Методика эффективного промпт-инжиниринга в работе финансового специалиста
Методика эффективного промпт-инжиниринга в работе финансового специалиста
Аннотация
Технологии генеративного искусственного интеллекта постепенно охватывают различные сферы общественной жизни и экономической деятельности в разных странах. Для профессиональной работы специалистов в сфере финансов открываются возможности автоматизации некоторых функций и углубленной работы над творческими и аналитическими задачами. Целью исследования является обобщение существующих методов промпт-инжиниринга и выявление наиболее эффективных для работы финансового специалиста с моделями генеративного искусственного интеллекта. Задачи исследования при этом направлены на достижение цели и коррелируют с полученными результатами. Научные результаты исследования: представлена классификация применяемых нейросетей, выявлены задачи, которые финансовый специалист может решать с помощью нейросетей, даны рекомендации по интеграции методов промпт-инжиниринга в работу финансового специалиста в зависимости от типа задач. Определены потенциальные риски работы с цифровыми языковыми моделями. Автором приведены результаты практического применения методов промпт-инжиниринга в двух нейросетях и проведено их сравнение.
1. Введение
Наблюдаемое развитие информационных технологий тесно связано с внедрением нейросетей. Они применяются как самостоятельный инструмент, но могут быть и встроенными в уже известные сервисы и системы. Работа с нейросетями представляет собой следующий шаг в практике применения сервисов и специальных программ в цифровой среде. Нейросети могут стать настоящими помощниками для специалистов в сфере экономики и финансов, поскольку их возможности не ограничиваются простым поиском необходимой информации. Результатом работы нейросети является сгенерированный ответ на запрос пользователя. Запросы в адрес нейросети называют промптами, а мастерство формирования запросов — промт-инжинирингом. Чем лучше навыки промт-инжиниринга, тем выше качество ответов, которые специалист может получить на основе генеративного искусственного интеллекта. Проведем анализ доступных моделей искусственного интеллекта и методов работы с ними.
Теоретико-методологические основы исследования заключаются в раскрытии содержания используемых моделей искусственного интеллекта. Генеративный искусственный интеллект опирается на языковую модель, знания которой формируются в процессе обучения. Различают обучение с учителем, обучение без учителя, обучение с подкреплением, глубинное обучение. Активные в широком доступе нейросети работают по принципу обучения с учителем, когда пользователь не только формирует запрос, но и уточняет его, загружает свои данные и ожидает результатов генерации. Умение разработки промптов (запросов) переросло не просто в популярный навык, а в профессию, востребованную на рынке в разных отраслях.
Таким образом, в целях исследования привлекались методы классификации, аналогий, промпт-инжиниринга, контекстного анализа и экспертной оценки. Использованы принципы научной этики, опоры на научные представления о предмете исследования, практической полезности результатов. Автором выявлен ряд научных работ, посвященных актуальным вопросам применения нейросетей и их адаптации к потребностям в профессиональных сферах деятельности: PR в медиапространстве, реклама , финансы и маркетинг . В частности, А.О. Руденко выделяет четыре группы методов промпт-инжиниринга . О.Б. Попова, М.В. Князев и их соавторы говорят о потенциале прогрессивных методов составления промптов: генерация знаний, направленное стимулирование и др. . Интерес представляют также исследования А.С. Панкрашова и С.В. Окладниковой , И.В. Елманова .
2. Основные результаты
Разработчики разных стран создают нейросети для решения профессиональных задач и досуга, поддержания образа жизни. Приведем классификацию нейросетей, в числе которых обязательно назовем наиболее востребованные среди пользователей (табл. 1).
Классификация нейросетей по различным признакам
составлено автором
Признак классификации | Виды нейросетей, отдельных сервисов в ресурсах языковой модели | Примеры |
По стране происхождения | Российские | GigaChat (СберБанк), YandexGPT, Kandinsky, Шедеврум, Gerwin |
Зарубежные | США: ChatGPT, Open AL — библиотека возможностей, Midjourney, NotebookLM Китай: DeepSeek, Qwen, Hailuo, PixVerse, SeaArt Южная Корея: Wrtn | |
По функциональным возможностям | Многофункциональные | GigaChat, YandexGPT, ChatGPT, Deep Seek |
Подготовка текстовых ответов | Все многофункциональные | |
Создание изображений, видео | Midjourney, DALL-E, Stable Diffusion, Kandinsky, Шедеврум | |
Разработка презентаций | Kampus, Study AL, Presentation Pro, Canva Magic Design | |
Написание музыки | Suno, AIVA, Mubert, Soundful
| |
Создание и управление цифровыми аватарами | Synthesia, D-ID (платформы), Heygen | |
Перевод текста на иностранный язык | YandexGPT | |
По субъекту разработки | Собственные | Разработаны для внутреннего применения |
Внешние | Общедоступные или разработанные сторонним исполнителем | |
По охвату пользователей | Широкого применения | ChatGPT, DeepSeek, GigaChat, YandexGPT |
Специальные | Для определенных профессий (Notebook LM — структурирование знаний для обучения, выступлений) | |
По уровню популярности | Популярные | ChatGPT, Deep Seek, GigaChat, YandexGPT |
Менее известные | Wrtn |
Диалог пользователя с нейросетью предполагает направление запроса. Действия пользователя нейросети могут быть описаны последовательностью:
1) выбор нейросети для работы;
2) подключение к бесплатной версии или платному доступу;
3) постановка задачи;
4) подготовка промптов, их запуск и отладка на основе контроля получаемых результатов;
5) оценка и контроль возможных рисков работы с нейросетью.
