Пример n8n workflow для задачи объективного выбора лучшего из двух вариантов

В сфере искусственного интеллекта произошло заметное событие. asiver 11 минут назад Пример n8n workflow для задачи объективного выбора лучшего из двух вариантов Уровень сложности Средний Время на прочтение 8 мин Охват и читатели 209 Машинное обучение * Исследования и прогнозы в IT * Туториал Recovery Mode Для человека с большим профессиональным опытом в ИТ совершенно ясно, что уровень развития языковых моделей произвел революцию в мире информационных технологий. Появились новые информационные инструменты и, связанные с ними, новые прикладные разделы науки. Грядет пересмотр основ представления об информации, переоценка приоритетов и смыслов.

Стоит отметить, что “возникающие способности” (emergent abilities) языковых моделей, с одной стороны основаны на большом массиве знаний человечества и, с другой стороны, на текущем уровне понимания человечества являются, вообще говоря, необъяснимыми и непрогнозируемыми. Выглядит так, что языковые модели “смогли” разложить знания человечества на элементарные составляющие так, что дальнейшее “прибавление” осмысленной информации, дает прирост “силы” возникших способностей. Однако, по всей видимости, для текущей науки и философии, структура этих элементарных составляющих до сих пор остается неизвестной.

Технические детали

В этом смысле, языковые модели уже опережают человечество в том, что можно назвать “пониманием” знания . Стоит ожидать, что в скором времени в ИТ отрасли основную ценность будут иметь не код, не документация, и, к сожалению, не технические инженеры, а знания и мета-знания, т. ИТ отрасль уже пришла к пониманию, что “всё” эффективно представлять как код и следующий шаг будет состоять в том, что “код всего” будет вычисляться через знания, которые будут сами, в свою очередь, будут вычисляться и оптимизироваться из ядра знаний и мета-знаний.

Поэтому название следующей “остановки” научного прогресса понятно - это мета-знания. Для работы на уровне знаний, формулировки мета-знания и разработки инструментов оптимизации знаний разрабатывается мини-фреймворк core-kbt (KBT = Knowledge Base Trajectory). Пытаемся снимать сложность познания мета-знаний по-слоям, шага за шагом.

В данный статье опишем только базовую информацию о core-kbt мини-фреймворке и подробнее остановимся на пример решения задачи объективного выбора лучшего из двух вариантов. Текущие подходы в core-kbt Текущие фичи и подходы в core-kbt тезисно: архитектура ИИ-функций (AI-functions): возможность разработки интеллектуальных функций через написание теймплейтов для LLM-промпта и JSON Schema ответа, представленные как отдельные файлы архитектура для вычисления ИИ-функций через “процессы”, которые упрощают кеширование и анализ ответов от LLM-провайдеров, и ускоряют цикл разработки, при возникновении ошибок универсальное представление LLM-промпта в структурированном виде онтология представление мета-знаний реализация конкретных ИИ-функций: группа развития знаний реализация конкретных ИИ-функций: группа развития мета-знаний.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.