Тоже подгорало от новой версии карт, реклама откровенно заебала и мешала при движении. Причет от версии к версии реклама в нижней части занимала все больше и больше места на экране. Отключить ее нельзя даже за подписку. С поиском тоже перемудрили в верхней части он более удобен.
Выход оказался банально прост, установить старую версию 15.2 и отжать глаку автообновление в гугл плей. Все!
Собственно сама версия 15.2, не такая красивая как новая, но очень, сука, удобная.
Ладно, с рекламой, дико отвлекающей во время вождения, я почти смирилась. Просто не смотрю на навигатор.
Но теперь даже при открытии просто карт ненужные кнопки занимают более трети экрана. Нормально посмотреть карту и оценить местность теперь вообще никак, похоже. Осталось малюсенькое окошко((
Поэтому 2 вопроса:
Может, кто-то знает, как отключить эти кнопки снизу. Они вообще не нужны, просто мусор.
Чем пользоваться вместо яндекса, если это не отключается?
Сегодня обнаружил вопиющую дыру в работе говноприложения, суть кратко такова:
Взял самокат в 17-40, оплатил пакет на один час. Катался 56 мин, в приложении нет информации нигде о том, сколько минут я езжу, и сколько мне осталось. Хуй с ним, нашел в глубинах приложения время старта, посчитал бля на счетах (с Яндексом вожу счеты с собой уже). Завершаю поездку - ТЫДЫНЬ: потратили из пакета 16 мин. Я в полном охуении иду к дому и внезапно понял, что забыл купить жене цветы 🌷 (10 лет назад в этот день мы познакомились).
Становится интереснее, возвращаюсь к самокату, сканирую код - ОППА, у вас есть пакет еще на 44 мин (к сожалению, не заскринил, так как был в полном охуении). Оседлываю железного коня, объезжаю три цветочных магазина, минут 20, ставлю коня напротив подъезда, завершаю поездку - БДЫНЬ: вы потратили из пакета 6 мин 44 сек 🥳 интересная тенденция, однако
К сожалению, состояние здоровья и холодная погода не дали мне продолжить эксперимент, но пока эта дыра зияет в приложении, пользуйтесь, ребят, Яндекс как-то не очень реагирует на мои призывы.
PS все скрины прикладываю ниже, запятые ставил рандомно
Уже не пишу им в техподдержку, так как:
Уже у всех гуру самокатов наверняка прогорели все стулья
По опыту общения это бесполезно, походу нормальных людей жестко заскприптовали плюс недообучили, сами себе противоречат и после недели раздумий, мне Техподдержка выдает мой же вопрос, только уже в форме ответа (см. Часть вторую)
В конце концов эти ребята не могут отвечать за косяки индийских рукожопов-разработчиков, да и похоже, у них нет с ними прямой связи. А каждый мой диалог, заканчивающийся одной звездой и кнопкой «вопрос не решили» тупо роняет рейтинг конкретного парнишки и он тупо получает штрафы
Хотя, вдруг обнаружил конкретный сдвиг- улучшение, у меня сегодня, аллилуйя, деньги за поездку списались, наконец-то, с карты Яндекс-пэй, неделю назад мне заявили, что это невозможно. Так что, уже им и мне плюсик
До сих пор жду от Яндекса бонус на месяц безлимитных поездок 😜
Вот история в картинках:
Взял самокат в 17:42 оплатил пакет на 1 час 350₽
Приехал в магазин, поставил на паузу:
Поставил на паузу, в приложении информация - полное гавно, не видно нигде, где мой пакет на час, сколько я могу ездит - хуй на палочке. Зато есть какая-то лютая поебень про 1% зарядки и какой-то бля 1 км.Ну хуй с ними, катаюсь еще по двум магазинам
Завершаю поездку - 18:37, счеты в руку, ага - примерно час. У них другие счеты, мне нравится - всего 16 мин прошло, оказывается. Вижу это и охуеваю, пишу им небольшой текст, мечу типа бисер:
Иду домой, вспоминаю про цветы, возвращаюсь к этому же самокату - все заебись, у вас пакет еще на 40 мин (не заскринил, сорян)
Езжу еще минут двадцать, завершаю поездку :
Время 18:55! Израсходовал из пакет уже не 16 а 6 минут, Самокат телепортирует меня все дальше в прошлое
Уже не пытаюсь ничего понять, лень, устал, холодно. На этом истории конец
Интересно, когда они осознают этот свой проеб, они спишу с меня денег за лишние минуты? Или это был мой скрытый бонус за бесплатное тестирование приложения?
