجاد بعض الانتظام. على سبيل المثال ، وفقًا للبيانات الموجودة على منشور على شبكة اجتماعية ، قم بتقييم احتمالية أن يضع شخص معين "فئة" في هذه المشاركة. أي أن التعلم الآلي هو أداة لتحليل البيانات.
هل يمكنك أنت وأنا أن نفضح إحدى الخرافات حول Odnoklassniki ، والتي بموجبها هذا الجمهور لديه جمهور قديم جدًا؟لا مشكلة. هذه خريطة تعكس في الوقت الحقيقي تسجيلات الدخول لكل مستخدم محدد. أي أن كل نقطة هي شخص قام بتسجيل الدخول ويقوم بعمل شيء في Odnoklassniki.
الدوائر الحمراء الكبيرة هي المدن التي جاء منها العديد من المستخدمين إلينا. من الواضح جدًا هنا أن Odnoklassniki ليست على قيد الحياة فقط ، فهي تغطي تقريبًا كامل أوراسيا.
دعونا نحسب عدد المستخدمين الذين وضعوا "الفصل" في Odnoklassniki أمس ، ونرى التوزيع العمري.
أين يبدأ الترميز؟ بالطبع ، من استيراد البيانات المفيدة المختلفة للحساب التجميعي المستقبلي. أداتنا الرئيسية هي
Spark ، التي نستخدمها للوصول إلى واجهة الويب
Zeppelin . في الأساس ، تأتي البيانات من خلال
Apache Kafka ، ويتم تعبئتها وتقطيعها إلى كتل مختلفة. في هذه الحالة ، نحن مهتمون بالكتلة التي تصف نشاط مستخدم الأمس ، على وجه الخصوص ، الفئات. هناك مجال يتم فيه تخزين الخصائص الديمغرافية للمستخدمين ، بما في ذلك أعياد الميلاد.
الناتج هو سنة ميلاد السجلات العشرة الأولى. الآن دعونا نحاول بناء بعض الركام من هذا. نريد أن نحسب عدد المستخدمين الفريدين. نحتاج إلى رقم التعريف وسنة الميلاد ، والتجميع حسب السنة وحساب عدد المستخدمين الفريدين. ودعنا نلعبها قليلاً: بالتأكيد سيكون هناك أشخاص لم يتم تحديد عام ميلادهم ، لذلك سنقوم بترشيحهم حتى لا يصدروا ضوضاء على الرسم البياني.
لإجراء الحساب ، يحتاج النظام إلى تجريف حوالي 1 تيرابايت من البيانات. نحصل على النتيجة ونقدمها بيانيا:
ذروة العمر تقع على 1983 - 35 سنة. هذا مستخدم قديم جدًا لأنفسهم.
لتمثيل الوضع بشكل أفضل ، لا توجد معلومات كافية من مصدر واحد. إذا كنا نتحدث عن التركيبة السكانية للمستخدم ، فإن المصدر الأكثر إثارة للاهتمام للمقارنة هو إحصاءات عن سكان روسيا. من موقع
Rosstat الإلكتروني
، قمت بتنزيل البيانات المتعلقة بسنوات ميلاد الروس ، التي تم جمعها في عام 2016.
الذروة في الإحصائيات قريبة جدًا من الذروة وفقًا لـ Odnoklassniki - لدينا مستخدمون ولدوا في عام 1983 ، و Rosstat - 1987. ما أدهشني كان فشلان كبيران. حفرة أوائل الأربعينيات هي الحرب الوطنية العظمى. لم تكلفنا الحرب أكثر من 20 مليون قتيل فحسب ، بل أيضًا ملايين الأشخاص الذين لم يولدوا بعد. هذه هي الحفرة الديمغرافية التي لا تزال محسوسة. الحفرة الثانية - التسعينات. ونحن لم نتعافى بالكامل من هذه الأزمة. نرى نفس الصورة في بيانات Odnoklassniki: بعد عام 1990 ، كان هناك انخفاض قوي. ما زلنا لا نستطيع أن نولد أشخاصًا في عام 2015 ، لأن الحد الأدنى لسن التسجيل هو 5 سنوات.
