本文將介紹如何使用 Pandas 進行資料操作以及利用 Matplotlib 和 Seaborn 進行資料視覺化，從六個 AI web3 專案中提取有價值的洞察並鑑別開發模式。GitHub 的開發資料對於組織、投資者及競爭對手在評估某一專案或公司的整體活動時提供了寶貴的見解。
我們將探索來自六個開源 AI web3 專案的 GitHub 開發資料，包括： 1. Ocean Protocol：此專案專注於 AI 和數據的不同解決方案，從加密貨幣價格預測算法到數據科學挑戰和市場。 2. Bittensor：此專案具有模塊化架構，旨在通過去中心化運算實現 AI 的民主化。 3. Fetch.ai：此專案允許開發者透過其 SDK 將 AI 驅動的專案貨幣化。 4. Numerai：...
分析這些資料後，利害關係人能夠識別特定時間範圍內的頂尖貢獻者，找出最活躍的版本庫，以及揭示項目里程碑與活動水平之間的關係。
透過對 GitHub 資料的分析，能夠更好地了解 AI web3 專案的開發動態及其社群參與情況。
在雲端運行 Kubernetes 具備成本效益的潛力，但若管理不善，費用可能快速飆升。本文列出關鍵策略，協助您在 Kubernetes 環境中優化支出。
調整資源大小涉及根據實際使用情況為應用程式分配適當的 CPU 和記憶體。有效地進行這一過程，需監控資源消耗並據此調整資源請求和限制。像 Kubernetes Metrics Server 和 Prometheus 等工具可協助追蹤使用情況。確保應用程式只使用其所需的資源能避免過度配置，降低不必要的費用。建議定期進行調整資源大小以達到最佳效率。
使用水平方向 Pod 自動擴展器 (HPA) 和集群自動擴展器根據需求自動擴展您的工作負載和集群節點。HPA 根據 CPU 或記憶體使用量調整 Pod 副本數量，或使用自定義指標，這使您在不同的負載條件下保持最佳性能。與之不同的是，集群自動擴展器管理集群中節點的擴展。它可以根據工作負載添加或移除節點，確保您只需為當下需要的資源付費。
按需實例提供保證的可用性和固定的費率，適合需要可靠性和不中斷的關鍵工作負載。
相比之下，競價實例（或可搶占 VM）比常規實例便宜得多，但可能在未通知的情況下被雲提供商終止。使用競價實例應用於能處理中斷的非關鍵、無狀態工作負載。Kubernetes 支援集群中的混合實例類型，允許您在合適的工作負載中利用競價實例的成本節省。通過為重要服務利用按需節點池，為靈活負載利用競價實例，您可以有效地優化 Kubernetes 成本，同時保持性能和可用性。
儲存成本可能迅速增加，尤其是在使用高性能存儲選項時。使用合適的存儲類別應用於不同的工作負載。例如，使用標準存儲應用於對 I/O 要求較低的應用程式，使用高性能的 SSD 應用於資料庫。定期檢查存儲使用情況，並儘可能地調整到成本更有效的存儲解決方案。實行數據生命周期策略，將未使用的數據存檔或刪除，進一步優化存儲支出。
高效的 Pod 排程能夠實現更好的資源利用率和成本節省。使用節點親和性/反親和性、染污和容忍策略確保工作負載在節點間的有效分配。這防止了過度配置和利用不足，能更高效地使用資源。通過優化 Pod 排程的位置和方式，您可以更好地利用基礎設施並降低成本。
預留實例提供顯著的折扣，以換取承諾的長期使用計劃。分析您長期的使用模式，考慮為持續運行的工作負載預留實例。這一策略與按需定價相比，能提供大幅節省。通過承諾為穩定狀態的工作負載提供更長期的使用計劃，可以從預留實例提供的低價中受益。
