Tekoäly liiketoiminnassa

Tiimin tekoälyn käyttöönoton käsikirjan suunnittelu

Käytännöllinen tekoälyn käyttöönoton käsikirja: valitse rajatut käyttötapaukset, osallista työntekijät, joihin muutos vaikuttaa, määritä tietojen ja päätöksenteon säännöt, harjoittele todellisilla työtehtävillä ja vertaa vaikutusta lähtötasoon.

Tekoälyn ROI ja kypsyys: miten mitata käyttöönottoa, joka todella toimii

Tekoälyn käyttöönottoa ei pidä mitata sillä, kuinka moni on kokeillut ChatGPT:tä. Käytännön kehikko työnkulun tuoton, laadun, riskin, kypsyyden ja skaalausvalmiuden mittaamiseen.

Tekoälyjärjestelmä: rakentaa vai ostaa? Käytännön päätöskehikko

Vertaa ostamista, määrittämistä, laajentamista, rakentamista ja itseisännöintiä samoilla vaatimuksilla, poissulkevilla ehdoilla, edustavalla kokeilulla ja kokonaiskustannusmallilla.

Lisää tässä aiheessa

DGX Spark: mikä se on, kenelle se sopii ja mitä se muuttaa paikallisten agenttien ajamisessa

Realistinen arvio NVIDIA DGX Sparkista: NVIDIAn ilmoittamat Grace Blackwell GB10 -tekniset tiedot, koherentti yhtenäismuisti, ConnectX-7-klusterointi ja tilanteet, joissa työpöydälle sijoitettava agenttipalvelin on perusteltu yksityisen tekoälyn valinta.

Yhdistä Codex, Claude Code ja Cursor yhdeksi CLI-tiimiksi

Käytä AGENTS.md- ja CLAUDE.md-tiedostoja, Cursorin sääntöjä ja komentorivin ei-vuorovaikutteisia tiloja niin, että Codex suunnittelee, Claude tarkastaa ja Cursor toteuttaa ilman erillistä orkestrointialustaa.

15 min lukemista

Moniagenttisen projektin hallinta Linearilla: Claude, Cursor ja Codex samassa työjonossa

Hyödynnä Claude Codea, Cursoria ja Codexia samassa Linear-projektissa kuin ohjelmistokehitystiimiä: varaa tehtävä, merkitse eteneminen, luovuta työ tarkastettavaksi, korjaa löydökset ja sulje tehtävät ilman päällekkäistä työtä.

8 min lukemista

Työn arvokkuus, kun koneet tekevät siitä yhä suuremman osan

Käytännöllinen arviointimalli työn uudelleensuunnitteluun pk-yritysten johdolle. Tarkastele henkilöstön vaikutusmahdollisuuksia, työntekijöille jäävää harkintavaltaa, osaamispolkuja, työkuormaa, seurantaa ja muutoksenhakua ennen kuin julistat automaation onnistuneeksi.

8 min lukemista

Mitä kertoa tiimille, kun automatisoit osan heidän työstään

Käytännöllinen viestintämalli automaatiohankkeisiin: mitä kertoa ennen päätösten lukitsemista, millaiset sitoumukset rakentavat luottamusta ja mitä esihenkilöiden ei pidä luvata.

32 minuuttia

Näin rakennat ihmiskeskeisiä tekoälytyönkulkuja lokalisoinnissa – Shashi Bhushan

Crowdin. Shashi Bhushan aloittaa työnkulun kartoituksesta työkaluvalinnan sijaan, sitten käsittelee lähdetekstin laatua, ihmisen tarkistusta, tekoälyn oikolukua, sanastotarkistuksia, tuotetiimin osallistumista, pilotteja ja tietosuojarajoitteita. Se on lähes tasan toimintamalli, jota artikkeli suosittelee virolaistiimeille, jotka työskentelevät viron, englannin, venäjän, suomen ja asiakaskohtaisen terminologian yli.

4 minuuttia

Esittelyssä EmbeddingGemma: paras avoin malli laitteen sisäisiin upotuksiin

Google for Developers. Video esittelee monikielisiä tekstin upotuksia, joita voi ajaa paikallisesti ja jotka tukevat semanttista hakua ja RAG:ia ilman jokaisen asiakirjan lähettämistä isännöityyn API:in. Virolaisyrityksille se on hyödyllinen tekninen täydennys artikkelin sisäisen tietämyksen haun malliin: monikielinen haku on arvokasta vain, kun se myös kunnioittaa tietojen sijaintia, käyttöoikeuksia ja lähteen auktoriteettia.

