llm

Alfa Arena запустила эксперимент, взяли 6 топ нейросетей, дали им по 10k$ и отправили торговать криптой. Прошло 2 недели, все в минусе: 

Походу пока рановато LLM на биржу:) Но тем не менее есть от них чему поучиться. Подробнее на habr.com/ru/articles/962182/

Представьте опытного трейдера: наверняка он не говорит котировками и не рассказывает про индикаторы — он просто говорит «сильный тренд», «пробой уровня» или «ложный отскок». Для него график это язык: свечи, объёмы и уровни складываются в понятные фразы о том, что сейчас происходит на рынке. Именно от этой человеческой интуиции я и отталкивался в своём эксперименте.

Идея была такая: а что, если научить искусственный интеллект понимать этот язык? Не подавать модели сырые числа, а переводить бары и объёмы в текстовые описания наблюдаемых паттернов и кормить ими языковую модель. Гипотеза была что в тексте уже будет содержатся достаточно данных, чтобы модель научилась связывать недавнюю торговую историю с тем, пойдёт ли цена вверх на следующий день.

Мои результаты, о них ниже

Инструмент эксперимента — модель distilbert‑base‑uncased с Hugging Face и это облегчённая, быстрая версия BERT для понимания языка.

Был в игривом настроении, решил подловить ИИшку. 

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.

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.

📌 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:

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).

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

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: