Leitfaden zu den Funktionen
Ein KI-Builder-Trainingsmodell-Workflow beginnt mit einer konkreten Aufgabe, repräsentativen Beispielen und einer Möglichkeit, das Ergebnis zu beurteilen. Entscheiden Sie zunächst, ob Sie überhaupt ein Modell trainieren müssen: Ein Prompt, eine Regel oder ein vorhandenes Modell kann das Problem möglicherweise mit weniger Wartungsaufwand lösen.
Bevor Sie einen KI-Builder-Workflow auswählen, halten Sie die Eingabe, die gewünschte Ausgabe und die Merkmale einer korrekten Antwort schriftlich fest. Verwenden Sie für die Bewertung einen separaten Beispielsatz, anstatt während der Vorbereitung jedes Beispiel zu nutzen.
Dieser Leitfaden dient als Planungshilfe und ist kein Beleg dafür, dass ein verlinktes Produkt eine Trainingsoberfläche anbietet oder einen bestimmten Modelltyp unterstützt.
Die Befolgung dieses Übergabeprozesses bestätigt nicht, dass benutzerdefiniertes Modelltraining für Ihre Aufgabe verfügbar ist.
Was Sie stattdessen tun sollten
Prüfen Sie die aktuellen Funktionen des Zielprodukts, bevor Sie Daten für eine bestimmte Benutzeroberfläche vorbereiten.
Der Besitz von Dateien bedeutet nicht zwangsläufig, dass Sie die Erlaubnis haben, deren Inhalte zum Trainieren eines Modells zu verwenden.
Was Sie stattdessen tun sollten
Bestätigen Sie zuerst die Einwilligung, Lizenzierung, Aufbewahrungsanforderungen und die Organisationsrichtlinie.
Weitere Beispiele können inkonsistente Bezeichnungen oder einen Testsatz, der die Vorbereitungsdaten wiederholt, nicht ausgleichen.
Was stattdessen zu tun ist
Lösen Sie abweichende Bezeichnungen auf und reservieren Sie unbekannte Fälle für die Evaluierung.
Nehmen wir an, ein Team möchte eingehende Supportnachrichten nach Thema klassifizieren. Ziel ist eine wiederholbare Entscheidung, nicht lediglich eine überzeugende Antwort auf ein einzelnes Beispiel.
Wählen Sie eine kurze Liste von Themen und formulieren Sie für jedes eine Regel. Legen Sie fest, was passiert, wenn eine Nachricht zwei oder kein Thema abdeckt. Notieren Sie das erwartete Thema für einige typische und schwierige Nachrichten.
Entfernen Sie sensible Details, die Sie nicht benötigen, überprüfen Sie die Bezeichnungen auf Konsistenz und legen Sie Nachrichten beiseite, die der Ansatz während der Vorbereitung nicht sehen wird. Stellen Sie sicher, dass seltene Themen im Evaluierungssatz vertreten sind.
Probieren Sie zuerst klare Anweisungen und bezeichnete Beispiele aus. Wenn tatsächlich eine KI-Builder-Option zum Trainieren eines Modells verfügbar ist, vergleichen Sie sie anhand derselben unbekannten Nachrichten mit dieser Ausgangsbasis und untersuchen Sie die Fehler nach Thema, bevor Sie sie übernehmen.
Die bessere Wahl hängt von der Aufgabe und den von Ihnen überprüften Fähigkeiten ab, nicht davon, ob eine Methode das Wort „Training“ im Namen trägt.
| Prompt oder vorhandenes Modell | Individuell trainiertes Modell | |
|---|---|---|
| Ausgangspunkt | Anweisungen schreiben und den Aufgabenkontext bereitstellen. | Die Aufgabe definieren und bezeichnete Beispiele vorbereiten. |
| Datenanforderung | Möglicherweise sind einige veranschaulichende Beispiele erforderlich. | Benötigt geeignete Beispiele für die verwendete Trainingsmethode. |
| Evaluierung | Mit unbekannten Eingaben testen und Fehler überprüfen. | Testen Sie mit unbekannten Eingaben und vergleichen Sie die Ergebnisse mit einer Baseline. |
| Labels ändern | Überarbeiten Sie die Anweisungen und testen Sie erneut. | Überprüfen Sie Labels, Daten und den Prozess zum erneuten Training. |
| Laufende Arbeit | Pflegen Sie die Anweisungen und überprüfen Sie die Ergebnisse. | Sichern Sie die Datenqualität und überwachen Sie das Modellverhalten. |
| Beste erste Prüfung | Können klare Anweisungen die Abnahmekriterien erfüllen? | Rechtfertigt die gemessene Verbesserung den zusätzlichen Pflegeaufwand? |
Ein Modell kann bei vertrauten Beispielen erfolgreich wirken, während es dort versagt, wo der tatsächliche Workflow mehrdeutig oder inkonsistent ist oder sich eine andere Vorgehensweise besser eignet.
Rechnungen verwenden unterschiedliche Layouts, und Felder haben bei verschiedenen Lieferanten unterschiedliche Bedeutungen.
Legen Sie Felddefinitionen fest und testen Sie die Extraktion separat, bevor Sie davon ausgehen, dass Training unklare Quelldaten beheben wird.
Das gewünschte Ergebnis ist ein präziser Betrag, der aus den angegebenen Eingaben abgeleitet wird.
Verwenden Sie eine überprüfbare Formel, anstatt ein Modell um eine Näherung der Arithmetik zu bitten.
Themenlabels ändern sich schneller, als das Team seine Beispiele überprüfen kann.
Klären Sie die aktuellen Anweisungen und Testfälle, bevor Sie sich auf einen Trainingszyklus festlegen.
Beschreiben Sie die Eingaben, die erwartete Ausgabe und einige schwierige Beispiele, bevor Sie die verfügbaren Tools erkunden. Prüfen Sie die tatsächlichen Fähigkeiten des Ziels und vergleichen Sie anschließend jeden vorgeschlagenen Ansatz mit einer einfachen Baseline anhand von Fällen, die es noch nicht gesehen hat.
Das hängt vom jeweiligen Produkt sowie von der Art der Daten und der Aufgabe ab. Gehen Sie nicht davon aus, dass ein allgemeiner KI-Builder benutzerdefiniertes Training unterstützt. Überprüfen Sie vor dem Hochladen von Beispielen die aktuellen Fähigkeiten und die Bedingungen zur Datenverarbeitung.
Definieren Sie eine Aufgabe, eine konsistente Ausgabe und Kriterien für akzeptable Ergebnisse. Bereiten Sie Beispiele vor, die Sie verwenden dürfen, und halten Sie anschließend separate Fälle zum Testen zurück.
Nicht unbedingt. Beginnen Sie mit einem Prompt oder einem vorhandenen Modell als Baseline und ziehen Sie Training nur dann in Betracht, wenn eine verfügbare Methode bei unbekannten Beispielen eine deutliche Verbesserung erzielt.
Testen Sie es anhand von Beispielen, die von der Vorbereitung ausgeschlossen wurden, und vergleichen Sie die Ergebnisse mit Ihrer Baseline. Überprüfen Sie Fehler nach Kategorien, einschließlich mehrdeutiger und seltener Fälle, statt sich auf wenige erfolgreiche Demonstrationen zu verlassen.