OpaGPT ИИ для ML-инженера в финтехе: конструктор промптов
ML-инженер в финтехе ежедневно решает задачи: от очистки транзакционных данных до построения скоринг-моделей. Промпт-инжиниринг ускоряет рутину, но требует точности. Разбираем структуру эффективного запроса и даем шаблоны.
Анатомия эффективного промпта
Промпт для финтех-задач должен содержать 5 блоков:
- Роль — задает контекст (например, «ты — риск-аналитик»).
- Задача — конкретный глагол: «напиши код», «объясни метрику».
- Данные — формат, поля, ограничения (например, «CSV с колонками amount, age»).
- Ограничения — запреты: «не используй sklearn», «учти регуляторные требования».
- Формат ответа — структура вывода: «JSON с полями precision, recall».
Плохой промпт: «Как сделать фичи?» Хороший: «Ты — ML-инженер. Сгенерируй 5 фич для детекции мошенничества на основе суммы и времени транзакции. Формат: список с формулами. Учти, что данные зашумлены».
Готовые шаблоны с настройкой
Шаблон 1. Генерация кода для препроцессинга
Промпт: «Ты — Python-разработчик. Напиши функцию для обработки пропусков в pandas DataFrame. Вход: df с колонками [amount, age, income]. Выход: df без пропусков, где amount заполнен медианой, age — средним, income — нулем. Добавь docstring и обработку исключений».
Настройка: замените колонки и стратегии заполнения. Для финтеха важно указывать тип данных (float, int) и допустимые диапазоны.
Шаблон 2. Интерпретация метрик модели
Промпт: «Ты — риск-аналитик. У меня AUC-ROC = 0.82, precision = 0.75, recall = 0.60 на тесте. Объясни, почему recall низкий, и предложи 3 способа улучшить его без падения precision. Ответ в виде нумерованного списка с обоснованием».
Настройка: подставьте свои метрики. Добавьте контекст: «данные несбалансированы (1% мошеннических)» — это меняет рекомендации.
Шаблон 3. Создание SQL-запроса для витрины данных
Промпт: «Ты — аналитик данных. Напиши SQL-запрос для PostgreSQL: вывести сумму транзакций по клиентам за последний месяц, где сумма > 10000. Таблица transactions: id, client_id, amount, date. Сгруппируй по client_id, отсортируй по сумме DESC. Учти индексы».
Настройка: укажите СУБД (PostgreSQL, ClickHouse) и требования к производительности (например, «используй оконные функции»).
Сравнительная таблица: шаблоны промптов
| Шаблон | Когда использовать | Ключевые параметры настройки |
|---|---|---|
| Код препроцессинга | Быстрая очистка данных | Колонки, стратегии заполнения, типы данных |
| Интерпретация метрик | Анализ результатов модели | Значения метрик, дисбаланс классов, бизнес-контекст |
| SQL-запрос | Извлечение данных из БД | Схема таблиц, условия фильтрации, СУБД |
Сравнение подходов к промптам
| Подход | Плюсы | Минусы |
|---|---|---|
| Одноразовый промпт | Быстро, просто | Нет контекста, результат нестабилен |
| Итеративный (с уточнениями) | Точнее, учитывает обратную связь | Требует времени, больше токенов |
| Промпт с примерами (few-shot) | Максимальная точность для сложных задач | Нужно готовить примеры, дорого |
Для финтеха критична воспроизводимость — фиксируйте промпты в версионируемых файлах (например, YAML) и тестируйте на подвыборке данных.