0N0 🤖

За тэгээд, мэдээж өөр салбарын дата юм болохоор зарим онцлог шинж чанарыг ойлгох хэрэг гарах юм. Энэ жишээ нь нэг хүний нэг шөнө унтаж байхад нь бичигдсэн 2 сувгийн #EEGdata Ягаанаар будсан нь REM, бас нойрны нэг цикл нь хөнгөнөөр эхлээд REM-ээр дуусдаг юм шиг харагдаж бгаа биз.

@ibibby Заа мэдлээ 😂

@OnoLovesAI За ямар гоё боломж гарсан? Шууд хий2

Нэг мэдсэн чинь “Дахиад ийм боломж гараа ч билүү?” гэж боддог болсон байхийн. Насных уу энэ одоо?

@TargudaiA Өө мэдахгүй

@OnoLovesAI Баярсайхан эмч боломжтой оройг алдаж болохгүй гээд бичээд бдг тэр мөн үү

@amorezamura 16

@OnoLovesAI Хэдтэй билээ мидүү

Сүүлийн үед уншсан эрүүл мэндийн номнууд. Brain that changes itself нь эрүүл мэндээс гадна neuroscience-н хүрээнд бичигдсэн.

Андрей Карпатигийн бичсэн жиргээнээс хойш second brain гэсэн жиргээнүүд их харагдаад эхэллээ. Уншсан, унших зүйлээ AI-аар янзлуулж цэгцлүүдээд хадгалуулах, дараа нь тэр мэдээллээсээ хайх нэг agent хийсэн байна лээ. Нэг оролдож үзмээр ч байх шиг. 😂

@Nambonoo Манай хүү ингэж иддэг байсан. Оюутан болоод ёстой хальсыг нь идэх нь холгүй болсон 😂

Манай бацааны чуугуа идэж байгааг л харчих. Мөнгө модноос ургадаг гээд бодцон бүүр нэг даварцан :р

@bayar_b Ийм бага унтаад болж байвал сайн л биз

@OnoLovesAI Байнгын дасгал хөдөлгөөнтэй байхыг оруулахаө мартжээ.

Нэг хэсэг хэвлэлүүд нойрны судалгааг буруу дүгнээд Хүн өдөрт 6.5 цаг унтах хэрэгтэй гэсэн байна. Гэтэл яг үнэндээ 8 уаг унтах боломжийг өөртөө олгосоноос 6.5 цагт нь тархи яг унтаж амарсан байж. Тиймээс 12 цагт орондоо ороод 6-д босох нь буруу болж таарав. open.spotify.com/show/4ZQz6AmfQ…

@maralsd Дайсантайгаа нүүр тулах хэрэгтэй 🤪

@OnoLovesAI 5 жил нойр муу яваа би нойрны тухай бүр юу ч уншмааргүй санагддаг шд, улам нойргүйдэх гээд

Энэ #WhyWeSleep номыг уншихаар хэцүү юмаа. Болж өгвөл бүтэн нойртой л байхгүй бол болохгүй гэж байна. Нэг хэсэг стрэстээд хагас жил орчим 4-5 цагийн нойртой явсанаа бодсон чинь бүр хямарчлаа 😂😂😂 open.spotify.com/show/4ZQz6AmfQ…

@treestarsky Энэ номыг уншаад үзээрэй.

@OnoLovesAI Nice Энэ lucid dream-г бага байхдаа нисэх мэдрэмж авах гээд зөндөө оролддог байсан. Тэгсэн чинь саяхан бүүр том сэдэвтэй холбоотой болж таарсан. Ийм сэдвүүд ирээдүйд улам практик болох байх гэдэг дээр маш итгэлтэй болоод байгаа✨

Өчигдрийн сонссоноос гоё хэсэг: Lucid dream буюу зүүдээ ухамсарладаг хүмүүс дарагийн хүний хөгжил байж болох юм гэнээ. open.spotify.com/show/4ZQz6AmfQ…

@grf2050 Ийм зөвөлгөө гэхдээ “шар шувуу” төрлийн хүмүүсийг бодолцоогүй зөвлөгөө юм билээ. Байгалийн шалгарлаараа хүн амын 30% гэж тооцоолдог юм билээ.

@OnoLovesAI Ихэнх зөвлөгөөнд орой 22 цагт унтах хэрэгтэй л гэдэг. Миний хувьд 6-7 цагийн нойр арай л дутуу байдаг. Сайн амраагүй байдаг

REM нойронд хүн зүүдэлдэг. Бас REM нойронд шинэ үзсэн зүйлээ хуучин зүйлтэйгээ харьцуулж холбоос үүсгэж хадгалдаг, энэ процессоор дамжиж бүтээлч сэтгэлгээ хөгждөг гэж байна. open.spotify.com/show/4ZQz6AmfQ…

LLM Knowledge Bases Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So: Data ingest: I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them. IDE: I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides). Q&A: Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale. Output: Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base. Linting: I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into. Extra tools: I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries. Further explorations: As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows. TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

@narangoo_khatan Гоё хүн юу ч хэлсэн үнэн шүү дээ 🤪

Хүн эхний удаа чамайг хуурвал тэр хүний буруу. Хүн хоёр дахь удаа чамайг хуурвал чиний буруу. Туул голоо дахиад тавиад туучих юм уу? Найзуудаа?

Туул ширгээд амьдрах аргагүй болвол зувчсан хүмүүс нь гадагшаа л гарчихна. Мань хэд л үлдэнэ ш дээ

@enkhbatbyambats Hawaii ёстой гоё 😅

Миний очиж үзсэн газруудаас хамгийн үзэсгэлэнтэй нь Хавайн арал Хонолулу. Хоол нь ч гэсэн.