LLM

Вот в каком смысле:


Во взаимодействии с LLM большую большущую роль играет контекст менеджмент. Вот мы задали модели вопрос, или дали задание, а что мы предоставили ей в качестве контекста? Какие-то ссылки, какие-то инструкции, какие-то ориентиры, какие-то «воспоминания» и т.д. И вот когда много взаимодействуешь с моделями и играешься контекстом и когда-то забываешь догрузить, или даёшь неполный или неконсистентный и т.д. — видимшь, как это влияет на результаты. Банальный пример: задаёшь какой-то вопрос по физике, очень не помешает дать в качестве контекста кто ты такой, потому что ответ нобелевскому лауреату по физике и ответ третьекласснику разумно делать разными. 

 

И чем же этот опыт взаимодействия с моделями обогащает? А тем, что это очень похоже на человеческое общение. Мы очень часто «не догружаем» контекста людям. Часто мы что-то знаем, например, о себе, но забываем об этом сказать другому человеку, потому что в конкретной ситуации это важно, что ещё хуже — не забываем сказать, а почему-то считаем, что «все итак это знают». В общем общение с LLM это как общение с людьми только на стероидах и может опрозрачивать структуру процесса. В общем очень инсайто генерирующее занятие. Рекомендую.

( Читать дальше )

Андрей Карпатый, один из основателей OpenAI и бывший директор по ИИ в Tesla, недавно поделился наблюдением: большие языковые модели (LLM) меняют традиционную траекторию распространения технологий. Обычно инновации сначала внедряются в военной сфере, затем в корпорациях и, наконец, доходят до обычных пользователей. Однако с LLM всё иначе — они приносят наибольшую пользу именно индивидуальным пользователям, а не крупным организациям .

Почему LLM — это революция для обычных людей

Карпаты отмечает, что LLM предоставляют «квази-экспертизу» по многим вопросам, позволяя людям без специализированного образования:

• Писать код, используя простые описания задач.

• Анализировать большие объемы данных и извлекать из них инсайты.

• Создавать качественный контент и презентации.

• Получать советы по различным вопросам, от юридических до психологических.

Эти возможности делают LLM мощным инструментом для самообразования и повышения эффективности в повседневной жизни.

( Читать дальше )

Полагаю, что многие, как и я, часто работают с таблицами. Бывают ситуации, когда нужно добавить пару категорий, но руками это делать долго (а еще информацию нужно поискать), а формулы не подходят.

Недавно попробовал новый, для себя, способ разметки данных через Google Gemini и решил сделать небольшой ролик, надеюсь будет полезно.

📌 Что в ролике:

✔ Как автоматически классифицировать строки в таблице. Сделал на примере покупок во ВкусВилл
✔ Пример промпта для достаточно точной разметки. Там он простой, но можно гораздо больше накрутить
✔ Экономия времени и снижение ошибок

(Звука нет, но, надеюсь, там все понятно сделал)

Если будут вопросы, спрашивайте в комментариях.



ссылка на  rutube


Если вам интересны практические примеры применения LLM (DeepSeek, ChatGPT и пр.) для работы и жизни — подписывайтесь на мой тг-канал

Недавно Тимофей Мартынов провел мощный опрос предпринимателей: "Как обстоят дела в вашем бизнесе?".

226 комментариев — кладезь инсайтов, но читать и осмыслить это крайне неудобно. 

Я хотел решить это с помощью разных ИИ, но не хотелось потратить на них кучу времени. И тут бывшие работники Google и Baidu выпустили Genspark  — решение, которое обещало решить эту задачу одним махом.

 

Визуализация с помощью Genspark:

 

Ссылка на полные версии ниже 

 

В видео можно посмотреть, как Genspark сам обходит таблицу, размечает данные, строит презентацию:

 

( Читать дальше )

В предыдущем посте я показал, как легко сделать саммари из книги с помощью ИИ (ключевые идеи + упражнения, даже если их там нет) .

Продолжаю выкладывать обработанный вариант. Посмотрим, как он справится с новой главой: 

 

Глава 2

Основные идеи:

 

• Дисциплина и следование стратегии: Автор подчеркивает, что его главной ошибкой было непостоянство в следовании собственной системе. Успех приходит, когда торговля ведется только при наличии четких сигналов, а не из-за азарта или желания действовать постоянно.
  
  
• Разница между bucket shops и реальной биржей: В bucket shops можно было быстро зарабатывать на мелких колебаниях, так как исполнение ордеров было мгновенным. На реальной бирже задержки в исполнении, влияние крупных ордеров на цену и необходимость учитывать комиссии делали прежние стратегии неэффективными.
  
  
• Адаптивность: Успешная торговля требует понимания специфики рынка. То, что работало в одном контексте (например, скальпинг в bucket shops), не работает в другом (например, на NYSE).

( Читать дальше )

Дневник трейдера (журнал сделок) — это ваш личный «детектор ошибок». Он фиксирует не только цифры и факты, но и эмоции, которые управляют решениями. Это инструмент, который помогает превращать хаотичную торговлю в системный процесс, где каждая сделка — шаг к пониманию своих слабостей и сильных сторон.

