Podręcznik uczestnika z objaśnieniami, przykładami i ćwiczeniami do samodzielnej nauki

9. Pełny workflow i zakończenie modułu

Praca z LLM kończy się wtedy, gdy potrafisz odtworzyć obliczenia, wskazać dowody i rozdzielić wkład modelu od własnych decyzji. Poniższa kolejność łączy sześć rozdziałów w jeden proces.

Etap

Rezultat i warunek przejścia dalej

Wybór zastosowania

Mapa ryzyka, dozwolone środowisko i minimalny kontekst

Specyfikacja

Prompt z celem, schematem, ograniczeniami i kryteriami

Pozyskanie propozycji

Zachowana rzeczywista odpowiedź lub jawny przykład offline

Przegląd przed wykonaniem

Sprawdzone nazwy, miary, skutki uboczne i zakres kodu

Weryfikacja lokalna

Testy struktury i wartości, wykresy oraz niezmienione wejście

Decyzja i dokumentacja

Werdykt dla każdej istotnej części odpowiedzi, dowód i ograniczenie

Odtworzenie i przekazanie

Czyste uruchomienie, spójne nazwy, opis gotowy do dalszego raportu

Opcjonalne tabele wynikowe

Poniższe trzy tabele są nowymi wynikami obliczeń, nie plikami wejściowymi z pakietu. Ich nazwy odpowiadają karcie pracy. Zapis aktualizuje wyniki; wcześniejszą wersję, którą chcesz zachować, zarchiwizuj przed ponownym wykonaniem.

TABLES = PROJECT_DIR / "outputs/tables"
TABLES.mkdir(parents=True, exist_ok=True)
wyniki = {
    "M5_U01_ranking_drgan.csv": ranking,
    "M5_U02_korelacje_urzadzenia.csv": korelacje,
    "M5_U03_drgania_tryb.csv": tryby
}
for nazwa, tabela in wyniki.items():
    sciezka = TABLES / nazwa
    tabela.to_csv(sciezka, index=False, encoding="utf-8")
    odczyt = pd.read_csv(sciezka)
    pd.testing.assert_frame_equal(tabela, odczyt, rtol=1e-10, atol=1e-10)
assert sha256(plik.read_bytes()).hexdigest() == hash_wejscia
pd.testing.assert_frame_equal(df_baza, df)

Na końcu zapisz notebook, zrestartuj kernel i uruchom wszystkie komórki od góry. Nie wywołuj ponownie modelu ani nie dopisuj rejestru tylko po to, by odtworzyć obliczenia: zachowane odpowiedzi są wejściem do audytu.