أضف سمة الجنس إلى العينة والمجموعة لدينا ليس فقط حسب السنة ، ولكن أيضًا حسب الجنس.
بعد عام 1990 ، كان هناك انخفاض حاد ، والذي يرتبط بوضع السن العام في روسيا. النساء يضعن "الطبقة" بشكل أكثر نشاطًا ، تقريبًا ضعف الرجال. هذه صورة نموذجية إلى حد ما للشبكات الاجتماعية ، لأن النساء أكثر نشاطًا اجتماعيًا من الرجال.
يمكنك أيضًا الانتباه إلى العديد من القمم التي ترتبط بالسنوات "المستديرة". استنادًا إلى هذه القمم ، يمكن للمرء تقييم تأثير الروبوتات أو الأشخاص الذين يشوهون عمدا ، لأنهم في مثل هذه الحالات يشيرون عادة إلى نوع من مواعيد الجولة.
نحن مهتمون أيضًا بالتوزيع الجغرافي لمستخدمينا. نحتاج إلى معرف مستخدم لحساب الزوار الفريدين ، وعناوين الإقامة الموضحة في الملفات الشخصية. تجميع حسب المدينة وحساب الوحدة. رتب حسب عدد المستخدمين بترتيب تنازلي وترك أول 200 مدينة فقط. تشغيل التجميع:
هذه هي المدينة الأعلى من حيث عدد الزملاء الذين قاموا بتعيين زملاء الدراسة. بطبيعة الحال ، موسكو في الصدارة. يمثل جنوب روسيا أفضل بكثير من الشمال الغربي. لدينا مستخدمون في الولايات المتحدة وكندا والكثير في ألمانيا والكثير في إسرائيل. حقيقة مثيرة للاهتمام: يحب 36 ألف شخص من يوجنو ساخالينسك كل يوم. وبشكل عام ، وفقًا لويكيبيديا ، يعيش 180 ألف شخص في المدينة. ذهب 20 ٪ من سكان يوجنو ساخالينسك إلى Odnoklassniki ووضعوا "فئة".
قم بالتكبير وشاهد ما يحدث في موسكو ومنطقة موسكو.
جمهوريات آسيا الوسطى ومولدوفا وأوكرانيا ممثلة تمثيلا جيدا في Odnoklassniki.
يمكنك أن ترى على الفور أين حاولوا منع الوصول إلى شبكتنا الاجتماعية ، وأين لا.
كما ترى ، Odnoklassniki هو منتج حيوي وديناميكي يستخدمه كل من الشباب وكبار السن في جميع أنحاء العالم ، وأحيانًا حتى في الأماكن التي لا تتوقعها. من بين جميع الفئات العمرية ، لدينا أكثر من 30 عامًا.
يتم بناء الشبكات الاجتماعية حول المجتمعات. غالبًا ما يحدث أنه إذا دخل المجتمع إلى شبكة اجتماعية معينة ، فإنه لا يعرف سوى القليل جدًا عن الشبكات الاجتماعية الأخرى. لذلك ، على سبيل المثال ، قد يكون لدى مجتمع الصحفيين المحترفين وهم بأن Odnoklassniki هو جمهور كبار السن بشكل رئيسي. في الواقع ، هذا هو الرأي الشخصي لبعض المجتمع. لدينا مستخدمون تتراوح أعمارهم بين 50-60 سنة فما فوق ، وهناك أطفال المدارس ، وهناك شباب يبلغ من العمر 20 عامًا ، وهناك أشخاص ناضجون وناضجون تتراوح أعمارهم بين 30 و 35 عامًا.
