#010 ML Андрей Клименко. Neural Shit: Незаконное увеличение животных, Ветхий Путин и Програверование

#010 ML Андрей Клименко. Neural Shit: Незаконное увеличение животных, Ветхий Путин и Програверование

#010 ML Andrey Klimenko. Neural Shit: Illegal animal enlargement, Frail Putin and Progroverovanie

by Mikhail · View the channel on PSI

Formal & Physical Sciences AI — Models & Research UYQArtificial intelligence (AI)UYQMMachine learning
🎙 Mikhail 👥 5K 📅 November 22, 2020 ⏱ 58 min 👁 479 📄 expert opinion 🧭 2026-10-10
Available in: English (current) Français

Keywords

GPT-2Markov chainneural text generationsocial media botsparody news

Summary

Dans ce podcast, l’hôte Mikhail reçoit Andrey Klimenko, connu sous le pseudonyme Red Doshik, créateur du canal Telegram Neural Shit. Andrey utilise des réseaux de neurones génératifs pour produire des contenus humoristiques tels que de fausses nouvelles, des articles de code pénal fictifs et des posts Instagram automatisés. La conversation explore ses projets comme Neural Meduza, qui génère des titres de journaux satiriques, ou Neural TP, qui combine génération de texte et morphing de visage. Andrey explique les techniques employées, notamment les chaînes de Markov et le modèle GPT-2, ainsi que l’importance de la post-modération pour sélectionner les meilleurs résultats. Il aborde aussi les paramètres de génération (top-k, top-p, température) et son expérience avec le service Porfirevich de Mikhail Grankin pour l’apprentissage de GPT-2 en russe. L’épisode se termine sur des discussions sur la gestion des communautés et la viralité des contenus générés.

143 words

Critical Evaluation

Value of the Information & Strength of the Argument

La valeur de cette interview réside dans le partage concret d’expériences sur l’application créative de modèles comme GPT-2 à des fins de divertissement. L’argumentation repose sur des exemples pratiques et des anecdotes, sans démonstration scientifique rigoureuse. Les choix techniques sont justifiés de manière pragmatique, mais les explications manquent de profondeur pour un public averti.

Scientific Rigor, Source Quality, Title Accuracy

La rigueur scientifique est limitée : les projets sont présentés sans validation expérimentale ni référence à des travaux académiques. Les sources mentionnées dans la description sont principalement des réseaux sociaux et des plateformes de podcasts. Le titre est fidèle au contenu, qui aborde les sujets mentionnés. Aucune source externe n’est citée de manière systématique.

123 words

Title / Content Match

Le titre reflète clairement le contenu, faisant référence à des exemples précis évoqués dans la conversation, comme le code pénal neural et les légumes génératifs.

Quality & Reliability

4/10

Discussion informelle sur des projets créatifs utilisant l'IA, sans références scientifiques solides ni méthodologie détaillée. Les affirmations sont anecdotiques et reposent sur l'expérience personnelle de l'invité.

Key Moments

Markers derived by PSI from the transcript: the creator did not define chapters.

Cited Sources

External References

Contribution & Novelties

L’apport de cette vidéo est de montrer comment des passionnés sans formation académique peuvent créer des projets divertissants avec des modèles de langage. Elle illustre concrètement l’utilisation de GPT-2 pour la génération de textes créatifs en russe.

Pour aller plus loin :

  • Language model — Présentation des modèles de langage et de leurs applications.
  • GPT-2 — Détails sur ce modèle de génération de texte.
  • Markov chain — Explication des processus stochastiques utilisés dans les anciennes méthodes.

76 words

Radar Profile

Le profil radar montre des scores moyens en quantité et qualité de l'information, mais un niveau technique faible et une fiabilité limitée, reflétant bien le caractère informel et expérientiel de la discussion.

Reliability 3/10