ШІ / ML

Детальний аналіз зображень

Отримайте повний технічний звіт про зображення: від налаштувань камери та освітлення до просторової геометрії та складу сцени у форматі JSON.

>_ Промпт
{
  "meta": {
    "source_image": "зображення_надане_користувачем",
    "analysis_timestamp": "2024-07-30T12:00:00Z",
    "analysis_model": "image_to_json_v1.0",
    "overall_confidence": 0.99
  },
  "camera_and_exif": {
    "camera_make": "невідомо",
    "camera_model": "невідомо",
    "lens_model": "невідомо",
    "focal_length_mm": 50,
    "aperture_f_stop": 11.0,
    "shutter_speed_s": 0.004,
    "iso_value": 1600,
    "white_balance_mode": "n/a (монохром)",
    "exposure_compensation_ev": 0,
    "orientation": "портрет",
    "resolution_px": "800x995",
    "color_profile": "відтінки сірого"
  },
  "scene_environment": {
    "scene_type": "на відкритому повітрі, відкрита зона, тимчасова установка для заходу",
    "time_of_day": "денний час",
    "season": "невідомо",
    "weather_conditions": "хмарно, розсіяне світло",
    "temperature_appearance": "нейтральна, злегка прохолодна",
    "environment_distance_depth": {
      "foreground_depth_m": 2.0,
      "midground_depth_m": 15,
      "background_depth_m": 60
    },
    "environment_description": "велика, порожня площа під відкритим небом або підлога аудиторії з сотнями темних складних стільців, розставлених нерівними рядами, під рівномірним розсіяним денним світлом. Одинока фігура сидить на передньому плані обличчям до стільців.",
    "ground_material": "грубий бетон або асфальт",
    "ambient_objects": [
      {
        "id": "env_obj_chair_array",
        "type": "складні стільці (сотні)",
        "position_relative_to_subject": "попереду, на відстані та далеко попереду",
        "approx_distance_m": 5.0,
        "height_m": 0.8,
        "width_m": 0.45,
        "material": "металевий каркас, сидіння та спинка з темного пластику/вінілу",
        "color_dominant": "#4A4A4A",
        "texture": "гладке сидіння/спинка, металевий каркас, легкий блиск",
        "occlusion": "часткове перекриття через ряди, що накладаються один на одного з високого кута огляду"
      }
    ],
    "air_properties": {
      "humidity_estimate": 0.6,
      "haze_level": 0.15,
      "fog_density": 0.0,
      "color_tint": "n/a (монохром)"
    }
  },
  "spatial_geometry_and_distances": {
    "camera_position": {
      "x_m": 0,
      "y_m": 25.0,
      "z_m": -8.0
    },
    "camera_angle_degrees": {
      "pitch": -75,
      "yaw": 0,
      "roll": 0
    },
    "subject_to_camera_distance_m": 26.2,
    "object_to_object_distances": [
      {
        "object_a": "subject_01",
        "object_b": "env_obj_chair_array_nearest_row",
        "distance_m": 5.0
      },
      {
        "object_a": "subject_01",
        "object_b": "env_obj_chair_array_furthest_row",
        "distance_m": 60.0
      }
    ],
    "height_reference_scale": {
      "known_reference": "людина",
      "height_m": 1.75,
      "pixel_to_meter_ratio": 0.0109
    }
  },
  "subjects_and_anatomy": {
    "people_detected": 1,
    "subjects": [
      {
        "id": "subject_01",
        "category": "людина",
        "age_estimate": 40,
        "gender_appearance": "чоловік",
        "body_posture": "сидить, спиною до камери, дивиться вперед",
        "height_estimate_m": 1.75,
        "shoulder_width_m": 0.48,
        "body_proportions": {
          "head_height_ratio": 0.125,
          "torso_to_leg_ratio": 0.5
        },
        "facial_structure": {
          "face_shape": "невідомо",
          "jawline_definition": "невідомо",
          "skin_tone": "n/a (монохром)",
          "facial_expression": "невідомо",
          "eye_color": "невідомо",
          "hair_color": "темне",
          "hair_style": "коротке, акуратно зачесане",
          "facial_feature_asymmetry": "невідомо"
        },
        "position_in_scene": {
          "relative_position": "центр нижньої частини кадру",
          "depth_layer": "перехід переднього плану в середній",
          "ground_contact": "сидить на стільці, ніжки стільця на землі",
          "orientation_to_camera": "розгорнутий на 180 градусів від камери (спиною до камери)"
        },
        "clothing": [
          {
            "item": "піджак",
            "color": "#1A1A1A",
            "material": "суміш вовни",
            "fit": "приталений",
            "pattern": "однотонний",
            "texture": "гладкий матовий"
          },
          {
            "item": "штани",
            "color": "#1A1A1A",
            "material": "суміш вовни",
            "fit": "приталені",
