Промпты для кибернетика. 29 готовых примеров для генерации

Столкнуться с необходимостью решить сложную техническую задачу – обычное дело для специалиста в области кибернетики. Но попытка использовать для этого нейросети часто приводит к разочарованию. Общие ответы, нерабочий код и абстрактные рассуждения вместо точных математических выкладок – знакомая картина. Эта статья предлагает решение: готовые промпты для кибернетика, созданные для получения конкретных, применимых результатов от ИИ.

Проблема не в нейросетях, а в том, как мы ставим им задачи. Кибернетика требует точности, контекста и понимания математического аппарата. Без этого даже самая мощная модель бесполезна. Здесь собраны шаблоны, которые учат ИИ думать как инженер, а не как копирайтер.

В этом материале вы найдете:

• Готовые шаблоны запросов для моделирования систем.
• Промпты для разработки и анализа алгоритмов управления.
• Примеры для решения задач робототехники и машинного обучения.
• Инструкции для анализа данных и обработки сигналов.

Это не просто список, а инструмент, который поможет превратить нейросеть из генератора текста в полноценного ассистента для решения сложных инженерных и научных задач.

Типичные ошибки при составлении запросов для ИИ в кибернетике

Многие специалисты наступают на одни и те же грабли, пытаясь получить от нейросети помощь в решении кибернетических задач. Часто это приводит к потере времени и уверенности в том, что ИИ вообще на что-то способен в этой сфере. Вот основные ошибки, которых стоит избегать.

1. Запрашивать «создать алгоритм», не определяя критерии. Нейросеть с радостью напишет код, но без критериев оптимальности (быстродействие, точность, потребление ресурсов) этот алгоритм будет сферическим конем в вакууме, бесполезным на практике.
2. Игнорировать математическую нотацию и формализацию. Просьба «объяснить устойчивость системы» даст общее описание. А запрос с использованием уравнений в пространстве состояний и просьбой применить критерий Ляпунова приведет к конкретному аналитическому решению.
3. Смешивать анализ и синтез в одном запросе. Попытка одновременно «проанализировать систему и предложить новый регулятор» запутает модель. Лучше разбить задачу: сначала полный анализ, потом, на основе результатов, отдельный запрос на синтез.
4. Не предоставлять контекст и ограничения. Без указания физических ограничений системы, допущений модели и целевой платформы (например, микроконтроллер с ограниченной памятью) сгенерированное решение может оказаться нежизнеспособным.
5. Просить написать сложный код одним куском. Запрос «напиши код для SLAM-алгоритма» почти наверняка провалится. Гораздо эффективнее просить помощи по частям: «напиши функцию для сопоставления признаков», «предложи структуру данных для хранения карты».
6. Верить сгенерированным вычислениям на слово. Нейросети – это языковые, а не вычислительные модели. Они могут допускать ошибки в сложных математических преобразованиях. Любые формулы и расчеты необходимо перепроверять. Конечно, они никогда не ошибаются, но проверить все же стоит.

Продвинутые запросы для ИИ в кибернетике: от слабого к сильному

Чтобы понять разницу между обычным запросом и профессиональным, рассмотрим, как можно улучшить формулировки для типичной задачи кибернетика. Результат отличается кардинально.

Задача	Слабый промпт (что обычно делают не так)	Почему это плохо	Сильный промпт (как надо)	Почему это работает
Разработать ПИД-регулятор для двигателя постоянного тока.	Напиши ПИД-регулятор для мотора.	Нет модели объекта управления, нет требований к качеству переходного процесса, нет формата ответа. ИИ даст самый общий код, который нельзя применить.	Ты – инженер по теории автоматического управления. Разработай ПИД-регулятор для управления скоростью вращения двигателя постоянного тока. Модель двигателя описывается передаточной функцией W(s) = K / (T*s + 1). Прими K=15 рад/(с*В), T=0.5 с. Требования к системе: перерегулирование не более 10%, время установления не более 1.2 с. Предоставь код на Python с использованием библиотеки `control`, выведи коэффициенты Kp, Ki, Kd и построй график переходного процесса.	Промпт задает роль, предоставляет математическую модель объекта, формулирует четкие требования к качеству (KPI) и указывает формат вывода, включая конкретные инструменты. Это превращает абстрактную задачу в конкретную инженерную проблему с измеримым результатом.
Выбрать архитектуру нейросети для классификации изображений.	Подскажи нейросеть для классификации картинок.	Слишком общий запрос. Непонятно, какие картинки, какой объем данных, какие ограничения по ресурсам. Ответ будет списком из «ResNet, VGG, EfficientNet» без конкретики.	Ты – специалист по машинному обучению. Помоги выбрать архитектуру сверточной нейросети для задачи классификации медицинских изображений (рентгеновские снимки, 512×512 пикселей, 3 канала). Датасет небольшой, около 2000 изображений. Вычислительные ресурсы ограничены (GPU с 8 ГБ видеопамяти). Сравни 3 подходящие архитектуры (например, MobileNetV2, EfficientNet-B0, и кастомная легкая сеть). Укажи их преимущества и недостатки для этой задачи. Предложи архитектуру-победителя и обоснуй выбор.	Здесь есть все: роль, контекст задачи (медицинские изображения, размер), ограничения (маленький датасет, память GPU), конкретная задача (сравнить и выбрать), и требование обосновать выбор. ИИ вынужден анализировать, а не давать готовые ответы.
Проанализировать данные временного ряда.	Проанализируй этот временной ряд и найди аномалии. [данные]	Анализ чего? Какие аномалии? Что считать нормой? Без этих уточнений ИИ может найти «аномалии», которые на самом деле являются нормальными пиками или сезонностью.	Ты – аналитик данных, специализирующийся на временных рядах. Проанализируй следующий временной ряд показаний датчика температуры промышленного реактора. [данные]. Нормальный рабочий диапазон – 80-95°C. Кратковременные пики до 100°C допустимы. Найди аномалии, которые не соответствуют этим паттернам. Для каждой аномалии укажи временную метку, значение и возможное объяснение (например, «резкое падение», «длительное превышение порога»). Представь результат в виде таблицы.	Промпт задает роль, описывает данные (датчик температуры), определяет, что такое «норма» и «допустимое отклонение». Это позволяет ИИ искать не статистические выбросы, а именно аномалии с точки зрения бизнес-логики процесса. Формат таблицы делает результат структурированным и удобным для дальнейшей работы.

29 промптов для кибернетика для генерации кода, моделей и алгоритмов

Ниже представлены готовые шаблоны запросов, сгруппированные по ключевым областям кибернетики. Каждый из них создан так, чтобы нейросеть работала как компетентный ассистент, а не случайный генератор текста.

1. Синтез ПИД-регулятора с заданными параметрами

Проблема: Нужно быстро рассчитать коэффициенты ПИД-регулятора для объекта управления и проверить качество переходного процесса, не тратя время на ручные расчеты или сложное ПО.

Решение: Промпт генерирует код на Python, который рассчитывает коэффициенты регулятора по методу Циглера-Никольса и строит график реакции системы.

Текст промпта:

*****

Ты – инженер по теории автоматического управления. Твоя задача – синтезировать ПИД-регулятор для объекта управления, описанного передаточной функцией.