Взять с собой побольше вкусняшек, запасное колесо и знак аварийной остановки. А что сделать еще — посмотрите в нашем чек-листе. Бонусом — маршруты для отдыха, которые можно проехать даже в плохую погоду.
Кажется, что рекомендательный движок музыкального сервиса - это черный ящик. Берет кучу данных на входе, выплевывает идеальную подборку лично для вас на выходе. В целом это и правда так, но что конкретно делают алгоритмы в недрах музыкальных рекомендаций? Разберем основные подходы и техники, иллюстрируя их конкретными примерами.
Начнем с того, что современные музыкальные сервисы не просто так называются стриминговыми. Одна из их ключевых способностей - это выдавать бесконечный поток (stream) треков. А значит, список рекомендаций должен пополняться новыми композициями и никогда не заканчиваться. Нет, безусловно, собственноручно найти свои любимые песни и слушать их тоже никто не запрещает. Но задача стримингов именно в том, чтобы помочь юзеру не потеряться среди миллионов треков. Ведь прослушать такое количество композиций самостоятельно просто физически нереально!
Так как они это делают?
Если ваши музыкальные алгоритмы не похожи на это, то даже не предлагайте мне скачивать приложение!
Чтобы сделать годную рекомендацию, сервису нужны три сита…
Первое сито - это так называемые рекомендации на основе знаний (knowledge-based). Это значит, что сервис аккумулирует всю доступную информацию об одном пользователе - что он слушает (например, каких артистов или жанр), как часто, что лайкает, что дослушивает, что проматывает дальше и т.д. Учитываются сотни или даже тысячи факторов. Разумеется, собираемые данные анонимны.
После этого сервис делает рекомендацию. Причем она может даваться безотносительно общих предметных знаний сервиса. Например, если мы видим, что Вася добавил в плейлист Metallica “Nothing Else Matters”, то с большой вероятностью ему понравится и “Unforgiven”. Для такого вывода нам не нужна дополнительная информация.
Помимо прочего, рекомендации на основе знаний помогают решить проблему “холодного старта” (это когда свеженький и тепленький юзер только-только зарегался), предлагая новому пользователю тот контент, который соответствует его требованиям с самого начала использования.
Второе сито - коллаборативная фильтрация. Пожалуй, это самый главный прием и краеугольный камень любого стриминга. Хотя коллаборативная фильтрация и может издалека походить на анализ предпочтений пользователей, на самом деле это совсем другая техника и технология - гораздо более продвинутая и математически точная.
Работает она на следующем допущении:
Пользователи, которые одинаково оценили какие-либо композиции в прошлом, склонны давать похожие оценки другим композициям в будущем.
Давайте разберем на примере, очень упрощенно:
Допустим, у Васи затерты до дыр треки:
Metallica “Nothing Else Matters”
Skrillex “Kyoto”
Scooter “How much is the fish?”
Валерий Леонтьев “Мой дельтаплан”
Какую закономерность можно выявить на основе этого набора? Да никакую. Просто мешанина из разных жанров, артистов и эпох.
Тем не менее, у сервиса также есть пользователь Петя, чей плейлист по удивительному совпадению похож на Васин, а именно:
Metallica “Nothing Else Matters”
Skrillex “Kyoto”
Dua Lipa “Swan Song’’
Валерий Леонтьев “Мой дельтаплан”
Все треки одинаковые, кроме одного. У Васи это Scooter, у Пети - Dua Lipa.
По логике коллаборативной фильтрации, есть вероятность, что если Вася и Петя “обменяются” этими песнями, то обоим понравится. Поэтому такие рекомендации и называются “коллаборативными” - пользователи как бы сотрудничают, обмениваясь предпочтениями друг с другом.
Коллаборативная фильтрация in a nutshell.
