Jag vill vara säker på att detta är tydligt: När du går med i min AI/ML Engineering-kohort får du också tillgång till alla framtida kohorter. Det är livstidsåtkomst, så så länge jag undervisar kohorten kan du gå med i den utan att någonsin betala en cent till. Det finns inga månatliga betalningar. Det finns inga "uppgraderingar" eller "merförsäljningar". Det är enkelt: Du betalar en gång för att gå med och får tillgång till *allt*, för alltid. Inga gränser. Du behöver bara dyka upp till lektionen när du vill. Förresten, många studenter har gjort så här: • Gå med i en kohort för att värma upp • Gå med i nästa årskull för att gå all in • Gå med i en tredje grupp med superkrafter Naturligtvis är detta valfritt, men det är stort för dig som vill ha flexibiliteten. Min nästa kohort börjar om 2 veckor (4 augusti), och du kan gå med genom att gå till ml dot school.

Jag gick och la mig igår kväll efter att ha lämnat Tvillingarna för att göra djupgående efterforskningar om några hemtjänster som jag behöver. Jag vaknade upp idag med flera dagars arbete redo för mig. Djupet i analysen var "helvete, det här är fantastiskt!" Jag tror inte att vi förstår. Jag tror inte att vi är redo.

95 % av utvecklarna är inte redo att ha en ärlig konversation om AI.

OpenAI lanserade ChatGPT-agenten igår. Demon var imponerande, men kom ihåg att vi har haft bättre agentfunktioner under en lång tid redan. Här är en 1:1-jämförelse mellan ChatGPT-agenten och @genspark_ai, med samma prompt. Och det är bara början!

Jag vet inte längre vad jag ska tycka om den här boken. Det var en fantastisk bok under en tid då de flesta av dessa idéer verkade värdefulla, men den är också ansvarig för några av de största grymheterna jag har bevittnat. Jag rekommenderar inte längre folk att läsa den. Jag har inte varit inne på ett tag.

Helt klart en av de bästa kurserna jag gått. Nästa årskull startar den 4 augusti. Du kan gå med på .

Så här skriver du 10 gånger bättre kod med 10 gånger mindre ansträngning. Anpassade, specialiserade agenter som granskar din kod varje steg på vägen. Jag har sett automatiserade kodgranskningar tidigare, men aldrig med möjlighet att definiera dina anpassade granskaragenter. @baz_scm är den första som lyckas med detta, och det är ganska coolt. Det finns tre typer av granskaragenter: 1. De som kommer ut ur lådan. Dessa agenter täcker de vanligaste mönstren som alla vill kontrollera: duplicerad kod, trasig kod, komplex kod osv. 2. Rekommenderade recensentagenter som Baz skapar åt dig automatiskt. Baz analyserar din recensionshistorik och tidigare kommentarer för att identifiera mönster som är viktiga för dig, och skapar sedan automatiskt agenter som är specialiserade på att kontrollera dessa mönster. Till exempel, om du alltid ber dina utvecklare att hålla filer under 100 rader kod, kommer Baz att upptäcka det och skapa en anpassad agent som kontrollerar det. 3. Anpassade granskaragenter som du definierar. Det här är mina favoriter: Skriv en uppmaning som förklarar dina regler, så kommer din agent att börja kontrollera din kod för att flagga allt som matchar reglerna. Jag skapade en enkel granskaragent i den bifogade videon. Ärligt talat, vid det här laget har du ingen ursäkt för att skicka dålig kod. Här är en länk så att du kan prova dessa anpassade granskaragenter: Tack till @baz_scm-teamet för samarbetet med mig i det här inlägget.

Front-end-utveckling. 2010 - 2024.

Ärligt talat är de flesta AI-utvecklare fortfarande fast i förra århundradet. Det är häpnadsväckande hur få människor som är medvetna om felanalys. Detta är *bokstavligen* det snabbaste och mest effektiva sättet att utvärdera AI-applikationer, och de flesta team har fortfarande fastnat i jakten på spöken. Sluta spåra generiska mätvärden och följ dessa steg: 1. Samla in felexempel Börja granska svaren som genereras av ditt program. Skriv anteckningar om varje svar, särskilt de som var misstag. Du behöver inte formatera dina anteckningar på något särskilt sätt. Fokusera på att beskriva vad som gick fel med svaret. 2. Kategorisera dina anteckningar När du har granskat en bra uppsättning svar, ta en LLM och be den att hitta vanliga mönster i dina anteckningar. Be den att klassificera varje anteckning baserat på dessa mönster. Du kommer att få kategorier som täcker alla typer av misstag som din applikation gjorde. 3. Diagnostisera de vanligaste misstagen Börja med att fokusera på den vanligaste typen av misstag. Du vill inte slösa tid på att arbeta med sällsynta misstag. Öka detaljnivån för konversationer, indata och loggar som leder till de felaktiga exemplen. Försök att förstå vad som kan orsaka problemen. 4. Utforma riktade korrigeringar Vid det här laget vill du bestämma hur du ska eliminera de misstag du diagnostiserade i föregående steg så snabbt och billigt som möjligt. Du kan till exempel justera dina anvisningar, lägga till extra valideringsregler, hitta mer träningsdata eller ändra modellen. 5. Automatisera utvärderingsprocessen Du måste implementera en enkel process för att köra en utvärderingsuppsättning igen via ditt program och utvärdera om dina korrigeringar var effektiva. Min rekommendation är att använda en LLM-as-a-Judge för att köra exempel genom programmet, poängsätta dem med en PASS/FAIL-tagg och beräkna resultaten. 6. Håll ett öga på dina mätvärden Varje kategori som du identifierade under felanalysen är ett mått som du vill spåra över tid. Du kommer ingenstans genom att vara besatt av "relevans", "korrekthet", "fullständighet", "samstämmighet" och andra out-of-the-box-mätvärden. Glöm dessa och fokusera på de verkliga problemen du hittade.

Pro-tips för att bygga bättre RAG: Omslut dina bitar med ytterligare metadata. Lägg till så mycket kontext till varje segment som du kan hitta. Detta kommer att göra din retriever 10 gånger bättre.