Yhdistä päättely ja työkalut
Tällä sivulla
Syvenny edistyneisiin työkaluihin
Olet nyt oppinut yhdistämään päättelyn koodin suorittamiseen ja verkkohakuun. Tämä oppitunti tutkii edistyneitä yhdistelmiä: työkalujen strategista ketjutusta, päättelyn hyödyntämistä niiden ohjaamisessa sekä todella autonomisten työnkulkujen rakentamista.
Päättely työkalujen ohjaajana
Ero mallin välillä, joka vastaa ajattelematta, ja päättelymallin välillä, joka käyttää työkaluja, on perustavanlaatuinen. Aloitettaessa medium-tasoisella ponnistelulla – jota OpenAI suosittelee aina, kun suunnittelu on tärkeää – malli voi suunnitella, mitkä työkalut se käyttää ja missä järjestyksessä, arvioida kunkin työkalun tulokset ennen jatkamista, mukauttaa strategiaansa, jos työkalu ei palauta odotettua, ja yhdistää tulokset johdonmukaiseksi johtopäätökseksi. Konkreettisesti se ei vain suorita koodia pyynnöstäsi: se pohtii ongelmaa, päättää, että koodi on paras ratkaisutapa, kirjoittaa sopivan koodin, analysoi tuloksen ja päättää sitten, jatkaako se eteenpäin. Sävy saattaa vaikuttaa hienovaraiselta, mutta se muuttaa kaiken neljän työkalun työnkulussa, jossa huono alkupäätös heijastuu aina loppuun asti.
Rajapintapuolella kaksi mekanismia vievät tätä logiikkaa eteenpäin. Funktiokutsuissa OpenAI suosittelee palaamaan viimeisimmän mallikutsun tuottamat päättelykohteet funktion tuloksen lisäksi: tämä pitää mallin raiteilla sen suunnitelman mukaisesti. Ohjelmallisessa työkalukutsussa malli kirjoittaa JavaScript-ohjelman, joka suoritetaan eristetyssä ympäristössä ja joka orkestroi työkalukutsut sekä suodattaa välitulokset. Lopuksi ChatGPT Workissa ja Codexissa Ultra jakaa raskaimmat tehtävät ala-agenttien kesken, mikä kuitenkin kasvattaa kulutusta merkittävästi.
Kolme yhdistelmämallia
Ensimmäinen malli – Haku, sitten analyysi, sitten koodi – sopii markkina-analyyseihin ja vertailuihin, eli tilanteisiin, joissa data ei ole vielä hallussasi.
“Etsi viiden suurimman pilvipalveluntarjoajan markkinaosuudet Euroopassa vuonna 2025. Luo tämän datan pohjalta pylväsdiagrammi ja laske markkinoiden keskittymisaste (HHI-indeksi). Tulkitse tulos.”
Malli ketjuttaa tämän jälkeen neljä erillistä vaihetta.
- Verkkohaku datan keräämiseksi
- Päättely lähteiden luotettavuudesta
- Koodin suoritus diagrammin ja laskennan tekemiseksi
- Päättely taloudellisesta tulkinnasta
Toinen vaihe on se, jonka ihmiset usein unohtavat kehotetta kirjoittaessaan, vaikka juuri se estää sinua rakentamasta HHI-indeksiä likimääräisille luvuille.
Toinen malli kääntää lähtökohdan: se alkaa omasta datastasi rikastaakseen sitä ulkopuolisella tiedolla – Data, koodi, haku, synteesi.
“Tässä on myyntitiedostoni maittain (CSV). Laske kasvuprosentti maittain, etsi sitten kunkin maan BKT:n kasvuprosentti samalta ajanjaksolta. Tunnista maat, joissa kasvumme ylittää BKT:n kasvun (outperformance), ja ne, joissa tilanne on päinvastainen.”
Kolmas malli, iteratiivinen koodi päättelyn kanssa, hyödyntää mallin kykyä kirjoittaa koodia, analysoida tulos, havaita ongelma ja kirjoittaa uudelleen – kaikki automaattisesti. Voit jopa määrittää varamenetelmän.
“Tässä on transaktiodata (CSV). Havaitse tilastolliset poikkeamat. Jos ensimmäinen menetelmä (z-score) ei tuota selkeitä tuloksia, kokeile interkvartiilivälin menetelmää. Valitse merkityksellisin menetelmä ja selitä miksi.”
