LLM-as-a-Judge с рубрикой: структурированная проверка объяснений числовых данных

Парадокс: та же самая модель, которая врёт при написании аналитики по данным, надёжно ловит ошибки в готовом объяснении — если дать ей рубрику. Метод рубрикованной проверки позволяет использовать LLM как строгого рецензента для любых AI-объяснений числовых данных: продаж, метрик, аномалий, трендов. Фишка: вместо «напиши объяснение» — «проверь это объяснение по пяти критериям». Задача переключается с генерации на верификацию — и точность резко растёт. Модель выдаёт не размытое «в целом верно», а конкретное: «Критерий 2 нарушен — в объяснении написано −20%, в данных −40%».