Während wir uns alle Sorgen machten, dass die KI menschliche Aufgaben übernehmen könnte, sprang die künstliche Intelligenz über unsere Vorstellungskraft hinaus und übernahm das Ruder. Bisher battle das Hauptanliegen der Mitarbeiter auf der ganzen Welt der Mensch Arbeitskräfte werden durch KI-Systeme ersetzt. Es scheint, dass sich das Blatt jetzt gewendet hat, und es ist die KI, die dank eines neuen Marktplatzes jetzt Menschen für Jobs einstellt, die sie alleine nicht erledigen kann.

Das ist keine Science-Fiction, zumindest nicht mehr. Eine neue Web site und eine nachfolgende Reddit-Thread haben eine hitzige Diskussion über eine neue Realität entfacht, in der KI-Agenten jetzt echte Menschen einstellen können, um ihre Arbeit zu erledigen. Nicht als Helfer oder Kollaborateure, sondern als Ausführungsebenen für Aufgaben, die die KI selbst nicht ausführen kann.

Hier erfahren Sie, was passiert ist und was es für die Zukunft der Beschäftigung bedeutet.

Was genau ist passiert?

Im Web wimmelt es von Berichten darüber, dass KI „Körper“ will oder „Menschen braucht“. Nun ja, das sind einfach übertrieben sensationelle Versionen einer neuen Beschäftigungsform, die übrigens für sich genommen viel zu interessant ist und überhaupt keiner Sensationalisierung bedarf. Eine neue Web site mit dem Namen RentAHuman.ai ist aufgetaucht. Und so faszinierend der Title auch klingt, sein Zweck ist einzigartig, aber nicht völlig willkürlich.

Die Idee ist zwar beunruhigend, aber ganz einfach: Die Web site fungiert als Plattform für KI-Agenten selbstständig Aufgaben echten Menschen zuzuweisen, wenn es an eine Grenze stößt. Kein menschlicher Supervisor. Keine Mittelschicht. Nur eine KI, die entscheidet, was getan werden muss und wer es tun soll.

Was die Sache in die Luft jagte, ist verständlicherweise die Formulierung, die für virales Advertising and marketing verwendet wird. Im Heldenbereich der Web site heißt es: „Roboter brauchen deinen Körper“, was mit Sicherheit die Aufmerksamkeit jedes Menschen auf sich ziehen wird. Die Web site wurde dann von ihrem Gründer in einem Beitrag auf Reddit geteilt, der mehr Klarheit über ihren Zweck gab. Aber der Kernpunkt bleibt derselbe: KI stellt Menschen ein.

Interessant, oder? Aber es wirft die Frage auf: Warum sollte KI überhaupt einen Menschen einstellen müssen?

Warum muss KI Menschen einstellen?

Auf den ersten Blick klingt es absurd. Wenn KI angeblich so mächtig ist, warum braucht sie dann immer noch Menschen? Aber denken Sie ein wenig darüber nach und Sie werden die Antwort kennen. Wie der Reddit-Thread sehr deutlich macht, stößt die KI an praktische Grenzen, nicht an die Grenzen der Intelligenz.

KI-Agenten sind hervorragend darin, Probleme zu denken, zu planen, zu koordinieren und in Schritte aufzuteilen. Aber die reale Welt ist chaotisch. Einige Aufgaben erfordern immer noch physische Anwesenheit, menschliches Urteilsvermögen oder einfach physischen Zugang. Etwas in der realen Welt zu überprüfen, ein Unternehmen anzurufen und eine manuelle Überprüfung durchzuführen sind nur einige Beispiele dafür.

Stellen Sie sich nun einen KI-Agenten vor, der in irgendeinem Winkel der Welt auf eine bestimmte Aufgabe trainiert wird. Bei der Erfüllung seiner regulären Aufgaben kann es vorkommen, dass es auf ein Hindernis stößt, das in der realen Welt gelöst werden muss. Diese neue Klasse von KI-Agenten hat einen cleveren (und etwas beunruhigenden) Weg, damit umzugehen. Es delegiert. Es weist diese spezifische Aufgabe einem Menschen zu, wartet auf das Ergebnis und führt dann den Relaxation des Workflows selbstständig weiter aus.

Kurz gesagt: Menschen werden in diesem Fall zu vorübergehenden Erweiterungen der KI und nicht zu Entscheidungsträgern. Die KI behält die Kontrolle. Menschen helfen ihm einfach dabei, Hindernisse zu überwinden. Wenn Sie so wollen, ein Vertragsangestellter oder ein Freelancer für ein zusätzliches Projekt.

Wie KI tatsächlich Menschen anstellt (Schritt für Schritt)

Hier offenbart sich die wahre Aufregung des Ganzen.

Die KI „schaltet einen Job nicht aus“, wie es Unternehmen heute tun. Es gibt keine Personalabteilung, keine Vorstellungsgespräche oder kein Onboarding. Stattdessen folgt der Agent einfach einem kalten Arbeitsablauf, bei dem die Ausführung an erster Stelle steht.

• Zunächst identifiziert die KI eine Aufgabe, die sie nicht alleine erledigen kann. Dabei kann es sich beispielsweise um die Überprüfung realer Informationen oder um einen einfachen Anruf handeln.
• Als nächstes wird diese Aufgabe in eine klare, atomare Anweisung unterteilt. Es gibt keine Diskussion oder Kurzfassung. Es erstellt einfach einen präzisen Befehl mit definierten Eingaben und erwarteten Ausgaben.
• Dann kommt der Einstellungsteil. Hier hilft die neue Web site – RentAHuman.ai. Der KI-Agent soll diesen Marktplatz/diese Plattform für menschliche Aufgaben erschließen, die echte Menschen mit Kurzzeitarbeit verbindet. Es wählt einen Menschen basierend auf Verfügbarkeit, Kosten, Geschwindigkeit oder bisheriger Leistung aus. Dies ähnelt der Auswahl eines API-Endpunkts für den KI-Agenten.
• Der Mensch erledigt die Aufgabe, übermittelt das Ergebnis und verlässt die Schleife.
• Die KI konsumiert die Ausgabe, validiert sie und führt den größeren Plan weiter aus, als ob nichts Besonderes passiert wäre.

Wie Sie verstehen können, gibt es keine Beziehung, keinen Kontext, keine langfristige Abhängigkeit.

Nur ein menschlicher Funktionsaufruf. Und sobald das erledigt ist, geht die KI zur nächsten Aufgabe über.

Wer kann sich anmelden und wie

Zum Zeitpunkt des Verfassens dieses Artikels scheinen sich bereits über 40.000 Menschen als vermietbare Arbeitskräfte auf rentahuman.ai registriert zu haben. Die Web site hat seit ihrem Begin am Dienstag quick eine Million Besuche verzeichnet, der Development breitet sich additionally deutlich weiter aus. Die Menschen sind neugierig und möglicherweise hoffnungsvoll auf das, was angeboten wird.

Wenn Sie einer von ihnen sind, erfahren Sie hier, wie Sie Teil der menschlichen Arbeitskräfte werden, die von KI-Agenten eingestellt werden können. Laut der Web site selbst erfolgt der gesamte Prozess der Einstellung von Menschen durch KI in vier einfachen Schritten:

• Erstellen Sie ein Profil auf RentAHuman.aiindem Sie Ihre Kompetenzliste und Kontaktinformationen hinzufügen.
• Ein KI-Agent findet Sie mithilfe der MCP/API des Unternehmens und bucht Sie.
• Sie führen die Aufgabe in der realen Welt anhand der gegebenen Anweisungen aus.
• Sie werden in Stablecoins (oder vorerst anderen Kryptowährungen) bezahlt. Die Web site verspricht eine sofortige Auszahlung.

Wenn Sie daran teilnehmen möchten, können Sie einfach die Web site besuchen und sich dort anmelden, indem Sie Ihr Profil erstellen.

Was das für Arbeitnehmer bedeutet

Die einzigartige Einstellungspraxis markiert einen Wandel in der Artwork und Weise, wie professionelle Prozesse heute durchgeführt werden. Obwohl es sich natürlich noch im Anfangsstadium befindet, hebt es einen sehr interessanten Arbeitstyp hervor – einen On-Demand-Executor für einen Agenten-Workflow.

Wenn man es bedenkt, bedeutet dies eine wesentliche Änderung in der Artwork und Weise, wie einige Arbeiten verteilt werden. Während die meisten Prozesse, bei denen KI zum Einsatz kommt, immer noch von Menschen gesteuert werden, stellt diese Artwork des Einsatzes das Konzept auf den Kopf. Menschen können nun vollständig in Arbeitsabläufe einbezogen werden, die von KI-Agenten gesteuert werden. Und selbst bei dieser Beschäftigung ist keine menschliche Aufsicht erforderlich.

Dies schafft zwar Möglichkeiten für ein schnelles, flexibles Einkommen, nimmt aber auch Stabilität, Verhandlungsmacht und Kontext. Sie arbeiten nicht mit der KI zusammen. Sie füllen lediglich eine Lücke, die noch nicht geschlossen werden kann.

