Eine Person namens hereticpleb hat anderthalb Stunden damit verbracht, eine Maschine zu bauen, die nur eine Sache tut: sie findet LinkedIn-Posts über nutzlose Computer-Vision-Projekte. Das Ergebnis, sagt er, ist ein Detektor, der beweist, wie einfach es ist, etwas auf der Plattform beeindruckend aussehen zu lassen. Der Witz, räumt er ein, ist, dass der Detektor selbst der Knüller ist.
Sein Projekt heißt „LinkedIn Larpmaxxing“, und seine Argumentation ist einfach: die Plattform belohnt Lärm gegenüber Können, und die Leute, die dort überleben, sind nicht die, die besser werden. Es sind die, die interessant aussehen.
Das Feed-Problem
Hereticpleb beginnt damit, das zu beschreiben, was er „das unerträglichste Zeug“ nennt, das man sehen würde. Sein LinkedIn-Feed ist voll von Posts von Leuten, deren Verwandte von Lastwagen überfahren wurden, und die diese Tragödien als Lehren über das Geschäftsmanagement nutzen. Die Posts tragen einen Tonfall, der „visionär“, „zukunftsorientiert“ und „professionell“ sei, schreibt er und fügt hinzu, dass es „SO anstrengend“ sei.
Dann gibt es die Projekte. Jedes Mal, wenn er die App öffnet, wird er von Videos eines Mannes getroffen, der seine Hand herumfuchtelt, während eine Kamera ihm folgt. Das sind Computer-Vision-Projekte, sagt er, und sie sind überall. „Es ist einfach jeder zweite Post irgendein Mann, der herumfuchtelt und UNSINN macht“, schreibt er.
Der Schlagloch-Detektor
Ein Beispiel sticht hervor. Er zeigt ein Bild eines Schlagloch-Erkennungssystems, eines Projekts, das verspricht, Straßen auf Schäden zu überwachen. Seine Antwort ist direkt: „Was soll der Sinn sein?“ fragt er. „Was kann denn sonst Schlaglöcher erkennen? Augen. Sie sind sehr, sehr gut darin, diese zu erkennen.“
Er geht noch weiter. Das System ist mit nichts verbunden. Es sendet keine Daten irgendwohin. Wenn es das täte, wäre das niedlich. Aber das tut es nicht. „ABER ES TUT ES NICHT“, schreibt er.
Die größere Idee hinter dem Projekt, räumt er ein, ist, dass KI für die intelligente Überwachung der Infrastruktur eingesetzt werden kann. Der Zustand der Straßen könnte effizienter bewertet werden, und Wartungsteams könnten bessere datengestützte Entscheidungen treffen. Das ist das Angebot. Die Umsetzung, sagt er, ist trivial.
Das Modell trainieren
Um seinen Punkt zu beweisen, beschloss Hereticpleb, einen Detektor für die genaue Art von Beiträgen zu bauen, die er verabscheut. Er nennt ihn den „🚀 Excited to announce I made a YOLO project“ Detektor. Der Name ist eine Referenz auf das YOLO-Objekterkennungs-Framework, das im von ihm freigegebenen Code auftaucht.
Er hat alles von Grund auf gelernt. Er hat das noch nie zuvor gemacht. Er vergleicht die Erfahrung damit, Ramen zu kochen, nachdem er noch nie zuvor gekocht hat. „Man kann das Kochen nicht kritisieren, ohne schon einmal Ramen gekocht zu haben“, schreibt er.
Der Prozess begann mit Daten. Er brauchte ein Modell trainieren, das auf Bildern von LinkedIn-Beiträgen trainiert wurde, die sich über YOLO-Projekte brüsteten. Er schrieb ein Skript, um die Bilder automatisch zu sammeln. Es scrollt durch seinen Feed, macht Screenshots und speichert sie in einem Ordner.
Der Annotationsschritt
Als Nächstes erstellte er einen Roboflow-Account, lud seine Screenshots hoch und annotierte sie. Er zeichnete Kästen um die Teile der Beiträge, die das Modell erkennen sollte. Es war mechanisch, sagt er, und dauerte etwa 20 Minuten.
Sobald die Bilder beschriftet waren, exportierte er sie im YOLOv8-Format und lud den Datensatz herunter. Dann trainierte er das Modell.
