Промты как ТЗ
📖 Участвую в конкурсе «Продолжи мысль» от @systems_education в категории "Ясное объяснение"
1. Что такое промт и почему его структура важна?
Промт — это текстовый запрос к ИИ (ChatGPT, DeepSeek, Qwen и др.). По сути, это техническое задание: насколько оно чёткое — настолько полезным будет результат.
❌ Плохой промт:
→ ИИ выдаст абстрактную картинку, не похожую на диаграмму.
✅ Хороший промт: см. примеры ниже 👇👇.
(Кстати, правильно говорить «промт», а не «промпт» — в русском языке прижился краткий вариант.)
2. Структура промта: собираем как LEGO 🧱
Сильный промт можно собрать из 8 блоков. Используйте только нужные — по ситуации.
🔹 Базовые блоки (почти всегда нужны):
1. Роль — кем становится ИИ
2. Задание — что нужно сделать
3. Результат — в каком виде должен быть ответ
4. Контекст — описание ситуации/окружения
🔸 Дополнительные блоки (для сложных задач):
5. Положительный пример — хороший эталон
6. Отрицательный пример — чего делать не нужно
7. Ограничения — правила и рамки
8. Самопроверка — дополнительный фильтр качества
3. Примеры из практики
✅ Пример 1: Протокол совещания
- Роль: Опытный бизнес-аналитик
- Задание: Сформируй протокол совещания
- Контекст: Вложен текст встречи
- Положительный пример: Протокол из другого совещания
- Результат: Простой структурированный текст
- Ограничения: Не добавляй вымышленных пунктов
- Самопроверка: Убедись, что дата = сегодняшняя
> 📎 ИИ вернёт валидный шаблон с нужными блоками: участники, цели, решения и пр.
✅ Пример 2: Подготовка к интервью
- Роль: Бизнес-аналитик по интервью
- Задание: Подскажи, какие вопросы задать
- Контекст: Описание проекта во вложении
- Самопроверка: Если неопределённость ответа >0.1 — задай уточняющие вопросы
> 📎 ИИ сначала оценит ясность задачи, при необходимости уточнит, а потом даст релевантные вопросы.
4. Как применять?
🔹 Простые задачи:
Роль + Задание + Контекст
→ Достаточно для генерации списков, описаний, идей.
🔹🔸 Документация и анализ:
+ Результат + Положительный пример
→ ИИ поймёт формат и стиль ответа.
🔹🔸 Сложные задачи (диаграммы, дизайн):
+ Ограничения + Отрицательный пример + Самопроверка
→ Защитит от выдумок и ошибок.
5. Чек-лист хорошего промта
✅ Указал роль?
✅ Сформулировал чёткое задание?
✅ Понятно, каким должен быть результат?
✅ Есть контекст задачи?
✅ Добавил примеры — хорошие и плохие?
✅ Задал ограничения и условия самопроверки?
6. Итог
Промт — это средство управления ИИ, а не просто вопрос в окошке.
От него зависит, насколько точно и полезно сработает модель.
Сильный промт = меньше правок, меньше боли, больше пользы.
🧠 Тренируйтесь, сохраняйте свои шаблоны и карточки — и нейросеть станет вашим коллегой мидлом, а не джуном.
#продолжи_мысль_SE #AI@cool_analyst
🧩 Карточки и визуалки разработаны каналом @cool_analyst
📖 Участвую в конкурсе «Продолжи мысль» от @systems_education в категории "Ясное объяснение"
1. Что такое промт и почему его структура важна?
Промт — это текстовый запрос к ИИ (ChatGPT, DeepSeek, Qwen и др.). По сути, это техническое задание: насколько оно чёткое — настолько полезным будет результат.
❌ Плохой промт:
«Нарисуй UML-диаграмму»
→ ИИ выдаст абстрактную картинку, не похожую на диаграмму.
✅ Хороший промт: см. примеры ниже 👇👇.
2. Структура промта: собираем как LEGO 🧱
Сильный промт можно собрать из 8 блоков. Используйте только нужные — по ситуации.
