OpaGPT ИИ для ML-инженера в интернет-магазинах: конструктор промптов
ML-инженер в e-commerce ежедневно решает задачи прогнозирования спроса, персонализации, поиска аномалий. Эффективный промпт экономит часы на эксперименты. Разберём анатомию промпта и дадим готовые шаблоны.
Структура эффективного промпта
Промпт для ML-задачи должен содержать 5 блоков:
- Роль — кем выступает модель (например, «ты — senior ML-инженер»).
- Контекст — данные о магазине, ассортименте, метриках.
- Задача — конкретный запрос с указанием формата ответа.
- Ограничения — бюджет, время, допустимые библиотеки.
- Пример — ожидаемый вход/выход.
Готовые шаблоны промптов
| Задача | Шаблон промпта |
|---|---|
| Генерация фич | «Ты — ML-инженер. Для интернет-магазина с данными [описание] предложи 10 новых фич для модели прогноза оттока. Укажи тип фичи, формулу и способ расчёта на PySpark». |
| Выбор модели | «Сравни CatBoost и LightGBM для задачи ранжирования товаров. Дай критерии выбора, метрики и код обучения с подбором гиперпараметров». |
| Обработка выбросов | «Предложи метод обработки выбросов в данных о покупках (логарифмирование, IQR, виндсоризация). Приведи код на Python и объясни, как проверить влияние на качество». |
Как настраивать промпты
- Уточняйте метрику: вместо «улучши модель» пишите «увеличь AUC-ROC на 2%».
- Добавляйте формат ответа: «выведи код, затем поясни в 3 пунктах».
- Используйте итеративность: первый промпт — обзор, второй — детализация.
- Включайте антипримеры: «не используй XGBoost, если данные разреженные».
Совет: всегда просите модель объяснить выбор — это выявляет скрытые допущения и делает промпт самодокументируемым.
Пример настройки под задачу
Исходный промпт: «Напиши код для кластеризации товаров». Улучшенный: «Ты — ML-инженер. Для интернет-магазина с 10k товаров (признаки: цена, просмотры, конверсия) выполни кластеризацию методом K-Means. Подбери k по силуэту, визуализируй результат, дай интерпретацию кластеров для маркетинга. Код на Python с библиотеками sklearn, matplotlib».