Der Code dahinter
Der Trainingscode ist kurz. Er verwendet die Ultralytics-Bibliothek, die eine einfache Schnittstelle für die Arbeit mit YOLO-Modellen bereitstellt. Er lädt ein vortrainiertes Modell, konfiguriert die Trainingsparameter und führt das Experiment aus.
Hier ist der von ihm freigegebene Code:
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(
data='dataset/data.yaml',
epochs=50,
imgsz=320,
name='slop_detector'
)
Er fügt hinzu, dass das Training 30 Minuten auf seinem alten PC gedauert hat. Sobald das Modell bereit war, schrieb er ein Python-Skript, um es auszuführen. Das Skript lädt die trainierten Gewichte, verarbeitet ein Bild und speichert die Ergebnisse.
Der Detektor ist fertig
Das Ganze dauerte eineinhalb Stunden. Hereticpleb feiert die Leistung mit einem einzigen Ausruf: „YAYYY ich habe meinen eigenen Schlammdetektor!!!“
Er sagt scherzhaft, er könne nun Computer-Vision-Experte, Python-Kenner und Vordenker in den Bereichen KI und ML zu seinem Lebenslauf hinzufügen. Die Ironie entgeht ihm nicht.
Das eigentliche Problem
Das Fazit ist harsch. LinkedIn belohnt Menschen dafür, interessant auszusehen, nicht dafür, besser zu werden. „Nichts auf dieser Seite belohnt dich dafür, besser zu werden“, schreibt er. „Es ist eine Plattform, die darauf ausgelegt ist, dich für einen Job zu verkaufen, daher überleben nicht Fähigkeiten; es geht darum, interessant auszusehen.“
Er weist auf Profile hin, in denen derselbe Mann immer wieder Schlaglöcher entdeckt, ohne jegliche Anzeichen von Verbesserung. Das Muster wiederholt sich. Die Fähigkeit wächst nicht.
Eine funktionierende Maschine
Hereticplebs Detektor ist ein cleveres Stück Satire. Er ist auch ein funktionierendes Machine-Learning-Projekt, komplett mit Code und einer Schritt-für-Schritt-Beschreibung. Der Unterschied zwischen den beiden ist der Punkt.
Die Projekte auf LinkedIn sind trivial. Sie sind Marketing, das als Produktivität getarnt ist. Der Detektor findet Beiträge über YOLO-Projekte und das geht schnell.
| Vergleich | Projekt zur Erkennung von Schlaglöchern | LinkedIn-Schlappheit-Detektor |
|---|---|---|
| Zeit, etwas zu bauen | Nicht angegeben | Etwa anderthalb Stunden. |
| Zweck. | Straßenschäden erkennen. | LinkedIn-Posts über nutzlose Projekte erkennen. |
| Tatsächlicher Wert. | Bagatellhaft, nach Ansicht des hereticplebs. | Beweist, dass die Plattform Lärm belohnt. |
| Erforderliche Fähigkeit. | Keine nachgewiesen. | Minimal, da er es selbst gebaut hat. |
| Ergebnis. | Wiederholt verspottet. | Erfolgreich abgeschlossen. |
Der Vergleich lohnt sich. Die Schlagloch-Projekte, die er verspottet, sind nebensächlich. Der YOLO-Detektor, den er gebaut hat, dauerte anderthalb Stunden. Die Kompetenzlücke besteht nicht zwischen den beiden Projekten. Sie besteht zwischen den Leuten, die auf LinkedIn auftauchen, und den Leuten, die sie belächeln.
Hereticplebs Detektor ist lustig, weil er präzise ist. Er ist präzise, weil er nebensächlich ist. Und er ist nebensächlich, weil LinkedIn das Falsche belohnt.
Die Plattform ist darauf ausgerichtet, sich für einen Job zu verkaufen. Kompetenz ist keine Währung. Interessant aussehen ist es. Der Detektor beweist es.
Sehen Sie das Video, um das die Geschichte aufgebaut ist, unter vercel.app.
Das Notizbuch abonnieren.
Die besten Geschichten des Tages und jedes neue Urteil, in klarem Deutsch, um sieben im Postfach. Eine Mail am Tag, nicht mehr.