Kurz gesagt, es ist noch zu früh, sich dazu zu äußern, aber die Richtung ist völlig neu.

Was wir immer noch nicht wissen (und warum es wichtig ist)

Es gibt immer noch einige große Fragen rund um das Konzept der KI, Menschen einzustellen, die unbeantwortet bleiben.

Wir wissen noch nicht, wer dafür verantwortlich ist, wenn etwas schiefgeht (und das wird der Fall sein, sobald die Idee zu skalieren beginnt) – die KI, die Plattform oder der Mensch, der die Aufgabe erledigt. Es besteht keine Klarheit über den Arbeitnehmerschutz, die Streitbeilegung oder was passiert, wenn Aufgaben sind unethischunlawful oder unsicher.

Wir wissen auch nicht, wie die Preise festgelegt werden, wie Menschen ausgewählt werden oder ob sich Voreingenommenheit darin einschleicht, wem Arbeit angeboten wird. Darüber hinaus gibt es keinerlei Transparenz über die Datennutzung, die Überwachung oder darüber, ob Menschen Aufgaben ohne Strafe ablehnen können.

Kurz gesagt, der Mechanismus hat begonnen, sich zu drehen, aber es gibt keine Regeln im Bild. Und wenn KI beginnt, die menschliche Arbeit ohne Leitplanken zu koordinieren, ist diese Lücke von großer Bedeutung.

Abschluss

KI, die Menschen anheuert, klingt futuristisch, aber was hier entsteht, ist weitaus praktischer als Science-Fiction. Hier geht es nicht darum, dass intelligente Maschinen Büros übernehmen. Es geht darum, dass KI-Systeme ihre Reichweite erweitern, indem sie reale Aufgaben an den menschlichen Körper weiterleiten, wenn die Automatisierung an ihre Grenzen stößt. Aber die Ironie ist, dass diese Ausweitung der Arbeit wiederum im Kern automatisiert ist.

Bei guter Handhabung KI stellt Menschen ein könnte für viele Arbeitssuchende flexibles Arbeiten, schnellere Ausführung und völlig neue Jobkategorien eröffnen. Wenn es schlecht gehandhabt wird, besteht die Gefahr, dass undurchsichtige Arbeitsmärkte mit unklarer Verantwortlichkeit und keinerlei Schutz entstehen.

Dies könnte die frühe Kind von etwas Großem oder ein völliger Zufall sein. Es ist zu früh, das zu sagen. Was wir mit Sicherheit wissen, ist, dass die Technologie und die Absicht vorhanden sind. Aber wenn die Dinge wachsen, braucht es vielleicht schon bald Governance und Transparenz.

Die Themenmodellierung bleibt ein kritisches Device in der KI- und NLP -Toolbox. Während Großsprachenmodelle (LLMs) den Textual content außergewöhnlich intestine verarbeiten und hochrangige Themen aus massiven Datensätzen extrahieren müssen, erfordert immer noch dedizierte Themenmodellierungstechniken. Ein typischer Workflow enthält vier Kernschritte: Einbettung, Dimensionalitätsreduzierung, Clusterbildung und Themendarstellung.

Frameworks heute ist Bertopicwas jede Stufe mit modularen Komponenten und einer intuitiven API vereinfacht. In diesem Beitrag werde ich praktische Anpassungen durchgehen, die Sie vornehmen können, um die Clustering-Ergebnisse zu verbessern und die Interpretierbarkeit basierend auf praktischen Experimenten mithilfe der Verwendung zu steigern Open-Supply 20 Newsgroups-Datensatzdie unter der Inventive Commons Attribution 4.0 Worldwide Lizenz verteilt ist.

Projektübersicht

Wir beginnen mit den in der Dokumentation von Bertopic empfohlenen Standardeinstellungen und aktualisieren bestimmte Konfigurationen schrittweise, um deren Effekte hervorzuheben. Unterwegs werde ich den Zweck jedes Moduls erläutern und wie man fundierte Entscheidungen beim Anpassen trifft.

Datensatzvorbereitung

Wir laden ein Beispiel von 500 Nachrichtendokumenten.

import random
from datasets import load_dataset
dataset = load_dataset("SetFit/20_newsgroups")
random.seed(42)
text_label = record(zip(dataset("practice")("textual content"), dataset("practice")("label_text")))
text_label_500 = random.pattern(text_label, 500)

Da die Daten aus lässigen Ussenet -Diskussionen stammen, wenden wir Reinigungsschritte an, um Header zu entfernen, Unordnung zu entfernen und nur informative Sätze zu bewahren.