Как упоминалось ранее, методы промпт-инжиниринга рассмотрены в работах , , . Среди них можно назвать наиболее простые: Zero-shot Prompting и Few-shot Prompting (запросы без примеров ожидаемых ответов либо с минимальным описанием). К более сложным относятся Сhain of Thought — последовательное рассуждение, Output Customization — определение формата вывода ответа, Persona и Flipped InterAction — назначение ролей и обратное следование запросов от сети пользователю. В табл. 2 будем опираться на перечисленные и иные известные методы промпт-инжиниринга. Возможности методов необходимо сопоставлять с природой и степенью сложности задачи, выбирать наиболее релевантные из них.
Промпт обеспечит максимально полезный ответ нейросети, если будет удовлетворять требованиям:
– лаконичная формулировка задачи без лишних терминов;
– разбиение задачи на подзадачи, этапы ее выполнения (структурирование запроса);
– добавление необходимых описаний в качестве контекста для лучшего понимания специфики задачи;
– добавление примера или аналогии в целях описания ожидаемого результата.
Дообучение нейросети (продолжение диалога с конкретизацией запроса) может осуществляться с помощью развития текста запроса или добавления данных для их обработки.
Нейросети будут весьма полезны в оценке ситуации на рынке недвижимости, изучении биржевой статистики, инфляционных процессов, процессов инвестирования, анализе предложений кредитных организаций, дилерских центров, оптовых закупок товаров, маркетинговых технологий. Высока ценность данного инструментария при проведении исследований финансовой системы, прогнозировании экономических трендов. Задачи, которые могут решать финансисты с помощью генеративных моделей: сбор статистики и фактов, новостей, глубокий анализ на основе обобщения фактов, информации, разработка прогнозов исходя из имеющейся динамики, помощь в подготовке отчетов, разработка презентаций и докладов при наличии тематической информации в доступе нейросети.
Приведем методы разработки промптов для профессиональных задач специалиста в сфере финансов (табл. 2). Возможные типы задач для нейросети сгруппируем по их характеру:
1 группа (новизна) — требует знания новых фактов.
2 группа (масштаб) — требует охвата информации.
3 группа (индивидуальность) — требует индивидуальной разработки.
4 группа (технологичность) — требует автоматизации и запуска процессов работы модели.
Задачи финансового специалиста и рекомендуемые методы промпт-инжиниринга
составлено автором
Задача | Тип задачи, их комбинация | Методы промпт-инжиниринга |
Систематизация актуальных финансовых новостей и вывод источников | 1 | Zero-shot Prompting |
Сбор и обобщение публикаций по теме | 2 | Zero-shot Prompting |
Подбор законодательства по вопросу, поиск новых законов, вступивших в силу, и судебных решений | 1, 2 | Zero-shot Prompting, Few-shot Prompting |
Презентации по теме или на основе исходных данных | 2, 3 | Few-shot Prompting, Least-to-Most Prompting |
Подготовка портфолио для трудоустройства | 3 | Persona, Output Customization, Template |
Изучение статистики продаж, инфляции, рынков | 2 | Least-to-Most Prompting, Сhain of Thought |
Создание (использование) AL-агента для сайта, иных целей | 4 | 1. Persona, Hierarchical Multi-Agent Workflow 2. Goal-based Agent, Utility-based Agent, иные модели. Принципы работы: взаимодействие со средой, инициирование действий, прием «обучение с подкреплением» |
Распространение рекламы в системе Интернет-продаж | 4 | |
Запуск ботов для индивидуальной работы с клиентами | 4 |
Представленные методы могут применяться в совокупности при решении конкретных задач для более эффективных результатов. При этом при решении более сложных задач простые методы тоже могут давать результаты, но специалист вправе из критически оценить и признать недостаточными.
Приведем примеры промптов для решения задач финансиста. Они были загружены автором для обработки в ресурсы Open AL (использована версия GPT 4o Mini, доступная на сайте https://fichi.ai) и GigaChat. На рис. 1 и 2 приведены запрос об уровне ключевой ставки в России и других странах, политике ее регулирования и ответ нейросети на запрос (скриншот).
