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.