Varje portföljförvaltare känner till den effektiva gränsen - den uppsättning optimala portföljer som erbjuder maximal avkastning för givna risknivåer. Tänk om AI-prompter hade sin egen effektiva gräns? När vi alla börjar använda AI kommer snabb optimering att vara en ständig utmaning. GEPA, GEnerative PAreto, är en teknik för att upptäcka motsvarande effektiva gräns för AI. När jag läste tidningen märkte jag att de första resultaten var lovande, med en förbättring på 10 punkter jämfört med vissa riktmärken och en 9,2 gånger kortare promptlängd. Kortare promptlängd, och vi vet alla att input prompts är den största kostnadsdrivaren (se The Hungry, Hungry AI Model). Så jag implementerade GEPA i EvoBlog. För att använda GEPA måste vi identifiera poängaxlarna som en LLM använder för att poängsätta ett inlägg. Här är mina: (första bilden) Nu när vi har det här ramverket kan vi ange en uppmaning för att generera ett blogginlägg och låta EvoBlog-systemet iterera genom olika uppmaningar för att uppfylla den effektiva gränsen för varje dimension, viktad över alla variabler – inte bara en. Här är poängen för två hypotetiska blogginlägg. Du kan se att den ena fokuserar mer på stil, medan den andra fokuserar på dataanvändning. Med hjälp av GEPA kan vi avgöra vilket som är det bästa allroundinlägget. I det här fallet är det det datafokuserade inlägget. Allt detta för att säga, kära läsare, att jag bara har publicerat ett blogginlägg som är helt genererat av AI. Mitt mål med dessa automatiserade system är att lära mig hur de fungerar, hur man finjusterar dem och genererar initiala utkast som liknar mina första och andra utkast. Jag kommer alltid att fylla i utkast tre och fyra. Den effektiva gränsen är ingen ersättning för insikt och en autentisk röst.