تغطية Odnoklassniki هي جميع مناطق روسيا والدول المجاورة وأوكرانيا وبيلاروسيا وآسيا الوسطى. لقد مثلنا الشتات بشكل جيد للغاية ، على سبيل المثال ، الشتات الألماني للمهاجرين الروس ، الشتات الأمريكي والإسرائيلي. يتواصلون بنشاط مع أقاربهم الذين بقوا في روسيا والجمهوريات السوفيتية السابقة. من وجهة النظر هذه ، يساهم Odnoklassniki بشكل جيد جدًا في تنفيذ الوظيفة الأساسية للشبكة الاجتماعية - للحفاظ على الاتصالات بين الأشخاص الذين يعيشون بعيدًا عن بعضهم البعض.
هناك رأي مفاده أن Odnoklassniki جذابة للغاية للكثيرين لأنها طريقة سهلة لمقابلة أصدقاء ومعارف أصدقائك وأقاربك. أي ، يتم تقديم Odnoklassniki كخدمة مواعدة. كم هي طريقة المواعدة في الطلب وهي جزء من أيديولوجية Odnoklassniki؟الحاجة إلى مقابلة أشخاص آخرين ، بما في ذلك الجنس الآخر ، هي حاجة إنسانية أساسية. وبطبيعة الحال ، يتم التعبير عنه في أي شبكة اجتماعية. ولكن في Odnoklassniki يتم التعبير عنه لا أكثر ولا أقل من الشبكات الاجتماعية الأخرى. ليس لدينا تركيز على خدمات المواعدة. تعتمد إيديولوجية تطوير شبكتنا الاجتماعية على قيمة مشتركة مثل التواصل بين الناس. ليس من المهم بالنسبة لنا سواء كان زملاء الدراسة قد فروا إلى مدن مختلفة ، أو أشخاص يبحثون عن رفيق. كلا الخيارين يناسبنا تمامًا. نحن سعداء لأن الناس وجدوا بعضهم البعض والتواصل. لكن لا شيء أكثر
أنت تفعل الكثير من التعلم الآلي. هذا الموضوع يثير الآن الكثير. من أين تبدأ ، وكيف تدخل في هذه المهنة؟أولاً ، تحتاج إلى الحصول على بعض المعرفة. لا توجد مشاكل في ذلك ، فهناك دورات رائعة في
Coursera و
Stepik وفي بعض البرامج الجامعية التي توفر معرفة أساسية جيدة جدًا حول التعلم الآلي. للانضمام إلى هذا المجال حقًا ، تحتاج إلى هدف وفهم حيث يمكنك تطبيقه. لأن مجرد الاستماع إلى دورة تجريدية هو أبعد ما يكون عن الفعالية كما لو كنت ستحل مشكلة أو مشكلة حقًا.
في حالة الطلاب ، الخيار المثالي هو أوراق الفصل والرسائل العلمية. وحتى في هذه الحالة ، لا أحاول أن أتخلى عن المهمة من الأعلى ، ولكن لمساعدة الأفكار التي تأتي من الطلاب ، فسيكون لديهم دافع أكثر بكثير.
أي ، بعد تحديد هدف ، والاستماع إلى الدورات التدريبية عبر الإنترنت ، ثم محاولة تطبيق المعرفة. وسيتحول كل شيء.
يبدو لي أن هناك ما يكفي من المهام اليوم. يتم إجراء عدد كبير من المسابقات من Sberbank و Tinkoff والعديد من الشركات الأخرى على لعبة البولنج.بالطبع. لكنهم يركزون ، أولاً وقبل كل شيء ، على أولئك الذين يشاركون عن كثب بالفعل في التعلم الآلي. علاوة على ذلك ، في كثير من الأحيان في مثل هذه المسابقات ، لا يمكن للمرء أن يلاحظ التعلم الآلي ، ولكن الكراهية. لن تساعد تلك النماذج التي يتم تدريبها على لعبة البولنج في حل المشكلات العملية ، لأنها تدفع الكثير من المعلمات. ونتيجة لذلك ، تتخصص النماذج على وجه التحديد في مسابقات محددة على البولينج ، ويتم فقط الحصول على أي نتائج. وإذا قمت بنقل هذه النماذج إلى العالم الحقيقي ، فلن تعمل.
