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.

  1. Wybierz krótki fragment kodu z mini workflow.
  2. Przygotuj prompt z celem, kontekstem, ograniczeniami i formatem odpowiedzi.
  3. Poproś model o wyjaśnienie, wybierz co najmniej trzy stwierdzenia i sprawdź je w kodzie, wynikach lub dokumentacji.
  4. Oznacz każde stwierdzenie jako przyjęte, zmodyfikowane albo odrzucone.
  5. 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.