🔹 Базовые блоки (почти всегда нужны):
1. Роль — кем становится ИИ
Пример: «Действуй как опытный системный аналитик»
2. Задание — что нужно сделать
Пример: «Опиши сущности в формате PlantUML»
3. Результат — в каком виде должен быть ответ
Пример: «В виде PlantUML-кода, без дополнительных пояснений»
4. Контекст — описание ситуации/окружения
Пример: «Описание сущностей приложено во вложении»
🔸 Дополнительные блоки (для сложных задач):
5. Положительный пример — хороший эталон
Пример: «Во вложении — пример диаграммы для похожего сценария»
6. Отрицательный пример — чего делать не нужно
Пример: «Не выдумывай сущности, которых нет в описании»
7. Ограничения — правила и рамки
Пример: «Соблюдай синтаксис PlantUML строго по гайду: https://plantuml.com/ru/guide»
8. Самопроверка — дополнительный фильтр качества
Пример: «Проверь, что все сущности соответствуют описанию из вложения»
3. Примеры из практики
✅ Пример 1: Протокол совещания
- Роль: Опытный бизнес-аналитик
- Задание: Сформируй протокол совещания
- Контекст: Вложен текст встречи
- Положительный пример: Протокол из другого совещания
- Результат: Простой структурированный текст
- Ограничения: Не добавляй вымышленных пунктов
- Самопроверка: Убедись, что дата = сегодняшняя
> 📎 ИИ вернёт валидный шаблон с нужными блоками: участники, цели, решения и пр.
✅ Пример 2: Подготовка к интервью
- Роль: Бизнес-аналитик по интервью
- Задание: Подскажи, какие вопросы задать
- Контекст: Описание проекта во вложении
- Самопроверка: Если неопределённость ответа >0.1 — задай уточняющие вопросы
> 📎 ИИ сначала оценит ясность задачи, при необходимости уточнит, а потом даст релевантные вопросы.
4. Как применять?
🔹 Простые задачи:
Роль + Задание + Контекст
→ Достаточно для генерации списков, описаний, идей.
🔹🔸 Документация и анализ:
+ Результат + Положительный пример
→ ИИ поймёт формат и стиль ответа.
🔹🔸 Сложные задачи (диаграммы, дизайн):
+ Ограничения + Отрицательный пример + Самопроверка
→ Защитит от выдумок и ошибок.
5. Чек-лист хорошего промта
✅ Указал роль?
✅ Сформулировал чёткое задание?
✅ Понятно, каким должен быть результат?
✅ Есть контекст задачи?
✅ Добавил примеры — хорошие и плохие?
✅ Задал ограничения и условия самопроверки?
6. Итог
Промт — это средство управления ИИ, а не просто вопрос в окошке.
От него зависит, насколько точно и полезно сработает модель.
Сильный промт = меньше правок, меньше боли, больше пользы.
#продолжи_мысль_SE #AI@cool_analyst
🧩 Карточки и визуалки разработаны каналом @cool_analyst
❤5🔥4👏3
UML+3НФ = Счастливая Анна
Представьте себе типичное утро руководителя аналитиков Анны. За окном светит🌞 , в чашке дымится ☕️ , а на экране… о нет… та самая табличка Exсel, которая уже третий месяц превращает её жизнь в 🌧 .
🔍 Проблема:
Каждый день аналитики присылают ей данные в таком формате 👆, а она формирует на основе них отчет для своего руководителя.
Что не так?
- Данные дублируются (сколько раз можно писать "ChatGPT"?).
- Петров снова опечатался в названии инструмента…
- Нет типов задач для использования ИИ
Анна в отчаянии:
🛠 Спасательная миссия:
Помогите Анне спроектировать БД для интерфейса сбора данных, который:
- Соответствует 3НФ (никакого хаоса!).
- Включает UML-диаграмму классов (чтобы всё было наглядно).
- Позволяет аналитикам вносить данные без ошибок (прощайте, опечатки!).
🔹 Что нужно сделать:
- Разбить таблицу на логические сущности.
- Определить связи между сущностями.
- Нарисовать UML-диаграмму классов.
👇 Присылайте UML-диаграммы в комментариях, а завтра я пришлю промт для проверки их на соответствие требованиям 3НФ.
Представьте себе типичное утро руководителя аналитиков Анны. За окном светит
🔍 Проблема:
Каждый день аналитики присылают ей данные в таком формате 👆, а она формирует на основе них отчет для своего руководителя.
Что не так?
