Репост из: GoPractice!
Видео недоступно для предпросмотра
Смотреть в Telegram
Узнаем, советуют ли вас ChatGPT, Gemini и Claude: собираем сервис мониторинга видимости в ответах LLM
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем.
Несколько советов для тех, кто строит мониторинг видимости в LLM:
— Формулируйте вопросы словами своих покупателей. Шаблонные отраслевые запросы дают усредненную картину.
— Задавайте вопросы от лица разных персон. Модель по-разному советует стартапу и корпорации.
— Смотрите режимы с веб-поиском и без него раздельно. Это два разных канала с разной логикой попадания в ответ.
— Сохраняйте сырые ответы. Когда изменится список компаний или появится более точная модель для разбора, архив можно перечитать заново.
— Запускайте сбор по расписанию с жестким бюджетом. Ежедневные прогоны по нескольким моделям быстро становятся дорогими.
Мы разберем подход на примере Granola и четырех конкурентов, но сервис можно сразу настроить под свою компанию и свой рынок. Тогда на выходе будет не учебный пример, а рабочий инструмент.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 6 кейсов в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик.
6️⃣ LLM wiki: ваш новый рабочий инструмент. Собираем личную вики — связанный набор страниц по заданной области, который агент пишет и поддерживает сам. На выходе вы можете с помощью вики готовиться к обсуждениям, анализировать гипотезы, свои заметки, а также делать обзор новой области.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Присоединяйтесь к обучению!
@gopractice
Новый кейс AI-мастерской стартует уже на следующей неделе. В нем вы с помощью кодинг-агента соберете сервис, который задает моделям вопросы покупателя и фиксирует, называют ли они вашу компанию и конкурентов, на каком месте и в какой тональности. Регулярные замеры покажут, как эти цифры меняются со временем.
Несколько советов для тех, кто строит мониторинг видимости в LLM:
— Формулируйте вопросы словами своих покупателей. Шаблонные отраслевые запросы дают усредненную картину.
— Задавайте вопросы от лица разных персон. Модель по-разному советует стартапу и корпорации.
— Смотрите режимы с веб-поиском и без него раздельно. Это два разных канала с разной логикой попадания в ответ.
— Сохраняйте сырые ответы. Когда изменится список компаний или появится более точная модель для разбора, архив можно перечитать заново.
— Запускайте сбор по расписанию с жестким бюджетом. Ежедневные прогоны по нескольким моделям быстро становятся дорогими.
Мы разберем подход на примере Granola и четырех конкурентов, но сервис можно сразу настроить под свою компанию и свой рынок. Тогда на выходе будет не учебный пример, а рабочий инструмент.
Присоединяйтесь к AI-мастерской — на следующей неделе стартуем:
🔗 https://gopractice.ru/course/aicases/
На сегодня вам уже доступны 6 кейсов в AI-мастерской:
1️⃣ Основы работы с кодинг-агентами. Создаем своего персонального AI-ассистента, чтобы усвоить ключевые принципы создания продуктов с помощью AI.
2️⃣ Мониторинг конкурентов. Разбираемся, как с помощью AI собирать и анализировать изменения по заданным параметрам. Полученные знания можно переложить на свои реальные задачи по мониторингу и ad-hoc аналитике.
3️⃣ RAG на практике: строим AI на своей базе. Сделаем продукт, который находит места в городе на основе собственной базы данных. Это даст вам понимание, как создать продукт, который использует AI-поиск на ваших данных.
4️⃣ Перенос сервиса в облако. Переносим созданный сервис в интернет, где они становятся доступны 24/7 вам и внешней аудитории. При этом принимаем ключевые решения об архитектуре сервиса и учитываем необходимые требования безопасности. На выходе вы умеете правильно переносить свои AI-продукты в интернет — без дыр в безопасности и очевидных упущений.
5️⃣ Своя AI-видеостудия: от идеи до готового видео. На выходе сервис будет уметь писать сценарий, описывать персонажей, рисовать их референсы и стартовые кадры каждой сцены, оживлять кадры в клипы со звуком и склеивать сцены в один ролик.
6️⃣ LLM wiki: ваш новый рабочий инструмент. Собираем личную вики — связанный набор страниц по заданной области, который агент пишет и поддерживает сам. На выходе вы можете с помощью вики готовиться к обсуждениям, анализировать гипотезы, свои заметки, а также делать обзор новой области.
Точку старта обучения выбираете вы. Хотите — с нуля, хотите — с более продвинутого кейса.
Присоединяйтесь к обучению!
@gopractice