Gadījumi no prakses
Šajā lapā
Koda izpilde ražošanas vidē
Šī noslēdzošā nodarbība aptver praktiskus koda izpildes gadījumus, lai sniegtu tev skaidru priekšstatu par to, ko vari izveidot. Katrs piemērs ilustrē konkrētu pielietojuma jomu ar atbilstošu uzdevumu (prompt) un loģiku.
Finanšu analīze
Portfeļa optimizācija
Koda izpilde ir īpaši piemērota finanšu modelēšanai. Smilškaste (sandbox) ietver NumPy un SciPy, kas veic nepieciešamos optimizācijas aprēķinus:
input_text = """
Portfolio of 5 assets with the following monthly returns (12 months):
Asset A: [2.1, -0.5, 1.8, 3.2, -1.1, 2.5, 0.8, 1.2, -0.3, 2.8, 1.5, 0.9]
Asset B: [1.5, 0.2, 2.1, 1.8, 0.5, 1.2, 2.3, -0.1, 1.6, 0.8, 1.9, 2.2]
Asset C: [-0.3, 3.5, -1.2, 4.1, -0.8, 2.9, -0.5, 3.2, -1.0, 3.8, -0.2, 2.7]
Asset D: [0.8, 0.9, 0.7, 1.1, 0.6, 0.8, 1.0, 0.5, 0.9, 0.7, 1.2, 0.8]
Asset E: [3.5, -2.1, 4.2, -1.5, 3.8, -0.9, 2.7, -1.8, 3.1, -0.5, 4.5, -1.2]
Calculate:
1. The correlation matrix between assets
2. The minimum variance portfolio
3. The optimal portfolio (maximum Sharpe ratio, risk-free rate = 4% annual)
4. The efficient frontier (10 points)
Present allocations as percentages.
"""
Modelis uzrakstīs kodu, izmantojot NumPy korelācijas matricas aprēķinam un SciPy ierobežotai optimizācijai.
Šarpa rādītājs un riska indikatori
input_text = """
Daily returns of a fund over 20 days:
[0.12, -0.05, 0.08, 0.15, -0.03, 0.22, -0.11, 0.06, 0.09, -0.07,
0.14, 0.03, -0.08, 0.18, 0.01, -0.04, 0.11, 0.07, -0.02, 0.13]
Calculate the Sharpe ratio, Sortino ratio, Value at Risk (95%),
and maximum drawdown. Annual risk-free rate = 4%.
"""
Statistiskā analīze
Hipotēžu pārbaude
SciPy ļauj veikt stingrus statistikas testus:
input_text = """
Group A (treatment): [85, 88, 91, 87, 93, 89, 86, 92, 90, 88]
Group B (control): [78, 82, 80, 85, 79, 83, 81, 77, 84, 80]
Perform a Student's t-test to determine if the difference between
the two groups is statistically significant (alpha = 0.05).
Include hypotheses, test statistic, p-value, and conclusion.
"""
Regresija un prognozēšana
input_text = """
Monthly sales data (in thousands of euros):
Month (x): [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
Sales (y): [45, 52, 48, 61, 55, 67, 72, 68, 75, 80, 78, 85]
1. Perform linear regression
2. Calculate R² and standard error
3. Predict sales for months 13, 14, 15
4. Test if the trend is significant
"""
Zinātniskie aprēķini
Diferenciālvienādojumu risināšana
input_text = """
Solve the second-order differential equation:
y'' + 2y' + 5y = 0
Initial conditions: y(0) = 1, y'(0) = 0
Interval: t from 0 to 10
Plot the solution and identify the behavior (damped oscillation,
critical, overdamped).
"""
Montekarlo simulācijas
input_text = """
Monte Carlo simulation to estimate the probability that a project
is profitable.