Контекст:
Объект управления описывается передаточной функцией: [укажите передаточную функцию в формате ‘W(s) = (b0s^m + … + bm) / (a0s^n + … + an)’, например, ‘W(s) = 1.5 / (2s^2 + 0.8s + 1)’].
Требуется рассчитать коэффициенты ПИД-регулятора (Kp, Ki, Kd) с использованием [укажите метод, например, ‘частотного метода Циглера-Никольса’ или ‘аналитического метода’].

Задача:

1. Напиши скрипт на Python с использованием библиотек control и matplotlib.
2. В скрипте определи передаточную функцию объекта управления.
3. Рассчитай критический коэффициент усиления (Kкр) и критический период колебаний (Tкр) для системы.
4. На основе этих данных рассчитай коэффициенты Kp, Ki, Kd для ПИД-регулятора по выбранному методу.
5. Создай передаточную функцию замкнутой системы с полученным регулятором.
6. Построй график переходного процесса (реакцию на единичное ступенчатое воздействие) для замкнутой системы.
7. Выведи рассчитанные коэффициенты Kp, Ki, Kd и покажи график.

Формат ответа: предоставь готовый к выполнению код на Python с комментариями, объясняющими каждый шаг. Не используй псевдокод.

*****

Почему это работает: Промпт дает четкую роль, математическую модель объекта, указывает конкретный метод расчета и требует результат в виде исполняемого кода с визуализацией. Это полностью формализует задачу и не оставляет места для двусмысленности.

2. Анализ устойчивости системы по критерию Ляпунова

Проблема: Необходимо доказать устойчивость нелинейной системы, но построение функции Ляпунова – нетривиальная и творческая задача.

Решение: Промпт просит ИИ предложить кандидата на функцию Ляпунова и провести анализ устойчивости для заданной системы дифференциальных уравнений.

Текст промпта:

*****

Ты – специалист по теории устойчивости, эксперт в методах Ляпунова.

Контекст:
Имеется нелинейная динамическая система, описываемая системой дифференциальных уравнений:
[Приведите систему уравнений, например,
dx1/dt = -x1 + x2^2
dx2/dt = -x2].
Необходимо проанализировать устойчивость положения равновесия в точке (0, 0).

Задача:

1. Предложи подходящую функцию-кандидата V(x) для анализа по второму методу Ляпунова. Обоснуй свой выбор (например, квадратичная форма).
2. Вычисли полную производную функции V(x) по времени в силу системы уравнений (dV/dt).
3. Проанализируй знак производной dV/dt.
4. Сделай вывод об устойчивости, асимптотической устойчивости или неустойчивости положения равновесия (0, 0) на основе теоремы Ляпунова.

Формат ответа: предоставь пошаговое аналитическое решение с подробными математическими выкладками. Используй нотацию LaTeX для всех формул.

*****

Почему это работает: Запрос не просто просит «проверить устойчивость», а декомпозирует задачу на логические шаги: выбор функции, вычисление производной, анализ знака, вывод. Это направляет «мыслительный» процесс ИИ в нужное русло.

3. Преобразование модели из передаточной функции в пространство состояний

Проблема: Для многих современных методов анализа и синтеза (например, оптимальное управление) требуется представление модели в пространстве состояний, а не в виде передаточной функции.

Решение: Промпт автоматизирует процесс преобразования одной формы представления модели в другую.

Текст промпта:

*****

Ты – инженер-системотехник. Твоя задача – преобразовать модель динамической системы из формы передаточной функции в представление в пространстве состояний.

Контекст:
Система описывается передаточной функцией: [укажите передаточную функцию, например, ‘W(s) = (s + 3) / (s^3 + 5s^2 + 6s + 8)’].

Задача:

1. Преобразуй данную передаточную функцию в каноническую форму управляемости (фазовых переменных).
2. Определи матрицы A, B, C и D для представления в пространстве состояний:
   dx/dt = Ax + Bu
   y = Cx + Du
3. Представь финальные матрицы A, B, C, D в явном виде.

Формат ответа: покажи шаги преобразования и итоговые матрицы A, B, C, D. Используй LaTeX для матриц и формул.

*****

Почему это работает: Промпт указывает конкретную целевую форму (каноническая форма управляемости) и четкий формат результата (матрицы A, B, C, D), что исключает получение неправильной или неполной информации.

4. Генерация архитектуры нейросети для задачи

Проблема: Выбор правильной архитектуры нейронной сети для конкретной задачи – сложный процесс, требующий знания десятков вариантов и их особенностей.

Решение: Промпт помогает сравнить несколько подходящих архитектур и выбрать оптимальную на основе заданных критериев и ограничений.

Текст промпта:

*****

Ты – опытный специалист по машинному обучению (ML-инженер). Твоя задача – предложить и обосновать выбор архитектуры нейронной сети для конкретной задачи.

Контекст:
Задача: [опишите задачу, например, ‘сегментация изображений дорожного полотна для поиска дефектов’].
Данные: [опишите данные, например, ‘цветные изображения 1024×768 пикселей, около 5000 штук с разметкой’].
Ограничения: [укажите ограничения, например, ‘модель должна работать в реальном времени на GPU уровня NVIDIA Jetson Nano, т.е. требуется высокая скорость инференса’].

Задача:

1. Предложи 3 различные архитектуры нейронных сетей, подходящие для данной задачи и ограничений (например, U-Net, SegNet, и одна из легковесных моделей типа Fast-SCNN).
2. Для каждой архитектуры кратко опиши ее основной принцип работы, преимущества и недостатки в контексте поставленной задачи.
3. Сравни их по следующим критериям: точность (потенциальная), скорость работы, требования к памяти, сложность обучения.
4. Сделай итоговый выбор и детально обоснуй, почему именно эта архитектура является наилучшим компромиссом.

Формат ответа: структурированный отчет с разделами для каждой архитектуры, сравнительной таблицей и итоговым заключением.

*****

Почему это работает: Запрос заставляет ИИ не просто назвать первую попавшуюся архитектуру, а провести сравнительный анализ по конкретным, важным для практики критериям (скорость, память, точность). Это учит модель мыслить как инженер, ищущий оптимальное решение.

5. Решение прямой задачи кинематики для манипулятора

Проблема: Расчет положения и ориентации рабочего органа манипулятора по заданным суставным переменным – рутинная, но требующая внимательности задача.

Решение: Промпт генерирует код для расчета прямой задачи кинематики с использованием матриц преобразования по параметрам Денавита-Хартенберга.

Текст промпта:

*****

Ты – инженер-робототехник. Твоя задача – решить прямую задачу кинематики для роботизированного манипулятора.

Контекст:
Имеется манипулятор с [укажите количество звеньев, например, ‘3’] степенями свободы.
Параметры Денавита-Хартенберга (Д-Х) для манипулятора представлены в таблице:
[Приведите таблицу параметров Д-Х, например:
Звено | a_i | alpha_i | d_i | theta_i
1 | 0 | pi/2 | d1 | q1
2 | a2 | 0 | 0 | q2
3 | a3 | 0 | 0 | q3
где a2, a3, d1 — константы, q1, q2, q3 — обобщенные координаты (углы поворота)].