Понятное дело, что коллаборативная фильтрация работает не на двух пользователях, и даже не на двух тысячах. А вот на паре миллионов юзеров, у которых удается найти критическую массу одинаковых композиций - уже вполне. Также очевидно, что я привожу примеры карикатурно непохожих песен “из разных миров”. Я это делаю намеренно, чтобы подчеркнуть, что подход помогает делать рекомендации на основе данных, в которых, казалось бы, не за что зацепиться в поисках общего паттерна. Понятное дело, что в реальности между прослушанными и рекомендуемыми треками скорее всего будет больше схожести.
Так почему этот способ дает хороший результат, когда между наборами треков может не быть ничего общего?
Ну смотрите. Музыкальные предпочтения зависят от целого множества факторов - ваш вкус в целом, ваше настроение сегодня, работаете вы или же чиллите, болит ли у вас голова, с какой ноги вы сегодня встали, что конкретно на завтрак ели и многое-многое другое. Запихивать все эти переменные в строгое правило с четкими “если Х, то У” - дело неблагодарное. А вот если ИИ эмпирически прошерстит огромную выборку и найдет в ней похожие участки, то это совсем другое дело.
Здесь примерно та же логика, по которой если нейросетке скормить кучу картинок с котиками, а потом попросить её нарисовать котика, то она скорее всего изобразит туловище, к которому будут приделаны 4 лапы, хвост, шерсть и мордочка с усами и треугольными ушками. То есть нюансы изображения могут различаться, но основные свойства котика (назовем их “котиковость”) будут переданы. А значит, концептуально результат будет верный.
Так же и с рекомендациями в рамках коллаборативной фильтрации. Разве можно рационально объяснить, почему одна группа любителей Slipknot вдруг слушает песни Димы Билана (наверно, чтобы вкус перебить, такой себе имбирь между разными роллами), а другая группа - Леди Гагу? Вряд ли. Однако, если такие два паттерна существуют, то это значит, что слушающим Леди Гагу металлистам можно попробовать включить Билана, а их визави, наоборот, протолкнуть в поток Poker Face или Alejandro. Ведь точный эмпирический анализ большой выборки попадает в яблочко как минимум очень часто.
Наконец, третье сито, которое отлично дополняет первые два. Это рекомендации на основе контента (content-based). Здесь уже анализируется непосредственно сама композиция. Сервис берет песню, разбивает её на куски, отрезки или даже отдельные “квадраты”, после чего анализирует каждый отдельный элемент звука и ищет песни, технически похожие на анализируемую. Есть вероятность, что если Васе нравится песня Х с определенным звучанием и ритмом, то ему понравится и песня Y с похожими музыкальными свойствами.
Здесь есть важный нюанс. Звучание песни анализирует машина по каким-то техническим критериям, которые понятны ей, машине. А вот мы, люди, можем кайфовать от песни иррационально. Например, не только благодаря ритму мелодии, аранжировке или тембру голоса исполнителя, а еще и благодаря вайбу композиции, а то и символическому капиталу вокруг неё (например, если песня культовая или просто трендовая и модная-молодежная).
Поэтому, content-based рекомендации не всегда дают хороший эффект сами по себе, но служат отличным дополнением других способов фильтрации.
Также, такой способ - рабочий вариант для так называемых “холодных треков”. Это композиции, которые только-только выложили на стриминг. Допустим, новая песня известного исполнителя, либо же неизвестный трек совсем нового певца-ноунейма, которому тоже хочется славы. В таком случае плясать от самой композиции - полезное умение. Ведь трека еще нет в плейлистах тысяч и миллионов пользователей, а значит, порекомендовать его с помощью коллаборативной фильтрации или через knowledge-based вряд ли получится.
Резюмирую принципы рекомендательных движков музыкальных стримингов с помощью классического мема.
Итак, мы разобрали три основных техники, с помощью которых стриминги рекомендуют звуковой контент нашим ушкам. Разумеется, современные продвинутые сервисы обычно используют их все (получаются “гибридные рекомендации”), прикручивая к каждому из них свои авторские фишки.