持續的監控和警報能幫助您掌握成本驅動因素與意外支出。設置如 Prometheus 和 Grafana 等監控工具可視化資源使用和費用。對於不尋常的支出模式配置警報，使您能採取措施，迅速處理潛在問題。通過保持對資源使用和成本的可見性，您可以快速識別和處理效率低下的問題。
空閒或未使用的資源可能會不必要地增加您的雲帳單。定期對您的集群進行審核，檢查未使用的 Pod、服務、卷和節點。利用 Kubernetes Jobs 或 CronJobs 自動清除過程。確保沒有為未使用的資源支付費用您可以控制成本，並優化資源的利用率。
成本管理工具能提供關於支出流向的見解，並建議優化。使用如 OpenCost、Kubecost、Cast.ai 或本地雲提供商工具，來在 Kubernetes 環境中追踪和管理成本。這些工具能幫助您了解支出模式，並找出成本節省的機會。實施這些工具的建議能大幅減少雲支出。
Kubernetes 成本優化的一個有效策略是為集群實施定期的開始和停止計畫。通過在非高峰時段配置集群關閉，尤其對於不需要 24/7 可用性的開發或預備環境，您可以顯著降低雲端花費。為此，利用如 Kubernetes CronJobs 之類的自動化工具，安排資源關閉和啟動任務。此外，許多雲提供商如 Azure、AWS 和 Google Cloud 提供內建的排程選項協助此進程。亦可設置通知與警報，提醒您計劃中的停機時間，確保集群按計劃關閉。通過實施這些睡眠排程，您可以在確保僅支付真正需要的資源的情況下，優化成本。
這是一篇介紹粒子群優化（PSO）及其用法的教程。
張小明
發佈日期： 10月15日
閱讀時間： 12分鐘
粒子群優化（PSO）是一種基於群體智慧的計算方法，用於解決優化問題。它受魚群和鳥群等自然界現象的啟發，利用粒子在搜索空間中的運動來尋找最佳解。
要在Python中實現PSO，需要使用特定的庫和算法。我們可以採用一些常用的Python庫，如pyswarm，來幫助我們進行實現。
PSO廣泛應用於不同行業，包括機器學習、圖像處理和自動化控制等領域。這些案例顯示了PSO的靈活性和高效性。
儘管PSO是一種強大的工具，它在處理多目標優化和動態環境方面仍有挑戰。透過進一步的研究，PSO的潛力有望得到更大程度的發揮。
在現今的數位時代，只需要一台iPhone，就可以利用各種APP來增加額外收入。以下介紹五款熱門的iPhone賺錢APP，幫助大家輕鬆擁有穩定的現金流。
這是一款跑酷類型的遊戲，玩家將扮演一隻小猴子，通過奔跑收集香蕉與金條兌換成現金，可以通過PayPal或郵政等多種方式拿到獎勵。
Premise是一個受歡迎的問卷調查APP。用戶只需花幾分鐘完成簡單的任務，就能獲得報酬。無論是做問卷還是拍攝照片，每一項工作都能帶給您收益。
聊天吧是一款能夠在聊天中獲得報酬的APP。每收到一條訊息積分增加，累積可以兌換成現金。對於喜歡聊天的人來說，這無疑是一種賺錢的新選擇。
玩家透過挖礦和消除遊戲獲得積分，然後轉換成現金獎勵。儘管積分兌換不高，但於零碎時間累積收益也是不錯的選擇。
這是一個多功能的娛樂APP，包含多種遊戲選項，無論是捕魚機或百家樂都可以讓你賺錢，並享有會員福利與現金獎勵。
今年夏天早些時候，我有機會參加了位於佛羅里達州陽光明媚的勞德代爾堡的用戶體驗專業人員協會(UXPA)國際會議。這是我第二次參加UX會議，延續我在會後撰寫反思的傳統，我很高興和大家分享我在UXPA 2024所學到的幾件事。今年我參加的課程主要圍繞提升技能、UXR成熟度與領導力，以及當前熱門的人工智能。
