TGINSIGHT SIMILAR POSTS
Изходен канал @clockstackwheels · Post #1084 · 9.04
В общем, была задача на оптимизацию плана работ: есть набор заказов, и в каждом N тасков. Таски могут зависеть друг от друга или нет, имеют длительность и тип. Ещё есть M работников, каждый из которых может выполнять таски только определённых типов, причём, у каждого своя скорость. Если все таски в заказе выполнены, фирма получает сколько-то денег. У заказа есть дедлайн, за просрочку штраф (за каждый день просрочки), который вычитается из цены заказа. И ещё фирма тратит деньги за каждый день своей работы независимо от того, как загружены её сотрудники (то есть просто платит зарплаты по сути). Ещё важен учёт праздников и выходных. Нужно заработать на определённом наборе заказов и работников как можно больше денег. Полный текст задачи и код программы проверки есть в репозитории. Эта задача является изменённым заказом, который мы с напарником решали в реальной жизни: оптимизация работы печатных станков для типографии. Правда, тогда и мы справились так себе, и заказчик в итоге сначала захотел всё вручную сам делать, а потом и вовсе похоронил проект при смене директора. !!! Не читайте дальше, если хотите сначала попробовать решить самостоятельно, потому что я сейчас опишу эффективные подходы и результаты. ________________________________________ Так вот. Мы с другим экспертом Андреем сразу сели и написали разные варианты, чтобы задать шкалу, по которой будем оценивать решения команд. За пару часов я собрал примитивный жадный алгоритм, который сортировал заказы по прибыльности и укладывал в сетку кое-как, это дало нам нижнюю оценку. Мой алгоритм заработал ~75 млн виртуальных рублей, мы решили для оценки поставить нижней границей 40 млн. То есть всё, что ещё ниже, оценивалось в ноль баллов за качество оптимизации. Затем Андрей закрылся дома на три дня и вышел на свет со сложным жадным алгоритмом, который очень хитро сортировал заказы и очень хитро укладывал их в сетку, попутно выбирая разные способы этой укладки в зависимости от конкретного заказа. Это позволило заработать ~275 млн рублей. Мы сделали верхней границей для оценки 280 млн. К сожалению, в итоге только две команды из десяти прошли нижнюю границу, заработав, соответственно, ~91 и ~105 млн. К верхней границе не приблизился никто. И у четырёх команд алгоритм вообще не смог уложить без нарушений задачи в сетку (то есть, например, произвольно менял длительности, накладывал задачи друг на друга, давал одному работнику две задачи в один момент и так далее). Важной ошибкой команд, на мой взгляд, являлся тот факт, что никто не воспользовался возможностью запустить алгоритм на несколько минут и дать ему поработать. По условиям задания, можно было тянуть до 5 минут на одну оптимизацию, но по факту решения команд отрабатывали за единицы и десятки секунд. На самом конкурсе, пока команды работали, я решил попробовать сделать быстрое (по времени написания) но эффективное решение. Сначала попробовал жадную сортировку + доведение до лучшего варианта методом имитации отжига. В качестве нового состояния я просто менял местами заказы целиком. Этот вариант работал пару минут и дал мне около ~200 млн дохода. К слову, команда-лидер использовала такой же подход, просто не докрутила число итераций и температуру. Ну и потом я взял готовую либу по реализации классической генетики с особями и скрещиванием. Особью был массив с приоритетами заказов (которые конечно же нужно было аккуратно уложить чистым алгоритмом). Тип скрещивания: scattered. Всего 15 поколений по 20 особей, и это за минуту-полторы давало ~230-240 млн. Считаю, что для конкурса это самый лучший выбор: пишется одним человеком за день и даёт почти максимум, при этом легко настраивается на нужную длительность работы, легко параллелится. Ну а потом уже дома я посидел и накодил свой вариант сложного жадного с плавающим окном перебора отсортированных заказов и плавающей же укладкой по работникам. Такая штука за две минуты зарабатывает ~281 млн. Но за три дня в условиях стресса я бы такое не сделал, скорее всего. #dev
Hashtags
Търсене: #promptengineering
@repo_science · Post #3115 · 28.04.2023 г., 21:32
#book#promptEngineering 🤖 The Art of Asking ChatGPT for High-Quality Answers: A Complete Guide to Prompt Engineering Techniques (2023) ✍️Ibrahim John 🔗Link ----- Canal principal:@repo_science Cupones: @freecoupons_reposcience -----
Hashtags
@repo_science · Post #3507 · 09.08.2023 г., 23:22
#softSkills#promptEngineering#chatGPT 🤖 LangChain Guide: Next-Gen ChatGPT & LLMs apps with LangChain This course is not just about the basics of Generative Artificial Intelligence and Natural Language Processing. It’s about using LangChain to supercharge the performance and efficiency of your Language Models. We’ll arm you with the skills and insights to tweak and tailor language models to your specific requirements, opening up a wider array of AI challenges and opportunities for you to tackle. 🔗Link ----- Main channel:@repo_science Coupons: @freecoupons_reposcience -----
@repo_science · Post #3327 · 20.06.2023 г., 23:25
#softSkills#promptEngineering#chatGPT#aporte 🤖 Prompt Engineering for ChatGPT ChatGPT and other large language models are going to be more important in your life and business than your smartphone, if you use them right. ChatGPT can tutor your child in math, generate a meal plan and recipes, write software applications for your business, help you improve your personal cybersecurity, and that is just in the first hour that you use it. This course will teach you how to be an expert user of these generative AI tools. The course will show amazing examples of how you can tap into these generative AI tools' emergent intelligence and reasoning, how you can use them to be more productive day to day, and give you insight into how they work. 🔗Link ----- Main channel:@repo_science Coupons: @freecoupons_reposcience -----