Työkalujen hallinnan palauttaminen
Mallin päätösvallan antaminen on kätevää, mutta joskus tiedät jo, mikä työkalu sopii – ja sen kertominen on tehokkaampaa kuin sen antaminen tutkia asiaa. Voit siis rajoittaa sitä: “Älä etsi verkosta, analysoi vain liitetyn tiedoston dataa ja anna johtopäätöksesi yksinomaan tämän datan pohjalta” tai “Älä suorita koodia tähän kysymykseen. Päättele vain antamieni tietojen pohjalta.”
Pitkissä työnkulkuissa lisää tarkistuspisteitä sen sijaan, että käynnistäisit kaiken yhdessä blokissa: “Vaihe 1: laske perusmittarit ja näytä minulle tulokset ennen jatkamista. Vaihe 2 (validointini jälkeen): rikasta verkkodatalla. Vaihe 3: tuota lopullinen raportti.” Tämä pitää sinut kykenevänä pysäyttämään prosessin ennen kuin virhe leviää kalliisiin vaiheisiin.
Visualisoinnit, jotka vaativat harkintaa
Päättelyn ja koodin suorituksen yhdistelmä loistaa erityisesti silloin, kun itse visualisointi edellyttää päätöksiä: mikä kaaviotyyppi, mitkä kynnykset, mikä korostus.
“Tässä on suorituskykydatani (Excel). Luo yksisivuinen kojelauta, jossa on: (1) kullekin mittarille merkityksellisin kaavio – valitse kaaviotyyppi itse datan luonteen perusteella, (2) poikkeamien automaattinen korostus, (3) vihreä/keltainen/punainen värikoodi kynnysarvojen perusteella, jotka määrität datajakauman pohjalta.”
Malli pohtii optimaalista kaaviotyyppiä mittari kerrallaan, laskee tilastollisesti merkitykselliset kynnykset keksimisen sijaan ja tuottaa vastaavan koodin. Tämä on täsmälleen sitä työtä, jonka analyytikko tekisi ennen editorinsa avaamista.
Sinun vuorosi
Kokonainen työnkulku. Testaa tätä työnkulkua korkealla päättelytasolla (High chatissa, high rajapinnassa).
“Annan sinulle CSV-tiedoston kuukausittaisista kuluista kategorioittain 24 kuukauden ajalta. Haluan:
- Tunnista 3 kategoriaa, joissa kasvu on suurinta (laskenta Pythonilla)
- Etsi kunkin kohdalla, onko kyseessä valtakunnallinen trendi vai tapaukselleni ominainen ilmiö (verkkohaku)
- Tuota vertailukaavio: kuluni vs. valtakunnallinen trendi (Python)
- Kirjoita yhteenveto suosituksineen (puhdas päättely) Esittele kunkin vaiheen tulos.”
Harjoituksen aikana kiinnitä huomiota siihen, mitä tapahtuu, kun koodin suoritus epäonnistuu. Malli voi yrittää uudelleen itsestään, mikä on hyvä asia; mutta jos ongelma on datassasi, mikään uudelleenkirjoitus ei korjaa sitä: tarkista tiedosto sen sijaan, että käynnistäisit kaiken alusta. Ja jos pyyntö muuttuu liian raskaaksi, pilko se vaiheisiin, jotka validoidaan yksi kerrallaan.
Viralliset lähteet: Päättelymallit (OpenAI API: ponnistelutasot, päättelykohteiden palauttaminen funktiokutsuissa) · Ohjelmallinen työkalukutsu · Data-analyysi ChatGPT:llä (koodin suoritus ChatGPT:ssä) · Mallit (Ultra)
Keskeiset asiat
- Riittävällä ponnistelutasolla päättely ohjaa työkaluja strategisesti, ei mekaanisesti
- Kolme avainmallia: haku, analyysi sitten koodi; data, koodi sitten haku; iteratiivinen koodi
- Rajapintapuolella palauta päättelykohteet funktion tulosten kanssa ja harkitse ohjelmallista työkalukutsua
- Voit pakottaa tai rajoittaa työkalujen käyttöä tarpeidesi mukaan
- Lisää tarkistuspisteitä pitkisiin työnkulkuihin hallinnan säilyttämiseksi