ИИ для ML-инженер в маркетплейсах

ИИ для ML-инженера в маркетплейсах: конструктор промптов

ML-инженер на маркетплейсе ежедневно решает задачи ранжирования, прогнозирования спроса, антифрода и персонализации. Промпт-инжиниринг позволяет ускорить эти процессы, но только при условии грамотной формулировки запроса. Разберём анатомию эффективного промпта и предложим готовые шаблоны.

Структура эффективного промпта

Промпт для ML-задачи должен содержать пять обязательных блоков:

1. Роль — задаёт контекст (например, «ты — senior ML-инженер»).
2. Задача — конкретное действие (напиши код, объясни метрику).
3. Данные — формат входных данных (схема табл��цы, примеры).
4. Ограничения — бюджет, точность, допустимые библиотеки.
5. Формат ответа — структура вывода (JSON, таблица, код с комментариями).

Пример слабого промпта: «Помоги с ранжированием». Пример сильного: «Ты — ML-инженер. Разработай функцию на Python для ранжирования товаров по CTR, используя признаки из таблицы (user_id, item_id, price, category). Ограничение: только библиотеки pandas и numpy. Выведи код и объясни выбор метрики».

Готовые шаблоны промптов

Шаблон 1: Генерация кода для фичей

Промпт: «Ты — ML-инженер. Создай Python-функцию для вычисления скользящего среднего цены товара за 7 дней. Вход: DataFrame с колонками date, item_id, price. Выход: DataFrame с новой колонкой rolling_price. Учти пропуски. Используй pandas. Добавь docstring».

Настройка: меняйте окно (7→14), агрегацию (mean→median), добавляйте группировку по item_id.

Шаблон 2: Выбор модели и метрик

Промпт: «Ты — ML-инженер. Для задачи прогнозирования спроса на маркетплейсе (данные: daily_sales.csv с колонками date, sku, sales) предложи 3 модели. Сравни их по метрикам MAE, RMSE, MAPE. Учти сезонность. Ответ оформи в виде таблицы с колонками: модель, MAE, RMSE, MAPE, скорость обучения».

Настройка: укажите горизонт прогноза (7/30 дней), добавьте внешние признаки (праздники, промо).

Шаблон 3: Оптимизация гиперпараметров

Промпт: «Ты — ML-инженер. Напиши код на Python для подбора гиперпараметров LightGBM с помощью Optuna. Данные: X_train, y_train. Целевая метрика — ROC-AUC. Ограничение: 50 trials, timeout 10 минут. Выведи лучшие параметры и важность признаков».

Сравнительная таблица: подходы к промптам

Настройка промптов под свои данные

Чтобы адаптировать шаблон, следуйте правилам:

• Всегда указывайте схему данных (колонки, типы).
• Добавляйте примеры входных/выходных данных (few-shot).
• Уточняйте целевую метрику и порог качества.
• Просите объяснить выбор решений — это повышает надёжность.

Сравнение инструментов для промптов

Используйте конструктор промптов как основу, но всегда проверяйте результаты на валидационных данных. Итеративное уточнение запроса — ключ к стабильному качеству.