أفضل الممارسات هي الممارسة. كيف تتدرب مع فريقك؟هناك طرق عديدة. إذا تحدثنا عن فرق البحث ، فلدينا مشروع يسمى OK Data Science Lab ، حيث نقدم فيه موارد الحوسبة والبيانات ومعرفتنا وخبرتنا للأشخاص الذين يرغبون في تطوير أفكارهم المتعلقة بالتعلم الآلي وتحليل البيانات. وليس بالضرورة لشبكة اجتماعية. على سبيل المثال ، لدينا دراسة يحاول المؤلف فيها فهم ما هو أكثر إثارة للاهتمام لتلاميذ المدارس الحديثة.
إذا كنت متخصصًا وتبحث عن عمل ، فلدينا دائمًا العديد من الوظائف الشاغرة ذات الصلة بتعلم الآلة. تفضل بزيارتنا لإجراء مقابلة.
هل هناك أي كتاب ، قارئ تعلم آلي؟هذا مجال سريع التغير لدرجة أن كتابة كتاب أو تعلم الآلة طموح للغاية. يمكنني أن أوصي بالعمل الكلاسيكي "
عناصر التعلم الإحصائي ". يتعلق هذا الأمر بالأساليب الأساسية للتعلم الآلي ، الناشئة عن الإحصائيات.
نشر سيرجي نيكولينكو كتابًا عن التعلم الآلي العميق.في رأيي ، التعلم العميق ليس من أين نبدأ. إذا كنت تمتلك بالفعل تعلم الآلة الكلاسيكي ، فهذا خيار جيد. ولكن إذا كنت لا تعرف حتى الآن التقنيات الكلاسيكية ، فمن الخطأ البدء فورًا في التعلم العميق ، لأنه غالبًا ما يدفع الباحث بعيدًا عن المشكلة ، فهذه أداة قوية جدًا. قبل تطبيقه ، تحتاج إلى تحليل المشكلة "يدويًا" بطرق أبسط. وعندها فقط ، مع فهم مجال الموضوع ، انتقل إلى التعلم العميق. خلاف ذلك ، سوف يتعلم نموذجك ، ولكنك لن تتعلم. عندما تصبح أكثر غباءً من النموذج الخاص بك ، فإنه ، بشكل معتدل ، غير فعال. لا يمكنك تطوير النموذج بشكل أكبر ، وهذا طريق مسدود. لذلك ، من الأفضل أولاً أن تصبح بارعًا في ML الكلاسيكية. هذا لا يعني أنك بحاجة لقضاء سنوات ، فمن الممكن أن تتقن في وقت معقول.
هل لديك أي أحداث تعلُّم الآلة؟لدينا سلسلة من الهاكاثون
SNA Hackathon. مرت مرتان حتى الآن. ولأول مرة ، تم تكريس الهاكاثون لتحليل النص ومحاولة التنبؤ بعدد "الطبقات" التي ستكتسبها مشاركة معينة. حدث الهاكاثون الثاني قبل عام وتم تخصيصه لتحليل الرسوم البيانية. كانت هناك العديد من الأحداث المثيرة للاهتمام. قدمنا معلومات حول "صداقات" بعض مستخدمينا ، على ما يبدو ، قطعة صغيرة من البيانات حول 1 غيغابايت. ولكن عندما حاول المشاركون الذين أرادوا إرسال توقعاتهم العمل معه ، لم ينجح أي شخص تقريبًا ، حتى على الأجهزة التي تحتوي على ذاكرة 16 و 32 جيجابايت سقط كل شيء ، طاروا إلى المبادلة ، ولم يرغبوا في العمل. كان علينا حتى أن نشرح على عجل كيفية وكيفية التعامل مع البيانات.
