Weekly Summary(20240908)
技术
Pudding 用 Claude 进行叙述可视化创作
https://pudding.cool/2024/07/ai/
D3+GPT 的威力
这是杰英的一个项目，用 GPT 生成 Python(数据处理)和 D3(绘图) 代码：
https://github.com/zhouchangju/learning-dev/tree/master/d3/demo/cash-flow
一个 Prompt 搞定，如果拆分细致点，可以做出更多的效果。
开发经验
排查动态柱状图的动画问题开发环境问题
datav-aigc-vis-adapter 启动和更新太慢，设置按需加载。
KAmis 与 AIGC 趋势下的问题与解决方案
流程
程序设计
业务逻辑后移
常规的开发模式：
AIGC 的模式：
统一的标准化数据接口 + 范式组件
未来的模式：
统一的标准化数据接口 + BFF 层 + 范式组件/业务组件
基于 低代码 + LLM 的业务编排/可视化用例生成
模型训练的对齐问题
在机器学习和深度学习中，模型训练的对齐（Alignment）通常指的是确保不同数据集、特征或模型输出在某种意义上的一致性或匹配。这个概念在多个领域和任务中都有应用，以下是一些常见的含义：
数据对齐：
在数据预处理阶段，可能需要对齐不同来源的数据，以确保它们在格式、尺度或分布上一致。例如，图像数据可能需要调整大小、裁剪或旋转，以确保输入到模型的数据具有相同的维度和方向。
特征对齐：
在特征工程中，可能需要对齐不同特征，使得它们在不同样本或数据批次之间具有可比性。这可能涉及到归一化、标准化或将特征映射到相同的空间。
模型输出对齐：
在多任务学习或模型集成中，可能需要对齐不同模型的输出，以便它们可以被有效地组合或比较。这可能涉及到调整输出的范围、尺度或格式。
时间序列对齐：
在处理时间序列数据时，对齐可能涉及到将不同时间点的数据同步，以便于分析和预测。
跨域对齐：
当模型从一个领域迁移到另一个领域时，可能需要对齐不同领域的特征或标签，以确保模型的泛化能力。
语义对齐：
在自然语言处理中，对齐可能涉及到确保不同文本、词汇或句子在语义上的一致性，这对于文本翻译、语义理解等任务至关重要。
视觉对齐：
在计算机视觉中，对齐可能涉及到将图像、视频帧或三维模型映射到相同的坐标系统，这对于目标检测、图像分割等任务非常重要。
模型训练的对齐是确保模型性能和泛化能力的关键步骤，它有助于提高模型在不同数据集、任务或环境中的稳定性和可靠性。在实际应用中，对齐的具体方法和重要性取决于任务的性质和数据的特点。
VSCode 插件
https://juejin.cn/post/7123367320109449230
想法
好文摘抄
理论上，作为一个训练有素的统计模型，它应该在第一次尝试时就产生好的结果。但作为人类，我们通常会在这一步上进行多次迭代，这就是事情从优秀走向伟大的原因。
尽管有详尽的描述，ChatGPT 最终创建的更像是一个抽象艺术作品，而不是一个功能图表。
我们更多地将自己视为外包给人工智能的小任务的编辑者。我们知道输出应该是什么样子，以及如何根据需要进行调整。
能有清醒的认识就有提高。
如果编码就像是我们与计算机对话的语言，它本身就并不一定是一种技能”。那么何谓技能呢？”技能本身就是，如何创新？怎样才能开发出让最终用户感兴趣的产品？，因此，”这意味着我们每个人都必须更加了解客户的需求，以及我们要尝试去构建的最终目标是什么，因为相对于坐下来实际编写代码，这将成为越来越多的工作内容。
– 亚马逊 AWS CEO Matt Garman
我谈一谈我对未来 AI 编程的几个看法。
1、编程语言本身就是一种技能，但是，编程语言仅仅是形，编程思想才是实，自然语言也是要具备一定的编程思想才能真正编程。所以，未来懂编程思想的人更有价值。
2、懂产品，懂业务的程序员才能更吃香，我感觉对于一个软件产品来讲，最难的并不是编写代码，而是如何开发出接地气 ，能够解决用户痛点的产品，所以，熟悉用户痛点，懂业务逻辑的人会更吃香。
3、看似编写代码是 AI 在帮我们写，但是，其实程序还是人写，就目前我的使用感受而言，只是从语句粒度变到模块粒度了，但是模块大小和如何拆分学问就大了，这就涉及到了软件工程和刚才提到的编程思想。
–编程界的当红炸鸡子：Cursor
最热门的新编程语言是英语（指自然语言）。
– Andrej Karpathy
我的职业建议是，任何工作要么让你学习（learn），要么让你赚钱（earn）。如果既学不到新东西，又赚不到钱，你就应该走了。
– Garry Tan，硅谷风险投资家