Каждый управляющий портфелем знает об эффективной границе - наборе оптимальных портфелей, предлагающих максимальную доходность при заданных уровнях риска. Что если у подсказок AI будет своя эффективная граница? Поскольку мы все начинаем использовать AI, оптимизация подсказок будет постоянной задачей. GEPA, GEnerative PAreto, - это техника для обнаружения эквивалентной эффективной границы для AI. Читая статью, я заметил, что первоначальные результаты были многообещающими, с улучшением на 10 пунктов по определенным бенчмаркам и в 9,2 раза меньшей длиной подсказки. Меньшая длина подсказки, и мы все знаем, что входные подсказки являются основным фактором затрат (см. Модель AI, которая всегда голодна). Поэтому я внедрил GEPA в EvoBlog. Чтобы использовать GEPA, мы должны определить оси оценки, которые LLM использует для оценки поста. Вот мои: (первая картинка) Теперь, когда у нас есть эта структура, мы можем ввести подсказку для генерации блога и позволить системе EvoBlog перебрать различные подсказки, чтобы достичь эффективной границы для каждого измерения, взвешенной по всем переменным - не только по одной. Вот оценки для двух гипотетических постов в блоге. Вы можете видеть, что один больше акцентирует внимание на стиле, в то время как другой сосредоточен на использовании данных. Используя GEPA, мы можем определить, какой из них является лучшим универсальным постом. В этом случае это пост, ориентированный на данные. Все это говорит о том, дорогой читатель, что я опубликовал только один пост в блоге, полностью сгенерированный AI. Моя цель с этими автоматизированными системами - узнать, как они работают, как их настраивать и генерировать первоначальные черновики, которые приближаются к моим первым и вторым черновикам. Я всегда буду завершать черновики три и четыре. Эффективная граница не может заменить понимание и подлинный голос.

Как долго и как быстро может развиваться бизнес? Это вопрос, который задает каждый инвестор каждому бизнесу, публичному или частному. В 2010-х годах Slack и Atlassian стали титанов. В день, когда Salesforce объявила о своем намерении приобрести Slack, его стоимость была сопоставима со стоимостью Atlassian — около 27 миллиардов долларов. Кривые доходов выглядят схоже в последующие годы, темпы роста аналогичны. Atlassian продолжает расти с огромной скоростью. Но время, необходимое для достижения 1 миллиарда долларов с момента основания, различается на десятилетие: 17 против 7 лет. Чтобы создать ценность, стартап должен расти быстро и в больших масштабах; или расти последовательно в течение длительного времени. Сегодня компании в области ИИ растут очень быстро. Компании T3D2 могут расти медленнее в течение более длительного времени, чтобы достичь такой же рыночной капитализации. Сравните рост OpenAI на 400% при доходе в 1 миллиард долларов с ростом Atlassian на 30%. Или Snowflake с 124%. Сегодня рыночная капитализация Snowflake составляет 75 миллиардов долларов, а Atlassian — 42 миллиарда. Преимущество наличия импульса очевидно.