Wspieranie się modelem językowym do generowania alternatyw poszerza horyzonty i ułatwia eksplorację idei.

Dzisiejsze tempo projektów IT wymusza błyskawiczne przechodzenie od problemu do rozwiązania. Manualne generowanie zróżnicowanych opcji, a następnie ich weryfikacja pod kątem jakości, staje się wąskim gardłem podczas budowania produktu.

Już wiele osób przyspiesza etap tworzenia alternatyw wspierając się modelami językowymi, które błyskawicznie generują im pomysły z różnych perspektyw. Takie podejście poszerza horyzonty i ułatwia eksplorację idei, na którą wcześniej poświęcilibyśmy znacznie więcej czasu. Ważne jest, abyśmy określili modelowi liczbę i abstrakcyjność wyników oraz każdorazowo zweryfikowali “ręcznie”, czy nie mijają się z prawdą. Oczywiście nikt nie broni nam przesunąć się o krok dalej w automatyzacji. Tam gdzie możemy sobie na to pozwolić, warto poddać pierwsze koncepcje „statystycznej ocenie jakości” przed ich ręczną weryfikacją bez tracenia energii na przeglądanie dziesiątek przeciętnych opcji.

Najprostszy, przykładowy prompt, który pokieruje model przez nasze ćwiczenie:

Na podstawie specyfikacji [...] przygotuj 5 pomysłów na realizację.
Zróżnicuj podejście do kosztów i czasochłonności rozwiązania. 
Zarekomenduj jeden z przedstawionych pomysłów i uzasadnij wybór.

Następnie kontynuujemy - może nawet używając modelu językowego o innej specyfice czy przeznaczeniu:

Na podstawie przedstawionych pomysłów oceń ich statystyczną szansę na powodzenie. 
Weź pod uwagę przewidywana zmienność rynku oraz aktualnie trwającą rewolucję AI.

Warto wykonać takie ćwiczenia dwa razy manualnie i przy pomocy AI, a następnie porównać czas i jakość rozwiązań. Jeśli pomysły okazałyby się za słabe, to mogliśmy dać LLM-owi za słaby kontekst albo za mało szczegółów. Natomiast jeżeli nasz manualny proces zajmuje mniej czasu, to prawie na pewno robimy coś nie tak.

---

Paweł Nejczew