Задача:

1. Напиши функцию на Python, которая принимает на вход вектор обобщенных координат [q1, q2, …].
2. Внутри функции последовательно вычисли матрицы однородных преобразований A_i для каждого звена на основе параметров Д-Х.
3. Вычисли итоговую матрицу преобразования T, как произведение матриц A_i, которая определяет положение и ориентацию рабочего органа относительно базовой системы координат.
4. Верни из функции итоговую матрицу T.
5. Напиши пример использования этой функции для заданных значений углов.

Формат ответа: код на Python с использованием библиотеки NumPy для матричных операций. Добавь комментарии, поясняющие вычисления.

*****

Почему это работает: Промпт предоставляет все необходимые исходные данные в структурированном виде (таблица Д-Х), указывает на использование стандартного метода (матрицы преобразований) и требует результат в виде готовой к использованию функции. Это полностью снимает неоднозначность.

6. Проектирование цифрового КИХ-фильтра

Проблема: Необходимо спроектировать цифровой фильтр с заданными частотными характеристиками, например, для удаления шума из сигнала.

Решение: Промпт генерирует код для расчета коэффициентов КИХ-фильтра и визуализации его характеристик.

Текст промпта:

*****

Ты – специалист по цифровой обработке сигналов. Твоя задача – спроектировать цифровой КИХ-фильтр (фильтр с конечной импульсной характеристикой).

Контекст:
Требуется спроектировать [укажите тип фильтра, например, ‘полосовой КИХ-фильтр’].
Частота дискретизации сигнала: [укажите частоту, например, Fd = 1000 Гц].
Требуемые характеристики фильтра:

• Нижняя частота среза: [например, 100 Гц]
• Верхняя частота среза: [например, 250 Гц]
• Порядок фильтра (количество коэффициентов): [например, N = 64]
• Окно, используемое для проектирования: [например, ‘окно Хэмминга’]

Задача:

1. Напиши скрипт на Python с использованием библиотек scipy.signal и matplotlib.
2. Рассчитай коэффициенты КИХ-фильтра с использованием функции scipy.signal.firwin.
3. Построй и отобрази импульсную характеристику (коэффициенты) фильтра.
4. Построй и отобрази амплитудно-частотную характеристику (АЧХ) и фазо-частотную характеристику (ФЧХ) спроектированного фильтра.

Формат ответа: предоставь полный код на Python с визуализацией результатов. Код должен быть прокомментирован.

*****

Почему это работает: В промпте четко заданы все ключевые параметры для проектирования фильтра (тип, частоты среза, порядок, окно), что является необходимым и достаточным условием для получения однозначного и корректного решения.

7. Формализация задачи оптимизации

Проблема: Перед решением любой сложной задачи оптимизации ее необходимо правильно математически сформулировать: определить целевую функцию, переменные и ограничения.

Решение: Промпт помогает преобразовать словесное описание проблемы в строгую математическую постановку.

Текст промпта:

*****

Ты – системный аналитик, эксперт в исследовании операций. Твоя задача – формализовать задачу оптимизации на основе ее словесного описания.

Контекст:
Описание проблемы: [приведите словесное описание, например, ‘Транспортная компания хочет минимизировать затраты на топливо при доставке товаров из склада А в города Б, В и Г. Есть несколько типов грузовиков с разной грузоподъемностью и расходом топлива. Объемы товаров для каждого города известны. Каждый грузовик может посетить несколько городов в одном рейсе.’].

Задача:

1. Определи и опиши переменные решения (что мы можем менять).
2. Сформулируй целевую функцию (что мы хотим максимизировать или минимизировать) в виде математического выражения.
3. Определи и запиши все ограничения (условия, которые должны выполняться) в виде системы равенств и/или неравенств.
4. Укажи тип задачи оптимизации (линейное программирование, нелинейное, целочисленное и т.д.).

Формат ответа: структурированный текст с разделами «Переменные решения», «Целевая функция», «Ограничения» и «Тип задачи». Используй LaTeX для всех математических выражений.

*****

Почему это работает: Этот промпт является инструментом мышления. Он заставляет четко структурировать проблему, что является первым и самым важным шагом к ее решению. ИИ выступает в роли ассистента, который помогает навести порядок в мыслях.

8. Генерация кода для обучения модели на PyTorch

Проблема: Написание стандартного кода для цикла обучения нейросети (тренировка, валидация, сохранение модели) – рутинная операция, на которую уходит много времени.

Решение: Промпт генерирует готовый скелет кода для обучения модели на PyTorch, который остается только адаптировать под свои данные.

Текст промпта:

*****

Ты – опытный ML-разработчик, отлично владеющий фреймворком PyTorch.

Задача:
Напиши шаблон кода на Python для обучения нейросети на PyTorch. Код должен включать следующие компоненты:

1. Определение класса датасета, наследующегося от torch.utils.data.Dataset.
2. Создание экземпляров DataLoader для тренировочной и валидационной выборок.
3. Определение архитектуры нейросети (используй простую сверточную сеть в качестве примера для классификации изображений).
4. Перенос модели и данных на устройство (CPU или GPU, если доступен).
5. Определение функции потерь (например, CrossEntropyLoss) и оптимизатора (например, Adam).
6. Основной цикл обучения на N эпох, включающий:
   • Фазу обучения (model.train()), расчет потерь, обратное распространение ошибки, шаг оптимизатора.
   • Фазу валидации (model.eval()), расчет потерь и метрик (например, точности) на валидационной выборке.
7. Вывод информации о процессе обучения (номер эпохи, потери, метрики).
8. Сохранение лучшей модели по результатам валидации.

Формат ответа: представь единый, хорошо прокомментированный скрипт на Python. Используй плейсхолдеры типа # TODO: ... в местах, где пользователь должен вставить свой код (например, загрузка данных).

*****

Почему это работает: Промпт предоставляет четкую структуру требуемого кода, перечисляя все обязательные компоненты цикла обучения. Это гарантирует, что сгенерированный код будет полным и соответствующим лучшим практикам разработки на PyTorch.

9. Спектральный анализ сигнала

Проблема: Нужно проанализировать частотный состав сигнала, чтобы найти доминирующие частоты, гармоники или артефакты.

Решение: Промпт генерирует код для выполнения быстрого преобразования Фурье (БПФ) и визуализации спектра сигнала.

Текст промпта:

*****

Ты – инженер по обработке сигналов. Твоя задача – провести спектральный анализ временного сигнала.

Контекст:
Имеется сигнал, представляющий собой сумму нескольких синусоид с шумом.
Частота дискретизации: [укажите частоту, например, Fd = 1000 Гц].
Длительность сигнала: [укажите длительность, например, T = 2 секунды].

Задача:

1. Напиши скрипт на Python с использованием numpy и matplotlib.
2. Сгенерируй тестовый сигнал, состоящий из суммы двух синусоид с частотами [например, 50 Гц] и [например, 120 Гц] и добавь к нему случайный шум.
3. Выполни быстрое преобразование Фурье (БПФ) для сгенерированного сигнала с помощью numpy.fft.fft.
4. Рассчитай амплитудный спектр.
5. Построй два графика:
   • Исходный сигнал во временной области.
   • Амплитудный спектр сигнала в частотной области.
6. Ось частот на втором графике должна быть правильно отмасштабирована в герцах.

Формат ответа: готовый к запуску скрипт на Python с комментариями.

