Chci, aby bylo jasné, že: Když se připojíte k mé kohortě AI/ML Engineering, získáte přístup i ke každé budoucí kohortě. Je to doživotní přístup, takže pokud budu učit kohortu, můžete se k ní připojit, aniž byste museli platit další cent. Neexistují žádné měsíční platby. Neexistují žádné "upgrady" nebo "upselly". Je to jednoduché: Za připojení zaplatíte jednou a získáte přístup ke *všemu*, navždy. Žádné limity. Stačí se jen ukázat ve třídě, kdykoli budete chtít. Mimochodem, mnoho studentů to udělalo: • Připojte se k jedné kohortě, abyste se zahřáli • Připojte se k další kohortě, abyste šli do toho naplno • Připojit se ke třetí kohortě se superschopnostmi Samozřejmě, že je to volitelné, ale je to obrovské pro ty z vás, kteří chtějí flexibilitu. Moje další kohorta začíná za 2 týdny (4. srpna) a můžete se připojit tím, že půjdete do školy ml dot.

Včera večer jsem šel spát poté, co jsem opustil Gemini a dělal jsem hluboký průzkum několika domácích služeb, které potřebuji. Dnes jsem se probudila s připravenými dny práce. Hloubka analýzy byla "do prdele, to je úžasné!" Nemyslím si, že tomu rozumíme. Nemyslím si, že jsme připraveni.

95 % vývojářů není připraveno vést upřímnou konverzaci o umělé inteligenci.

OpenAI včera spustila agenta ChatGPT. Demo bylo působivé, ale nezapomeňte, že lepší agentské schopnosti máme již dlouhou dobu. Zde je srovnání 1:1 mezi agentem ChatGPT a @genspark_ai pomocí stejné výzvy. A to je jen začátek!

Už si nejsem jistá, co si o této knize myslet. Byla to fantastická kniha v době, kdy se většina těchto myšlenek zdála cenná, ale je také zodpovědná za některá z největších zvěrstev, kterých jsem byl svědkem. Už nedoporučuji lidem, aby ji četli. Dlouho jsem tam nebyl.

Zdaleka jeden z nejlepších kurzů, které jsem absolvoval. Další kohorta začíná 4. srpna. Můžete se připojit na .

Takto můžete napsat 10x lepší kód s 10x menším úsilím. Vlastní specializovaní agenti, kteří kontrolují váš kód na každém kroku. Viděl jsem automatické kontroly kódu již dříve, ale nikdy s možností definovat vlastní agenty pro recenzenty. @baz_scm je první, komu se to podařilo, a je to docela v pohodě. Existují tři typy agentů pro recenzenty: 1. Ty, které vyjdou z krabice. Tito agenti pokrývají nejběžnější vzory, které chce každý zkontrolovat: duplicitní kód, poškozený kód, složitý kód atd. 2. Doporučení agenti recenzentů, které pro vás Baz automaticky vytváří. Baz analyzuje vaši historii recenzí a minulé komentáře, aby identifikoval vzorce, které vás zajímají, a poté automaticky vytvoří agenty specializované na kontrolu těchto vzorců. Pokud například vždy požádáte své vývojáře, aby soubory uchovávali pod 100 řádků kódu, Baz to zjistí a vytvoří vlastního agenta, který to zkontroluje. 3. Vlastní agenti recenzentů, které definujete. Toto jsou moje oblíbené: Napište výzvu vysvětlující vaše pravidla a váš agent začne kontrolovat váš kód, aby označil vše, co odpovídá pravidlům. Jednoduchého agenta recenzenta jsem vytvořil v přiloženém videu. Upřímně řečeno, v tuto chvíli nemáte žádnou omluvu pro zasílání špatného kódu. Zde je odkaz, kde můžete vyzkoušet tyto vlastní agenty pro recenzenty: Děkuji týmu @baz_scm za spolupráci se mnou na tomto příspěvku.

Front-end vývoj. 2010 - 2024.

Upřímně řečeno, většina vývojářů AI je stále zaseknutá v minulém století. Udivuje mě, jak málo lidí ví o analýze chyb. Jedná se *doslova* o nejrychlejší a nejefektivnější způsob hodnocení aplikací umělé inteligence a většina týmů se stále honí za duchy. Přestaňte prosím sledovat obecné metriky a postupujte podle následujících kroků: 1. Sbírejte vzorky poruch Začněte kontrolovat odpovědi vygenerované vaší aplikací. Ke každé odpovědi si napište poznámky, zejména k těm, které byly chybné. Poznámky nemusíte formátovat žádným konkrétním způsobem. Zaměřte se na popis toho, co se v odpovědi pokazilo. 2. Kategorizujte své poznámky Poté, co jste zkontrolovali dobrou sadu odpovědí, vezměte si LLM a požádejte ho, aby ve vašich poznámkách našel společné vzory. Požádejte ho, aby každou notu na základě těchto vzorů klasifikoval. Skončíte s kategoriemi pokrývajícími všechny typy chyb, které vaše aplikace udělala. 3. Diagnostikujte nejčastější chyby Začněte tím, že se zaměříte na nejčastější typ chyby. Nechcete ztrácet čas prací se vzácnými chybami. Přejděte k podrobnostem o konverzacích, vstupech a protokolech, které vedou k těmto nesprávným ukázkám. Pokuste se pochopit, co by mohlo být příčinou problémů. 4. Navrhněte cílené opravy V tomto okamžiku chcete zjistit, jak co nejrychleji a nejlevněji odstranit chyby, které jste diagnostikovali v předchozím kroku. Můžete například upravit výzvy, přidat další ověřovací pravidla, najít další trénovací data nebo upravit model. 5. Automatizujte proces hodnocení Je třeba implementovat jednoduchý proces, který znovu spustí sadu vyhodnocení prostřednictvím vaší aplikace a vyhodnotí, zda byly vaše opravy účinné. Doporučuji použít LLM-as-a-Judge k prohnání vzorků aplikací, jejich ohodnocení pomocí tagu PASS/FAIL a výpočtu výsledků. 6. Sledujte své metriky Každá kategorie, kterou jste identifikovali během analýzy chyb, je metrika, kterou chcete sledovat v průběhu času. Nikam se nedostanete, pokud budete posedlí "relevancí", "správností", "úplností", "koherencí" a dalšími nestandardními metrikami. Zapomeňte na ně a zaměřte se na skutečné problémy, které jste našli.

Pro-tip pro vytvoření lepšího RAG: Zabalte své bloky do dalších metadat. Přidejte ke každému bloku tolik kontextu, kolik najdete. Díky tomu bude váš retrívr 10x lepší.