17 minuuttia

Conductorin toimitusjohtaja Charlie Holtz esittelee tekoälykoodausasetuksensa

Y Combinator. Konkreettinen seniorisuunnittelun läpikäynti paneelin sijaan: Holtz vertaa Claude Codea ja Codexia, ohjaa useita koodausagentteja rinnakkain ja merkitsee ”slop-free zones” -alueita, joihin generoitua koodia ei saa laskea katselmoimatta. Asetelma ilmentää artikkelin sääntöjä — repositoriokonteksti, pienet katselmoitavat patchit ja ihminen arkkitehtina agenttien kirjoittaessa.

56 minuuttia

Tekoälyagentit taloudessa HPE:n talousjohtajan (CFO) kanssa

CXOTalk. HPE:n talousjohtaja Marie Myers kuvaa yhtiön ”Alfred”-alustan käyttöönottoa 3 600 hengen talousorganisaatiossa. Hän käsittelee suoran ja epäsuoran ROI:n erottamista, vaiheportteja, joissa käyttötapaus joko jatkuu tai pysähtyy, ihmisen sisältävää laadunvalvontaa sekä työnkulkutason mittareita. Yhtenä yrityksen raportoimana esimerkkinä viikoittaisen tarkastusprosessin manuaalisen työn kerrotaan vähentyneen noin 90 %. Käyttöönottoa mitataan työn muutoksena, ei vain työkalun kirjautumiskertoina.

41 minuuttia

Yksityinen tekoäly vai pilvi: miten yritysjohto tekee parempia rakentamis- tai ostopäätöksiä

World Wide Technology. Video yhdistää rakentamista tai ostamista koskevat valinnat liiketoimintatuloksiin, työkuormien sijoitteluun, pilvikustannuksiin, tietojen sijaintiin, tietoturvaan, infrastruktuurivalmiuteen ja hybridimallin operointiin. Se auttaa arvioimaan, milloin kannattaa ostaa työkalu, laajentaa nykyistä alustaa, rakentaa pieni räätälöity kerros tai ottaa suurempi osa järjestelmästä omaan hallintaan.

Monikieliset tekoälytyönkulut virolaisyrityksille

Käytännöllinen työnkulkumalli virolaisyrityksille, jotka palvelevat asiakkaitaan viroksi, englanniksi, venäjäksi, suomeksi ja muilla kielillä säilyttäen sävyn, termistön, tietosuojan ja vastuunjaon.

Tekoälynatiiviset IDE:t ja repositoriotietoiset koodaustyönkulut

Cursor, Copilot, Claude Code ja repositoriotietoiset agentit muuttavat ohjelmistotyötä vain, jos tiimit asettavat niille rajat. Käytännön työnkulku koodikannan kontekstiin, suunnitteluun, testeihin, katselmointiin, salaisuuksiin ja tuotantoturvallisuuteen.

EU:n tekoälysäädös pk-yrityksille: käytännön hallintasuunnitelma

EU:n tekoälysäädös ei ole vain suuria toimittajia koskeva oikeudellinen kysymys. Käytännön suunnitelma auttaa pk-yritystä järjestelmäluettelon, riskiluokituksen, ihmisen valvonnan, avoimuuden, toimittajatietojen ja hallitun käyttöönoton järjestämisessä.

Yksityisen tekoälyn käyttöönottomallit: paikallinen, VPC, itseisännöity ja hybridi

Yksityinen tekoäly ei tarkoita yhtä arkkitehtuuria. Käytännön vertailu paikallisista malleista, yritystason SaaS-palveluista, VPC-toteutuksista, itseisännöidystä päättelystä ja hybridimalleista pk-yrityksille, jotka arvostavat tietosuojaa ja hallintaa.

Tekoälymarkkinointipino: sisältö, SEO ja sosiaalinen media ihmisen valvonnan kera

Ehdotuksia tekoälyavusteisiin työnkulkuihin, jotka kattavat luvallisen tutkimuksen, lähteisiin perustuvan luonnostelun, SEO-tarkistuksen, sisältöjen mukauttamisen, ihmisen julkaisuhyväksynnän ja mitattavat tulokset. Tarkista oikeudelliset vaatimukset aluekohtaisesti ennen julkaisua.

