يعرف كل مدير محفظة حدود الكفاءة - مجموعة المحافظ المثلى التي تقدم أقصى عوائد لمستويات مخاطر معينة. ماذا لو كان لمطالبات الذكاء الاصطناعي حدودها الفعالة؟ عندما نبدأ جميعا في استخدام الذكاء الاصطناعي ، سيكون التحسين الفوري تحديا ثابتا. GEPA ، GEnerative PAreto ، هي تقنية لاكتشاف الحدود الفعالة المكافئة للذكاء الذكاء الاصطناعي. عند قراءة الورقة ، لاحظت أن النتائج الأولية كانت واعدة ، مع تحسن بمقدار 10 نقاط على معايير معينة وطول فوري أقصر بمقدار 9.2 مرة. طول موجه أقصر ، ونعلم جميعا أن مطالبات الإدخال هي أكبر محرك للتكلفة (انظر نموذج الذكاء الاصطناعي الجائع والجائع). لذلك ، قمت بتنفيذ GEPA في EvoBlog. لاستخدام GEPA ، يجب أن نحدد محاور التسجيل التي يستخدمها LLM لتسجيل منشور. ها هي الألغام: (الصورة الأولى) الآن بعد أن أصبح لدينا هذا الإطار ، يمكننا إدخال مطالبة لإنشاء منشور مدونة وجعل نظام EvoBlog يتكرر من خلال مطالبات مختلفة لتلبية الحدود الفعالة لكل بعد ، مرجحة عبر جميع المتغيرات - وليس واحدا فقط. فيما يلي درجات منشورين افتراضيين من المدونة. يمكنك أن ترى أحدهما يرتفع أكثر في الأسلوب ، بينما يركز الآخر على استخدام البيانات. باستخدام GEPA ، يمكننا تحديد أفضل منشور شامل. في هذه الحالة ، هو المنشور الذي يركز على البيانات. كل هذا لأقول ، عزيزي القارئ ، أنني نشرت منشورا واحدا فقط في مدونة تم إنشاؤه بالكامل بواسطة الذكاء الاصطناعي. هدفي من هذه الأنظمة الآلية هو معرفة كيفية عملها ، وكيفية ضبطها ، وإنشاء مسودات أولية تقترب من المسودتين الأولى والثانية. سأكمل دائما المسودات الثالثة والرابعة. الحدود الفعالة ليست بديلا عن البصيرة والصوت الأصيل.