Как конкретно это работает. Разбираю на примере гибридного подхода Яндекс Музыки
Теперь предлагаю показать на практике, как конкретно описанные выше техники работают. Для иллюстрации я буду использовать пример Яндекс Музыки. Потому что сам давно пользуюсь этим сервисом (думаю, уже лет 10), а также по той причине, что недавно у них прошло большое обновление алгоритма, которое внесло важные изменения в механизм рекомендаций. Ну и еще потому что всегда приятнее разбирать глобальные лучшие практики на отечественном сервисе, который в полной мере им соответствует.
Итак:
Базово рекомендательный движок Яндекс Музыки реализован через Мою волну, которая появилась на главной странице сервиса пару-тройку лет назад. По умолчанию этот поток сбалансированный - это значит, что он комбинирует любимые и привычные треки (которые пользователь и так активно слушает) с новыми композициями, причем в комфортной пропорции. По своему опыту скажу, что микс между добавленными и новыми треками по умолчанию примерно 50:50. При этом 30-40% новых я лайкаю, чтобы сохранить к себе. За счет этого алгоритм дообучается и адаптируется.
Однако Мою волну можно дополнительно кастомизировать через настройки. Нажимаем кнопку под плеером и проваливаемся вот в такое меню.
Как видим, параметров кастомизации вроде бы немного, но при этом изменения могут быть весьма существенными. К тому же, из скриншота видно, что настройки потока можно включать и отключать в разных комбинациях. Используя свои знания наивысшей математики, я перемножил 5 (Занятия) на 3 (Характер) на 4 (Настроение) и на 3 (Языки) и получил примерно 180. Ну ладно, пришлось использовать калькулятор, подловили…
Так что, внутри одной Моей волны на самом деле сидят очень много разных Моих волн.
Остановимся детальнее на настройке под названием “Характер”. Можно попросить движок делать больше акцента на моих залайканных треках (“Любимое”), или же наоборот чуть абстрагироваться от знаний о пользователе и поддаться общим трендам (“Популярное”).
Но поскольку статья все же о рекомендательном функционале, то остановимся подробнее на настройке “Незнакомое”. Ведь именно глядя на способность подбирать релевантные треки из всего внешнего многообразия можно оценить движок. Итак, если включить “Незнакомое”, то алгоритм сделает серьезный крен в сторону ранее незнакомых композиций.
Кстати, недавнее обновление касалось именно этой настройки. “Незнакомое” получила новый ранжирующий алгоритм, благодаря чему стала более смело предлагать новые композиции, которые, тем не менее, должны соответствовать музыкальным вкусам пользователя.
С обновленной настройкой юзер получает новый аудиоконтент, при этом не ощущая особенно сильных скачков и перепадов. То есть, даже если алгоритм решит выйти за пределы рекомендационного пузыря, дабы расширить музыкальные горизонты пользователя, то он все равно будет оставаться в рамках его предпочтений и смежных жанров. Проще говоря, несмотря на экспериментирование, подбрасывание неактуальной музыки будет сведено к минимуму.
Уважаемые газеты пишут, что теперь пользователи сервиса добавляют к себе в “Коллекцию” примерно на 20% больше новых треков. Для артистов (в том числе молодых и начинающих) это тоже важный ништяк, поскольку повышается вероятность, что их творчество распространится и взлетит среди новой аудитории.
Так вот, для поиска этих самых новых композиций сервис как раз и применяет гибридный подход, объединяющий коллаборативную фильтрацию, анализ контента и фильтрацию на основе знаний о пользователе. Поговорим о нем детальнее.
Начнем с пользователя
Для начала, машина кушает все “долгосрочные” (очень условно их так назову, дорогие технари, не ругайтесь) данные о пользователе. Какие жанры и исполнителей он указывал как любимых, когда регистрировался? Что у него лежит в плейлисте? Что там лежит давно, а что недавно? Что удалялось? Что из лежащего давно он слушает регулярно или иногда, а что лежит мертвым балластом? И еще 100500 факторов и паттернов.
На эти “долгосрочные” знания о юзере накладываются конкретные действия.
Например, обычно Вася слушает треки в одной последовательности, а вчера решил включить в другой. Алгоритм тоже это примет к сведению. Возможно, учтет сразу, а, может быть, посмотрит на динамику последовательности при парочке ближайших использований (кто ж знает, как эта “черная коробка” решит там у себя внутри).