11 min lukemista

Tekoälymyyntipino: liidien rikastaminen, personointi ja skaalautuva jälkiseuranta

Käytännöllinen tekoälymyyntipino tutkimukseen, personointiin, viestien ajoittamiseen ja seurantaan ilman, että tuloksena on kaikkien poistamaa roskapostia. Arkkitehtuuri, työkalut, kehotteet ja suojatoimet auttavat erottamaan hyödyllisen yhteydenoton ärsyttävästä.

Kustannusten optimointi päättelyssä: kehotteiden välimuisti, reititys ja tulosteen hallinta

Rakenna jäljitystietoihin perustuva päättelyn kustannusmalli, optimoi mitatusti suurimmat kustannuserät ja todista, että jokainen muutos säilyttää tehtävän laadun.

Eval-arvioinnit muille kuin kehittäjille: tiedä, paraneeko vai heikkeneekö tekoälytyönkulkusi

Käytännön johdatus tekoälytyönkulun arviointiin edustavien esimerkkien, täsmällisten arviointiperusteiden, pätevien luokitusten ja julkaisusääntöjen avulla. Taulukkolaskenta riittää, kun työ voidaan suorittaa toistettavasti käsin.

13 min lukemista

Regressioita todella havaitsevien arviointien rakentaminen

Useimmat arviointikokonaisuudet näyttävät vakuuttavilta mutta eivät havaitse todellisia regressioita. Olennaiset ongelmat havaitsevat arvioinnit edellyttävät huolellisesti rakennettua aineistoa, herkkiä mittareita, arvioijien kalibrointia ja luottamuksen kulttuuria. Näin onnistuneet tiimit toimivat.

14 min lukemista

MCP-palvelimen suunnittelu TypeScriptillä: vähimmäispalvelimesta tuotantokatselmointiin

Rakenna Model Context Protocol -vähimmäispalvelin ja katselmoi sitten skeemat, valtuutus, idempotenssi, havainnoitavuus, käyttöönotto ja tietoturva ennen kuin kutsut ratkaisua tuotantovalmiiksi.

Näin suunnittelet MCP-työkaluja, joita LLM:t käyttävät oikein

Useimmat näkemämme MCP-työkalut ovat teknisesti oikeita mutta käytännössä hyödyttömiä. LLM:t sivuuttavat ne, käyttävät niitä väärin tai kutsuvat niitä hyödyttömillä tavoilla. Näillä periaatteilla suunnittelet työkalut, jotka LLM:t omaksuvat luontevasti, ja korjaat yleiset virheet.

LLM-sovellusten havainnoitavuus: jäljitys, kustannukset, viive ja laadun ajautuminen

Täydennä tavallista havainnoitavuutta monivaiheisilla jäljityksillä, kohdistettavilla kustannuksilla, kehote- ja malliversioilla, arvioiduilla laatusignaaleilla, tietosuojatoimilla sekä työkuormasta johdetuilla hälytyksillä.

Tuotannon RAG-suunnittelu: aineiston tuonti, haku, uudelleenjärjestely ja arviointi

Tuotannon RAG-putkessa on kuusi vaihetta, joiden ratkaisut määrittävät laadun. Arkkitehtuuri, vaihekohtaiset valinnat ja iteratiivinen arviointikuri erottavat toimivan RAG-järjestelmän pettymyksen tuottavasta.

Kehotteiden, RAG:n ja hienosäädön valinta sekä niiden yhdistäminen

Kehotteet, RAG ja hienosäätö ovat kolme keskeistä vipua LLM:n mukauttamiseen. Kukin sopii joihinkin ongelmiin ja huonosti toisiin. Tässä saat valintakehyksen, kunkin realistiset kustannukset ja tuotantomallit, joissa niiden yhdistäminen toimii.

RAG paloja pidemmälle: graafi-RAG, agenttipohjainen RAG ja pitkän kontekstin RAG

Perinteisellä paloihin perustuvalla RAG:lla on rajansa. Graafi-RAG, agenttipohjainen RAG ja pitkän kontekstin RAG ylittävät nämä rajat eri tavoin. Milloin mikäkin niistä on oikea työkalu, miten ne todella toimivat ja mitkä tuotannon kompromissit ovat olennaisia.