*****

Почему это работает: Запрос не просто просит «сделать БПФ», а включает этап генерации тестового сигнала с известными параметрами. Это позволяет сразу же проверить корректность работы алгоритма и визуализации – пики на спектре должны появиться на заданных частотах.

10. Планирование траектории по алгоритму A*

Проблема: Необходимо найти оптимальный путь для робота на карте с препятствиями, избегая коллизий.

Решение: Промпт генерирует реализацию алгоритма A* (A-star) для поиска пути на сеточной карте.

Текст промпта:

*****

Ты – эксперт по алгоритмам планирования пути в робототехнике.

Задача:
Напиши реализацию алгоритма поиска пути A* на Python.

1. Карта мира представлена в виде 2D-матрицы (списка списков), где 0 – проходимая ячейка, 1 – препятствие.
2. Функция поиска пути должна принимать на вход карту, начальные и конечные координаты.
3. В качестве эвристики используй [укажите эвристику, например, ‘Манхэттенское расстояние’ или ‘Евклидово расстояние’].
4. Алгоритм должен найти кратчайший путь от старта к цели, обходя препятствия.
5. Если путь найден, функция должна вернуть список кортежей с координатами ячеек пути. Если путь не найден – пустой список.
6. Добавь пример использования: создай простую карту с препятствиями, задай старт и цель, вызови функцию и напечатай результат.

Формат ответа: предоставь полный код на Python с классом или функциями для реализации A*. Код должен быть хорошо прокомментирован.

*****

Почему это работает: Промпт четко определяет формат входных данных (2D-матрица), выходных данных (список координат) и ключевой компонент алгоритма (эвристика). Этого достаточно для создания полноценной и рабочей реализации A*.

11. Синтез наблюдателя состояния (Наблюдатель Люенбергера)

Проблема: В реальных системах не все переменные состояния доступны для прямого измерения. Необходимо оценить их значения на основе имеющихся измерений выхода системы.

Решение: Промпт помогает спроектировать наблюдатель Люенбергера, который решает эту задачу.

Текст промпта:

*****

Ты – специалист по современной теории управления. Твоя задача – спроектировать наблюдатель состояния полного порядка (наблюдатель Люенбергера).

Контекст:
Имеется линейная стационарная система, описанная в пространстве состояний:
dx/dt = Ax + Bu
y = Cx + Du
Матрицы системы:
A = [матрица A, например, [[0, 1], [-2, -3]]]
B = [матрица B, например, [[0], [1]]]
C = [матрица C, например, [[1, 0]]]
D = [матрица D, например, [[0]]]
Требуется, чтобы полюсы наблюдателя были в [укажите желаемые полюсы, например, ‘-5 и -6’]. Это определит скорость сходимости оценки.

Задача:

1. Проверь наблюдаемость системы (пара (A, C)).
2. Если система наблюдаема, рассчитай матрицу усиления наблюдателя L так, чтобы полюсы матрицы (A — LC) находились в заданных точках. Для этого можно использовать формулу Аккермана или метод размещения полюсов.
3. Запиши уравнения наблюдателя.
4. Напиши код на Python с использованием библиотеки control для выполнения расчетов и проверки.

Формат ответа: предоставь пошаговое объяснение, аналитический расчет матрицы L и код на Python для верификации.

*****

Почему это работает: Промпт содержит все необходимые математические данные (матрицы A, B, C) и ключевое требование к синтезу (желаемые полюсы). Это превращает сложную теоретическую задачу в конкретный алгоритм действий с проверяемым результатом.

12. Дискретизация непрерывной системы

Проблема: Для реализации на микроконтроллере или компьютере непрерывная модель системы управления должна быть преобразована в дискретную форму.

Решение: Промпт автоматизирует процесс дискретизации модели, представленной в пространстве состояний.

Текст промпта:

*****

Ты – инженер по системам управления. Твоя задача – выполнить дискретизацию непрерывной системы.

Контекст:
Непрерывная система задана в пространстве состояний:
dx/dt = Ax + Bu
y = Cx + Du
Матрицы: A = [матрица A], B = [матрица B], C = [матрица C], D = [матрица D].
Требуется получить дискретную модель вида:
x[k+1] = Gx[k] + Hu[k]
y[k] = Cx[k] + Du[k]
Период дискретизации: [укажите период, например, T = 0.01 с].
Метод дискретизации: [укажите метод, например, ‘метод нулевого порядка (ZOH)’].

Задача:

1. Рассчитай дискретные матрицы G и H по формулам:
   G = e^(AT)
   H = (интеграл от 0 до T e^(As) ds) * B
2. Напиши код на Python с использованием библиотеки scipy.linalg.expm для вычисления матричной экспоненты и control для верификации.
3. Представь итоговые матрицы G и H.

Формат ответа: покажи формулы для расчета, приведи код на Python для вычислений и выведи численные значения матриц G и H.

*****

Почему это работает: Запрос четко определяет исходную и целевую формы модели, а также ключевые параметры преобразования – период и метод дискретизации. Это гарантирует получение правильного и однозначного результата.

13. Анализ частотных характеристик (Диаграммы Боде)

Проблема: Нужно понять, как система реагирует на гармонические сигналы разной частоты, чтобы оценить ее запас устойчивости и полосу пропускания.

Решение: Промпт генерирует код для построения логарифмических частотных характеристик (ЛАЧХ и ЛФЧХ) – диаграмм Боде.

Текст промпта:

*****

Ты – инженер по ТАУ. Твоя задача – построить и проанализировать диаграммы Боде для системы.

Контекст:
Система описывается передаточной функцией: [укажите передаточную функцию, например, ‘W(s) = 10 * (s + 1) / (s * (s + 5) * (s + 20))’].

Задача:

1. Напиши скрипт на Python, используя библиотеку control.
2. В скрипте определи передаточную функцию системы.
3. Построй диаграммы Боде (ЛАЧХ и ЛФЧХ) для этой системы.
4. На основе графиков определи:
   • Запас устойчивости по амплитуде (в дБ).
   • Запас устойчивости по фазе (в градусах).
   • Частоту среза.
5. Выведи эти значения и отобрази график.

Формат ответа: код на Python и текстовый анализ с численными значениями запасов устойчивости и частоты среза.

*****

Почему это работает: Промпт не просто просит построить график, а запрашивает и его анализ – определение ключевых показателей качества системы. Это заставляет ИИ выполнить всю последовательность действий инженера-аналитика.

14. Объяснение работы слоя Attention в трансформере

Проблема: Механизм внимания (Attention) – ключевой, но не самый интуитивно понятный компонент современных нейросетей-трансформеров.

Решение: Промпт помогает получить структурированное и понятное объяснение с математическими деталями и аналогиями.

Текст промпта:

*****

Ты – эксперт по глубинному обучению и архитектуре трансформеров. Твоя задача – объяснить механизм self-attention (самовнимания).

Задача:
Объясни работу механизма scaled dot-product attention. Твое объяснение должно включать:

1. Интуицию: Начни с простой аналогии (например, система «ключ-запрос-значение» в базах данных), чтобы объяснить общую идею.
2. Математика:
   • Объясни, как из входного вектора эмбеддинга генерируются матрицы Query (Q), Key (K) и Value (V).
   • Пошагово распиши формулу: Attention(Q, K, V) = softmax(Q * K^T / sqrt(d_k)) * V. Объясни смысл каждой операции: скалярное произведение, масштабирование, softmax, взвешенное суммирование.
3. Цель: Зачем все это нужно? Объясни, как этот механизм позволяет модели взвешивать важность разных слов в предложении при обработке конкретного слова.
4. Multi-Head Attention: Кратко объясни, зачем нужно несколько «голов» внимания и как их результаты объединяются.