Diese Vorverarbeitung sorgt für höherwertige Einbettungen und einen glatteren stromabwärts gelegenen Clustering-Prozess.

import re

def clean_for_embedding(textual content, max_sentences=5):
    traces = textual content.break up("n")
    traces = (line for line in traces if not line.strip().startswith(">"))
    traces = (line for line in traces if not re.match
            (r"^s*(from|topic|group|traces|writes|article)s*:", line, re.IGNORECASE))
    textual content = " ".be part of(traces)
    textual content = re.sub(r"s+", " ", textual content).strip()
    textual content = re.sub(r"(!?){3,}", "", textual content)
    sentence_split = re.break up(r'(?<=(.!?)) +', textual content)
    sentence_split = (
        s for s in sentence_split
        if len(s.strip()) > 15 and never s.strip().isupper()
    )
    return " ".be part of(sentence_split(:max_sentences))
texts_clean = (clean_for_embedding(textual content) for textual content,_ in text_label_500)
labels = (label for _, label in text_label_500)

Erstbertopische Pipeline

Mit dem modularen Design von Bertopic konfigurieren wir jede Komponente: Sentetransformer für Einbettung, UMAP für die Reduzierung der Dimensionalität, HDBSCAN für Clustering und CountVectorizer + Keybert für die Themendarstellung. Dieses Setup liefert nur wenige breite Themen mit lauten Darstellungen, was die Notwendigkeit einer Feinabstimmung hervorhebt, um kohärentere Ergebnisse zu erzielen.

from bertopic import BERTopic
from umap import UMAP
from hdbscan import HDBSCAN
from sentence_transformers import SentenceTransformer

from sklearn.feature_extraction.textual content import CountVectorizer
from bertopic.vectorizers import ClassTfidfTransformer
from bertopic.illustration import KeyBERTInspired

# Step 1 - Extract embeddings
embedding_model = SentenceTransformer("all-MiniLM-L6-v2")

# Step 2 - Cut back dimensionality
umap_model = UMAP(n_neighbors=10, n_components=5, min_dist=0.0, metric='cosine', random_state=42)

# Step 3 - Cluster lowered embeddings
hdbscan_model = HDBSCAN(min_cluster_size=15, metric='euclidean', cluster_selection_method='eom', prediction_data=True)

# Step 4 - Tokenize subjects
vectorizer_model = CountVectorizer(stop_words="english")

# Step 5 - Create subject illustration
ctfidf_model = ClassTfidfTransformer()

# Step 6 - (Non-obligatory) Wonderful-tune subject representations with
# a `bertopic.illustration` mannequin
representation_model = KeyBERTInspired()

# All steps collectively
topic_model = BERTopic(
  embedding_model=embedding_model,          # Step 1 - Extract embeddings
  umap_model=umap_model,                    # Step 2 - Cut back dimensionality
  hdbscan_model=hdbscan_model,              # Step 3 - Cluster lowered embeddings
  vectorizer_model=vectorizer_model,        # Step 4 - Tokenize subjects
  ctfidf_model=ctfidf_model,                # Step 5 - Extract subject phrases
  representation_model=representation_model # Step 6 - (Non-obligatory) Wonderful-tune subject representations
)
subjects, probs = topic_model.fit_transform(texts_clean)

Dieses Setup liefert nur ein paar breite Themen mit lauten Darstellungen. Dieses Ergebnis unterstreicht die Notwendigkeit von Finetuning, um kohärentere Ergebnisse zu erzielen.

Parameterabstimmung für körnige Themen

N_Neighbors aus dem UMAP -Modul

Umap ist das Dimensionality -Reduktionsmodul, um die Einbettung von Ursprungs in einen niedrigeren Dimensionsvektor zu verringern. Durch die Anpassung von UMAPs N_Neighbors steuern wir, wie lokal oder world die Daten während der Reduzierung der Dimensionalität interpretiert werden. Die Senkung dieses Wertes deckt feinere Cluster auf und verbessert die Unterscheidungskraft des Themas.

umap_model_new = UMAP(n_neighbors=5, n_components=5, min_dist=0.0, metric='cosine', random_state=42)
topic_model.umap_model = umap_model_new
subjects, probs = topic_model.fit_transform(texts_clean)
topic_model.get_topic_info()

min_cluster_size und cluster_selection_method aus dem HDBSCAN -Modul

Hdbscan ist das Clustering -Modul standardmäßig für Bertopic eingestellt. Durch Ändern von HDBSCANs min_cluster_size und Umstellung des Cluster_Selection_Method von „EOM“ auf „Blatt“ schärfen die Themenauflösung weiter. Diese Einstellungen können kleinere, fokussiertere Themen aufdecken und die Verteilung über Cluster hinweg ausgleichen.

hdbscan_model_leaf = HDBSCAN(min_cluster_size=5, metric='euclidean', cluster_selection_method='leaf', prediction_data=True)
topic_model.hdbscan_model = hdbscan_model_leaf
subjects, _ = topic_model.fit_transform(texts_clean)
topic_model.get_topic_info()

Die Anzahl der Cluster erhöht sich auf 30, indem Cluster_Selection_Method auf Blatt und min_cluster_size auf 5 festgelegt wird.