اتضح أن العديد ، حتى المتخصصين المتقدمين في التعلم الآلي ، قد خرجوا من جذورهم وبدأوا في نسيان المبادئ الأساسية للبرمجة. ننسى ما هو الملاكمة ، وكيف هيكلة جداول التجزئة ، وما هي الذاكرة الزائدة يمكن أن تكون إذا كنت تستخدم جداول التجزئة. إذا لم تفكر في كل هذا وقمت بذلك مباشرة في Python أو Java أو Scala ، فسيتم وصف المشاكل الموصوفة. قمنا بعمل عرض توضيحي في Python ، نفس المدمة بلغات أخرى. ينفجر رسم بياني يحتوي على 40 مليون رابط ، والذي يمكن أن يصل حجمه إلى 200 ميجابايت من الذاكرة ، بشكل حاد عند 20 جيجابايت ببساطة لأنك نسيت كيفية ترتيب هياكل البيانات الأساسية. كان الأمر مثيرًا للإعجاب حينها. حتى إذا كنت متخصصًا في التعلم الآلي ، فلا يجب أن تنسى أساسيات البرمجة.
كيف يتم ترتيب سير عمل معالجة البيانات الخاصة بك؟يتفاعل المستخدمون مع النظام البيئي الكامل لمنتجاتنا. يمكننا التمييز بشكل شرطي بين مستويين: التطبيقات الأمامية (تطبيقات الهاتف المحمول ، والبوابة ، وإصدار الجوال ، وتطبيقات إضافية مختلفة) ومنطق الأعمال. غالبًا ما تتفاعل الجبهات مع المستخدمين ولديهم وصول إلى عدد محدود جدًا من الخوادم ، لذلك هناك بعض الطرق الخاصة في منطق الأعمال التي تسمح للجبهات بتسجيل البيانات.
تقع هذه البيانات في ناقل بيانات Apache Kafka المفرد. هذا هو الدور الذي أصبح معيارًا صناعيًا يُستخدم لجمع البيانات الأولية. بطبيعة الحال ، من الصعب تحليل البيانات الخام في كافكا ، لذلك يتم نقلها بانتظام إلى Hadoop الكبيرة والسميكة. قد يقول شخص ما أن Hadoop هو القرن الماضي ، والآن قواعد Spark. لكن Hadoop هي منصة يمكنك من خلالها تشغيل الكثير من الأدوات. لدينا العديد من أدوات التحليل التي تدور فوق Hadoop. غالبًا ما ألجأ إلى هذا التصنيف:
- نمط إدخال البيانات .
- تجهيز الدفعات. هناك قدر من البيانات التي تعالجها بطريقة أو بأخرى.
- معالجة دفق. أنت تعمل مع البيانات في الوقت الفعلي التي تأتي مباشرة من التدفقات ، في هذه الحالة من كافكا لدينا.
إذا كان هناك تأخيرات خطيرة أثناء المعالجة المجمعة - فقد جمعنا إحصائيات خلال النهار ، وقمت بتدريب النموذج ليلاً ، ثم في حالة معالجة التدفق ، يتم قياس التأخير بوحدات من الثواني بين استلام البيانات ومعالجتها.
- التحليلات التشغيلية . هذا هو التحكم في العملية والرصد. يخدم الإنتاج ، يجب أن يعمل بنفسه ، دون تدخل بشري.
- تحليلات تفاعلية . ما يفعله الشخص. سرعة التفاعل مهمة هنا: لقد فعلوا شيئًا ، وحصلوا على النتيجة.
