Раніше мене бентежило, чому так багато людей засмучуються через те, що такі LLM, як Cursor і ChatGPT, іноді галюцинують або роблять помилки. Вони чарівні супер аналітики ... А раптом вони зроблять кілька помилок. Я вважаю, що базовий контроль якості, тріангуляція та мостове з'єднання можуть допомогти вам знайти ці помилки. До Тейї я працював на кількох посадах у сфері прямих інвестицій, де контроль якості (тобто забезпечення того, щоб модель співробітника не була порушена) була величезною частиною ролі. Свіжі аналітики припускаються великої кількості помилок. Мій улюблений рядок (о 2 годині ночі) був такий: «Хороша робота, але кожне число на цій сторінці неправильне». Я вважав це нудним і нудним, але це була абсолютно важлива частина роботи. Я ніколи раніше не думав про це як про навичку, але я виявляю, що використовую її щодня з LLM. Насправді я не думаю, що LLM перестануть робити помилки разом, тому зараз це основна навичка для вас. Я знайшов кілька найкращих методів контролю якості — 1. Просто прогляньте модель / код. Так ви навчитеся знаходити багато помилок. 2. Базова тріангуляція (наприклад, 45% IRR неправильний, продажі піци в США не можуть становити 50 мільярдів доларів, тому що Domino's має 18 мільярдів доларів, а вони ніяк не можуть досягти 40%) 3. Мостові числа всередині моделі один з одним (наприклад, якщо ринок зростає на 50%, а ми збільшуємо частку ринку від 5 до 10%, чому ми не зростаємо на 100%? Ідіть перевіряйте ці цифри) 4. Перехід до попередніх аналізів (наприклад, наш дохід у 2028 році становив $120 млн у попередній моделі, а зараз становить $144 млн ... Що конкретно сталося? О, ми підняли ціну за одиницю з $10 до $12 добре) Чесно кажучи, все зводиться до того, щоб подивитися на номер на сторінці і подумати про них протягом п'яти хвилин, перш ніж просто прийняти модель. Це начебто супер очевидно, але публікація на випадок, якщо це комусь допоможе.