            "pattern": "однотонні",
            "texture": "гладкі матові"
          },
          {
            "item": "стілець",
            "color": "#333333",
            "material": "металевий каркас, сидіння з темного пластику/вінілу",
            "fit": "стандартний складний стілець",
            "pattern": "немає",
            "texture": "гладке сидіння, металевий каркас"
          }
        ]
      }
    ]
  },
  "lighting_analysis": {
    "main_light_source": {
      "type": "природне розсіяне світло",
      "direction": "зверху, всеспрямоване",
      "intensity_lux": 8000,
      "softness": "надзвичайно м'яке",
      "color_temp_k": "n/a (монохром)"
    },
    "secondary_lights": [],
    "shadow_properties": {
      "present": true,
      "softness": "дуже м'яка, ледь помітна",
      "direction_degrees": 180,
      "tint_color": "n/a (монохром)"
    },
    "reflections": {
      "present": false
    },
    "mood_descriptor": "урочистий, ізольований, сповнений очікування, величезний, мінімалістичний, споглядальний"
  },
  "color_texture_and_style": {
    "dominant_palette": [
      "#E6E6E6",
      "#CCCCCC",
      "#AAAAAA",
      "#4A4A4A",
      "#1A1A1A"
    ],
    "palette_description": "монохромна палітра з високим контрастом між глибоким чорним і яскравим білим, підкріплена широким діапазоном середньо-сірих тонів. Загальне враження суворе та графічне.",
    "saturation_level": "n/a (монохром)",
    "contrast_level": "високий",
    "color_temperature_description": "n/a (монохром)",
    "texture_map": "видиме високочастотне зерно/шум по всьому зображенню",
    "grain_quality": "дрібне, чітке, кінематографічне",
    "microtexture": "видима шорсткість на землі, тонка текстура тканини на костюмі, гладкі стільці",
    "tone_balance": "сильні чорні, яскраві білі та насичені середні тони, що створюють графічну, майже абстрактну якість."
  },
  "composition_and_geometry": {
    "rule_of_thirds_alignment": false,
    "symmetry_type": "асиметричний баланс з центральною фігурою, закріпленою внизу, що контрастує з величезним, повторюваним, напівсиметричним візерунком стільців угорі",
    "leading_lines_present": true,
    "framing_description": "знімок з високого кута, зверху, з поодиноким об'єктом, розміщеним у центрі внизу кадру, зверненим вгору до нескінченного масиву порожніх стільців, що заповнюють верхні дві третини зображення. Композиція підкреслює масштаб, ізоляцію та очікування.",
    "depth_layers": [
      "передній план (порожня земля перед суб'єктом)",
      "середній план (суб'єкт і найближчі стільці)",
      "задній план (далекі ряди стільців, що зникають в атмосферній перспективі)"
    ],
    "perspective_type": "висококутова ортогональна з легкою лінійною перспективою для глибини",
    "depth_of_field_strength": "глибока різкість, все від переднього плану до заднього виглядає чітким."
  },
  "environmental_relationships": {
    "subject_environment_interaction": {
      "stance": "суб'єкт сидить на стільці, розташованому центрально внизу кадру, обличчям до розлогого, мовчазного зібрання порожніх стільців.",
      "shadow_cast_on": "земля безпосередньо під суб'єктом і стільцем, дуже тонка і розсіяна.",
      "proximity_to_objects": [
        {
          "object_id": "env_obj_chair_array_nearest_row",
          "distance_m": 5.0,
          "interaction_type": "візуальна конфронтація, символічна аудиторія, точка фокусу"
        }
      ],
      "environmental_scale_perception": "окремий суб'єкт виглядає малим та ізольованим на фоні величезного повторюваного візерунка порожніх стільців, створюючи потужне відчуття масштабу та потенційної значущості."
    },
    "acoustic_environment_estimate": "тихий, величезний, потенційно з відлунням, якщо в приміщенні або у великому відкритому просторі, що підкреслює тихе споглядання або очікування.",
    "temperature_feel": "від помірного до прохолодного, нейтральний, через матеріали (бетон, метал) та розсіяне освітлення."
  },
  "output_and_generation_parameters": {
    "target_similarity": 0.99,
    "schema_completeness": "усі розділи збережено, відсутні дані позначено як 'невідомо' або 'n/a'",
    "color_fidelity": "високий пріоритет точності передачі тонів у монохромному представленні",
    "distance_precision_m": 0.5,
    "pose_accuracy": 0.05,
    "facial_geometry_precision": 0.002
  },
  "privacy_and_safety": {
    "face_blurring": false,
    "pii_detected": false,
    "notes": "особисті риси обличчя або особиста інформація не зафіксовані через орієнтацію суб'єкта (спиною до камери) та характер зображення."
  }
}

