Každý portfolio manažer zná efektivní hranici - soubor optimálních portfolií nabízejících maximální výnosy pro dané úrovně rizika. Co kdyby výzvy umělé inteligence měly své vlastní efektivní hranice? Jakmile všichni začneme používat umělou inteligenci, bude rychlá optimalizace neustálou výzvou. GEPA, GEnerative PAreto, je technika k objevení ekvivalentní efektivní hranice pro AI. Při čtení článku jsem si všiml, že počáteční výsledky byly slibné, s 10bodovým zlepšením v některých benchmarcích a 9,2krát kratší délkou výzvy. Kratší délka výzvy a všichni víme, že vstupní výzvy jsou největším hnacím motorem nákladů (viz The Hungry, Hungry AI Model). Proto jsem implementoval GEPA do EvoBlogu. Abychom mohli použít GEPA, musíme identifikovat bodovací osy, které LLM používá k hodnocení příspěvku. Zde jsou moje : (první obrázek) Nyní, když máme tento rámec, můžeme zadat výzvu k vygenerování příspěvku na blogu a nechat systém EvoBlog iterovat prostřednictvím různých výzev, aby splnil efektivní hranici pro každou dimenzi, váženou napříč všemi proměnnými – nejen jednu. Zde jsou výsledky dvou hypotetických příspěvků na blogu. Můžete vidět, že jeden je více zaměřen na styl, zatímco druhý se zaměřuje na využití dat. Pomocí GEPA můžeme určit, který příspěvek je lepší. V tomto případě se jedná o příspěvek zaměřený na data. To vše proto, milý čtenáři, že jsem publikoval pouze jeden příspěvek na blogu plně generovaný umělou inteligencí. Mým cílem s těmito automatizovanými systémy je naučit se, jak fungují, jak je ladit a generovat počáteční návrhy, které se blíží mému prvnímu a druhému návrhu. Vždy budu dokončovat koncepty tři a čtyři. Efektivní hranice není náhradou za vhled a autentický hlas.