Analīze un lēmumu pieņemšana
Šajā lapā
Nodarbība atjaunināta 2026. gada 2. novembrī. Sākotnējos piemēros tika izmantots Magistral, kas tika izslēgts no aprites 2026. gada 31. jūlijā. Tagad tajos tiek izmantots Mistral Small 4 (
mistral-small-2603) vai Mistral Large 4 (mistral-large-4-0) ar parametrureasoning_effort="high", un atbilde tiek parsēta, izmantojot funkcijuseparerno 3. nodarbības. Avots: Reasoning (Mistral Documentation).
Spriešana lēmumu pieņemšanas atbalstam
Būsim godīgi, pirms ķeramies pie tehnikas: modelis tavā vietā lēmumu nepieņems, un tas arī nav mērķis. Ko spriešana dod lēmumu pieņemšanai, ir tas pats, ko nodrošina labs konsultants – skaidrību. Kritēriji, kas palika netieši izteikti, scenāriji, caur kuriem neesi gājis, riski, ko neviens nepieminēja: tas viss, izklāstīts melns uz balta, atstāj galīgo izvēli tev, bet daudz labāk informētam.
Sarežģīti lēmumi prasa daudzkritēriju analīzi, dažādu perspektīvu izvērtēšanu un spēju novērtēt kompromisus. Tie ir uzdevumi, kuros strukturēta spriešana sniedz ievērojamu vērtību salīdzinājumā ar intuitīvu atbildi.
Strukturēta salīdzinošā analīze
Spriešana ļauj veikt metodisku salīdzināšanu:
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
comparison = """My team needs to choose between PostgreSQL and MongoDB for a new application.
Context:
- B2B SaaS project management application
- 500 initial users, target of 10,000 in 2 years
- Structured data (users, projects, tasks) + free-text comments
- Team of 4 developers, all experienced in SQL
- Limited server budget (startup)
Analyze both options and recommend the best one."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior technical consultant.
ANALYSIS METHOD:
1. Identify relevant decision criteria
2. Evaluate each option against each criterion
3. Weight criteria based on context
4. Identify risks for each option
5. Formulate an argued recommendation
REFLECTION:
Explore trade-offs. Consider short-term and long-term implications.
RESPONSE:
Clear recommendation with justification, risk mitigation plan."""},
{"role": "user", "content": comparison}
],
)
Scenāriju analīze
Spriešana ir īpaši efektīva, lai izpētītu dažādu izvēļu sekas:
scenario = """Our startup (15 employees, $2M ARR) received two offers:
1. Series A funding round of $5M from a VC with 25% dilution
2. Acquisition offer of $12M by a large group (3-year earn-out)
Analyze both scenarios and their implications."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Strategic analyst.
For each scenario, evaluate:
- Financial impact at 1 year, 3 years, 5 years
- Impact on decision-making autonomy
- Risks and probability of realization
- Impact on team and culture"""},
{"role": "user", "content": scenario}
],
)
Paraugs: Automatizēta lēmumu matrica
Tu vari automatizēt lēmumu matricu veidošanu:
def decision_matrix(client, options, criteria, context):
"""Generates a structured decision matrix."""
options_text = "\n".join(f"- {opt}" for opt in options)
criteria_text = "\n".join(f"- {crit}" for crit in criteria)
prompt = f"""Context: {context}
Options to evaluate:
{options_text}
Evaluation criteria:
{criteria_text}
For each option, rate each criterion on a scale of 1 to 5.
Justify each rating.
Calculate the total weighted score.
Recommend the optimal option."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Decision analysis expert. Be objective and rigorous in your evaluations."},
{"role": "user", "content": prompt}
],
)
return separer(response.choices[0].message.content)[1] # the response, without the reasoning
# Example: framework selection
result = decision_matrix(
client,
options=["React + Next.js", "Vue + Nuxt", "Svelte + SvelteKit"],
criteria=[
"Learning curve",
"Ecosystem and community",
"Performance",
"Developer recruitment",
"Long-term maintainability"
],
context="Redesign of a B2C e-commerce site, team of 3 junior devs"
)
Risku analīze
Strukturēta spriešana ir ideāli piemērota risku identificēšanai un novērtēšanai:
risk_analysis = """We plan to migrate our production database
(50 GB, 200 tables, 15 connected applications) from MySQL 5.7 to PostgreSQL 16.