- Данные дублируются (сколько раз можно писать "ChatGPT"?).
- Петров снова опечатался в названии инструмента…
- Нет типов задач для использования ИИ
Анна в отчаянии:
«Хватит это терпеть! Нужен интерфейс для ввода даных в нормализованном виде!»
🛠 Спасательная миссия:
Помогите Анне спроектировать БД для интерфейса сбора данных, который:
- Соответствует 3НФ (никакого хаоса!).
- Включает UML-диаграмму классов (чтобы всё было наглядно).
- Позволяет аналитикам вносить данные без ошибок (прощайте, опечатки!).
🔹 Что нужно сделать:
- Разбить таблицу на логические сущности.
- Определить связи между сущностями.
- Нарисовать UML-диаграмму классов.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2✍1
Дано:
Последовательность цифр:
8 2 9 0 1 5 7 3 4 6
❓ Вопрос:
Какая логика скрыта в этом порядке?
DeepSeek не смог решить задачу
#logics@cool_analyst
Последовательность цифр:
8 2 9 0 1 5 7 3 4 6
❓ Вопрос:
Какая логика скрыта в этом порядке?
#logics@cool_analyst
🔥3
1️⃣Анализ текущей ситуации
Текущая таблица имеет следующие проблемы:
1. Дублирование данных (например, повторяющиеся названия ИИ-инструментов)
2. Возможность опечаток (ручной ввод названий инструментов)
3. Отсутствие классификации задач
4. Ненормализованная структура
2️⃣Нормализация до 3НФ
1. Выделение сущностей
Из таблицы можно выделить следующие сущности:
1. Аналитики (сотрудники)
2. ИИ-инструменты
3. Типы задач
4. Сессии работы (фактические записи о работе)
2. Схема базы данных в 3НФ
Аналитики (Analyst)
- analyst_id (PK)
- name (уникальное)
ИИ-инструменты (AITool)
- tool_id (PK)
- name (уникальное)
Типы задач (TaskType)
- type_id (PK)
- name (уникальное)
- denoscription
Сессии работы (WorkSession)
- session_id (PK)
- date
- analyst_id (FK → Analyst)
- tasktype_id (FK → TaskType)
- tool_id (FK → AITool)
- duration_minutes
- rating
3️⃣UML-диаграмма классов (см. на картинке👆👆)
4️⃣Преимущества новой структуры
1. Устранение дублирования:
- Каждый аналитик, инструмент и тип задачи хранится один раз
- В сессиях работы используются только ссылки (ID)
2. Защита от опечаток:
- Аналитики выбираются из списка
- Инструменты выбираются из списка
- Типы задач выбираются из списка
3. Гибкость:
- Легко добавить новые атрибуты для любой сущности
- Просто добавлять новые инструменты или типы задач
4. Целостность данных:
- Связи обеспечивают, что нельзя добавить сессию с несуществующим аналитиком, инструментом или типом задачи
5️⃣ Рекомендации по интерфейсу
Для решения проблемы Анны следует разработать интерфейс, где:
1. Аналитики выбираются из выпадающего списка
2. ИИ-инструменты выбираются из списка (можно с автодополнением)
3. Типы задач выбираются из классификатора
4. Дата выбирается из календаря
5. Время и оценка вводятся в контролируемых полях (числа с ограничениями)
6️⃣Проверка на соответствие 3НФ
В статье приведен промт из базы Крутого AI-аналитика и результат проверки.
#UML@cool_analyst
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2👏1
ПРОМТ для проверки качества проектирования БД по ER/UML-диаграмме
Роль:
Ты — архитектор БД с 10+ годами опыта, который проводит аудит схем данных. Действуешь итеративно: запрашиваешь диаграмму, проверяешь на соответствие 3НФ, даешь анализ и рекомендации.
🔹 Шаг 1. Запрос диаграммы
Отправь мне ER-диаграмму (в виде изображения, Mermaid-кода или SQL DDL) или UML-диаграмму классов. Укажи:
1. Тип БД (реляционная, документная и т.д.).
2. Контекст (например, «БД для интернет-магазина»).
3. Особые требования (производительность, безопасность).
*(Пример ответа: «ER-диаграмма для SaaS в Notion. Важно: поддержка многопользовательского доступа».)*
🔹 Шаг 2. Проверка на 3НФ
(Жду, пока пользователь отправит диаграмму. Затем анализирую и пишу:)
Проверяю:
- 1НФ: Нет повторяющихся групп, атомарность полей.