@neiro_slop · Post #76 · 24.10.2025 г., 16:45
🚨Промпт-инжиниринг мёртв? Новое исследование от Anthropic показывает: теперь важнее не искусство формулировки запроса, а качество и структура предоставляемых данных. На смену приходит контекст-инжиниринг — умение организовать информационное пространство для ИИ. Почему это важно? Современные модели типа Claude или GPT уже мыслят структурно, но «теряются» в длинных контекстах. Если из 200К токенов только 1К — суть задачи, модель тратит 95% ресурсов на фильтрацию шума, а не на решение. Качество падает, а стоимость растёт. Что делать? Используйте три ключевые техники: 1) Сжатие — регулярно резюмируйте и оптимизируцте диалог; 2) Делегирование — используйте узкоспециализированных агентов. Нувыпонели) #ИИ#PromptEngineering#Anthropic
Hashtags
@repo_science · Post #3258 · 02.06.2023 г., 15:24
#promptEngineering#dataAnalysis#Python#pandas#chatGPT 🤖 Prompt Engineering for Data Analysis Python, Pandas, ChatGPT ChatGPT & Python. No Coding Needed. Data Analysis & Data Visualisation with ChatGPT, Python, Pandas & Prompt Engineering 🔗Link ----- Main channel:@repo_science Coupons: @freecoupons_reposcience -----
@ai_machinelearning_big_data · Post #8215 · 06.08.2025 г., 10:09
🖥gpt-oss работает на специальном формате промптов — Harmony, и без него модель просто не будет выдавать корректные ответы. Зачем нужен Harmony? Этот формат нужен для: — 🧠 генерации chain of thought рассуждений — 🔧 корректного вызова функций и использования инструментов — 📦 вывода в разные каналы: обычный ответ, reasoning, tool call — 🗂️ поддержки tool namespaces и иерархических инструкций 💡 Harmony имитирует OpenAI Responses API, так что если вы с ним работали — будет легко освоиться. 👉 Если вы используете gpt-oss через HuggingFace, Ollama или vLLM, волноваться не нужно. Но если строите свой пайплайн — обязательно изучитегайд по Harmony. Без него модель просто не будет работать как надо. pip install openai-harmony # or if you are using uv uv pip install openai-harmony @ai_machinelearning_big_data #gptOSS#Harmony#OpenAI#LLM#PromptEngineering
@ai_machinelearning_big_data · Post #8518 · 11.09.2025 г., 17:11
🔥WFGY 2.0 — Semantic Reasoning Engine for LLMs (MIT) Это движок с открытым исходным кодом, цель которого — уменьшить галлюцинации и логические сбои в системах типа RAG / LLM, особенно когда: - источники OCR-текста плохо распознаются, - происходит «semantic drift» (когда ответ уходит от вопроса), - «ghost matches», когда извлечённый фрагмент кажется релевантным, но на самом деле нет. Обычно ошибки ловят уже в готовом сгенерированном тексте, из-за чего они часто повторяются. В Semantic Reasoning Engine всё наоборот: если система видит, что рассуждения «кривые» или сбились с курса, она останавливается, сбрасывается или ищет другой путь и отвечает только когда состояние стабильно. 🛡Авторы называют это semantic firewall - семантический «файрвол». Проверки встроены прямо в процесс мышления модели, а не поверх ответа с фильтрами или регексами. Это помогает избегать ошибок до того, как они попадут в вывод. 📌 Проект включает карту из 16 типичных ошибок LLM: - неверный поиск данных, - сбившаяся логика, - «провалы памяти», - путаница ролей агентов и другие. Для каждой есть простое текстовое исправление. Никаких SDK — достаточно вставить инструкции прямо в промпт. 🟢Как модель решает, правильные ли ответ генерируется: - ΔS (drift) - не уходит ли смысл слишком далеко от шага к шагу - λ (convergence) - сходится ли рассуждение к решению или крутится в цикле - Coverage — достаточно ли фактов и аргументов учтено Если все три условия выполнены, ответ считается «качественным». 🟢В тестах стабильность вывода выросла до 90–95% против обычных 70–85% у традиционных подходов. ▪Github: https://github.com/onestardao/WFGY @ai_machinelearning_big_data #ai#llm#opensource#reasoning#hallucinations#promptengineering
@enlawreport · Post #1762 · 06.11.2025 г., 05:20
💼💥 Юристы тратят часы на переписывание рискованных пунктов договоров — но теперь это можно сделать одним промптом. Представляем Clause Surgeon: инструмент, который моментально находит риски и предлагает готовые редлайны в английских договорах. Мастер-промпт: "You are a Magic Circle–calibre contract editor. Given the CONTRACT TYPE = [CAPS], JURISDICTION = [ENGLISH LAW], COUNTERPARTY POWER = [STRONG/MEDIUM/WEAK], and RISK TOLERANCE = [LOW/MEDIUM/HIGH], review the CLAUSE: """[PASTE CLAUSE]""" 1. Diagnose risks in a bullet list tagged [Severity: Low/Med/High] with citations to standard practice. 2. Offer two alternative rewrites: (A) Aggressive pro-client, (B) Balanced market-standard. 3. Add a one-paragraph client-facing rationale in plain English. 4. Provide a redline version if possible. 5. Output JSON too: {“risk_tags”:[], “severity_max”: “High/Med/Low”, “pick”: “A/B”, “one-line”: “…”}. Style: concise, precise, no fluff". Попробуйте этот промпт на практике и поделитесь результатом — покажите, как Clause Surgeon лечит рискованные пункты. #EnglishLawReport#LegalPrompts#ContractDrafting#PromptEngineering#ClauseSurgeon#LegalAI#MagicCircleStyle#EnglishLaw