Jokainen salkunhoitaja tuntee tehokkuuden rajan - joukon optimaalisia salkkuja, jotka tarjoavat maksimaalisen tuoton tietyillä riskitasoilla. Entä jos tekoälykehotteilla olisi oma tehokas rajansa? Kun me kaikki alamme käyttää tekoälyä, nopea optimointi on jatkuva haaste. GEPA, GEnerative PAreto, on tekniikka, jolla voidaan löytää vastaava tehokas tekoälyn raja. Lukiessani artikkelia huomasin, että alustavat tulokset olivat lupaavia, 10 pisteen parannuksella tiettyihin vertailuarvoihin verrattuna ja 9,2 kertaa lyhyemmällä kehotteiden pituudella. Lyhyempi kehotteen pituus, ja me kaikki tiedämme, että syöttökehotteet ovat suurin kustannustekijä (katso The Hungry, Hungry AI Model). Joten otin GEPA:n käyttöön EvoBlogissa. Jotta voimme käyttää GEPA:ta, meidän on tunnistettava pisteytysakselit, joita LLM käyttää viestin pisteyttämiseen. Tässä ovat minun: (ensimmäinen kuva) Nyt kun meillä on tämä kehys, voimme kirjoittaa kehotteen luoda blogikirjoituksen ja saada EvoBlog-järjestelmän iteroimaan eri kehotteiden läpi saavuttaakseen kunkin ulottuvuuden tehokkaan rajan, painotettuna kaikkiin muuttujiin – ei vain yhdeen. Tässä ovat kahden hypoteettisen blogikirjoituksen pisteet. Näet yhden piikin enemmän tyylissä, kun taas toinen keskittyy datan käyttöön. GEPA:n avulla voimme määrittää, mikä on parempi monipuolinen viesti. Tässä tapauksessa se on datakeskeinen viesti. Kaikki tämä sanoakseni, rakas lukija, että olen koskaan julkaissut vain yhden blogikirjoituksen, joka on täysin tekoälyn tuottama. Tavoitteeni näillä automatisoiduilla järjestelmillä on oppia kuinka ne toimivat, kuinka virittää niitä ja luoda alustavia luonnoksia, jotka vastaavat suunnilleen ensimmäistä ja toista luonnostani. Tulen aina viimeistelemään luonnoksia kolme ja neljä. Tehokas rajaseutu ei korvaa oivallusta ja aitoa ääntä.