作為一名UX研究員，我總是期待嘗試新的方法。誠如Accenture的成長與策略主管Lauren Oliver在她的演講中提出的未來思維方法，這讓我深有啟發。她帶領會議參加者演練了一種稱為“Jane McGonigal的100種方式改變一切”的未來思維方法。步驟包括陳述100件事實、翻轉其中三條陳述以及思考爲什麼未來會如此，並思考該如何朝著或遠離那個未來方向。
Sophia Timko的演講則探討了如何使用視覺敘事提升UX研究的影響力。透過視覺化手段的引入，可以更有效地與利益相關者分享和闡明研究成果。未來，我期待應用這些技巧來提升我們的研究展示。
在這次會議中，我參加了Guthrie Winschenk的“UX策略工作坊”，深入探討了提升研究組織策略的技巧。在Anne Joutsenvirta的討論中，她分享了利用“魔法棒”方法來挖掘領導團隊的真實需求。而Johnathan Rubin和Lorelei Kelly則分享了在UX項目的每個階段需注意的策略和陷阱。
在Jenna Weiss的演講中，她闡述了一名領導者應具備的五大技能，藉此提升團隊信任，從而促進組織的良性發展。Kendall Wallace則指出信任在組織中的重要性，他認為這將直接影響工作速度和成本。
自從ChatGPT於2022年11月推出以來，人工智能已成為廣泛討論的主題。IBM的演講強調了生成式AI對於提升UX研究效率的潛在助益，尤其是在研究準備、分析和報告方面，不過也提醒了AI在真實應用中可能出現的理想化問題。
這次UXPA會議給我的感受是充滿活力，讓我再次感受到UX社群的創新能量，且能與這群熱情的專業人士交流，我感到非常幸運和受到啟發。
當一位新的軟體工程師開始在你的公司工作時，他們需要多長時間才能將代碼推向生產？幾天，幾周，還是一個月？
事實上，這應該小於一天。
對於那些更加謹慎（或是習慣大型企業文化）的開發者來說，這似乎是個瘋狂而魯莽的幻想。“風險太大了！”你可能會說。或者“系統太複雜了，要花幾天時間學習！”
我們需要清楚一點。我不是說要釋出一個重大新功能或改動關鍵的業務邏輯，而是修復一個小錯誤——調整用戶界面，做一個小的文字更改，解決一個無關緊要但已在待辦清單中待了幾個月的低優先級行為問題。
如果你的系統對於一名新工程師來說太過複雜，以至於他們無法掌握這些小變化，或者你的工程流程使得這些改動很難快速推向生產，這些都是正在阻礙你現有團隊的信號。解決這些問題不僅能使上崗流程更順暢，更重要的是讓你的團隊更加愉快並高效地工作。
改進工程流程和系統複雜性，能讓新的工程師快速推動小變化，從而提升整體的團隊效率和士氣。
Hugging Face是一個提供工具和預訓練模型的平臺，專注於自然語言處理（NLP）與自然語言理解（NLU）的各種任務。我們在上一篇文章『探索Hugging Face的溫暖擁抱』中介紹了這個平臺，尤其是其包含眾多先進的轉換器架構實現的開源庫。本文將為新興數據科學家提供一個完整的視角，解釋如何將多個Hugging Face功能結合起來，以微調現有語言模型進行命名實體識別（NER）。
在這一節中，我們將簡要介紹一些建模所必需的基礎概念。請隨時回想我們的先前討論，以便於理解及操作。
命名實體識別（NER）是確定和分類文本中不同種類名稱的過程，如人名、地點和組織。
模型微調是將模型調整到特定任務的過程，允許我們在現成的預訓練模型基礎上進一步提升模型性能。
在這裡，我們將逐步講解如何使用Hugging Face工具來微調語言模型以進行NER。
本節提供對微調完成後模型的性能進行評估和分析，探討可行之改善途徑。
本文探討全球AI聊天工具ChatGPT大當機事件，分析當機原因、使用者反應、官方應對與解決方案，並進一步探討科技依賴的風險，以及如何預防未來類似事件發生。文章包含常見問題、相關評價和留言，提供讀者全面且深入的了解。
