Setiap manajer portofolio tahu batas yang efisien - serangkaian portofolio optimal yang menawarkan pengembalian maksimum untuk tingkat risiko tertentu. Bagaimana jika perintah AI memiliki batas efisien mereka sendiri? Saat kita semua mulai menggunakan AI, pengoptimalan cepat akan menjadi tantangan yang konsisten. GEPA, GEnerative PAreto, adalah teknik untuk menemukan perbatasan efisien yang setara untuk AI. Membaca makalah ini, saya melihat hasil awal menjanjikan, dengan peningkatan 10 poin pada tolok ukur tertentu & panjang prompt 9,2 kali lebih pendek. Panjang prompt yang lebih pendek, & kita semua tahu bahwa prompt input adalah pendorong biaya terbesar (lihat Model AI yang Lapar, Lapar). Jadi, saya menerapkan GEPA di EvoBlog. Untuk menggunakan GEPA, kita harus mengidentifikasi sumbu penilaian yang digunakan LLM untuk mencetak postingan. Berikut adalah milik saya : (gambar pertama) Sekarang setelah kita memiliki kerangka kerja ini, kita dapat memasukkan prompt untuk menghasilkan posting blog & memiliki sistem EvoBlog mengulangi melalui prompt yang berbeda untuk memenuhi batas yang efisien untuk setiap dimensi, berbobot di semua variabel — bukan hanya satu. Berikut adalah skor untuk dua posting blog hipotetis. Anda dapat melihat satu melonjak lebih pada gaya, sementara yang lainnya berfokus pada penggunaan data. Dengan menggunakan GEPA, kita dapat menentukan mana yang lebih baik dari postingan menyeluruh. Dalam hal ini, ini adalah postingan yang berfokus pada data. Semua ini untuk mengatakan, pembaca yang budiman, bahwa saya hanya pernah menerbitkan satu posting blog yang sepenuhnya dihasilkan oleh AI. Tujuan saya dengan sistem otomatis ini adalah untuk mempelajari cara kerjanya, bagaimana menyetelnya, & menghasilkan draf awal yang mendekati draf pertama dan kedua saya. Saya akan selalu menyelesaikan draf tiga dan empat. Perbatasan yang efisien bukanlah pengganti wawasan & suara otentik.