Elke portefeuillebeheerder kent de efficiënte grens - de set van optimale portefeuilles die maximale rendementen bieden voor gegeven risiconiveaus. Wat als AI-prompts hun eigen efficiënte grens hadden? Nu we allemaal beginnen AI te gebruiken, zal promptoptimalisatie een constante uitdaging zijn. GEPA, GEnerative PAreto, is een techniek om de equivalente efficiënte grens voor AI te ontdekken. Bij het lezen van het paper merkte ik dat de eerste resultaten veelbelovend waren, met een verbetering van 10 punten op bepaalde benchmarks en een 9,2 keer kortere promptlengte. Kortere promptlengte, en we weten allemaal dat invoerprompts de grootste kostenfactor zijn (zie The Hungry, Hungry AI Model). Dus implementeerde ik GEPA in EvoBlog. Om GEPA te gebruiken, moeten we de beoordelingsassen identificeren die een LLM gebruikt om een post te beoordelen. Hier zijn de mijne: (eerste afbeelding) Nu we dit kader hebben, kunnen we een prompt invoeren om een blogpost te genereren en het EvoBlog-systeem verschillende prompts laten doorlopen om de efficiënte grens voor elke dimensie te bereiken, gewogen over alle variabelen - niet slechts één. Hier zijn de scores voor twee hypothetische blogposts. Je kunt zien dat de ene meer uitblinkt in stijl, terwijl de andere zich richt op datagebruik. Met GEPA kunnen we bepalen welke de betere allround post is. In dit geval is het de datagerichte post. Dit alles om te zeggen, beste lezer, dat ik slechts één blogpost heb gepubliceerd die volledig door AI is gegenereerd. Mijn doel met deze geautomatiseerde systemen is om te leren hoe ze werken, hoe ik ze kan afstemmen en initiële concepten te genereren die mijn eerste en tweede concepten benaderen. Ik zal altijd de concepten drie en vier afmaken. De efficiënte grens is geen vervanging voor inzicht en een authentieke stem.