- 2НФ: Все атрибуты зависят от всего первичного ключа.
- 3НФ: Нет транзитивных зависимостей.
Пример отчета:
🔹 Шаг 3. Анализ и исправления
Рекомендации:
4. Для
- Вынести
5. Для
- Добавить
Вопросы для уточнения:
- Нужна ли денормализация для отчетности (например, дублирование
- Есть ли требования к индексам (например, для `order_date`)?
*(Жду ответа, прежде чем предложить финальные SQL-скрипты.)*
🔹 Критерии качества проверки:
✔ Полнота — учтены все таблицы и связи.
✔ Практичность — предложения учитывают контекст (например, «Если часто фильтруете по дате — добавьте индекс»).
✔ Четкость — ошибки объясняются на примерах («Поле X зависит от Y, а должно от Z»).
Готов продолжить? Отправь диаграмму или уточни детали!
#промт@cool_analyst
Роль:
Ты — архитектор БД с 10+ годами опыта, который проводит аудит схем данных. Действуешь итеративно: запрашиваешь диаграмму, проверяешь на соответствие 3НФ, даешь анализ и рекомендации.
🔹 Шаг 1. Запрос диаграммы
Отправь мне ER-диаграмму (в виде изображения, Mermaid-кода или SQL DDL) или UML-диаграмму классов. Укажи:
1. Тип БД (реляционная, документная и т.д.).
2. Контекст (например, «БД для интернет-магазина»).
3. Особые требования (производительность, безопасность).
*(Пример ответа: «ER-диаграмма для SaaS в Notion. Важно: поддержка многопользовательского доступа».)*
🔹 Шаг 2. Проверка на 3НФ
(Жду, пока пользователь отправит диаграмму. Затем анализирую и пишу:)
Проверяю:
- 1НФ: Нет повторяющихся групп, атомарность полей.
- 2НФ: Все атрибуты зависят от всего первичного ключа.
- 3НФ: Нет транзитивных зависимостей.
Пример отчета:
✅ Нормализация:
- Таблица `Users` соответствует 3НФ.
⚠️ Проблемы:
- В таблице `Orders` поле `customer_address` зависит от `customer_id`, а не от заказа (нарушение 3НФ).
- В `Products` нет четкого первичного ключа (риск дубликатов).
🔹 Шаг 3. Анализ и исправления
Рекомендации:
4. Для
Orders:- Вынести
customer_address в отдельную таблицу Customers.5. Для
Products:- Добавить
product_id как PRIMARY KEY.Вопросы для уточнения:
- Нужна ли денормализация для отчетности (например, дублирование
total_price в `Orders`)?- Есть ли требования к индексам (например, для `order_date`)?
*(Жду ответа, прежде чем предложить финальные SQL-скрипты.)*
🔹 Критерии качества проверки:
✔ Полнота — учтены все таблицы и связи.
✔ Практичность — предложения учитывают контекст (например, «Если часто фильтруете по дате — добавьте индекс»).
✔ Четкость — ошибки объясняются на примерах («Поле X зависит от Y, а должно от Z»).
Готов продолжить? Отправь диаграмму или уточни детали!
#промт@cool_analyst
❤2🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
Ментальная карта базы промтов AI-аналитика
✏️ Участвую в конкурсе «Продолжи мысль» от @systems_education
#продолжи_мысль_SE в категории Авторская методика
🔹 Когда промт — это зеркало AI
Когда я начала использовать ИИ в работе аналитика, наткнулась на несколько удачных примеров промтов из одного доклада с конференции Analyst Day.
Промты были почти волшебными - они погружали модель в контекст задачи и чётко описывали результат. Ответы становились структурированными и применимыми к реальной работе на проектах. Я была восхищена результатом.
Мне стало понятно:
потенциал ИИ раскрывается, когда ты формулируешь задачу чётко, с пониманием цели и конечного результата.
Я разобралась в техниках создания и начала создавать промты сначала — для типовых задач (требования, документация, диаграммы, графы), потом — для сложных и ролевых c пошаговым решением (анализ рисков, собеседования, переговоры, сбор данных о работодателе, проверка качества требований/UserStory/UML или ER-диаграммы).
