Кожен портфельний менеджер знає ефективний рубіж - набір оптимальних портфелів, що пропонують максимальну прибутковість при заданих рівнях ризику. Що, якби підказки штучного інтелекту мали свій власний ефективний рубіж? Оскільки ми всі починаємо використовувати штучний інтелект, оперативна оптимізація буде постійним викликом. GEPA, GEnerative PAreto — це техніка для виявлення еквівалентного ефективного рубежу для штучного інтелекту. Читаючи статтю, я помітив, що початкові результати були багатообіцяючими, з покращенням на 10 пунктів за певними контрольними показниками та в 9,2 рази коротшою довжиною запиту. Коротша довжина запиту, і ми всі знаємо, що підказки для введення є найбільшим фактором витрат (див. Модель штучного інтелекту «Голодний, голодний»). Отже, я впровадив GEPA в EvoBlog. Щоб використовувати GEPA, ми повинні визначити осі підрахунку очок, які LLM використовує для оцінки допису. Ось мої : (перше зображення) Тепер, коли у нас є цей фреймворк, ми можемо ввести запит для створення публікації в блозі та змусити систему EvoBlog виконувати різні підказки, щоб відповідати ефективному кордону для кожного параметра, зваженого за всіма змінними, а не лише за однією. Ось оцінки двох гіпотетичних дописів у блозі. Ви можете побачити, що один з них більше залежить від стилю, а інший зосереджений на використанні даних. Використовуючи GEPA, ми можемо визначити, який пост є кращим для багатоборства. У цьому випадку це пост, орієнтований на дані. Все це для того, щоб сказати, шановний читачу, що я коли-небудь публікував лише один пост у блозі, повністю згенерований штучним інтелектом. Моя мета з цими автоматизованими системами — вивчити, як вони працюють, як їх налаштовувати, а також генерувати початкові чернетки, які приблизно відповідають моїм першим і другим чернеткам. Я завжди буду заповнювати чернетки третю і четверту. Ефективний фронтир не замінить проникливості та автентичного голосу.