ИИ для ML-инженер в образовании

ИИ для ML-инженера в образовании: конструктор промптов

ML-инженер в образовании решает нетривиальные задачи: от прогнозирования успеваемости до адаптивной генерации учебных траекторий. Ключевой навык — умение формулировать запросы к LLM так, чтобы получать не «сырой текст», а структурированный код, синтетические данные или план эксперимента. Разберем анатомию эффективного промпта и дадим шаблоны.

Анатомия эффективного промпта

Промпт для ML-задачи должен содержать 5 обязательных блоков. Пропуск любого из них ведет к «галлюцинациям» модели.

1. Роль и контекст: «Ты — senior ML-инженер с опытом в edtech».
2. Задача и формат вывода: «Сгенерируй Python-код с использованием pandas и sklearn».
3. Ограничения и метрики: «Без внешних зависимостей, целевая метрика — F1-score».
4. Пример (few-shot): «Вот пример входных данных и ожидаемого результата».
5. Критерии проверки: «Добавь docstring и обработку пропусков».

Правило: чем специфичнее ограничения, тем выше вероятность получить рабочий код с первого раза.

Шаблоны запросов с пояснением настройки

1. Генерация синтетических данных для датасета

Шаблон: «Сгенерируй 500 строк синтетических данных для задачи классификации студентов на группы риска. Признаки: посещаемость, время на платформе, баллы за тесты. Добавь шум и дисбаланс классов 80/20. Выведи код на Python с использованием numpy.random».
Настройка: меняйте тип дисбаланса (80/20, 95/5) и корреляцию признаков (указать: «сделай посещаемость сильно коррелирующей с баллами»).

2. Автоматическая генерация фич-инжиниринга

Шаблон: «Предложи 10 новых фич для датасета логов LMS (learning management system). Учитывай временные ряды и сезонность. Для каждой фичи дай SQL-запрос и обоснование».
Настройка: добавьте тип модели («для градиентного бустинга») или ограничение по времени («только фичи, которые можно посчитать за O(n)»).

3. Объяснение результатов модели (XAI)

Шаблон: «У меня есть модель RandomForest с accuracy 0.85. Дай интерпретацию SHAP-значений для конкретного студента. Напиши, какие 3 фичи повлияли на решение и почему. Формат: JSON с ключами feature, value, impact».
Настройка: укажите тип объяснения («для родителя студента» — без жаргона, или «для коллеги» — с математикой).

4. Построение пайплайна обучения

Шаблон: «Создай sklearn Pipeline для предобработки и обучения модели. Включи: OneHotEncoder, StandardScaler, LogisticRegression. Добавь GridSearchCV с 5-fold кросс-валидацией. Выведи полный код».
Настройка: замените модель на CatBoost или добавьте кастомный трансформер («напиши класс для удаления выбросов по IQR»).

Таблица настройки параметров промпта

Типичные ошибки

• Запрос без примера данных — модель генерирует абстрактный код.
• Игнорирование версии библиотек — указывайте «sklearn 1.3».
• Отсутствие обработки ошибок — добавьте «оберни в try/except».

Используйте конструктор как чек-лист: роль → задача → формат → ограничение → пример. Это сократит время итераций на 60%.