---

 

Мой эксперимент: голосовой дневник + ChatGPT

Недавно я задумался: уже много лет (с 2005 г., с перерывами) я лениво торгую на бирже, но ни разу не использовал дневник трейдера, хотя я очень эмоциональный человек.

Так как я активно работаю с LLM (нейросети — языковые модели), то подумал: почему бы не приспособить для этого ChatGPT?
Ведь я же общаюсь в голосовом режиме с «GPT-психологом» — а здесь в чем принципиальная разница?

Я нашел подходящие вопросы, адаптировал их под себя и загрузил в промпт (инструкцию для ИИ).

 

Как это работает:

 

1. Подаю промпт с ролью и вопросами.
2. В голосовом формате (мне лучше подходит этот формат — это как разговор по телефону) попросил:

( Читать дальше )

Депутаты решили в очередной раз «спасти» россиян простым решением — «запретить рекламу эзотерических, а также блокировать ресурсы с такими предложениями», но:

• Люди как пользовались услугами астрологов, так и будут. Только теперь — все в чёрную. Ни контроля, ни налогов».
• Запрет рекламы и блокировка сайтов — это только начало. Дальше пойдут книги, курсы, карты Таро, энергетические кристаллы и т.д.
  

Кстати, список обширный, но техническим аналитикам пока можно выдохнуть — их там нет )
Зато есть нутрициологи и игропрактики.

 

Чтобы глубже понять рынок, я пошёл искать информацию через Groq и DeepSeek — нейросети, которые за минуты анализируют сотни источников.

Результаты удивили: рынок эзотерики в России уже ₽2 трлн (исследование коммуникационного агентства Modifiers, ноябрь 2024).

И тут вопрос: Почему ни одной компании из этой сферы нет на бирже?


На работу Grok я могу смотреть вечно, Маск — отличный маркетолог.

( Читать дальше )

LLM — новая реальность. Да, осталось много кто про них ещё не особо знает, кто «не верит» и т.д., но им всё сложнее не верить и не замечать.

Я заметил много параллелей между работой LLM и человеческим мозгом. Осознание некоторых параллелей очень порождает многие внутренние рассуждения и инсайты.

Какие параллели и инсайты я вижу:

— Модели очень разные, есть например, рассуждающие модели, а есть не рассуждающие — так же и люди, есть те, кто шустро, быстро что-то делают и хороши в этом, а есть те, кто много думают и хороши в этом. Первые хороши где надо по-быстрому подсуетиться, вторые — где качественно подумать. И «применять» таких людей нужно в релевантных этой составляющей задачах… как и нейросети. Нужен просто фактологический ответ — спроси «быструю», нужно обдумать — спроси «умную».

— У нейросети есть системные промпты. Это и те которые ты прописываешь и те, которые разработчики зашили. О, это отличный аналог всему тому, что у человека на уровне подсознания — это и ценности, убеждения, какие-то яркие предыдущие прожженные в мозгу опыты и т.д.

( Читать дальше )

Вводные данные:Интригующий пост Тимофея Мартынова, который моя дофаминовая система не смогла проигнорировать:
«Американцы, похоже, готовы быстро вернуться в Россию чуть что.»

Как превратить это в структурированные данные?

Мне хотелось бы получить простую табличку:

Компания	Полный текст комментария	Статус	Объяснение
Schlumberger	Сервисмены Schlumberger начали предлагать свои услуги нефтяникам...	Пытается вернуться	Комментарий упоминает активные шаги по возвращению.
YouTube	Ролик заканчивается, и теперь нет антирусской повестки...	Пытается вернуться	Комментатор отмечает изменения в алгоритме.
General Electric	Мне на днях звонил один из директоров GE в Москве...	Пытается вернуться	Упоминается контакт с московским филиалом компании.
Boeing	Boeing хочет продавать детали и самолеты в РФ...	Пытается вернуться	Комментатор утверждает, что Boeing интересуется рынком.

 

Как получить такие данные за 5 минут?

Реальный ответ: если важна точность, то никак. Но я решил проверить, можно ли быстро вытащить данные с помощью LLM.

( Читать дальше )

AI силен в тех областях где много данных для обучения (в форме запрос — правильный ответ).

Самый лучший вариант — если данные можно искусственно генерить (например в играх вроде шахмат или Го он играет сам с собой и смотрит какие ходы приводят к победе). Тоже можно проделать и для некоторых математических задач — генерировать уравнения и их решать (можно проверить результат на правильность).  И в программировании такое возможно, но не для всех задач. В таких областях AI становится сильнее человека.

Хороший вариант — если данных просто много. Например распознавать прописные буквы, популярные предметы, популярные болезни на снимках, переводить не очень редкие строки на другие языки. Тут результаты получается тоже сильные, главное найти или собрать хорошие данные для обучения с правильными четкими ответами.

А вот если данных мало или нет четких надежных ответов — то результат будет слабый. Текущие LLM в основе это как раз пример где данных вроде много (тексты со всего интернета), но надежных ответов нет. Ответы не отбираются тщательно вручную (так как их очень много нужно), а просто берутся из текста автоматически (вопрос — начало текста, ответ — что за ним следует). В итоге получается общий интеллект, который сам научился разным областям знаний, где-то больше, где-то меньше — но средний уровень слабый.

( Читать дальше )