Я раньше не понимал, почему так много людей расстраиваются из-за того, что LLM, такие как Cursor и ChatGPT, иногда «галлюцинируют» или совершают ошибки. Они волшебные супераналитики... так что, если они делают несколько ошибок, что с того? Я считаю, что базовый контроль качества, триангуляция и связывание могут помочь вам найти эти ошибки. Я работал в нескольких частных инвестиционных компаниях до Theia, где контроль качества (т.е. обеспечение того, чтобы модель ассоциата не была сломана) был огромной частью роли. Новички-аналитики совершают много ошибок. Моя любимая фраза (в 2 часа ночи) была: "хорошая работа, но каждое число на этой странице неверно." Я считал это утомительным и скучным, но это была абсолютно критическая часть работы. Я никогда не думал об этом как о навыке раньше, но теперь я использую его каждый день с LLM. Я на самом деле не думаю, что LLM перестанут делать ошибки совсем, так что это теперь основной навык для вас. Я нашел несколько лучших техник контроля качества — 1. Просто просмотрите модель / код. Вы научитесь находить много ошибок таким образом. 2. Базовая триангуляция (например, 45% IRR неверно, продажи пиццы в США не могут составлять $50B, потому что у Domino's $18B, и нет шансов, что они делают 40%) 3. Связывайте числа внутри модели друг с другом (например, если рынок растет на 50%, а мы увеличиваем долю рынка с 5 до 10%, почему мы не растем на 100%? Проверьте эти числа) 4. Связывайте с предыдущими анализами (например, наш доход за 2028 год был $120M в предыдущей модели, а сейчас $144M... Что конкретно произошло? О, мы подняли цену за единицу с $10 до $12, хорошо) На самом деле, это сводится к тому, чтобы посмотреть на число на странице и подумать о нем пять минут, прежде чем просто принять модель. Это довольно очевидно, но я публикую это на случай, если это поможет кому-то.