Parameters (normal distributions):
- Monthly revenue: mean = €50,000, std dev = €10,000
- Monthly fixed costs: €30,000
- Variable costs: 15% to 25% of revenue (uniform)
- Project duration: 12 months
Run 10,000 simulations. Calculate the probability of profitability
and the net profit distribution. Present the 5th, 50th, and 95th percentiles.
"""
Datu apstrāde un attīrīšana
input_text = """
Raw data (CSV with common issues):
name,age,salary,city
Alice,32,45000,Paris
Bob,,52000,Lyon
Charlie,28,NA,Marseille
Diana,45,62000,paris
Eve,33,48000,LYON
Frank,-5,55000,Toulouse
Grace,29,999999,Bordeaux
1. Identify and handle missing values
2. Correct inconsistencies (negative age, outlier salary)
3. Normalize city names (consistent casing)
4. Calculate descriptive statistics on cleaned data
5. Document each transformation performed
"""
Pilnīga darbplūsmas arhitektūra
Lietojumprogrammām ražošanas vidē apvieno rīkus strukturētā darbplūsmā:
- Tīmekļa meklēšana iegūst aktuālus datus (cenas, rādītājus, ziņas).
- Koda izpilde analizē iegūtos datus (aprēķini, statistika, diagrammas).
- Tava lietotne formatē un prezentē rezultātus lietotājam.
Šis modelis attiecināms uz daudzām jomām: finansēm, konkurences izlūkošanu, tirgus analīzi un automatizētu ziņošanu.
Galvenās atziņas
- Koda izpilde ir nepārspējama finanšu analīzē (Šarpa rādītājs, portfeļa optimizācija, VaR).
- Statistiskie testi un regresijas ir dabisks pielietojums, izmantojot SciPy.
- Montekarlo simulācijas darbojas efektīvi smilškastes atmiņas limitu ietvaros.
- Datu attīrīšana, izmantojot Pandas, ir praktisks ikdienas uzdevums.
- Apvieno Tīmekļa meklēšanu + Koda izpildi, lai izveidotu pilnīgas automatizētas darbplūsmas.
- Lai iegūtu labākus rezultātus, nodrošini strukturētus datus un precīzus norādījumus.
Pārbaudi savas zināšanas
Tīmeklis, X, kods: Grok servera rīki piecos pārbaudes punktos.
1. Kādas ir divas Grok rīku kategorijas?
Atbilde: Integrētie rīki, kurus servera pusē izpilda xAI (tīmekļa meklēšana, X meklēšana, koda izpilde), un tavas pielāgotās funkcijas, ko izpilda tavs kods – divas pasaules, kas apvienojas.
2. Kā darbojas integrēta rīka izpildes plūsma?
Atbilde: Piecos soļos servera pusē: modelis pieņem lēmumu, rīks tiek izpildīts pie xAI, rezultāti tiek atgriezti modelim, kas sniedz atbildi – tu saņem galīgo atbildi ar izsekojamību un citātiem.
3. Ko ļauj darīt Tīmekļa un X meklēšanas filtri?
Atbilde: Avotu ierobežošanu: atļautās domēna zonas tīmeklī, lietotājvārdi un datumi platformā X – tiek kontrolēta aktualitāte un uzticamība, bet citāti dokumentē katru atbildi.
4. Ko spēj veikt Koda izpilde?
Atbilde: Izpildīt Python kodu smilškastē – pieejamas bieži lietotās bibliotēkas, stingri drošības ierobežojumi: aprēķini, transformācijas un verifikācijas tiek deleģētas precīzam kodam.
5. Kas jāuzrauga attiecībā uz izmaksām?
Atbilde: Katrs rīka izsaukums tiek tarifēts papildus tokeniem: mērķē meklēšanu, ierobežo dziļumu un aktivizē tikai tos rīkus, kas ir noderīgi konkrētajam pieprasījumam.
Servera iespējas ir gatavas lietošanai uzreiz, ko kontrolē tavi filtri un budžets: integrētie rīki pārvērš Grok par aģentu – tu paliec režisors.