Jari Bakken

@lateinteraction Knowing a goal doesn’t count has _having_ a goal. Purpose is what gives knowledge direction/orientation. There’s a distinction between _knowing_ and _caring_. The goal must matter to you.

@jarib A concrete purpose is part of intelligence? In that case, is it just part of knowledge?

Once you subtract factual knowledge, intuition (heuristic knowledge and skill), and compute (the capacity to execute systematic search), do any other parts of intelligence remain?

Dykk ned i 25 år med gravejournalistisk metode: skup.jari.ai Mer om tjenesten: journalisten.no/na-kan-du-chat…

@simonw And expensive…

First impressions of GPT-4.5 (via the API) is that it feels surprisingly slow

@rubenbmathisen Hvem er "Other" her?

This is still a working paper so any comments are very much welcome.

@karpathy Here is a cool example of exactly this: Using sequences of life-events to predict human lives nature.com/articles/s4358…

It's a bit sad and confusing that LLMs ("Large Language Models") have little to do with language; It's just historical. They are highly general purpose technology for statistical modeling of token streams. A better name would be Autoregressive Transformers or something. They don't care if the tokens happen to represent little text chunks. It could just as well be little image patches, audio chunks, action choices, molecules, or whatever. If you can reduce your problem to that of modeling token streams (for any arbitrary vocabulary of some set of discrete tokens), you can "throw an LLM at it". Actually, as the LLM stack becomes more and more mature, we may see a convergence of a large number of problems into this modeling paradigm. That is, the problem is fixed at that of "next token prediction" with an LLM, it's just the usage/meaning of the tokens that changes per domain. If that is the case, it's also possible that deep learning frameworks (e.g. PyTorch and friends) are way too general for what most problems want to look like over time. What's up with thousands of ops and layers that you can reconfigure arbitrarily if 80% of problems just want to use an LLM? I don't think this is true but I think it's half true.

@simonw @JeremyNguyenPhD For the record, it doesn't seem to do OCR with Knowledge in a custom GPT either.

@simonw @JeremyNguyenPhD Seems to me the regular ChatGPT upload switches to some sort of RAG if the document is large enough. I just tried a 1.3 million token document and it replies with things like "let me search for …" etc. Definitely no OCR/vision though. Does it do image OCR with Knowledge?

I don't think it's appreciated enough that ChatGPT is absolutely a power-user tool It's like Excel: getting started with it is easy enough, but truly understanding it's strengths and weaknesses and how to most effectively apply it takes years of accumulated experience

Vi har brukt AI til å analysere VGs dekning av Israel og Gaza. Vi ba fire ulike modeller lese >1000 nyhetssaker og si om hovedperspektivet er «israelsk», «palestinsk» eller «nøytral». Detaljert beskrivelse av metoden her: github.com/vgno/2024-ai-n… Kommentar fra redaktørene 👇

@helmers Kommer litt an på hvilket prosjekt du er interessert i? Bare ta kontakt på DM hvis du står fast på noe

@jarib Hvis jeg vil prøve å kjøre opp noe av github.com/holderdeord lokalt, hvor er det best å begynne? 😇

@VanlegeFolk @Meteorologisk 66 år er den tidshorisonten hvor det finnes nok målinger til å lage en oversikt på kommunenivå i Norge.

@jarib @Meteorologisk Hva er 66 år? Godt jobbet og fin modell. Men skal det ha relevans så må du i første omgang begynne modellen 357 år tidligere. Venter i spenning 😁

Har kvernet gjennom 222 milliarder datapunkter fra @Meteorologisk for å lage denne fremstillingen av hvordan været i Norge har endret seg de siste 66 årene vg.no/spesial/klima/…

@BritiskV @olavtorvund @Meteorologisk SeNorge er en modellinterpolering over de tilgjengelige målestasjonene. Tror ikke det finnes noen bedre måte å løse dette på, men er åpen for innspill.

@jarib @olavtorvund @Meteorologisk Den er svært vanskelig siden tids spennet som dere har brukt, er den tidsperioden byene i Norge begynte å vokse. Lokalkunnskap vil være en faktor, men plassering av målere er alfa og omega. Særlig hvis vegvesenet sine sensorer skal brukes. Asfalt og varme biler........

@BritiskV @olavtorvund @Meteorologisk Ok. Hvordan mener du vi burde løst det?

@jarib @olavtorvund @Meteorologisk Takk for svar, men jeg ser noen svakheter med dette. Min nabokommune Flekkefjord, har siden slutten av 70 tallet fått mange nye boligfelt i åsene rundt byen. Folkemassen har derfor flyttet til høyere, mer solvendte plasser, kontra bykjernen ved havoverflaten.

@BritiskV @olavtorvund @Meteorologisk Koden bak analysen er forøvrig åpen kildekode hvis du er interessert i de tekniske detaljene github.com/vgno/senorge-d…

@jarib @olavtorvund @Meteorologisk Hei, spørsmål: Hvor blir disse målingene gjort i de respektive kommunene? Er det mulig med å legge ut et kart på hvor disse punktene befinner seg?

Kanskje dette er noe @ssbnytt kunne laget og tilbudt til alle? @janbrus @polslet

Det er fortsatt ganske ustabil teknologi. Den roter seg bort i helt feil tabeller og tryner ofte fordi kontekstvinduene er for små. Men synes det viser noe av potensialet i språkmodellene når de får en avgrenset verden å jobbe innenfor.

Jeg har laget en AI-assistent som leter frem tall hos @ssbnytt og er helt fascinert av å se den prøve og feile