Формат ответа: структурированный текст с подзаголовками. Используй LaTeX для формул. Будь максимально ясным и избегай излишнего жаргона.

*****

Почему это работает: Промпт разбивает сложную концепцию на четыре части: интуиция, математика, цель и расширение (Multi-Head). Такая структура заставляет ИИ дать полное, логичное и легко усваиваемое объяснение, а не просто пересказ статьи из Википедии.

15. Создание кастомной функции потерь

Проблема: Стандартные функции потерь (например, MSE, Cross-Entropy) не всегда подходят для специфических задач машинного обучения.

Решение: Промпт помогает сгенерировать код для пользовательской функции потерь на основе ее математического описания.

Текст промпта:

*****

Ты – ML-разработчик на PyTorch. Твоя задача – реализовать кастомную функцию потерь.

Контекст:
Нужно реализовать функцию потерь Focal Loss, которая используется для решения проблемы дисбаланса классов в задачах классификации.
Формула Focal Loss: FL(p_t) = -alpha_t * (1 — p_t)^gamma * log(p_t), где p_t – это вероятность правильного класса, alpha – весовой коэффициент, gamma – фокусирующий параметр.

Задача:
Напиши класс или функцию для Focal Loss на PyTorch.

1. Функция должна принимать на вход предсказания модели (logits) и истинные метки (targets).
2. Она должна иметь настраиваемые параметры alpha и gamma.
3. Внутри функции выполни необходимые преобразования (например, softmax для получения вероятностей).
4. Реализуй вычисление потерь согласно приведенной формуле.
5. Код должен быть совместим с механизмом обратного распространения ошибки в PyTorch.

Формат ответа: готовый к использованию код на Python с подробными комментариями о логике работы.

*****

Почему это работает: Промпт предоставляет точную математическую формулу и указывает на целевой фреймворк (PyTorch). Это превращает задачу из творческой в чисто техническую, с которой ИИ отлично справляется.

16. Аугментация данных для изображений

Проблема: Маленький размер датасета часто приводит к переобучению нейросети. Аугментация (искусственное расширение) данных помогает решить эту проблему.

Решение: Промпт генерирует конвейер преобразований для аугментации изображений с использованием популярной библиотеки.

Текст промпта:

*****

Ты – специалист по компьютерному зрению. Твоя задача – создать конвейер аугментации изображений.

Контекст:
Имеется датасет изображений для задачи [укажите задачу, например, ‘классификации кошек и собак’]. Нужно создать набор преобразований для искусственного расширения тренировочной выборки.

Задача:
Напиши код на Python, который создает конвейер (pipeline) аугментаций с использованием библиотеки albumentations или torchvision.transforms.
Конвейер должен включать как минимум 5 различных преобразований, подходящих для изображений объектов:

1. Геометрические преобразования (например, случайный поворот, горизонтальное отражение).
2. Изменения цвета (например, изменение яркости/контрастности, преобразование в оттенки серого).
3. Добавление шума (например, гауссовский шум).
4. Обрезка и изменение размера (например, RandomResizedCrop).
5. [Добавьте еще одно релевантное преобразование, например, эластичные деформации].

Продемонстрируй работу конвейера: загрузи одно изображение, примени к нему преобразования и отобрази исходное и аугментированное изображения рядом для сравнения.

Формат ответа: код на Python с комментариями.

*****

Почему это работает: Запрос указывает на конкретную библиотеку и требует применить несколько типов преобразований, а также визуализировать результат. Это гарантирует получение практичного и наглядного кода.

17. Интерпретация результатов модели (SHAP/LIME)

Проблема: Нейронные сети часто являются «черными ящиками». Необходимо понять, на какие признаки в данных модель обращает внимание при принятии решения.

Решение: Промпт генерирует код для применения одного из методов интерпретации (например, SHAP) к обученной модели.

Текст промпта:

*****

Ты – специалист по объяснимому ИИ (Explainable AI, XAI).

Контекст:
Имеется обученная модель-классификатор (например, RandomForestClassifier из sklearn или модель на PyTorch) для [укажите задачу, например, ‘предсказания кредитного скоринга’]. Модель обучена на табличных данных. Необходимо понять вклад каждого признака в предсказание для конкретного примера.

Задача:

1. Напиши код на Python для интерпретации предсказаний модели с помощью библиотеки shap.
2. Создай тестовые данные и простую обученную модель (для демонстрации).
3. Создай объект explainer для твоей модели.
4. Вычисли значения SHAP для одного или нескольких примеров из тестовой выборки.
5. Визуализируй результаты с помощью shap.force_plot или shap.summary_plot, чтобы показать вклад каждого признака.
6. Дай краткое текстовое объяснение тому, что показывает график.

Формат ответа: полный скрипт на Python с визуализацией и пояснениями.

*****

Почему это работает: Промпт не только просит сгенерировать код, но и требует объяснить результат. Это заставляет ИИ продемонстрировать полное понимание процесса: от применения инструмента до интерпретации его вывода.

18. Решение обратной задачи кинематики

Проблема: Найти необходимые углы в суставах манипулятора, чтобы его рабочий орган достиг заданной точки в пространстве, – сложная, часто неаналитическая задача.

Решение: Промпт предлагает использовать численный метод (например, метод Якобиана) для решения обратной задачи кинематики.

Текст промпта:

*****

Ты – эксперт по робототехнике. Твоя задача – реализовать численный метод решения обратной задачи кинематики.

Контекст:
Имеется простой плоский манипулятор с двумя звеньями длиной L1 и L2.
Прямая кинематика:
x = L1cos(q1) + L2cos(q1+q2)
y = L1sin(q1) + L2sin(q1+q2)
Требуется найти углы q1 и q2 для достижения целевой точки (x_target, y_target).

Задача:

1. Напиши функцию на Python для решения этой задачи с использованием итерационного метода на основе Якобиана.
2. Функция должна принимать целевые координаты (x_target, y_target), длины звеньев L1, L2 и начальное приближение для углов.
3. В цикле итераций:
   • Вычислять текущие координаты (x, y) по текущим углам.
   • Вычислять матрицу Якоби (J).
   • Вычислять псевдообратную матрицу Якоби (J_pinv).
   • Находить приращение углов: delta_q = J_pinv * delta_x, где delta_x – вектор ошибки.
   • Обновлять углы.
4. Предусмотри критерий остановки (достижение цели с заданной точностью или превышение числа итераций).
5. Продемонстрируй работу функции на примере.

Формат ответа: код на Python с использованием NumPy и подробными комментариями.

*****

Почему это работает:Промпт разбивает сложный численный метод на четкие шаги, описывая логику итерационного процесса. Это позволяет ИИ сгенерировать корректную и понятную реализацию алгоритма.

19. Генерация модели робота в формате URDF

Проблема: Для симуляции робота в средах типа Gazebo или PyBullet требуется его описание в стандартизированном формате URDF.