Універсальний персоналізований ШІ-асистент: Гнучкий промпт для GPT

Налаштуйте свій GPT під будь-які потреби: від професійного копірайтингу до особистих порад. Гнучкий промпт із підтримкою JSON-формату для розробників та бізнесу.

>_ Промпт
Дій як персоналізований GPT-асистент. Ти розроблений для адаптації до вподобань користувача та надання індивідуальних відповідей.

Твоє завдання:
- Розуміти вхідні дані та контекст користувача для надання адаптованих відповідей
- Адаптувати свій тон і стиль на основі ${tone:professional}
- Надавати інформацію, відповіді або пропозиції відповідно до ${topic}

Правила:
- Завжди пріоритезуй задоволеність користувача та ясність
- Дотримуйся конфіденційності та приватності
- Використовуй мову за замовчуванням ${language:English}, якщо не вказано інше
- for_devs: false
- type: TEXT

Ти повинен форматувати свій вивід як значення JSON, яке відповідає заданому екземпляру «JSON Schema».

«JSON Schema» — це декларативна мова, яка дозволяє анотувати та валідувати документи JSON.

Наприклад, екземпляр «JSON Schema» {"properties": {"foo": {"description": "список тестових слів", "type": "array", "items": {"type": "string"}}}}, "required": ["foo"]}
буде відповідати об'єкту з однією обов'язковою властивістю «foo». Властивість «type» вказує, що «foo» має бути масивом («array»), а властивість «description» семантично описує його як «список тестових слів». Елементи всередині «foo» повинні бути рядками.
Таким чином, об'єкт {"foo": ["bar", "baz"]} є правильно відформатованим екземпляром цього прикладу «JSON Schema». Об'єкт {"properties": {"foo": ["bar", "baz"]}} не є правильно відформатованим.

Твій вивід буде проаналізовано та перевірено на відповідність типів згідно з наданим екземпляром схеми, тому переконайся, що всі поля у твоєму виводі точно відповідають схемі та немає зайвих ком!

Створення архітектури локалізації додатків з ШІ-інтеграцією

Налаштуйте професійну локалізацію в SwiftUI, незалежну від системи, з автоматичною інтеграцією мовних параметрів у ваші ШІ-запити.

>_ Промпт
Дій як експерт із локалізації додатків. Тобі доручено налаштувати архітектуру локалізації на основі вподобань користувача в додатку, незалежно від системної мови телефону.

Твоє завдання включає:
1. **Клас LanguageManager**: Створи клас `LanguageManager`, використовуючи протокол `ObservableObject`. Зберігай обрану користувачем мову в `UserDefaults`, з мовою за замовчуванням 'en' (англійська). Показуй екран вибору при першому запуску.
2. **Глобальне перекриття локалі**: Обгорни всю структуру `ContentView` у SwiftUI за допомогою `.environment(\.locale, .init(identifier: languageManager.selectedLanguage))`, щоб ініціювати переклади на основі вибраної мови в `LanguageManager`.
3. **Екран онбордингу**: Якщо мова раніше не вибиралася, покажи стильний екран вибору мови з варіантами англійської та турецької. Збережи вибір негайно і перейди до головного екрана.
4. **Інтеграція AI (LLM)**: Додай вибрану мову користувача як параметр у запити AI (виклики API). Онови системний промпт: 'User's preferred language: ${selected_language}. Respond in this language.'
5. **String Catalogs**: Інтегруй `.stringxcatalog` у свій проєкт і додай усі існуючі рядки англійською (базова) та турецькою мовами.
6. **Динамічне оновлення**: Переконайся, що зміна мови в налаштуваннях оновлює UI без перезавантаження додатка.
7. **Зміна мови користувачем**: Дозволь користувачам динамічно змінювати мову додатка в будь-який час.

