linkedin_post_queue_uk.md

# LinkedIn Post Queue - Ukrainian

Use these as a staggered queue. Suggested spacing: 48-72 hours between posts.

## Post 1A - Dataset

Зробив маленький dataset про те, що реально палить AI-assisted code і AI-written English.

Не як детектор. Скоріше як checklist для review.

Лінк: https://huggingface.co/datasets/yava-code/ai-authorship-signals-2026

Що всередині:
- `signals.jsonl` з 10 сигналами
- окремо code і writing
- risk level для кожного пункту
- review action замість голого "це AI"
- `sources.json` з посиланнями на Stanford HAI, OpenSSF, arXiv, PubMed vocabulary study

Найкорисніший висновок для коду: AI-generated code частіше треба ловити не по стилю, а по security path - dependencies, validation, tests, edge cases, CWE.

Найкорисніший висновок для тексту: detector score не є доказом. Stanford HAI показував сильний bias проти non-native English, тому я явно додав цей пункт у dataset.

Нормальний review має питати не "це написав AI?", а "де тут ризик і як це перевірити".

## Post 1B - Dataset Alternative

Я зібрав source-backed checklist для AI code і English writing review.

Назва: AI Authorship Signals 2026
Лінк: https://huggingface.co/datasets/yava-code/ai-authorship-signals-2026

Формат простий: JSONL, де кожен рядок має signal, why_it_matters, risk_level і review_action.

Приклад:
- hallucinated dependencies - перевірити пакет у registry
- comment-to-code ratio - прибрати декоративні коментарі
- low variation in English text - додати конкретні факти, constraints, файли, метрики
- detector bias - не приймати AI score як доказ

Цей dataset не намагається "викривати" людей. Він більше про engineering hygiene: якщо код або текст виглядає згенерованим, наступний крок має бути перевіркою, а не ярликом.

## Post 2A - Model

Оновив model card для свого EuroSAT SimpleNet.

Лінк: https://huggingface.co/yava-code/eurosat-simplenet

Це невелика PyTorch CNN для класифікації land-use сцен з EuroSAT:
- 2,492,170 параметрів
- 10 класів
- RGB input 64 x 64
- CPU-friendly inference
- використовується у Gradio Space EuroSAT Field Scout

Старий card був занадто сирий: неправильна оцінка параметрів, мало deployment context, стара demo link. Я переписав його як нормальний model artifact: architecture, limits, usage snippet, deployment notes.

Для роботодавця це дрібниця, але показова. Модель без нормального card виглядає як файл. Модель з card виглядає як робота, яку можна перевірити і запустити.

## Post 2B - Model Alternative

Привів до ладу старий Hugging Face model repo.

Model: https://huggingface.co/yava-code/eurosat-simplenet
Demo Space: https://huggingface.co/spaces/yava-code/eurosat-field-scout

Що змінив:
- виправив параметри моделі: 2.49M, не приблизна стара цифра
- додав usage snippet з `hf_hub_download`
- описав runtime path для Space
- додав limits, щоб не продавати educational classifier як production remote-sensing system

Мені подобається такий формат портфоліо: не тільки "я щось натренував", а "ось як це вантажиться, де запускається, які обмеження, де demo".

Це ближче до реальної engineering роботи, ніж до красивого screenshot.

## Post 3A - Collection

Зібрав Hugging Face collection як маленьке portfolio page.

Лінк: https://huggingface.co/collections/yava-code/applied-small-ai-portfolio-6a304c83f9f1d089a28c101b

Всередині:
- EuroSAT SimpleNet - маленька CV-модель
- EuroSAT Field Scout - Gradio demo
- AI Authorship Signals 2026 - dataset для code/writing review
- Kimi Coder 135M - компактна coding model робота
- hackathon org Space для Build Small

Це простий спосіб не змушувати рекрутера відкривати 5 випадкових вкладок. Один collection показує, що є model, dataset, Space і deployment story.

Мій висновок після цього: Hugging Face profile краще працює, коли це не склад, а карта робіт.

## Post 3B - Collection Alternative

Я трохи прибрав Hugging Face profile під employer view.

Замість окремих випадкових repo зробив collection:
https://huggingface.co/collections/yava-code/applied-small-ai-portfolio-6a304c83f9f1d089a28c101b

Ідея проста:
- показати small-model work
- показати Gradio deployment
- показати research-backed dataset
- показати coding model experiment
- залишити короткі notes біля кожного item

Це не замінює GitHub або CV, але добре працює як технічний proof-of-work. Людина бачить не тільки код, а й модельні картки, metadata, Space, dataset schema, constraints.

Такі дрібні речі часто краще пояснюють рівень інженера, ніж великий абзац в bio.