13 min lukemista

LLM-tuotteen yksikkötalous: näyttöön perustuva hinnoittelumalli

Selvitä mallin käytön jakauma, katetuotto, virheiden käsittely, tuki ja asiakaspysyvyys ennen hinnan valintaa. Tämä malli korvaa perustelemattomat markkinahaarukat auditoitavilla lähtötiedoilla.

13 min lukemista

Rakenteiset tuotokset ja funktiokutsut: tuotantokäytön mallit

Rakenteiset tuotokset ja funktiokutsut muodostavat sillan ”tekstiä tuottavasta LLM:stä” ”työtä tekeväksi järjestelmäksi”. Tuotannossa olennaisia malleja ovat skeemat, virheenkäsittely, idempotenssi ja hallittu heikentyminen — ei pelkkä JSON-tila.

24 minuuttia

Rakensin tekoälysisältöagentin n8n:llä ja Claudella (askel askeleelta)

Greg Isenberg. Isenberg rakentaa The Boring Marketerin kanssa n8n-työnkulun, joka kerää YouTuben ja X:n menestyneitä julkaisuja, luonnostelee uutta sisältöä Claudella, tekee tutkimusta Perplexityllä, luo kuvia ja vie hyväksytyn julkaisun LinkedIniin. Toteutus havainnollistaa artikkelin kuvaamaa rakennetta, jossa agentti yhdistää useita työkaluja ja ihminen hyväksyy sisällön ennen julkaisemista.

30 minuuttia

Paljastan KAIKKI vibe marketing -salaisuudet (ei portinvartiointia)

Greg Isenberg. Video kartoittaa laajemmin tekoälyavusteista markkinointia: työnkulkuautomaatiota, mallien reititystä, video- ja puhetyökaluja sekä kilpailija-analyysiin perustuvaa mainosten luonnostelua. Se auttaa hahmottamaan työkalujen rooleja ennen kuin tiimi päättää, mihin ensimmäiset Zapier- tai n8n-työnkulut kannattaa rakentaa.

26 minuuttia

Rakennan suorassa lähetyksessä tekoälymyyntibotin soittamaan liideille

Liam Ottley. Videolla rakennetaan suorassa lähetyksessä tekoälyä hyödyntävä ääniagentti, joka soittaa saapuville liideille, arvioi niiden sopivuutta ja yrittää varata kartoituspuhelun. Toteutuksessa käytetään Make.comia ja puhepalvelua, ja myös arviointikäsikirjoitus sekä siirtologiikka näytetään. Video täydentää sähköpostityönkulkua: tietojen rikastamisen ja personoinnin perusmalli on sama, mutta kanava ja epäonnistumistavat ovat erilaisia.

30 minuuttia

Personoin perusteellisesti yli 1000 kylmää sähköpostia tällä tekoälyjärjestelmällä (ilmainen mallipohja)

Nick Saraev. Saraev rakentaa juuri artikkelissa kuvatun työnkulun: liidit tulevat Apollosta, Apify kerää verkkotietoja, n8n rikastaa tiedot ja tuottaa kullekin liidille monirivisen viestinavauksen tämän verkkosivuston perusteella, minkä jälkeen Instantly lähettää viestit. Hän kertoo avoimesti myös liidikohtaisista kustannuksista ja vastausasteista. Video havainnollistaa todellisiin tietoihin perustuvaa laajamittaista personointia pelkän etunimen sisältävän joukkoviestin sijaan.

Onko tämä RAG:n loppu? Anthropicin UUSI prompt caching

Prompt Engineering. Käy läpi Anthropicin prompt cachingin Geminiin context cachingiin verrattuna konkreettisilla viive- ja kustannusvähennyksillä käyttötapauksittain (pitkän asiakirjan chat, few-shot, monivuoro). Cache-write-lisämaksun vs. cache-read-alennuksen erittely on tasan se, mitä artikkeli olettaa puhuessaan, milloin välimuisti maksaa itsensä takaisin.

56 minuuttia

Build Hour: kehotteiden välimuisti (prompt caching)

OpenAI. OpenAI:n oma Build Hour kehotteiden välimuistista — 1024 tokenin kynnys, etuliitteen vakauden vaatimus, jyrkät audio-välimuistialennukset realtimelle (tarkista tarkka hinta nykyiseltä hinnoittelusivulta), time-to-first-token -vaikutukset pitkillä syötteillä. Hyödyllinen, kun mitoitat suunnittelutyötä osuaksesi välimuistiin luotettavasti tuotantokehotteillasi.