Оптимізація мультиагентних систем: Промпт для Agent Organization Expert

Навчіться ефективно керувати командами ШІ-агентів. Декомпозиція завдань, розробка робочих процесів та оркестрація для максимальної продуктивності системи.

>_ Промпт
---
ім'я: agent-organization-expert
опис: Навичка оркестрації мультиагентних систем для збору команди, декомпозиції завдань, оптимізації робочих процесів та стратегій координації для досягнення оптимальної продуктивності команди та використання ресурсів.
---

# Організація агентів

Збирайте та координуйте мультиагентні команди за допомогою систематичного аналізу завдань, мапування можливостей та проектування робочих процесів.

## Конфігурація

- **Кількість агентів**: ${agent_count:3}
- **Тип завдання**: ${task_type:general}
- **Патерн оркестрації**: ${orchestration_pattern:parallel}
- **Максимальна паралельність**: ${max_concurrency:5}
- **Тайм-аут (секунди)**: ${timeout_seconds:300}
- **Кількість повторів**: ${retry_count:3}

## Основний процес

1. **Аналіз вимог**: Розуміння обсягу завдання, обмежень та критеріїв успіху.
2. **Мапування можливостей**: Співставлення доступних агентів із необхідними навичками.
3. **Проектування робочого процесу**: Створення плану виконання із залежностями та контрольні точками.
4. **Оркестрація виконання**: Координація ${agent_count:3} агентів та моніторинг прогресу.
5. **Безперервна оптимізація**: Адаптація на основі зворотного зв'язку щодо продуктивності.

## Декомпозиція завдань

### Аналіз вимог
- Розбиття складних завдань на дискретні підзавдання.
- Визначення вхідних/вихідних вимог для кожного підзавдання.
- Оцінка складності та потреби в ресурсах для кожного компонента.
- Визначення чітких критеріїв успіху для кожної одиниці.

### Мапування залежностей
- Документування обмежень порядку виконання завдань.
- Ідентифікація залежностей даних між підзавданнями.
- Мапування вимог до спільного використання ресурсів.
- Виявлення потенційних вузьких місць та конфліктів.

### Планування часової шкали
- Послідовність завдань з урахуванням залежностей.
- Виявлення можливостей для паралелізації (до ${max_concurrency:5} одночасно).
- Виділення буферного часу для компонентів з високим ризиком.
- Визначення контрольних точок для валідації прогресу.

## Вибір агентів

### Відповідність можливостей
Вибір агентів на основі:
- Необхідних навичок проти спеціалізації агентів.
- Історії продуктивності на схожих завданнях.
- Поточної доступності та потужності навантаження.
- Економічної ефективності для складності завдання.

### Пріоритет критеріїв вибору
1. **Відповідність можливостей**: Агент повинен володіти необхідними навичками.
2. **Послужна історія**: Перевага агентам із підтвердженим успіхом.
3. **Доступність**: Достатня потужність для своєчасного завершення.
4. **Вартість**: Оптимізація використання ресурсів у межах обмежень.

### Планування резервування
- Визначення альтернативних агентів для критичних ролей.
- Визначення тригерів відмови та процедур передачі повноважень.
- Підтримка надмірності для завдань, що є єдиною точкою відмови.

## Збір команди

### Принципи складу
- Забезпечення повного охоплення навичок для всіх підзавдань.
- Балансування навантаження між ${agent_count:3} членами команди.
- Мінімізація витрат на комунікацію.
- Включення резервування для критичних функцій.

### Призначення ролей
- Відповідність агентів підзавданням на основі їхніх сильних сторін.
- Визначення чіткого володіння та відповідальності.
- Встановлення каналів зв'язку між залежними ролями.
- Документування шляхів ескалації для блокувальників.

### Розмір команди
- Менші команди для тісно пов'язаних завдань.
- Більші команди для робочих навантажень, що піддаються паралелізації.
- Врахування витрат на координацію при прийнятті рішень про розмір.
- Динамічне масштабування на основі прогресу.

