Mỗi nhà quản lý danh mục đầu tư đều biết đến đường biên hiệu quả - tập hợp các danh mục tối ưu mang lại lợi nhuận tối đa cho các mức độ rủi ro nhất định. Thế nếu các prompt AI có đường biên hiệu quả riêng của chúng thì sao? Khi chúng ta bắt đầu sử dụng AI, tối ưu hóa prompt sẽ là một thách thức liên tục. GEPA, GEnerative PAreto, là một kỹ thuật để khám phá đường biên hiệu quả tương đương cho AI. Khi đọc tài liệu, tôi nhận thấy các kết quả ban đầu rất hứa hẹn, với sự cải thiện 10 điểm trên một số tiêu chuẩn và độ dài prompt ngắn hơn 9.2 lần. Độ dài prompt ngắn hơn, và chúng ta đều biết rằng các prompt đầu vào là yếu tố chính thúc đẩy chi phí (xem Mô Hình AI Tham Ăn, Tham Ăn). Vì vậy, tôi đã triển khai GEPA trong EvoBlog. Để sử dụng GEPA, chúng ta phải xác định các trục điểm số mà một LLM sử dụng để chấm điểm một bài viết. Đây là của tôi: (hình ảnh đầu tiên) Bây giờ mà chúng ta có khung này, chúng ta có thể nhập một prompt để tạo ra một bài blog và để hệ thống EvoBlog lặp qua các prompt khác nhau nhằm đạt được đường biên hiệu quả cho mỗi chiều, được trọng số trên tất cả các biến - không chỉ một. Dưới đây là điểm số cho hai bài blog giả định. Bạn có thể thấy một bài có điểm số cao hơn về phong cách, trong khi bài kia tập trung vào việc sử dụng dữ liệu. Sử dụng GEPA, chúng ta có thể xác định bài nào là bài viết toàn diện hơn. Trong trường hợp này, đó là bài viết tập trung vào dữ liệu. Tất cả những điều này để nói, bạn đọc thân mến, rằng tôi chỉ mới xuất bản một bài blog hoàn toàn được tạo ra bởi AI. Mục tiêu của tôi với những hệ thống tự động này là học cách chúng hoạt động, cách điều chỉnh chúng, và tạo ra các bản nháp ban đầu gần giống với bản nháp đầu tiên và thứ hai của tôi. Tôi sẽ luôn hoàn thiện các bản nháp ba và bốn. Đường biên hiệu quả không thể thay thế cho cái nhìn sâu sắc và một giọng nói chân thực.