Не забываем, что алгоритмом все-таки заведует продвинутая ML-моделька, которая любит сама себя дообучать и всячески развивать. Так что, хотя человеки и знают принципы её мироустройства, точно предсказать результаты из “черного ящика” решительно нельзя.
Разумеется, движок учитывает, дослушал ли песню наш лирический герой, смахнул её или вовсе влепил ей лайк.
Далее - анализ контента
Вторая составляющая годной рекомендации - это анализ самой композиции. Для этого сервис преобразует трек в специальный формат - цифровой аудиовектор.
Для этого сервис разворачивает трек во времени и раскладывает его на частотные диапазоны, получая спектрограмму. Она передается специальной аудиомодели с нейросетью-энкодером, которая сворачивает спектрограмму в аудиовектор, или аудиоэмбеддинг (это когда сервис прячет в аудиофайле специальные метки - о песне, исполнителе, жанре и т.д.).
У похожих по звучанию треков такие векторы расположены близко друг к другу в многомерном векторном пространстве. У разных треков, соответственно, наоборот.
За счет таких манипуляций алгоритм может разложить трек буквально на атомы, чтобы потом сравнить каждую “элементарную музыкальную частицу” с аналогичными частицами других композиций.
Алгоритм сервиса преобразует трек в аудиовектор, расщепляя его на мельчайшие музыкальные элементы, чтобы проанализировать каждый из них. Вижу так.
Этот прием дополнительно повышает точность рекомендаций.
Наконец, коллаборативная фильтрация
Залезть в глубинные сущности этой техники конкретного сервиса непросто. Но каждый уважающий себя продвинутый стриминг старается довести эту технологию до высокого уровня.
За основу берется принцип, который я описал в первой части статьи. Но реализуется он, само собой, на предпочтениях миллионов слушателей. Алгоритм анализирует обезличенные данные массы пользователей, после чего прогнозирует музыкальные интересы конкретного человека, добиваясь максимально точных попаданий. В основе всего этого движа лежит матрица взаимодействия, составленная из различных оценок пользователей. Если упрощенно, то это такая табличка (ооочень большая), где отображаются все взаимодействия юзера с сервисом. Потом с матрицей работают алгоритмы машинного обучения - они уже обрабатывают данные и передают их в обобщенную модель, которая и отвечает за рекомендации.
Три типа фильтрации в итоге объединяются в единый machine-learning алгоритм под названием CatBoost, который уже генерирует для каждого юзера персональную последовательность треков с учетом множества вышеописанных факторов.
В итоге в алгоритмическом магическом котле заваривается тот самый вуншпунш, который мы готовы потреблять ушами в течение часов и дней, поддерживая свой энергичный рабочий настрой, умиротворенный расслабленный вайб либо же вызывая внезапный эмоциональный порыв. Подчеркнуть нужное в зависимости от ваших текущих целей, настроения и самочувствия.
Теперь вы знаете чуть больше про рекомендательные системы стриминга, особенно музыкального. Надеюсь, было интересно и полезно. Есть что добавить или с чем поспорить? Пишите в комменты.
Если вам понравилось, то подписывайтесь на мои тг-каналы. На основном канале - Дизрапторе - я простым человечьим языком и с юмором разбираю разные интересные штуки из мира бизнеса, инноваций и технологических новшеств (а еще анонсирую все свои статьи, чтобы вы ничего не пропустили). А на втором канале под названием Фичизм я регулярно пишу про новые фичи и инновационные решения самых крутых компаний и стартапов.
Игрушка "Шедеврум" от Яндекса не понимает русского (переводя его на английский для генерации), зато отлично понимает на инглише, хоть и подчеркивает все слова красным для юзверя (пАчИмУ блин??)))., применяет неуместную цензуру к португальскому и отрисовывает по английскому транслиту японского). Понимаю, что это лишь мобильная игрушка, но ожидал большего, черт дери, громкие ИИ))
Так, на слова этой песни "Mama eu quero" вкупе с "daa chupeta" (речь всего лишь о детской соске), это чудо генерит:
.. на куплет про баттерфляй из шуточной песни:
..приложение понимает только "баттерфляй", да и то - в качестве бабочки в переводе с инглиша!