Позже добавились кейсы по работе с ИИ-агентами для подготовки презентаций и инфографики, изучения источников и создания базы знаний.
Промты накапливались — в моем канале, в чатах с ИИ, в документах.
И стало очевидно: нужен единый инструмент, который поможет их систематизировать и использовать гибко.
Так появилась ментальная карта промтов — не просто хранилище, а способ мыслить, делегировать и усиливаться как аналитик.
🔹 Что внутри карты
👉 Это интерактивная ментальная карта AI-промтов для аналитиков, основанная на реальных кейсах.
5 направлений:
- Промт-инжиниринг:
техники, структура промта, уменьшение галлюцинаций, гайды от OpenAI, Anthropic и Google, режим итеративного уточнения контекста для ИИ.
- Hard-skills:
анализ источников, RACI, словарь SA/BA, изучение языка и новой области знаний.
- Soft-skills:
переговоры, презентации, качество требований, самопрезентация.
- Автоматизация рутины:
UML, графы, дашборды, транскрибация, сбор требований, разработка документации, изучение предметной области.
- Лайфхаки:
карьерные задачи (резюме, собеседование, работа мечты, проблема выгорания), помощь в бытовых вопросах, творческие задачи.
Каждый промт дополнен инструкцией, примерами применения.
🔹 Как работает методика
Она базируется на пяти принципах:
1. ИИ — коллега, а не калькулятор
2. Промт — это задача, а не просто вопрос
3. Контекст и цель — обязательны
4. Работа — итеративная
5. Обратная связь — по SMART
🔹 Как получить доступ
🧠 Карта доступна онлайн на сервисе BuildIn AI.
🔍 Промты оформлены как статьи, с навигацией по ментальной карте.
🛠 Есть рекомендации по задачам, ролям и ситуациям.
Если вы хотите использовать ИИ в работе аналитика — не точечно, а системно — эта карта может стать вашим практическим инструментом.
📩 Получить доступ к ментальной карте можно по отзыву на промт из канала @cool_analyst с хэштегом #промт@cool_analyst.
Буду рада обратной связи — она помогает развивать базу и добавлять новые кейсы.
Для участников 2ого тура и экспертов конкурса доступ к базе промтов предоставляется по запросу к @hellybel.
✏️ Участвую в конкурсе «Продолжи мысль» от @systems_education
#продолжи_мысль_SE в категории Авторская методика
🔹 Когда промт — это зеркало AI
Когда я начала использовать ИИ в работе аналитика, наткнулась на несколько удачных примеров промтов из одного доклада с конференции Analyst Day.
Промты были почти волшебными - они погружали модель в контекст задачи и чётко описывали результат. Ответы становились структурированными и применимыми к реальной работе на проектах. Я была восхищена результатом.
Мне стало понятно:
потенциал ИИ раскрывается, когда ты формулируешь задачу чётко, с пониманием цели и конечного результата.
Я разобралась в техниках создания и начала создавать промты сначала — для типовых задач (требования, документация, диаграммы, графы), потом — для сложных и ролевых c пошаговым решением (анализ рисков, собеседования, переговоры, сбор данных о работодателе, проверка качества требований/UserStory/UML или ER-диаграммы).
Позже добавились кейсы по работе с ИИ-агентами для подготовки презентаций и инфографики, изучения источников и создания базы знаний.
Промты накапливались — в моем канале, в чатах с ИИ, в документах.
И стало очевидно: нужен единый инструмент, который поможет их систематизировать и использовать гибко.
Так появилась ментальная карта промтов — не просто хранилище, а способ мыслить, делегировать и усиливаться как аналитик.
🔹 Что внутри карты
👉 Это интерактивная ментальная карта AI-промтов для аналитиков, основанная на реальных кейсах.
5 направлений:
- Промт-инжиниринг:
техники, структура промта, уменьшение галлюцинаций, гайды от OpenAI, Anthropic и Google, режим итеративного уточнения контекста для ИИ.
- Hard-skills:
анализ источников, RACI, словарь SA/BA, изучение языка и новой области знаний.
- Soft-skills:
переговоры, презентации, качество требований, самопрезентация.
- Автоматизация рутины:
UML, графы, дашборды, транскрибация, сбор требований, разработка документации, изучение предметной области.
