Podręcznik uczestnika z objaśnieniami, przykładami i ćwiczeniami do samodzielnej nauki
7. Pierwsze użycie LLM w notebooku
Model językowy może przyspieszyć pracę, ale nie zastępuje kodu, danych ani oceny analitycznej. W tym module traktujesz odpowiedź LLM jako propozycję. Sprawdzasz ją w kodzie, wynikach, dokumentacji lub przez ocenę logiczną. Dopiero po tej kontroli decydujesz, czy przyjąć sugestię, zmodyfikować ją czy odrzucić.
Trzy bezpieczne role na początek
|
Rola |
Co może zrobić model |
Czego model nie rozstrzyga |
|---|---|---|
|
Planowanie |
Zaproponować kolejność kroków i kontrolę każdego z nich |
Czy kroki są właściwe dla danych bez sprawdzenia |
|
Wyjaśnianie |
Opisać działanie istniejącego fragmentu kodu |
Czy opis jest zgodny z kodem bez weryfikacji |
|
Redagowanie |
Przygotować roboczą obserwację na podstawie sprawdzonych wyników |
Przyczyn zjawiska, awarii lub przekroczenia norm |
Kontrakt dobrego promptu
- Cel: czego dokładnie potrzebujesz od modelu.
- Kontekst: jakie dane, kod lub wyniki są potrzebne do zadania.
- Ograniczenia: czego model nie może zakładać ani dopowiadać.
- Format: jak ma wyglądać odpowiedź, aby łatwo było ją sprawdzić.
Pracuję w Jupyter Notebook. Pytanie analityczne:
Jak zmieniała się temperatura urządzenia U-07 w okresie objętym zbiorem?
Dostępne kolumny: czas, urzadzenie, temperatura.
Zaproponuj maksymalnie sześć kroków analizy. Nie twórz wartości liczbowych
ani wniosków. Przy każdym kroku podaj sposób sprawdzenia wyniku.
Taki prompt prosi o plan i mechanizm kontroli, a nie o gotową analizę. Zapisuj jego treść w notebooku lub rejestrze. Dzięki temu później wiesz, jakiego zadania dotyczyła sugestia i czy odpowiedź pozostała w wyznaczonym zakresie.
Ocena sugestii krok po kroku
|
Sugestia |
Sprawdzenie |
Decyzja |
|---|---|---|
|
Przekształć czas na typ daty |
Potwierdź typ kolumny po pd.to_datetime |
Przyjmij |
|
Usuń wartości odstające przed analizą |
Brak kryterium domenowego w danych i słowniku |
Zmodyfikuj: sprawdź, nie usuwaj automatycznie |
|
Posortuj pomiary według czasu |
Potrzebne do analizy przebiegu |
Przyjmij |
|
Oblicz korelację temperatury z energią |
Nie odpowiada na pytanie i sięga poza kontekst |
Odrzuć |
Nie oceniaj całej odpowiedzi jako dobrej lub złej. Jeden fragment może być poprawny, drugi wymagać modyfikacji, a trzeci być nieuzasadniony. Ten sam standard stosuj przy wyjaśnieniu kodu. Na przykład copy tworzy kopię danych, ale nie usuwa braków, a sort_values porządkuje istniejące rekordy, lecz nie gwarantuje ciągłości pomiarów.
Granica tekstu generowanego przez model
Model może napisać płynne zdanie, które nie ma podstaw w przekazanych danych. Jeżeli otrzyma tylko podsumowanie temperatury, nie może stwierdzić systematycznego wzrostu, przekroczenia bezpiecznego poziomu ani zbliżającej się awarii. Bez wykresu nie widzi przebiegu w czasie, bez progu nie zna normy, a bez dodatkowej diagnostyki nie zna przyczyny.
Bezpieczna wersja komentarza pozostaje przy zweryfikowanych danych: średnia z ostatnich dziesięciu pomiarów była wyższa niż średnia z pierwszych dziesięciu, a wartości mieściły się w obserwowanym zakresie. Następnie jasno wskazuje ograniczenie: podsumowanie nie pozwala określić przyczyny zmian ani stwierdzić awarii.
Rejestr użycia LLM
|
Pole |
Co zapisujesz |
|---|---|
|
Identyfikator i data |
Na przykład LLM-001 oraz data użycia |
|
Cel użycia |
Plan mini workflow lub wyjaśnienie konkretnego kodu |
|
Model lub narzędzie |
Faktycznie użyty model i interfejs |
|
Prompt |
Skrót oraz pełną treść w komórce Markdown |
|
Sugestia |
Fragment odpowiedzi, który wpłynął na pracę |
|
Weryfikacja |
Kod, wynik, dokumentacja albo kontrola logiczna |
|
Decyzja |
Przyjęto, zmodyfikowano lub odrzucono |
|
Uzasadnienie |
Dlaczego podjęto taką decyzję |
Minimalny kontekst i ochrona danych
Zwykle wystarczą nazwy i znaczenie kolumn, krótki fragment kodu, komunikat błędu, kilka przykładowych rekordów albo zweryfikowane podsumowanie. Nie przekazuj automatycznie całego zbioru. Danych osobowych, identyfikatorów osób, haseł, kluczy dostępowych i dokumentów objętych ograniczeniami nie wysyłaj bez sprawdzenia zasad przetwarzania oraz konfiguracji używanego narzędzia.
Ćwiczenie Wyjaśnij sprawdź udokumentuj
Wykonaj jeden pełny, kontrolowany cykl pracy z LLM.
- Wybierz krótki fragment kodu z mini workflow.
- Przygotuj prompt z celem, kontekstem, ograniczeniami i formatem odpowiedzi.
- Poproś model o wyjaśnienie, wybierz co najmniej trzy stwierdzenia i sprawdź je w kodzie, wynikach lub dokumentacji.
- Oznacz każde stwierdzenie jako przyjęte, zmodyfikowane albo odrzucone.
- Dodaj wpis do rejestru użycia LLM z nazwą modelu, datą i uzasadnieniem decyzji.
Sprawdź się: Interakcja z modelem jest udokumentowana, ale nie jest ponownie uruchamiana przez notebook podczas testu odtwarzalności.