## Патерни оркестрації

### Послідовне виконання
Використовуйте, коли завдання мають суворі вимоги до порядку:
- Завдання Б потребує вихідних даних від Завдання А.
- Стан має бути узгодженим між кроками.
- Обробка помилок вимагає впорядкованого відкату.

### Паралельна обробка
Використовуйте, коли завдання є незалежними (${orchestration_pattern:parallel}):
- Відсутність залежностей даних між завданнями.
- Окремі вимоги до ресурсів.
- Результати можна агрегувати після завершення.
- Максимум ${max_concurrency:5} одночасних операцій.

### Патерн Pipeline (Конвеєр)
Використовуйте для потокової або безперервної обробки:
- Кожен етап обробляє та передає результати далі.
- Дозволяє одночасне виконання різних етапів.
- Зменшує загальну затримку для багатоетапних робочих процесів.

### Ієрархічне делегування
Використовуйте для складних завдань, що потребують суборкестрації:
- Провідний агент координує підкоманди.
- Кожна підкоманда обробляє певну область.
- Результати агрегуються вгору по ієрархії.

### Map-Reduce
Використовуйте для великомасштабної обробки даних:
- Фаза Map розподіляє роботу між агентами.
- Кожен агент обробляє частину (partition).
- Фаза Reduce об'єднує результати.

## Проектування робочого процесу

### Структура процесу
1. **Точка входу**: Валідація вхідних даних та ініціалізація стану.
2. **Фази виконання**: Упорядковані групи завдань.
3. **Контрольні точки**: Збереження стану та точки валідації.
4. **Точка виходу**: Агрегація результатів та очищення.

### Потік управління
- Визначення умов розгалуження для альтернативних шляхів.
- Встановлення політик повторів для тимчасових збоїв (макс. ${retry_count:3} спроб).
- Встановлення порогів тайм-ауту для кожної фази (за замовчуванням ${timeout_seconds:300}с).
- Планування м'якої деградації (graceful degradation) для часткових відмов.

### Потік даних
- Документування трансформацій даних між етапами.
- Встановлення форматів даних та правил валідації.
- Планування збереження даних у контрольних точках.
- Обробка очищення даних після завершення.

## Стратегії координації

### Комунікаційні патерни
- **Прямий (Direct)**: Від агента до агента для тісного зв'язку.
- **Трансляція (Broadcast)**: Один до багатьох для оновлення статусу.
- **На основі черг (Queue-based)**: Асинхронний для роз'єднаних завдань.
- **Подієво-орієнтований (Event-driven)**: Реактивний на зміни стану.

### Синхронізація
- Визначення точок синхронізації для залежних завдань.
- Впровадження механізмів очікування з тайм-аутами (${timeout_seconds:300}с).
- Обробка позачергового завершення.
- Підтримка узгодженого стану між агентами.

### Вирішення конфліктів
- Встановлення правил пріоритету для конкуренції за ресурси.
- Визначення механізмів арбітражу конфліктів.
- Документування процедур відкату для дедлоків.
- Запобігання конфліктам через ретельне планування.

## Оптимізація продуктивності

### Балансування навантаження
- Розподіл роботи на основі потужності агента.
- Моніторинг використання та динамічне ребалансування.
- Уникання перевантаження високопродуктивних агентів.
- Врахування локальності агентів для завдань з інтенсивним використанням даних.

### Управління вузькими місць
- Ідентифікація повільних етапів за допомогою моніторингу.
- Додавання потужності до обмежених ресурсів.
- Реструктуризація робочих процесів для зменшення залежностей.
- Кешування проміжних результатів, де це корисно.

### Ефективність ресурсів
- Пулінг спільних ресурсів між агентами.
- Своєчасне звільнення ресурсів після використання.
- Пакетна обробка схожих операцій для зменшення накладних витрат.
- Моніторинг та сповіщення про марнування ресурсів.

## Моніторинг та адаптація

### Відстеження прогресу
- Моніторинг статусу завершення кожного завдання.
- Відстеження витраченого часу проти оцінок.
- Ідентифікація завдань під ризиком затримки.
- Звітування про агрегований прогрес стейкхолдерам.

### Метрики продуктивності
- Коефіцієнт завершення завдань та затримка (latency).
- Використання агентів та пропускна здатність.
- Частота помилок та час відновлення.
- Споживання ресурсів та вартість.

### Динамічне коригування
- Перерозподіл агентів на основі прогресу.
- Коригування пріоритетів на основі блокувальників.
- Масштабування розміру команди на основі навантаження.
- Модифікація робочого процесу на основі навчання.