Identify all risks associated with this migration and propose a mitigation plan."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """Senior DBA and system architect.
RISK ANALYSIS:
For each identified risk, specify:
- Probability (low/medium/high)
- Impact (low/medium/critical)
- Mitigation plan
- Rollback plan"""},
{"role": "user", "content": risk_analysis}
],
)
Kompromisu novērtēšana
Tehniskie lēmumi bieži vien ietver kompromisus. Spriešana palīdz tos padarīt skaidrus:
tradeoff = """Microservices vs. monolithic architecture for our application:
Our situation:
- Team of 6 developers
- HR management application
- 3 modules: recruitment, payroll, leave management
- Deployment on Kubernetes
- Need for independent module updates
Analyze the trade-offs of each approach."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": tradeoff}]
)
Paraugs: Advokāta loma (Devil’s Advocate)
Šis ir visvērtīgākais paraugs šajā nodarbībā, jo tas labo aizspriedumu, kas piemīt ikvienam: tiklīdz lēmums ir pieņemts, mēs meklējam tikai apstiprinājumu. Tieša prasība modelim uzbrukt lēmumam – atrodot vājās vietas, neveiksmes scenārijus, trauslus pieņēmumus – liev tev dzirdēt to, ko neviens kolēģis neuzdrošinās teikt un ko tu pats vairs nestāsti sev:
def challenge_decision(client, decision, context):
"""Plays devil's advocate on a decision."""
prompt = f"""A team has made the following decision:
DECISION: {decision}
CONTEXT: {context}
Play devil's advocate:
1. Identify the 5 main arguments AGAINST this decision
2. For each argument, assess its severity (1-5)
3. Propose conditions under which this decision would be catastrophic
4. Suggest necessary safeguard measures
5. Conclude: Is the decision solid despite the counter-arguments?"""
return client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "Critical analyst. Be incisive but constructive."},
{"role": "user", "content": prompt}
],
)
Small 4 vai Large 4 analīzei?
Pareizais reflekss ir saskaņot modeli ar lēmuma kritiskumu un atgriezeniskumu. Vienkāršai salīdzināšanai starp divām opcijām ar skaidriem kritērijiem, ātram novērtējumam vai lēmumam, ko vari labot nākamnedēļ, Mistral Small 4 režīmā high strādā ļoti labi par zemākām izmaksām. Tomēr, tiklīdz analīze kļūst daudzkritēriju ar apstrīdamiem svariem, lēmums ir stratēģisks un grūti atgriezenisks (arhitektūras izvēle, migrācija uz produkciju, finanšu arbitrāža) vai scenārijs ietver reālu nenoteiktību, izmēģini Mistral Large 4 režīmā high. Spējīgākam modelim ir lielāka iespēja izdarīt atšķirību, pētot kompromisus un nelabvēlīgus gadījumus, taču tikai salīdzinājums ar taviem pašiem gadījumiem parādīs, vai papildu izmaksas ir attaisnotas.
Galvenās atziņas
- Spriešana pārvērš lēmumu analīzi strukturētā un atkārtojamā procesā
- Izmanto sistēmas uzvedni, kas nosaka analīzes metodi (kritēriji, svērumi, riski)
- Lēmumu matricas un scenāriju analīze gūst milzīgu labumu no spriešanas
- Paraugs „advokāta loma” izmanto spriešanu, lai izaicinātu tavus lēmumus
- Pielāgo modeli lēmuma kritiskumam: Small 4 ikdienas uzdevumiem, Large 4 stratēģiskiem lēmumiem (pēc testēšanas)