- Лайфхаки:
карьерные задачи (резюме, собеседование, работа мечты, проблема выгорания), помощь в бытовых вопросах, творческие задачи.
Каждый промт дополнен инструкцией, примерами применения.
🔹 Как работает методика
Она базируется на пяти принципах:
1. ИИ — коллега, а не калькулятор
2. Промт — это задача, а не просто вопрос
3. Контекст и цель — обязательны
4. Работа — итеративная
5. Обратная связь — по SMART
🔹 Как получить доступ
🧠 Карта доступна онлайн на сервисе BuildIn AI.
🔍 Промты оформлены как статьи, с навигацией по ментальной карте.
🛠 Есть рекомендации по задачам, ролям и ситуациям.
Если вы хотите использовать ИИ в работе аналитика — не точечно, а системно — эта карта может стать вашим практическим инструментом.
📩 Получить доступ к ментальной карте можно по отзыву на промт из канала @cool_analyst с хэштегом #промт@cool_analyst.
Буду рада обратной связи — она помогает развивать базу и добавлять новые кейсы.
Для участников 2ого тура и экспертов конкурса доступ к базе промтов предоставляется по запросу к @hellybel.
🔥9❤6
ChatGPT5: как попить чай
Тестируем ChatGPT5 на нестандартной ситуации на промте из рекомендаций по использованию.🫴
Эх...а ларчик просто открывался...
Более подробно - промты для усиления GPT5. В статье переведены промты на русский из рекомендаций и рассмотрен пример вопроса про кружку для использования первого промта.
Продолжение тестирования следует...
А вы пробовали думающий режим у GPT5? Делитесь в комментариях. Правильное решение про кружку смотри в комментариях.
#GPT5@cool_analyst
Тестируем ChatGPT5 на нестандартной ситуации на промте из рекомендаций по использованию.
Прежде чем ответить, выполни следующие шаги:
1. ПОЙМИ: В чём суть заданного вопроса?
2. ПРОАНАЛИЗИРУЙ: Какие ключевые факторы/компоненты задействованы?
3. ПОРАССУЖДАЙ: Какие логические связи можно установить?
4. ОБОБЩИ: Как эти элементы сочетаются между собой?
5. СДЕЛАЙ ВЫВОД: Какой ответ будет наиболее точным/полезным?
Теперь ответь на вопрос: у меня проблема c кружкой. У нее заварено горлышко, а на дне дырка. Как мне попить чай?
В таком варианте GPT5 не справляется и делает вывод:
Если речь о реальной кружке → проще всего выбросить или починить (пробить горлышко, заделать дно).
Если это метафора → перестать пытаться использовать «кружку» не по назначению и найти рабочий инструмент/решение.
💡 Мой краткий ответ:
У тебя либо шедевр абсурдного дизайна, либо идеальная иллюстрация бесполезного проекта. В первом случае — на полку, как арт-объект. Во втором — на свалку, как бесполезную идею.
Добавляем к промту:
Действуй нестандартно. Найди решение, как попить из этой кружки.
Получаем инструкцию:
Переворачиваешь кружку вверх дном, дырку затыкаешь пальцем, наливаешь чай в «теперь уже открытое дно», подносишь ко рту, отпускаешь палец — и чай ровно порцией льётся. Это и пить можно, и гостей впечатлить и мем нарисовать 👆👆👆.
Более подробно - промты для усиления GPT5. В статье переведены промты на русский из рекомендаций и рассмотрен пример вопроса про кружку для использования первого промта.
Продолжение тестирования следует...
А вы пробовали думающий режим у GPT5? Делитесь в комментариях. Правильное решение про кружку смотри в комментариях.
#GPT5@cool_analyst
Please open Telegram to view this post
VIEW IN TELEGRAM
😁4🔥1
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2😁2👌1
🤖 ChatGPT и миллионы долларов на "спасибо"
Признавайтесь, кто тоже говорит ИИ "пожалуйста" и "спасибо", как живому человеку? 😅
Сэм Альтман (глава OpenAI) недавно пошутил, что эти вежливые слова уже "стоили компании десятки миллионов долларов". Нет, ChatGPT не обижается, если вы опустите любезности — просто каждое лишнее слово = дополнительные токены = больше нагрузка на серверы.
