Saya ingin memastikan ini jelas: Saat Anda bergabung dengan kelompok Teknik AI/ML saya, Anda juga mendapatkan akses ke setiap kelompok mendatang. Ini adalah akses seumur hidup, jadi selama saya mengajar kelompok, Anda dapat bergabung tanpa membayar sepeser pun. Tidak ada pembayaran bulanan. Tidak ada "peningkatan" atau "upsell". Sederhana saja: Anda membayar sekali untuk bergabung, dan mendapatkan akses ke *semuanya*, selamanya. Tidak ada batasan. Anda hanya perlu muncul di kelas kapan pun Anda mau. Ngomong-ngomong, banyak siswa telah melakukan ini: • Bergabunglah dengan satu kelompok untuk melakukan pemanasan • Bergabunglah dengan kelompok berikutnya untuk melakukan semua • Bergabunglah dengan kelompok ketiga dengan kekuatan super Tentu saja, ini opsional, tetapi sangat besar bagi Anda yang menginginkan fleksibilitas. Kelompok saya berikutnya dimulai dalam 2 minggu (4 Agustus), dan Anda dapat bergabung dengan pergi ke sekolah titik ml.

Saya pergi tidur tadi malam setelah meninggalkan Gemini melakukan penelitian mendalam tentang beberapa layanan rumah yang saya butuhkan. Saya bangun hari ini dengan pekerjaan berhari-hari siap untuk saya. Kedalaman analisisnya adalah, "sial, ini luar biasa!" Saya rasa kita tidak mengerti. Saya tidak berpikir kami siap.

95% pengembang belum siap untuk melakukan percakapan jujur tentang AI.

OpenAI meluncurkan agen ChatGPT kemarin. Demonya mengesankan, tetapi ingat bahwa kami sudah memiliki kemampuan agen yang lebih baik untuk waktu yang lama. Berikut adalah perbandingan 1:1 antara agen ChatGPT dan @genspark_ai, menggunakan prompt yang sama. Dan itu baru permulaan!

Saya tidak lagi yakin apa yang harus dipikirkan tentang buku ini. Itu adalah buku yang fantastis selama sebagian besar ide-ide ini tampak berharga, tetapi juga bertanggung jawab atas beberapa kekejaman terbesar yang pernah saya saksikan. Saya tidak lagi merekomendasikan orang untuk membacanya. Saya belum lama masuk.

Sejauh ini, salah satu kursus terbaik yang pernah saya ambil. Kohort berikutnya dimulai 4 Agustus. Anda dapat bergabung di .

Ini adalah cara Anda menulis kode 10x lebih baik dengan usaha 10x lebih sedikit. Agen khusus khusus yang meninjau kode Anda di setiap langkah. Saya telah melihat tinjauan kode otomatis sebelumnya, tetapi tidak pernah dengan kemampuan untuk menentukan agen peninjau khusus Anda. @baz_scm adalah yang pertama melakukan ini, dan itu cukup keren. Ada tiga jenis agen pengulas: 1. Yang keluar dari kotak. Agen-agen ini mencakup pola paling umum yang ingin diperiksa semua orang: kode duplikat, kode rusak, kode kompleks, dll. 2. Agen reviewer yang direkomendasikan yang dibuat Baz untuk Anda secara otomatis. Baz menganalisis riwayat ulasan dan komentar sebelumnya untuk mengidentifikasi pola yang Anda pedulikan, dan kemudian secara otomatis membuat agen yang berspesialisasi dalam memeriksa pola tersebut. Misalnya, jika Anda selalu meminta pengembang Anda untuk menyimpan file di bawah 100 baris kode, Baz akan mendeteksinya dan membuat agen khusus yang memeriksanya. 3. Agen peninjau khusus yang Anda tentukan. Ini adalah favorit saya: Tulis prompt yang menjelaskan aturan Anda, dan agen Anda akan mulai memeriksa kode Anda untuk menandai apa pun yang sesuai dengan aturan. Saya membuat agen pengulas sederhana di video terlampir. Sejujurnya, pada titik ini, Anda tidak punya alasan untuk mengirimkan kode yang buruk. Berikut adalah tautan bagi Anda untuk mencoba agen peninjau khusus ini: Terima kasih kepada tim @baz_scm karena telah berkolaborasi dengan saya dalam posting ini.

Pengembangan front-end. 2010 - 2024.

Sejujurnya, sebagian besar pengembang AI masih terjebak di abad terakhir. Itu mengejutkan saya betapa sedikit orang yang mengetahui Analisis Kesalahan. Ini *secara harfiah* adalah cara tercepat dan paling efektif untuk mengevaluasi aplikasi AI, dan sebagian besar tim masih terjebak mengejar hantu. Harap berhenti melacak metrik umum dan ikuti langkah-langkah berikut: 1. Kumpulkan sampel kegagalan Mulailah meninjau respons yang dihasilkan oleh aplikasi Anda. Tulislah catatan tentang setiap tanggapan, terutama yang merupakan kesalahan. Anda tidak perlu memformat catatan Anda dengan cara tertentu. Fokus untuk menggambarkan apa yang salah dengan respons. 2. Kategorikan catatan Anda Setelah Anda meninjau serangkaian tanggapan yang baik, ambil LLM dan minta untuk menemukan pola umum dalam catatan Anda. Mintalah untuk mengklasifikasikan setiap nada berdasarkan pola-pola ini. Anda akan mendapatkan kategori yang mencakup setiap jenis kesalahan yang dibuat aplikasi Anda. 3. Mendiagnosis kesalahan yang paling sering terjadi Mulailah dengan berfokus pada jenis kesalahan yang paling umum. Anda tidak ingin membuang waktu bekerja dengan kesalahan langka. Telusuri percakapan, input, dan log yang mengarah ke sampel yang salah tersebut. Cobalah untuk memahami apa yang mungkin menyebabkan masalah. 4. Desain perbaikan yang ditargetkan Pada titik ini, Anda ingin menentukan cara menghilangkan kesalahan yang Anda diagnosis pada langkah sebelumnya secepat dan semurah mungkin. Misalnya, Anda dapat mengubah perintah, menambahkan aturan validasi tambahan, menemukan lebih banyak data pelatihan, atau memodifikasi model. 5. Mengotomatiskan proses evaluasi Anda perlu menerapkan proses sederhana untuk menjalankan ulang kumpulan evaluasi melalui aplikasi Anda dan mengevaluasi apakah perbaikan Anda efektif. Rekomendasi saya adalah menggunakan LLM-as-a-Judge untuk menjalankan sampel melalui aplikasi, menilainya dengan tag PASS/FAIL, dan menghitung hasilnya. 6. Awasi metrik Anda Setiap kategori yang Anda identifikasi selama analisis kesalahan adalah metrik yang ingin Anda lacak dari waktu ke waktu. Anda tidak akan mendapatkan apa-apa dengan terobsesi pada "relevansi", "kebenaran", "kelengkapan", "koherensi", dan metrik out-of-the-box lainnya. Lupakan ini dan fokuslah pada masalah nyata yang Anda temukan.

Kiat pro untuk membangun RUG yang lebih baik: Bungkus potongan Anda dengan metadata tambahan. Tambahkan konteks sebanyak mungkin ke setiap potongan yang dapat Anda temukan. Ini akan membuat retriever Anda 10x lebih baik.