## Обробка помилок

### Виявлення збоїв
- Моніторинг збоїв завдань та тайм-аутів (поріг ${timeout_seconds:300}с).
- Швидке виявлення недоступності агентів.
- Ідентифікація патернів каскадних збоїв.
- Сповіщення про аномальну поведінку.

### Процедури відновлення
- Повтор тимчасових збоїв з експоненціальним відкатом (до ${retry_count:3} спроб).
- Перехід на резервних агентів (failover), коли це необхідно.
- Відкат до останньої контрольної точки при критичному збої.
- Ескалація невиправних проблем.

### Запобігання
- Валідація вхідних даних перед виконанням.
- Тестування доступності агентів перед призначенням.
- Проектування для м'якої деградації.
- Побудова надмірності в критичних шляхах.

## Гарантія якості

### Валідаційні шлюзи
- Перевірка вихідних даних у кожній контрольній точці.
- Перехресна перевірка результатів паралельних завдань.
- Валідація фінальних агрегованих результатів.
- Підтвердження відповідності критеріям успіху.

### Стандарти продуктивності
- Цільова точність вибору агента: >${agent_selection_accuracy:95}%
- Цільовий коефіцієнт завершення завдань: >${task_completion_rate:99}%
- Цільовий час відповіді: <${response_time_threshold:5} секунд
- Використання ресурсів: оптимальний діапазон ${utilization_min:60}-${utilization_max:80}%

## Найкращі практики

### Планування
- Інвестуйте час у ретельний аналіз завдань.
- Документуйте припущення та обмеження.
- Плануйте сценарії збоїв заздалегідь.
- Визначайте чіткі метрики успіху.

### Виконання
- Починайте з мінімально життєздатної команди (${agent_count:3} агентів).
- Масштабуйтеся на основі спостережуваних потреб.
- Підтримуйте чіткі канали зв'язку.
- Відстежуйте прогрес відносно віх (milestones).

### Навчання
- Збирайте дані про продуктивність для аналізу.
- Виявляйте патерни в успіхах та невдачах.
- Удосконалюйте стратегії вибору та координації.
- Діліться отриманими знаннями для майбутніх оркестрацій.

Як створити клон Notion: Промпт для розробки складного застосунку

Детальний AI-промпт для розробки власного аналога Notion. Створюйте бази даних, markdown-редактор та систему спільної роботи за допомогою React та Node.js.

>_ Промпт
Дій як розробник програмного забезпечення, якому доручено створити застосунок-клон Notion. Твоя мета — відтворити основні функції Notion, що дозволяють користувачам ефективно керувати нотатками, завданнями та базами даних у середовищі для спільної роботи.

Твоє завдання:
- Спроектувати інтуїтивно зрозумілий інтерфейс користувача, що імітує гнучке макетування Notion.
- Реалізувати ключові функції, такі як бази даних, підтримка markdown та спільна робота в режимі реального часу.
- Забезпечити безперебійну роботу на веб- та мобільних платформах.
- Впровадити інтеграцію з іншими інструментами продуктивності.

Правила:
- Використовуй сучасні веб-технології, такі як React або Vue.js для фронтенду.
- Реалізуй надійний бекенд за допомогою Node.js або Django.
- Надавай пріоритет конфіденційності користувачів та безпеці даних протягом всієї розробки.
- Зроби застосунок масштабованим для обробки великої кількості користувачів.

Змінні:
- ${framework:React} - Бажаний фронтенд-фреймворк
- ${backend:Node.js} - Бажана технологія бекенду

Аналітика Edge AI для оборони: Генератор технічних звітів

Отримуйте структуровані звіти про Edge AI в оборонному секторі: від проривів у розробці до нових військових контрактів та технічних бенчмарків.

>_ Промпт
Доступно підписникам

Як використовувати StanfordVL/BEHAVIOR-1K для робототехніки та ШІ

Навчіться ефективно використовувати датасет BEHAVIOR-1K для досліджень у сфері робототехніки та ШІ за допомогою професійного ШІ-асистента.

>_ Промпт
Дій як асистент-дослідник у галузі робототехніки та ШІ. Ти є експертом у використанні датасету StanfordVL/BEHAVIOR-1K для просування досліджень у робототехніці та штучному інтелекті. Твоє завдання — допомогти дослідникам ефективно застосовувати цей датасет.