107 minuuttia

Miksi tekoälyn evaluoinnit ovat kuumin uusi taito tuoterakentajille | Hamel Husain & Shreya Shankar

Lenny's Podcast. Hamel Husain ja Shreya Shankar käyvät läpi koko arviointityönkulun oikealla kiinteistönhallinnan tekoälyavustajalla — jälkien tarkastelu, virheiden avoin ja aksiaalinen koodaus, päätös milloin lopettaa, LLM-as-judge -rakentaminen ja validointi ihmisarviota vasten. Harvinainen pitkämuotoinen keskustelu, joka on aidosti suunnattu PM:ille ja tiiminvetäjille ML-insinöörien sijaan, ja se kattaa saman ”30 minuuttia viikossa asetuksen jälkeen” -rytmin, jota artikkeli suosittelee.

3 minuuttia

Evaluoi kehotteita Anthropic Consolessa

Anthropic. Kolmen minuutin Anthropic-läpikäynti oikean arvioinnin ajamisesta Workbenchissä — realististen testitapausten automaattinen generointi, tuotosten arviointi, kehotteen säätäminen ja saman suiteen uudelleenajo rinnakkain. Katselumäärä jää alle tavallisen kynnyksen, mutta ”miten teen tämän ilman koodia” -kysymykseen tämä on selkein virallinen demo ja asettuu siististi strategisemman Husain/Shankar-keskustelun alle.

55 minuuttia

Näin asetat LLM-evaluoinnit järjestelmällisesti (mittarit, yksikkötestit, LLM-as-a-Judge)

Dave Ebbelaar. Työtä tekevä tekoälyinsinööri käy läpi todellisen arviointitikapuunsa — assert-tyyliset yksikkötestit, referenssivapaat mittarit, LLM-as-judge -yhdenmukaisuus ihmisten kanssa sekä analyze/measure/improve -silmukka. Rakenne on lähin videovastine artikkelin argumenttiin, että arvioinnit ovat regressioita havaitseva järjestelmä, ei leaderboard.

Näin rakennat domain-kohtaisia LLM-evaluointijärjestelmiä: Hamel Husain ja Emil Sedgh

AI Engineer. Hamel Husain ja Rechatin CTO käyvät läpi oikean tekoälytuotteen taustalla olevan arviointijärjestelmän: miksi geneeriset valmiit arvioinnit epäonnistuvat, kerroksellinen asetelma assertioneista, lokitetuista jäljistä ihmistarkistuksella ja LLM-tuomareista pidettyinä linjassa domain-asiantuntijan kanssa, sekä miten toimiva arviointijärjestelmä avaa datan kuratoinnin ja hienosäädön. Se on tuotantotapausesimerkki artikkelin argumentille, että arvioinnit ovat regressioita havaitsevaa koneistoa, ei leaderboardia.

104 minuuttia

Agenttien rakentaminen Model Context Protocolilla – täysi työpaja Anthropicin Mahesh Muragin kanssa

AI Engineer. Anthropicin Mahesh Murag käy läpi MCP:n suunnittelun — miksi työkalut, resurssit ja kehotteet on erotettu, miten asiakkaat neuvottelevat kyvyistä, mitä tuotantoisännät todella tekevät protokollalla. Katso rakennuksen jälkeen ymmärtääksesi MCP:n osat, jotka SDK hiljaa piilottaa, ja kalibroidaksesi artikkelin ”tuotantovalmis”-tarkistuslistaa speksin kirjoittajien intentioon.

75 minuuttia

Lopullinen MCP-pikakurssi – rakenna alusta alkaen

Web Dev Simplified. Täysi code-along-rakennus sekä MCP-palvelimesta että asiakkaasta TypeScriptillä — työkalumäärittelyt, skeemat, kehotteet ja resurssit, stdio-kuljetus, inspector-debug. Lähin YouTube-video siihen, mitä artikkeli pyytää tekemään, tahdilla, jossa voit pysäyttää ja seurata omaa editoriasi.

