Базовый минимум. Часть 2: промпт-инжиниринг
Дисклеймер: данная лекция подготовлена в первую очередь для непрофильных студентов магистратуры и аспирантуры, которые используют ИИ в учебной, исследовательской и профессиональной деятельности. Материал носит вводный характер и содержит намеренные упрощения. В то же время лекция может быть полезна и более широкой аудитории пользователей ИИ. Буду признателен за замечания и предложения по улучшению.Серия «Базовый минимум» (4 части): Базовый минимум. Часть 1: большие языковые модели;Базовый минимум. Часть 2: промпт-инжиниринг (вы здесь);
Как мы автоматизировали процесс найма с помощью LLM и сократили ручной труд HR на 70%
Первичный скрининг сотен резюме — знакомая многим компаниям «боль»: он отнимает до 80% времени рекрутёров. Наш эксперимент по внедрению LLM в процесс найма показал, что даже простая модель может стать мощным союзником, если возьмёт на себя самую монотонную часть работы.
Генеративный ИИ как партнер для мозгового штурма: ломаем креативный ступор неочевидными методами
Что мы обычно получаем, задавая вопрос из серии: «Придумай 10 идей для поста про нашу крутую фичу»! Список банальностей уровня «Сегодня расскажем о преимуществах...» и с тоской закрываем чат. Генеративный ИИ в такой роли — как стажер-энтузиаст, который усердно пересказывает техзадание. Скучно и неэффективно. А что, если сменить парадигму?
Промт-инжиниринг для маркетологов: как выжать из Нейросетей реальные результаты
Привет, Хабр. Это вторая моя статья из цикла статей про искусственный интеллект в маркетинге. TL;DR: Про промт-инжиниринг написали уже все кому не лень. Но 99% статей — это академическая теория или примеры в стиле "напиши стихотворение про кота". Я использую AI в маркетинге каждый день последние 2 года и решил разобрать техники промтов именно под маркетинговые задачи: от генерации объявлений до анализа конкурентов. С реальными примерами, цифрами и антипаттернами.
Как заработать на LLM, перестав писать «правильные промпты»
В этой статье я бросаю вызов общепринятому представлению о больших языковых моделях как о «тупых исполнителях», которые ничего не понимают, галлюционируют, но позволяют получить результат быстрее (нередко за счет качества). Подобные мифы активно распространяются в сети, а также на курсах, на которых обучают «правильно» писать промпты. Я на Хабре уже написал несколько статей, разоблачающих отсутствие мышления у LLM, но здесь я опишу способность больших языковых моделей решать задачи, людям недоступные
Как я автоматизировал поиск работы, и мой бот случайно откликнулся моему шефу
Поиск работы в IT превратился в какой-то сюр.С одной стороны - HR, которые не читают резюме и фильтруют кандидатов по ключевикам. С другой - кандидаты, которые бомбят веерной рассылкой "здравствуйте, рассмотрите меня".Чтобы найти нормальный оффер, нужно тратить 2-3 часа в день на скроллинг ленты и написание сопроводительных, которые никто не откроет.Меня это достало. Я разработчик, я хочу писать код, а не играть в бюрократию.Поэтому я решил написать AI-агента, который заберет эту рутину на себя. Спойлер: он сработал слишком хорошо и чуть не устроил одному из пользователей увольнение.
AI против рутинной оценки чатов: как мы заменили ручную аналитику чатов LLM
Онлайн‑чат — одна из главных точек контакта клиента с банком. От того, каким будет диалог, зависит не только пользовательский опыт, но и ключевые показатели. Системная работа над качеством поддержки — реальный рычаг влияния на эффективность бизнеса. Необходимо регулярно оценивать диалоги: отмечать, где специалист справился хорошо, а где упустил важные моменты. Своевременная обратная связь даёт возможность поддерживать единый стандарт коммуникации на высоком уровне.
Почему LLM не волшебная таблетка: баланс между скоростью, качеством и достоверностью в NLP & LLM
LLM как нарративный поисковик
Предположение о том, что в основе работы LLM лежат нарративная функция и голографическая природа, можно подтвердить элементарными промптами.Когда вы задаете вопрос LLM, вы получаете не ответ на него, а наиболее вероятное и логичное, с точки зрения модели, продолжение вашего вопроса. LLM не понимает, чего вы хотите. Она получает историю на вход и отдает продолжение этой истории на выходе.
