Każdy zarządzający portfelem zna efektywną granicę - zbiór optymalnych portfeli oferujących maksymalne zyski przy danych poziomach ryzyka. Co jeśli prompty AI miałyby swoją własną efektywną granicę? W miarę jak wszyscy zaczynamy korzystać z AI, optymalizacja promptów będzie stałym wyzwaniem. GEPA, GEnerative PAreto, to technika odkrywania równoważnej efektywnej granicy dla AI. Czytając artykuł, zauważyłem, że początkowe wyniki były obiecujące, z poprawą o 10 punktów w niektórych benchmarkach i 9,2 razy krótszą długością promptu. Krótsza długość promptu, a wszyscy wiemy, że wprowadzane prompty są największym czynnikiem kosztów (zobacz The Hungry, Hungry AI Model). Dlatego wdrożyłem GEPA w EvoBlog. Aby użyć GEPA, musimy zidentyfikować osie oceny, które LLM używa do oceny posta. Oto moje: (pierwszy obrazek) Teraz, gdy mamy tę ramę, możemy wprowadzić prompt, aby wygenerować post na bloga i pozwolić systemowi EvoBlog iterować przez różne prompty, aby osiągnąć efektywną granicę dla każdego wymiaru, ważoną we wszystkich zmiennych - nie tylko jednej. Oto wyniki dla dwóch hipotetycznych postów na blogu. Możesz zobaczyć, że jeden bardziej skupia się na stylu, podczas gdy drugi koncentruje się na wykorzystaniu danych. Używając GEPA, możemy określić, który post jest lepszy ogólnie. W tym przypadku jest to post skoncentrowany na danych. Wszystko to, aby powiedzieć, drogi czytelniku, że opublikowałem tylko jeden post na blogu w pełni wygenerowany przez AI. Mój cel z tymi zautomatyzowanymi systemami to nauczyć się, jak działają, jak je dostroić i generować wstępne szkice, które przybliżają moje pierwsze i drugie szkice. Zawsze będę kończyć szkice trzecie i czwarte. Efektywna granica nie zastąpi wglądu i autentycznego głosu.

Jak długo i jak szybko może się rozwijać firma ? To pytanie, które zadaje każdy inwestor każdej firmie, publicznej lub prywatnej. W latach 2010-tych Slack i Atlassian stały się gigantami. W dniu, w którym Salesforce ogłosił zamiar przejęcia Slacka, był on równie wartościowy jak Atlassian, wynosząc około 27 miliardów dolarów. Krzywe przychodów wyglądają podobnie w kolejnych latach, podobne wskaźniki wzrostu. Atlassian nadal rozwija się w ogromnym tempie. Jednak czas potrzebny na osiągnięcie 1 miliarda dolarów od daty założenia różni się o dekadę: 17 vs 7 lat. Aby stworzyć wartość, startup musi szybko rosnąć i rozwijać się na dużą skalę; lub rosnąć konsekwentnie przez długi czas. Firmy AI dzisiaj rozwijają się bardzo szybko. Firmy T3D2 mogą rosnąć w wolniejszym tempie przez dłuższy czas, aby osiągnąć tę samą kapitalizację rynkową. Porównaj 400% wzrost OpenAI przy przychodach na poziomie 1 miliarda dolarów z 30% wzrostem Atlassian. Lub Snowflake z 124%. Snowflake ma dzisiaj kapitalizację rynkową 75 miliardów dolarów, Atlassian 42 miliardy. Przewaga wynikająca z rozpędu jest oczywista.