Chaque gestionnaire de portefeuille connaît la frontière efficace - l'ensemble des portefeuilles optimaux offrant des rendements maximaux pour des niveaux de risque donnés. Que se passerait-il si les invites AI avaient leur propre frontière efficace ? Alors que nous commençons tous à utiliser l'IA, l'optimisation des invites sera un défi constant. GEPA, GEnerative PAreto, est une technique pour découvrir la frontière efficace équivalente pour l'IA. En lisant le document, j'ai remarqué que les résultats initiaux étaient prometteurs, avec une amélioration de 10 points sur certains benchmarks et une longueur d'invite 9,2 fois plus courte. Une longueur d'invite plus courte, et nous savons tous que les invites d'entrée sont le principal facteur de coût (voir The Hungry, Hungry AI Model). J'ai donc implémenté GEPA dans EvoBlog. Pour utiliser GEPA, nous devons identifier les axes de notation qu'un LLM utilise pour évaluer un post. Voici les miens : (première image) Maintenant que nous avons ce cadre, nous pouvons entrer une invite pour générer un article de blog et faire itérer le système EvoBlog à travers différentes invites pour atteindre la frontière efficace pour chaque dimension, pondérée à travers toutes les variables - pas seulement une. Voici les scores pour deux articles de blog hypothétiques. Vous pouvez voir que l'un se distingue davantage par le style, tandis que l'autre se concentre sur l'utilisation des données. En utilisant GEPA, nous pouvons déterminer lequel est le meilleur article global. Dans ce cas, c'est l'article axé sur les données. Tout cela pour dire, cher lecteur, que je n'ai jamais publié qu'un seul article de blog entièrement généré par l'IA. Mon objectif avec ces systèmes automatisés est d'apprendre comment ils fonctionnent, comment les régler, et de générer des brouillons initiaux qui approchent mes premiers et deuxièmes brouillons. Je compléterai toujours les brouillons trois et quatre. La frontière efficace ne remplace pas l'intuition et une voix authentique.