في كل من هذه المنافذ ، لدينا نظامنا البيئي الخاص بالمنتجات. على سبيل المثال ، تستخدم التحليلات التشغيلية المجمعة بشكل أساسي MapReduce الكلاسيكي و Apache Tez وقليل من Spark. إذا كنا نتحدث عن تحليلات الدفعة التفاعلية ، فهذه هي Spark SQL ولغات البرمجة النصية Pig and Hive.
بالطبع ، لا يوجد خط واضح ، لأن بعض اللغات التفاعلية غالبًا ما يتم استخدامها لتحليلات الدفعة التشغيلية.
ولتحليلات التدفق التشغيلي ، نستخدم Apache Samza. هذا تطور مثير للاهتمام يعتمد على منصة LinkedIn. قدمناها مرة أخرى في عام 2014. أما بالنسبة للتحليل التفاعلي للتدفقات ، فنحن هنا نستخدم Spark Streaming ودمجها مع واجهة الويب.يجب تقديم نتائج التحليلات بطريقة أو بأخرى في الإنتاج ، وإلا فإنها لا تحقق فوائد. كقاعدة ، لهذا نستخدم نفس كافكا ، ولكن لها عيوب. Kafka هي قائمة انتظار ، تتيح لك الكتابة كثيرًا وبسرعة ، لكنها لا تسمح بالقراءة عن طريق المفتاح. من أجل سحب البيانات التي تمت كتابتها إلى Kafka عن طريق العنوان لمفاتيح محددة ، قمنا بتطوير تطبيق تدفق خاص. يقرأ البيانات من كافكا ويحللها إلى قاعدتين: Casandra المدمج وذاكرة التخزين المؤقت الكبيرة المدمجة بناءً على الذاكرة المشتركة ، SMC.أي أن جميع العمليات تقريبًا يتم إجراؤها في الأساس باستخدام ذاكرة التخزين المؤقت ، ومعدل ضربنا مرتفع جدًا ، حوالي 99٪. وتتواصل خدمات منطق الأعمال بالفعل مع مؤشر التدفق ، والحصول على البيانات منه واستخدامه لتعديل عملهم. على وجه الخصوص ، يقومون بتنزيل معلومات حول عدد النقرات وعدد مرات ظهور المنشور ، وعدد المستخدمين السابقين الذين وضعوا "الفصل" في مستخدم آخر ، وما إلى ذلك. أي جميع المعلومات لاختيار المحتوى الأكثر أهمية ومثيرة للاهتمام.في الختام ، يرجى الإجابة على بعض الأسئلة الخاطفة. أي نظام تشغيل تفضل؟ماكIDE؟فكرة.ماذا ستختار: شركة ناشئة أم شركة كبيرة؟بدء التشغيللماذا؟ديناميات ، تقنيات جديدة.ما رأيك سيكون الاتجاه الجديد لتكنولوجيا المعلومات في 10 سنوات؟أعتقد أنها ستكون واجهة عصبية وتفاعل مباشر مع الدماغ البشري.ما الذي تفتقر إليه في المال؟لقد تعلمت الحقيقة منذ فترة طويلة: الشيء الرئيسي هو أن الرغبات تتوافق مع قدراتك. ربما لدي كل ما أردت من الحياة.هل لديك عملات بيتكوين؟الحمد لله لا. لدي موقف متشكك للغاية تجاه عملات البيتكوين. في الواقع ، يعمل المفاعل النووي الكامل فقط لجعل الناس يقومون بإزالة البيتكوين. نظرًا لجميع مشاكلنا البيئية وأزمة الطاقة ، فمن الواضح أن هذا ليس ما تحتاجه الإنسانية.هذه هي الإجابة الأكثر إقناعا التي سمعتها. ما أكثر ما يسألك أصدقاؤك عن Odnoklassniki؟نفس الصحفيين: كم بقي من الناس في Odnoklassniki.ما هو البطل الخارق الذي تود أن تكونه؟ربما توني ستارك.الرجل الحديدي؟نعم
لماذا؟التكنولوجيا.