Решение: Промпт генерирует XML-код файла URDF для простого манипулятора.

Текст промпта:

*****

Ты – инженер-конструктор робототехнических систем. Твоя задача – создать описание робота в формате URDF (Unified Robot Description Format).

Контекст:
Требуется создать URDF-модель простого двухзвенного манипулятора.

• base_link: базовое звено, неподвижное.
• link1: первое звено, цилиндр длиной 1м и радиусом 0.1м.
• link2: второе звено, цилиндр длиной 0.8м и радиусом 0.1м.
• joint1: вращательное соединение между base_link и link1.
• joint2: вращательное соединение между link1 и link2.

Задача:
Напиши полный и валидный XML-код для файла .urdf, описывающего этого робота.

1. Определи все звенья (), указав для каждого инерционные (), визуальные () и коллизионные () свойства. Для простоты можно использовать геометрию цилиндра.
2. Определи все соединения (), указав родительское и дочернее звенья, тип соединения (revolute) и ось вращения.
3. Структурируй файл правильно, с корневым тегом .

Формат ответа: готовый к сохранению в файл XML-код с комментариями, поясняющими основные блоки.

*****

Почему это работает: Запрос предоставляет точную спецификацию требуемой модели (звенья, их геометрия, соединения) и указывает на конкретные теги формата URDF. Это позволяет ИИ сгенерировать синтаксически правильный и логически верный файл описания.

20. Реализация базового алгоритма SLAM

Проблема: Необходимо реализовать алгоритм, который одновременно строит карту неизвестного окружения и определяет свое местоположение на этой карте.

Решение: Промпт предлагает сгенерировать псевдокод или упрощенную реализацию алгоритма на основе расширенного фильтра Калмана (EKF-SLAM).

Текст промпта:

*****

Ты – эксперт по автономной навигации роботов. Твоя задача – объяснить и структурировать алгоритм EKF-SLAM.

Задача:
Опиши алгоритм EKF-SLAM в виде псевдокода или высокоуровневых шагов на Python.
Вектор состояния должен включать положение робота и координаты ориентиров на карте.
Алгоритм должен состоять из двух основных шагов:

1. Шаг предсказания (Prediction):
   • Обновление оценки положения робота на основе модели движения (входные данные – команды управления).
   • Обновление ковариационной матрицы.
2. Шаг коррекции (Correction/Update):
   • Для каждого наблюдаемого ориентира:
     • Если ориентир новый, инициализировать его в векторе состояния.
     • Рассчитать ожидаемое измерение.
     • Вычислить рассогласование (innovation).
     • Вычислить коэффициент усиления Калмана.
     • Обновить вектор состояния и ковариационную матрицу.

Формат ответа: структурированный псевдокод с подробными комментариями к каждому шагу, объясняющими математический смысл операций. Используй LaTeX для формул, где это необходимо.

*****

Почему это работает: Прямой запрос «напиши код для SLAM» слишком сложен. Этот промпт просит не готовый код, а структурированный псевдокод, разбивая алгоритм на канонические шаги (предсказание, коррекция). Это помогает получить логически верную схему, которую уже легче реализовать.

21. Алгоритм сжатия данных (Кодирование Хаффмана)

Проблема: Нужно уменьшить объем данных (например, текста или потока измерений) без потерь для эффективной передачи или хранения.

Решение: Промпт генерирует реализацию классического алгоритма сжатия – кодирования Хаффмана.

Текст промпта:

*****

Ты – специалист по теории информации и алгоритмам сжатия. Твоя задача – реализовать алгоритм кодирования Хаффмана.

Задача:
Напиши код на Python, который реализует алгоритм Хаффмана для сжатия текстовой строки.

1. Напиши функцию, которая принимает на вход строку.
2. Внутри функции:
   • Рассчитай частоту встречаемости каждого символа в строке.
   • Построй дерево Хаффмана на основе частот.
   • Сгенерируй коды (префиксные двоичные строки) для каждого символа, обходя дерево.
   • Закодируй исходную строку, заменив каждый символ его кодом.
3. Функция должна возвращать закодированную строку и таблицу кодов (словарь).
4. Добавь пример использования: сожми строку «beep boop beer!» и выведи результат сжатия и степень сжатия.

Формат ответа: полный код на Python с комментариями, объясняющими логику построения дерева и генерации кодов.

*****

Почему это работает: Запрос четко декомпозирует алгоритм на этапы: подсчет частот, построение дерева, генерация кодов, кодирование. Это гарантирует, что ИИ не упустит ни один из ключевых шагов и сгенерирует полную реализацию.

22. Обнаружение аномалий во временном ряде

Проблема: В потоке данных с датчиков необходимо автоматически находить нетипичные значения (выбросы, сбои), которые могут сигнализировать о проблемах.

Решение: Промпт предлагает реализовать простой, но эффективный метод обнаружения аномалий на основе скользящего среднего и стандартного отклонения.

Текст промпта:

*****

Ты – аналитик данных. Твоя задача – реализовать алгоритм обнаружения аномалий во временном ряде.

Задача:
Напиши функцию на Python, которая находит аномалии во временном ряде методом «сигма-коридора».

1. Функция должна принимать на вход одномерный массив (временной ряд), размер окна и пороговый коэффициент (например, 3 для трех сигм).
2. В цикле по данным:
   • Рассчитывай скользящее среднее и скользящее стандартное отклонение на основе окна.
   • Определяй верхнюю и нижнюю границы «нормального» коридора (среднее ± порог * ст. отклонение).
   • Если текущая точка выходит за пределы коридора, помечай ее как аномалию.
3. Функция должна возвращать список индексов аномальных точек.
4. Сгенерируй тестовый сигнал с несколькими искусственными выбросами и продемонстрируй работу функции, визуализировав исходный ряд, коридор и найденные аномалии.

Формат ответа: код на Python с использованием numpy и matplotlib.

*****

Почему это работает: Промпт четко описывает логику простого статистического метода, указывает на входные и выходные данные функции и требует наглядную демонстрацию. Это позволяет получить рабочий и легко проверяемый код.

23. Решение задачи линейного программирования

Проблема: Нужно найти оптимальное решение для задачи, где целевая функция и ограничения являются линейными (классическая задача исследования операций).

Решение: Промпт генерирует код для решения задачи линейного программирования с помощью библиотеки SciPy.

Текст промпта:

*****

Ты – эксперт по исследованию операций. Твоя задача – решить задачу линейного программирования.

Контекст:
Задача «о диете»: нужно составить рацион с минимальной стоимостью, удовлетворяя при этом дневным нормам по питательным веществам.

• Целевая функция (минимизировать): c^T * x
• Ограничения-неравенства: A_ub * x <= b_ub
• Ограничения-равенства: A_eq * x == b_eq
• Границы переменных: x >= 0

Задача:
Напиши код на Python для решения этой задачи с помощью функции linprog из scipy.optimize.

1. Определи векторы и матрицы для конкретного примера задачи о диете (придумай 2-3 продукта с ценами и содержанием 2-3 питательных веществ, а также дневные нормы).
2. Вызови функцию linprog, передав ей эти матрицы.
3. Выведи результат: статус решения, оптимальные значения переменных (сколько каждого продукта нужно купить) и минимальную стоимость рациона.