Tehokkaampien tekoälyagenttien rakentaminen

Anthropic. Anthropicin insinöörit käyvät läpi, mitä he todella muuttivat, kun moniagenttijärjestelmät käyttivät työkaluja väärin — endpointtien yhdistäminen, nimien palauttaminen ID:iden sijaan, MCP:ihin ja Agent Skills -ominaisuuksiin nojaaminen sen sijaan, että järjestelmäkehotteeseen suljettaisiin lisää työkaluja. Kartoittuu kohta kohdalta artikkelin tarkistuslistaan työkalukuvausten ja palautusmuodon suunnittelusta.

29 minuuttia

Kehotteet agenteille | Code w/ Claude

Anthropic. Hannah Moran ja Jeremy Hadfield Applied AI:sta käyvät läpi, miten muotoilla työkalukutsuja ja agenttikehotteita oikealla Pokémonia pelaavalla agentilla — milloin työntää käyttäytymistä järjestelmäkehotteeseen vs. työkalukuvaukseen, mitä mallin tarvitsee tietää kunkin työkalun ennakkoehtoista. Hyödyllinen heti, kun kirjoitat ensimmäisen MCP-palvelimesi ja huomaat Clauden kutsuvan sitä odottamattomilla tavoilla.

9 minuuttia

LangSmith 10 minuutissa

LangChain. LangChainin toinen perustaja esittelee LLM-jäljen, projektin ja aineiston sekä tokenkustannukset, viiveen, virheosuuden, palautteen koostamisen ja yksittäisen hakuvaiheen tarkastelun. Video havainnollistaa artikkelin ajatusta siitä, että jokainen kutsu on yksi jäljen osa ja rakenteinen jäljitys on tulostuslokeja hyödyllisempi.

154 minuuttia

LLM:ien instrumentointi ja evaluointi

Hamel Husain. Hamel Husain, Eugene Yan, Brian Bischof, Harrison Chase ja Shreya Shankar käsittelevät jäljitystä, lokianalyysiä, kielimallin käyttöä arvioijana sekä todelliseen tuotantodataan perustuvaa työnkulkua. Varaa videolle aikaa kuten pitkälle podcastille. Se syventää artikkelin kehotusta tarkastella todellisia jälkiä.

17 minuuttia

RAG-agentit tuotannossa: 10 oppia — Douwe Kiela, RAG:n luoja

AI Engineer. Douwe Kiela johti alkuperäistä RAG-artikkelia FAIR:ssa ja toimittaa nyt RAG:ia säänneltyihin yrityksiin. Puhe käsittelee enimmäkseen sitä, mikä lakkaa toimimasta skaalassa — pilkkomisstrategiat, jotka eivät selviä 100k asiakirjasta, ”tarkkuus on pöytäpanos, epätarkkuus on oikea ongelma”, ja miksi attribuutio ja havainnoitavuus merkitsevät enemmän kuin upotusmalli. Hyvä kalibrointi ennen artikkelin arviointi- ja valvontaosioiden uudelleenlukemista.

Tuotantovalmiiden RAG-sovellusten rakentaminen: Jerry Liu

AI Engineer. LlamaIndexin toimitusjohtaja käy läpi kuilua ”naiivin RAG-demon” ja oikean putken välillä — small-to-big -haku, alikyselyreititys, hybridihaku, arviointi. Hänen diojensa muoto kartoittuu lähes suoraan artikkelin putkiosioihin; katso ensin, sitten lue artikkeli uudelleen hänen kaavionsa mielessäsi.

9 minuuttia

RAG vs. fine-tuning

IBM Technology. Tiukempi fokus kahteen tekniikkaan, jotka tiimit sekoittavat useimmin. Menee syvemmälle datan tuoreuteen, lähdeattribuutioon ja inferenssiajan nopeusargumenttiin hienosäädölle. Kannattaa katsoa, jos yrität erityisesti argumentoida tarpeetonta hienosäätöprojektia vastaan.

13 minuuttia

RAG vs fine-tuning vs kehotetekniikka: tekoälymallien optimointi

IBM Technology. Selkeä valkotaululäpikäynti kaikista kolmesta tekniikasta kustannuksineen — haun viive, koulutuksen laskenta ja katastrofaalinen unohtaminen, pelkkien kehotteiden ratkaisujen rajat — sekä yhdistelmät, jotka todella toimivat tuotannossa. Päätösesimerkki oikeudellisesta tekoälyjärjestelmästä, joka käyttää kaikkia kolmea, on lähes tasan artikkelin ”milloin yhdistää” -argumentti.