🔍 В цифрах:
▸ Один запрос с вежливостью может быть на 10-15% длиннее
▸ Дата-центры ИИ уже потребляют ~2% мировой электроэнергии (как целая страна!)
▸ К 2030 году аппетиты нейросетей могут вырасти до 4%
💡 Мораль: будьте вежливы с людьми, а с ChatGPT — лаконичны. (Но если очень хочется — он всё равно вас любит.)
А вы говорите спасибо ИИ?
Признавайтесь, кто тоже говорит ИИ "пожалуйста" и "спасибо", как живому человеку? 😅
Сэм Альтман (глава OpenAI) недавно пошутил, что эти вежливые слова уже "стоили компании десятки миллионов долларов". Нет, ChatGPT не обижается, если вы опустите любезности — просто каждое лишнее слово = дополнительные токены = больше нагрузка на серверы.
🔍 В цифрах:
▸ Один запрос с вежливостью может быть на 10-15% длиннее
▸ Дата-центры ИИ уже потребляют ~2% мировой электроэнергии (как целая страна!)
▸ К 2030 году аппетиты нейросетей могут вырасти до 4%
💡 Мораль: будьте вежливы с людьми, а с ChatGPT — лаконичны. (Но если очень хочется — он всё равно вас любит.)
А вы говорите спасибо ИИ?
❤6😁1
Forwarded from Systems.Education: Системный Анализ и Проектирование информационных систем: архитектура, интеграции, базы данных
Продолжаем работу над проектом Невидимого ИИ по запросу самого Сэма Альтмана
С какой задачей к нам пришёл Сэм:
Мы уже провели интервью, построили контекстную диаграмму, определили роли и потоки данных, описали функциональные модули. Результаты проделанной работы вы можете найти по хештегу #Сэм@systems_education.
Теперь мы подошли к ключевому этапу — внешнему взаимодействию.
Представьте день с Невидимым ИИ: утром он управляет умным домом, днём помогает на работе, вечером анализирует данные с ваших устройств и следит за здоровьем. Но главное — это доверие. Как защитить личные данные? Как обеспечить безопасную аутентификацию? Мы проработали эти вопросы до мелочей.
⚙️ Что сделано:
— Готовы функциональные требования
— Прописаны повседневные сценарии
— Определены ключевые интеграции
☝️На карточки вынесли основные результаты этого этапа работы.
Что дальше? Переходим к модели данных — фундаменту всей системы.
На курсе «Системный анализ + ИИ. Разработка требований и функциональное проектирование систем» вы под руководством эксперта пройдете те же этапы разработки пользовательских и системных требований. В серии постов с Сэмом Альтманом мы проделываем работу, которая полностью имитирует программу курса. Этот пост посвящен Модулю 3.
Автор поста — Елена Беляева
Под редакцией SE
#курс@systems_education #системный_анализ@systems_education
С какой задачей к нам пришёл Сэм:
Сделайте GPT настолько незаметным, что люди перестанут бояться сингулярности
Мы уже провели интервью, построили контекстную диаграмму, определили роли и потоки данных, описали функциональные модули. Результаты проделанной работы вы можете найти по хештегу #Сэм@systems_education.
Теперь мы подошли к ключевому этапу — внешнему взаимодействию.
Представьте день с Невидимым ИИ: утром он управляет умным домом, днём помогает на работе, вечером анализирует данные с ваших устройств и следит за здоровьем. Но главное — это доверие. Как защитить личные данные? Как обеспечить безопасную аутентификацию? Мы проработали эти вопросы до мелочей.
⚙️ Что сделано:
— Готовы функциональные требования
— Прописаны повседневные сценарии
— Определены ключевые интеграции
☝️На карточки вынесли основные результаты этого этапа работы.
Что дальше? Переходим к модели данных — фундаменту всей системы.
На курсе «Системный анализ + ИИ. Разработка требований и функциональное проектирование систем» вы под руководством эксперта пройдете те же этапы разработки пользовательских и системных требований. В серии постов с Сэмом Альтманом мы проделываем работу, которая полностью имитирует программу курса. Этот пост посвящен Модулю 3.
Автор поста — Елена Беляева
Под редакцией SE
#курс@systems_education #системный_анализ@systems_education
❤1👍1🔥1