Формат ответа: код на Python с подробными комментариями, объясняющими, как словесное описание задачи было преобразовано в матрицы, понятные linprog.

*****

Почему это работает: Запрос не просто просит использовать функцию, а требует сначала сформулировать задачу в матричном виде, что является ключевым шагом. Это заставляет ИИ показать весь процесс решения, а не только финальный вызов функции.

24. Имитационное моделирование системы массового обслуживания

Проблема: Необходимо оценить характеристики системы (например, среднее время ожидания в очереди в банке), которые сложно рассчитать аналитически.

Решение: Промпт генерирует код для простого имитационного моделирования системы массового обслуживания (СМО).

Текст промпта:

*****

Ты – специалист по имитационному моделированию. Твоя задача – создать модель простой системы массового обслуживания.

Контекст:
Моделируется одноканальная СМО (например, одна касса в магазине).

• Поток заявок (клиентов) – Пуассоновский с интенсивностью lambda (клиентов в минуту).
• Время обслуживания – экспоненциальное со средним значением 1/mu.
• Очередь неограниченна.

Задача:
Напиши скрипт на Python для имитации работы этой системы в течение заданного времени.

1. Используй событийный подход. Основные события: «прибытие клиента» и «окончание обслуживания».
2. В цикле моделирования обрабатывай события из очереди событий.
3. Собирай статистику: общее время пребывания клиентов в системе, время ожидания в очереди.
4. После окончания симуляции рассчитай и выведи среднее время ожидания в очереди и среднее количество клиентов в системе.
5. Продемонстрируй работу для заданных lambda и mu.

Формат ответа: код на Python с использованием библиотеки simpy или без нее (на основе простого списка событий) и подробными комментариями.

*****

Почему это работает: Промпт четко описывает модель (одноканальная СМО, законы распределения) и указывает на предпочтительный метод моделирования (событийный). Это позволяет ИИ сгенерировать логически верную и работающую симуляцию.

25. Построение дерева решений для классификации

Проблема: Нужно создать простую и интерпретируемую модель для задачи классификации.

Решение: Промпт генерирует код для обучения и визуализации дерева решений.

Текст промпта:

*****

Ты – специалист по машинному обучению. Твоя задача – построить и визуализировать дерево решений.

Контекст:
Задача: классифицировать ирисы на основе знаменитого датасета «Iris».

Задача:

1. Напиши код на Python с использованием scikit-learn и matplotlib.
2. Загрузи датасет «Iris» с помощью sklearn.datasets.load_iris.
3. Раздели данные на обучающую и тестовую выборки.
4. Создай и обучи модель DecisionTreeClassifier на обучающих данных.
5. Оцени точность модели на тестовой выборке.
6. Визуализируй обученное дерево решений с помощью sklearn.tree.plot_tree. График должен быть читаемым (укажи названия признаков и классов).

Формат ответа: полный код на Python с выводом точности и отображением графика дерева.

*****

Почему это работает: Запрос использует стандартный, всем известный датасет, что позволяет легко проверить результат. Требование не только обучить модель, но и визуализировать ее структуру, делает результат наглядным и полезным для понимания работы алгоритма.

26. Подбор гиперпараметров модели (Grid Search)

Проблема: Качество модели машинного обучения сильно зависит от ее гиперпараметров (например, глубина дерева, скорость обучения), и подбирать их вручную долго и неэффективно.

Решение: Промпт генерирует код для автоматического подбора гиперпараметров методом решетчатого поиска (Grid Search).

Текст промпта:

*****

Ты – ML-инженер. Твоя задача – автоматизировать подбор гиперпараметров для модели.

Контекст:
Имеется модель [укажите модель, например, ‘Support Vector Machine (SVC)’] для задачи классификации. Нужно найти оптимальные значения для ее ключевых гиперпараметров.

Задача:

1. Напиши код на Python, используя scikit-learn.
2. Загрузи или сгенерируй данные для классификации.
3. Определи сетку гиперпараметров для поиска. Для SVC это могут быть C (параметр регуляризации) и gamma (коэффициент ядра). Например:
   param_grid = {'C': [0.1, 1, 10], 'gamma': [1, 0.1, 0.01]}
4. Создай экземпляр GridSearchCV и передай ему модель, сетку параметров и стратегию кросс-валидации.
5. Запусти поиск, вызвав метод .fit().
6. Выведи наилучшие найденные параметры (best_params_) и наилучший результат на кросс-валидации (best_score_).

Формат ответа: код на Python с пояснениями, что такое решетчатый поиск и как интерпретировать его результаты.

*****

Почему это работает: Промпт четко описывает весь процесс: определение модели, задание сетки поиска, запуск `GridSearchCV` и вывод результатов. Это готовый шаблон для одной из самых частых задач в машинном обучении.

27. Калибровка камеры по шаблону

Проблема: Чтобы использовать камеру для измерений или в робототехнике, необходимо определить ее внутренние параметры (фокусное расстояние, центр изображения) и скорректировать дисторсию.

Решение: Промпт генерирует код для калибровки камеры с использованием библиотеки OpenCV и шахматной доски.

Текст промпта:

*****

Ты – эксперт по компьютерному зрению. Твоя задача – написать код для калибровки камеры.

Контекст:
Калибровка выполняется с использованием набора изображений шахматной доски, снятой под разными углами.

Задача:
Напиши скрипт на Python, который выполняет калибровку камеры с помощью OpenCV.

1. Определи размеры шахматной доски (количество углов по горизонтали и вертикали).
2. Подготовь объектные точки (3D координаты углов в мировой системе координат, например, (0,0,0), (1,0,0), …).
3. Создай цикл для обработки набора изображений калибровочного шаблона. В цикле:
   • Загрузи изображение.
   • Преобразуй в оттенки серого.
   • Найди углы на шахматной доске с помощью cv2.findChessboardCorners.
   • Если углы найдены, добавь объектные точки и точки изображения в соответствующие списки.
4. После обработки всех изображений вызови функцию cv2.calibrateCamera, чтобы вычислить матрицу камеры, коэффициенты дисторсии, векторы вращения и переноса.
5. Выведи полученную матрицу камеры и коэффициенты дисторсии.
6. Продемонстрируй коррекцию дисторсии на одном из изображений с помощью cv2.undistort.

Формат ответа: код на Python. Поскольку реальных изображений нет, используй плейсхолдеры и подробные комментарии, объясняющие, как пользователь должен подготовить свои данные.

*****

Почему это работает: Запрос описывает стандартный и общепринятый в CV-сообществе пайплайн калибровки, перечисляя все шаги и функции OpenCV. Это позволяет получить код, полностью соответствующий лучшим практикам.

28. Сегментация временного ряда

Проблема: Нужно разбить длинный временной ряд на несколько стационарных участков с разными статистическими свойствами.

Решение: Промпт генерирует код для поиска точек изменения (change points) во временном ряде.

Текст промпта:

*****

Ты – специалист по анализу временных рядов. Твоя задача – выполнить сегментацию временного ряда.

Контекст:
Имеется временной ряд, который состоит из нескольких участков с разным средним значением. Необходимо автоматически найти границы этих участков.

Задача:
Напиши код на Python для обнаружения точек изменения в сигнале с помощью одной из библиотек, например, ruptures.