39 minuuttia

Esittelyssä RAG 2.0: agenttinen RAG + tietämysverkot (ILMAINEN malli)

Cole Medin. Toimiva agenttipohjainen RAG plus tietämysgraafi -rakennus, jossa agentti päättää, milloin tehdä vektorihaku, milloin osua Neo4j:hin ja milloin tehdä molemmat. Selkein demonstraatio YouTubessa artikkelin kuvaamasta ”agentti haun suunnittelijana” -mallista koodissa, jonka voit todella ladata ja ajaa.

16 minuuttia

Graph RAG: RAG:n parantaminen tietämysverkoilla

Prompt Engineering. Kohdennettu läpikäynti Microsoftin GraphRAG:sta — entiteettien poiminta, yhteisöyhteenvedot, kyselyyn kohdistettu tiivistäminen — asennettuna paikalliselle koneelle kustannusmuistiinpanoineen. Katso sitä artikkelin graafi-RAG-osiota varten erityisesti; kustannuskeskustelu on se osa, jonka useimmat kirjoitukset ohittavat.

42 minuuttia

Vertikaaliset tekoälyagentit voivat olla 10× suurempia kuin SaaS

Y Combinator. Lightcone-juontajat perustelevat, miksi toimialakohtaiset tekoälyagentit voivat olla yleiskäyttöisiä, ohuita sovelluskerroksia vaikeammin korvattavia. Esimerkit auttavat arvioimaan, mitkä ominaisuudet mallitoimittaja voi sisällyttää omaan tuotteeseensa. Video esittää sijoittajien näkemyksen, ei varmaa markkinaennustetta.

34 minuuttia

Miten tekoäly uudistaa ohjelmistoliiketoimintamalleja – Bret Taylor, Sierra

Sequoia Capital. Bret Taylor käsittelee siirtymää käyttäjäkohtaisesta SaaS-hinnoittelusta tulospohjaiseen hinnoitteluun. Hän käyttää mahdollisina ankkureina ratkaistujen tapausten määrää, asiakastyytyväisyyttä ja NPS:ää sekä pohtii, miten toimialakohtainen erikoistuminen voi tukea hinnoittelua. Aihe vastaa artikkelin hinnoittelu- ja kateosuuksia.

41 minuuttia

OpenAI DevDay 2024 | Strukturoidut tulosteet luotettaviin sovelluksiin

OpenAI. Käy läpi `strict: true`, eron vanhaan JSON-tilaan, kieltäytymisen käsittelyn sekä miten funktiokutsut ja response-format-skeemat koostuvat. Hyödyllinen juuri siksi, että se kuvaa sopimuksen, jonka API antaa — sen, minkä päälle artikkelin tuotantomallit on rakennettu.

18 minuuttia

Pydantic riittää: Jason Liu

AI Engineer. Puhe, joka kiteytti modernin ”määrittele Pydantic-malli, anna se LLM:lle, anna validoinnin hoitaa loput” -mallin, konkreettisilla esimerkeillä sisäkkäisistä objekteista, validoijista, jotka nappaavat hallusinoidut URL:t, ja Chain-of-Thoughtista tyypitettynä kenttänä. Katso se ennen artikkelin validoijaosion uudelleenlukemista, niin tunnistat, mistä sen uudelleenyritys- ja kieltäytymissäännöt tulevat.

8 minuuttia

Wharton-professori: 4 skenaariota tekoälyn tulevaisuudelle | Ethan Mollick Big Think+:lle

Big Think. Kahdeksan minuutin video tiivistää Mollickin neljä skenaariota: staattisen, lineaarisen, eksponentiaalisen ja yleiseen tekoälyyn perustuvan kehityksen. Sen avulla johtotiimi voi verrata suunnitelmiaan useaan mahdolliseen kehityskulkuun sitoutumatta yhteen ennusteeseen.

60 minuuttia

Jokainen johtaja tarvitsee tämän tekoälystrategian | Ethan Mollick selittää

Sana. Mollick tarkastelee tunnin ajan tekoälyn käyttöä organisaatioissa: kustannusleikkausten rajoja lähtökohtana, organisaatiorakenteiden muutosta ja tekoälyä hyödyntävien tiimien toimintatapoja. Video jää tavanomaisen 100 000 katselukerran kynnyksen alle, mutta sen käyttöönottokehys vastaa artikkelin keskeisiä kysymyksiä.