Рисунок 1 - Запрос и краткий ответ нейросети GPT 4o Mini
Рисунок 2 - Результат генерации нейросети GPT 4o Mini (продолжение ответа)
На рис. 3 и 4 отражен результат генерации в системе Гига чат (скриншот).
Рисунок 3 - Запрос и краткий ответ нейросети Giga Chat
Рисунок 4 - Результат генерации нейросети Giga Chat (продолжение ответа)
3. Обсуждение
Далеко не все авторы затрагивают вопросы оценки рисков, которые могут сопровождать работу нейросети. Изучая опыт стран по интеграции больших языковых моделей в деятельность крупных корпораций, систему государственного управления, Просалова В.С. не рассматривает этот вопрос . Исследуя маркетинг и коммуникации, Менжевицкий М.Е. также не включает риски в изучаемый спектр факторов эффективности внедрения моделей генеративного искусственного интеллекта . Вместе с тем Кодекс этики в сфере искусственного интеллекта (его разработчики — крупнейшие IT-компании России) позиционируют оценку рисков использования нейросетей как элемент ответственного их применения .
Пользователи должны принимать во внимание риски работы с моделями на основе генеративного искусственного интеллекта:
– отсутствие достаточной нормативной базы, регулирующей применение результатов, полученных с помощью нейросетей (принадлежность контента пользователю или платформе, компании-разработчику);
– содержание элементов заимствований в результатах генерации (идеях, текстах, изображениях) из тех материалов, на которых обучена нейросеть;
– ошибки и неточности, требующие проверки;
– низкое качество ответов нейросети в связи с недостаточной компетентностью промпт-инженера;
– «перегрев» модели, когда специалисты говорят, что она уже не способна сгенерировать что-то полезное;
– утрата или утечка данных, материалов, результатов генерации (блокировка к доступу) в случае работы с зарубежными нейросетями.
В случае применения искусственного интеллекта для оказания финансовых услуг необходимо опираться на специальный Кодекс этики, разработанный Центральным банком для финансового рынка . Его принципы предусматривают информирование клиентов о применении искусственного интеллекта, право клиентов не согласиться с решением, принятым искусственным интеллектом. Клиенты даже могут отказаться от применения генеративных моделей. В отношении корпоративных систем искусственного интеллекта рекомендуется применять риск-ориентированное регулирование, предполагающее учет рисков, присвоение им класса рисков.
Если говорить о персональной ответственности специалистов (финансовых консультантов, аудиторов, посредников и т.д.) за принятые на основе искусственного интеллекта решения, то в этом случае действуют правила:
– целесообразность привлечения нейросетей, иных технологий оценивается специалистом;
– адекватность ответов нейросетей оценивается специалистом, он несет ответственность за принимаемые решения.
Необходимо учитывать, что генеративные модели являются лишь вспомогательным инструментом в работе специалистов, а не единственным способом выполнения задач. Подчеркнем, тем не менее, что вопрос ответственности в полной мере в настоящее время в законодательстве не раскрыт.
Подчеркивая настоятельную потребность в развитии правового регулирования, назовем те положения, которые могут применяться в настоящее время: Гражданский кодекс Российской Федерации по вопросам защиты прав интеллектуальной собственности и Указ Президента РФ от 10 октября 2019 г. № 490 , на концептуальном уровне определяющий ряд понятий и задач по развитию систем искусственного интеллекта в России.
Важен вывод о том, что риски могут снижать эффективность работы нейро-помощников и даже спровоцировать аннулирование результатов.
В работе с нейросетями можно выделить несколько уровней с точки зрения профессионализма и навыков: запросы в адрес нейросети (первый уровень), создание и использование AL-агентов (второй уровень), программирование без кода с привлечением нужного приложения (например, Cursor Composer) (третий уровень). Наиболее продвинутый уровень, третий, называют вайб-кодингом (vibe coding), при котором пользователь формулирует алгоритм или задачу на естественном языке, а нейросеть генерирует код, запускает процессы на его основе и получает результат. Данный метод работы с нейросетью нужен далеко не всегда, его апробация началась совсем недавно — в начале 2025 года, но его необходимо рассматривать в дополнение к рассмотренным ранее методам взаимодействия с языковой моделью искусственного интеллекта.
4. Заключение
Работа нейросети может быть признана эффективной, если получен точный и полный ответ на запрос специалиста. При этом подбор метода промпт-инжиниринга, их комбинации осуществляется исходя из содержания задачи и ожидаемой конструкции ответа. Компетенции и опыт в финансовой сфере, информационных системах станут залогом положительных результатов взаимодействия с моделями генеративного искусственного интеллекта.