1. Сгенерируй тестовый сигнал, состоящий из 3-4 сегментов с разными средними значениями.
2. Инициализируй алгоритм поиска (например, Pelt или Binseg из библиотеки ruptures).
3. «Обучи» алгоритм на сгенерированном сигнале.
4. Предскажи точки изменения.
5. Визуализируй результат: нарисуй исходный сигнал и вертикальными линиями отметь найденные точки изменения.

Формат ответа: код на Python с комментариями и визуализацией.

*****

Почему это работает: Промпт предлагает использовать специализированную библиотеку и четко описывает шаги: генерация данных, инициализация алгоритма, поиск точек и визуализация. Это практичный шаблон для решения реальной задачи анализа данных.

29. Анализ рисков технической системы (FMEA)

Проблема: Необходимо системно проанализировать потенциальные отказы в сложной технической системе, их причины и последствия, чтобы предотвратить их.

Решение: Промпт помогает структурировать этот анализ, используя ИИ в качестве ассистента для генерации идей, по методологии FMEA (анализ видов и последствий отказов).

Текст промпта:

*****

Ты – инженер по надежности, проводящий FMEA-анализ (Failure Mode and Effects Analysis).

Контекст:
Объект анализа: [укажите систему, например, ‘система автономного торможения автомобиля на базе лидара’].

Задача:
Проведи мозговой штурм и заполни таблицу FMEA для указанной системы. Таблица должна содержать следующие колонки:

1. Компонент/Процесс: Ключевой элемент системы (например, ‘Лидар’, ‘Блок управления’, ‘Исполнительный механизм тормозов’).
2. Потенциальный вид отказа: Как этот компонент может отказать? (например, ‘Загрязнение оптики лидара’, ‘Ошибка ПО в блоке управления’).
3. Потенциальные последствия отказа: Что произойдет, если отказ случится? (например, ‘Система не видит препятствие’, ‘Ложное срабатывание тормозов’).
4. Потенциальные причины отказа: Почему это может произойти? (например, ‘Езда в плохую погоду’, ‘Программный сбой из-за переполнения памяти’).
5. Текущие меры по обнаружению/предотвращению: Что уже сделано для борьбы с этим? (например, ‘Система самодиагностики чистоты сенсора’).

Сгенерируй не менее 5-7 строк для этой таблицы, охватывая разные компоненты системы.

Формат ответа: представь результат в виде таблицы. Будь максимально конкретным в формулировках.

*****

Почему это работает: Этот промпт использует ИИ не для написания кода, а для творческой, но структурированной задачи – генерации гипотез. Четкая структура таблицы FMEA направляет этот процесс, помогая получить системный и всесторонний анализ рисков.

Команды для уточнения математических и алгоритмических запросов

Чтобы нейросеть выдавала не просто ответ, а качественный и проверяемый результат, полезно использовать специальные команды и приемы. Они помогают управлять стилем, глубиной и формой изложения, что особенно важно в технических задачах.

Команда / Прием	Описание	Пример использования в промпте
«Объясни как для пятиклассника» (ELI5)	Требует упростить сложное понятие до базовой интуиции, используя простые аналогии и избегая терминологии. Полезно для понимания сути перед погружением в детали.	«Объясни, что такое фильтр Калмана, как для пятиклассника. Начни с аналогии про угадывание положения мяча в тумане».
«Используй пошаговое рассуждение» (Chain of Thought)	Заставляет модель не просто дать итоговый ответ, а прописать всю логическую цепочку, которая к нему привела. Критически важно для проверки математических выводов.	«Выведи формулу для расчета передаточной функции замкнутой системы. Используй пошаговое рассуждение, комментируя каждый этап преобразований».
«Представь в виде псевдокода»	Просит описать алгоритм в универсальном, не привязанном к языку программирования виде. Помогает сфокусироваться на логике, а не на синтаксисе.	«Опиши алгоритм построения дерева решений ID3. Представь его в виде псевдокода».
«Используй нотацию LaTeX»	Прямое указание форматировать все математические выражения с помощью LaTeX. Делает формулы читаемыми и профессионально выглядящими.	«Запиши уравнения модели в пространстве состояний. Используй нотацию LaTeX для матриц A, B, C, D».
«Сравни подходы X и Y»	Вместо запроса на один «лучший» способ, этот прием заставляет модель провести сравнительный анализ нескольких альтернатив по заданным критериям.	«Сравни ПИД-регулятор и LQR-регулятор для задачи стабилизации перевернутого маятника. Укажи их преимущества и недостатки по точности, робастности и сложности реализации».
«Выступи в роли критика»	Просит модель найти слабые места, потенциальные проблемы или ошибки в предложенном решении или коде. Полезно для самопроверки.	«Вот мой код для решения обратной задачи кинематики. Выступи в роли критика и укажи на возможные проблемы, например, попадание в сингулярности или низкую скорость сходимости».

Неочевидные советы по работе с нейросетями в кибернетике

Когда базовые промпты для кибернетика освоены, можно переходить на следующий уровень. Есть несколько хитростей, которые позволяют использовать ИИ не просто как справочник, а как полноценного партнера в исследованиях и разработке. И да, некоторые из них контринтуитивны.

1. Используйте ИИ для рефакторинга научного кода. У многих инженеров и ученых есть скрипты на MATLAB или Python, написанные «на коленке» для конкретного эксперимента. Дайте этот код нейросети с промптом: «Ты – опытный разработчик ПО. Проведи рефакторинг этого кода: разбей на функции, добавь комментарии и документацию, предложи более эффективные конструкции». Результат может вас удивить.
2. Генерируйте синтетические данные для обучения. Не хватает данных для обучения модели? Напишите промпт, который генерирует код для создания искусственных данных с нужными характеристиками. Например: «Напиши функцию, которая генерирует временной ряд с сезонностью, трендом и аномальными выбросами в заданных точках». Это отличный способ проверить робастность ваших алгоритмов.
3. Проверяйте математику ИИ с помощью систем символьных вычислений. Нейросети – мастера языка, но не всегда безупречные математики. Получив от ИИ аналитический вывод формулы, скопируйте его в WolframAlpha, SymPy или другую систему символьных вычислений для проверки. Не доверяйте, а проверяйте – особенно когда дело касается знаков и коэффициентов.
4. Создавайте «мета-промпты» для генерации промптов. Если вам часто приходится решать однотипные задачи, создайте промпт, который генерирует промпты. Например: «Ты – создатель промптов для инженеров. Создай шаблон промпта для задачи ‘Синтез наблюдателя состояния’, который будет запрашивать у пользователя все необходимые матрицы и параметры».
5. Используйте «метод Сократа» для сложных задач. Вместо того чтобы просить готовое решение, ведите ИИ к нему с помощью наводящих вопросов. «Я хочу стабилизировать систему. Какой первый шаг? Проверить управляемость? Хорошо, вот матрицы. Управляема ли она? Что дальше? Размещение полюсов? Какие полюсы обеспечат нужную скорость?» Такой диалог часто дает более качественный результат, чем один гигантский промпт.
6. Переводите модели между языками программирования. У вас есть старая модель, написанная на Fortran или MATLAB? Дайте ее код нейросети и попросите переписать его на Python с использованием современных библиотек типа NumPy и SciPy. Это не всегда работает идеально, но может сэкономить десятки часов рутинной работы.