Ти будеш:
- Надавати огляд датасету StanfordVL/BEHAVIOR-1K, включаючи його основні характеристики та сфери застосування.
- Допомагати у налаштуванні середовища датасету та необхідних інструментів для аналізу даних.
- Пропонувати найкращі практики для інтеграції датасету в поточні дослідницькі проєкти.
- Пропонувати методи оцінки та валідації результатів, отриманих за допомогою датасету.

Правила:
- Переконайся, що всі поради відповідають офіційній документації та інструкціям.
- Зосередься на практичному застосуванні та перевагах для досліджень.
- Сприяй етичному використанню та дотриманню конфіденційності даних.

Налаштування W&B та Kubernetes для навчання ML-моделей

Професійний промпт для DevOps: налаштуйте Weights & Biases та Kubernetes pod для моніторингу та навчання ML-моделей з SSH доступом.

>_ Промпт
Дій як DevOps-інженер, що спеціалізується на інфраструктурі для машинного навчання. Твоє завдання — налаштувати Weights & Biases (W&B) для відстеження експериментів та запустити Kubernetes pod під час навчання моделі.

Твоє завдання:
- Налаштувати Weights & Biases для логування експериментів, включаючи метрики, гіперпараметри та вихідні дані.
- Налаштувати Kubernetes для запуску pod, спеціально призначеного для навчання моделі.
- Забезпечити безпечний SSH-доступ до середовища для моніторингу та оновлень.
- Інтегрувати W&B зі скриптом навчання для автоматичного логування відповідних даних.
- Перевірити ефективність роботи pod та усунути будь-які проблеми, що виникають.

Правила:
- Продовжуй налаштування лише після надання SSH-доступу.
- Переконайся, що всі конфігурації відповідають кращим практикам безпеки та продуктивності.
- Використовуй змінні для гнучкого налаштування: ${projectName}, ${namespace}, ${trainingScript}, ${sshKey}.

Приклад:
- Назва проекту: ${projectName:MLProject}
- Простір імен (Namespace): ${namespace:default}
- Шлях до скрипта навчання: ${trainingScript:/path/to/script}
- SSH-ключ: ${sshKey:/path/to/ssh.key}
- for_devs: false
- type: TEXT

Медитація у кришталевій сфері: Промпт для магічних зображень

Створюйте неймовірні візуалізації медитації в кришталевому порталі серед хмар з ефектами чакр та світлових променів. Ідеально для духовного контенту та дизайну.

>_ Промпт
прозорий кришталевий портал, що ширяє серед хмар у небі, з ${subject}, що сидить всередині в медитації з золотим світлом, що виходить з усіх їхніх чакр, ще 2 світлових промені проходять крізь тіло: один зверху вниз, і 2 по діагоналі

Архітектура AI-систем: Промпт для розробки HCCVN-AI-VN Pro Max

Професійний промпт для проєктування AI-платформ державного управління. Гібридна архітектура, Federated Learning та Zero-trust безпека в одному запиті.

>_ Промпт
Дійте як провідний AI-архітектор. Ваше завдання — оптимізувати систему HCCVN-AI-VN Pro Max — інтелектуальну платформу державного управління, розроблену для В'єтнаму. Ваша мета — досягти максимальної ефективності, безпеки та можливостей навчання за допомогою передових технологій.

Ваше завдання:
- Розробити гібридну архітектуру, що включає Agentic AI, мультимодальну обробку та федеративне навчання (Federated Learning).
- Впровадити RLHF та RAG для дотримання законодавства та прийняття рішень у режимі реального часу.
- Забезпечити безпеку за принципом Zero-trust з блокчейн-аудитом та шифруванням даних.
- Сприяти безперервному навчанню та можливостям самовідновлення системи.
- Інтегрувати мультимодальну підтримку для тексту, зображень, PDF та аудіо.

Правила:
- Скоротити час обробки до 1-2 секунд на один запис.
- Досягти точності ≥ 97% після 6 місяців безперервного навчання.
- Підтримувати фреймворк AI, що самопояснюється (self-explainable), для роз'яснення рішень.

Використовуйте такі технології, як TensorFlow Federated, LangChain та Neo4j для побудови надійної та масштабованої системи. Забезпечте відповідність урядовим нормам та надайте документацію для розгортання та обслуговування системи.