Jeder Portfoliomanager kennt die effiziente Grenze - die Menge optimaler Portfolios, die maximale Renditen für gegebene Risikoniveaus bieten. Was wäre, wenn KI-Prompts ihre eigene effiziente Grenze hätten? Da wir alle anfangen, KI zu nutzen, wird die Optimierung von Prompts eine ständige Herausforderung sein. GEPA, GEnerative PAreto, ist eine Technik, um die äquivalente effiziente Grenze für KI zu entdecken. Beim Lesen des Papiers fiel mir auf, dass die ersten Ergebnisse vielversprechend waren, mit einer Verbesserung um 10 Punkte bei bestimmten Benchmarks und einer um das 9,2-fache kürzeren Promptlänge. Kürzere Promptlängen, und wir wissen alle, dass Eingabe-Prompts der größte Kostenfaktor sind (siehe Das hungrige, hungrige KI-Modell). Also habe ich GEPA in EvoBlog implementiert. Um GEPA zu verwenden, müssen wir die Bewertungsachsen identifizieren, die ein LLM verwendet, um einen Beitrag zu bewerten. Hier sind meine: (erstes Bild) Jetzt, da wir dieses Framework haben, können wir einen Prompt eingeben, um einen Blogbeitrag zu generieren, und das EvoBlog-System durch verschiedene Prompts iterieren, um die effiziente Grenze für jede Dimension zu erreichen, gewichtet über alle Variablen - nicht nur eine. Hier sind die Bewertungen für zwei hypothetische Blogbeiträge. Man sieht, dass einer mehr im Stil punktet, während der andere sich auf die Datennutzung konzentriert. Mit GEPA können wir bestimmen, welcher der bessere Allround-Beitrag ist. In diesem Fall ist es der datenzentrierte Beitrag. All dies zu sagen, lieber Leser, dass ich bisher nur einen Blogbeitrag veröffentlicht habe, der vollständig von KI generiert wurde. Mein Ziel mit diesen automatisierten Systemen ist es, zu lernen, wie sie funktionieren, wie man sie abstimmt, und erste Entwürfe zu generieren, die meinen ersten und zweiten Entwürfen ähneln. Ich werde immer die Entwürfe drei und vier vervollständigen. Die effiziente Grenze ist kein Ersatz für Einsicht und eine authentische Stimme.