Уточним:
Казалось бы, хоть в каком-то виде, приложение все же реагирует на русский язык? -Нет, оно просто легче ассоциирует butterfly style в butterfly stroke (брассом) на инглише (можно проверить поисковиком).
Дадим задачу посложнее? На японском? Ок:
("медведь белого цвета, белый медведь". Задача из первого класса так сказать. Только вот написана она не прям уж по-японски). Отлично! Проверим дальше? Хорошо:
Удивительно, но понимает "Зелёный" по-японски.
Красный понимает. И почти по-японски)) ... Удивительное приложение, которое почему-то не понимает русского языка;)
Стебусь отчасти, конечно. В качестве развлечения для школьников (не знаю, какой страны, честно) - норм. Мне, как троечнику по русишу тоже норм зашло, но жена чего-то гневается. ... ИИ? )) Гы... Резюмирую, что надо бы на инглише писать в неё ("а еще ем в неё" - строчка из старинного анекдота про боксёра).
Доброго здоровья всем, ребят! Позитива и всего самого-самого наилучшего вам.
Любопытно, а видит ли курьер по окончании доставки, выдал ли ему чаевые конкретный заказчик? Или все выданные на чай средства им как-то в конце смены одним траншем начисляет работодатель? Если уже было, дайте, пожалуйста, ссылку, а я свой пост удалю как неактуальный.
Живу с этим уже более трёх лет, временами дополняя ее функциями и логикой, веду записи по этому проекту в ежедневнике, иногда накидываю интерфейс в фигме или в этом же ежедневнике, но времени на это практически нет, фокус смещен. Хочу продать или реализовать идею. Многое продумано, что-то отрисовано. Оно снится мне по ночам! Помогите! 🫠
Вопрос:Как и кому рассказать об идее чтоб ее не украли?
Расскажу вам самую малость о свей идее. Если украдёте - будете богаты, но прокляты, как царь Мидас. Поможете - мы вместе будем счастливы и богаты, как Мидас, но без проклятья ❤️
О приложении: Социальное приложение следующего поколения, с возможностью прокачивать свои скилы, которые только можно прокачать. (Для прокачки в приложении нужны пруфы, о том что вы действительно прокачали какой либо скил. Этот момент продуман, но нужно дорабатывать), собирать группы-встречи для поиска друзей по интересам, совместной прокачки, собирать достижения, как от разработчиков так и от пользователей, от лёгких до супер сложных, хвастаться купленной или крафтовой экипировкой, отслеживать свой прогресс, который будет запечатлен в крипте, до скончания веков до тех пор пока сервера не выжгет электромагнитным импульсом. Астрология, спорт, наука, религия, кулинария в одном месте. БУУУМ!
Пришло время хвастаться по настоящему - покажи свои личные качества, скилы, достижения всему миру.
Успешные люди говорят: Нужно постоянно развиваться, общаться с успешными людьми, учится у них.
Фраза Джейсона Стетхема Эмануэля Ласкера в тему: "Единственный путь стать умнее — играть с более сильным противником"
К сожалению они не говорят как их найти. А если ты их найдешь, с чего ты взял что они будут с тобой общаться, нищеброд?
Приложение поможет нейтрализовать эту пропасть и поможет найти таких людей и с большой вероятностью они ответят вам, встретится, потому что захотят прокачать скил коуча и похвастаться количеством реальных учеников. Ученики - это наследие.
Кому зайдет: 1. Всем кто хочет развиваться, общаться, собираться по интересам, коллекционировать достижения. В особенности подрастающему поколению, ну и в первую очередь любителям RPG. RPG IN REAL LIFE, мадафака. 2. Рекламщикам, будет очень мощный таргет на пользователей. (Вот прокачиваешься в езде на велике, а тебе реклама (НЕ В ПРИЛОЖЕНИИ, ОНО БЕЗ РЕКЛАМЫ) - гудок, рама, треники. Потому что ты это любишь, это действительно может пригодится.) 3. Государству, работодателям, найти человека которого можно зарекрутить очень просто и удобно, все портфолио, все скилы, вся жизнь в одном месте. (Уверен что это приложение сочетается или дополнит социальный рейтинг)
Спасибо что дочитал! Извини, я не особо вкачивал скил презентации по жизни, по этому такой результат.