Zufälligkeit der Reproduzierbarkeit kontrollieren

UMAP ist von Natur aus nicht deterministisch, was bedeutet, dass es bei jedem Lauf unterschiedliche Ergebnisse erzielen kann, es sei denn, Sie legen explizit einen festen random_state fest. Dieses Element wird häufig in Beispielcode weggelassen. Achten Sie daher darauf, dass es die Reproduzierbarkeit gewährleistet.

In ähnlicher Weise, wenn Sie eine API von Drittanbitten verwenden (wie OpenAI), sollten Sie vorsichtig sein. Einige APIs führen geringfügige Abweichungen bei wiederholten Aufrufen ein. Bei reproduzierbaren Ausgängen Einbettungen und Futtermittel direkt in Bertopic.

from bertopic.backend import BaseEmbedder
import numpy as np
class CustomEmbedder(BaseEmbedder):
    """Lightweight wrapper to name NVIDIA's embedding endpoint by way of OpenAI SDK."""

    def __init__(self, embedding_model, consumer):
        tremendous().__init__()
        self.embedding_model = embedding_model
        self.consumer = consumer

    def encode(self, paperwork):  # kind: ignore(override)
        response = self.consumer.embeddings.create(
            enter=paperwork,
            mannequin=self.embedding_model,
            encoding_format="float",
            extra_body={"input_type": "passage", "truncate": "NONE"},
        )
        embeddings = np.array((embed.embedding for embed in response.information))
        return embeddings
topic_model.embedding_model = CustomEmbedder()
subjects, probs = topic_model.fit_transform(texts_clean, embeddings=embeddings)

Für jede Datensatzdomäne ist möglicherweise unterschiedliche Clustering -Einstellungen für optimale Ergebnisse erforderlich. Um das Experimentieren zu optimieren, sollten Sie die Bewertungskriterien definieren und den Tuning -Prozess automatisieren. Für dieses Tutorial verwenden wir die Cluster -Konfiguration, die N_Neighbors auf 5, min_cluster_size auf 5 und cluster_Selection_method an „EOM“ festlegt. Dies ist eine Kombination, die ein Gleichgewicht zwischen Granularität und Kohärenz trifft.

Verbesserung von Themenrepräsentationen

Die Darstellung spielt eine entscheidende Rolle bei der interpretierbaren Auseinandersetzung mit Clustern. Standardmäßig erzeugt Bertopic Unigrammbasis Darstellungen, denen häufig ein ausreichender Kontext fehlt. Im nächsten Abschnitt werden wir verschiedene Techniken untersuchen, um diese Darstellungen zu bereichern und die Interpretierbarkeit der Themen zu verbessern.

Ngram

N-Gramm-Reichweite

In Bertopic ist CountVectorizer das Commonplace-Device zum Umwandeln von Textdaten in Darstellungen von Wörtern. Anstatt sich auf generische Unigramme zu verlassen, wechseln Sie zu Bigrams oder Trigramme Verwenden von ngram_range in countVectorizer. Diese einfache Änderung fügt einen dringend benötigten Kontext hinzu.

Da wir nur die Darstellung aktualisieren, bietet Bertopic die Funktion update_topics an, um zu vermeiden, dass die Modellierung erneut wiederholt wird.

topic_model.update_topics(texts_clean, vectorizer_model=CountVectorizer(stop_words="english", ngram_range=(2,3)))
topic_model.get_topic_info()

Benutzerdefinierte Tokenizer

Einige Bigrams sind immer noch schwer zu interpretieren, z. benutzerdefinierte Tokenizer Das filtert N-Gramm basierend auf Teil der Sprachmuster. Dies beseitigt bedeutungslose Kombinationen und erhöht die Qualität Ihres Themas.

import spacy
from typing import Checklist

class ImprovedTokenizer:
    def __init__(self):
        self.nlp = spacy.load("en_core_web_sm", disable=("parser", "ner"))
        self.MEANINGFUL_BIGRAMS = {
            ("ADJ", "NOUN"),
            ("NOUN", "NOUN"),
            ("VERB", "NOUN"),
        }
    # Preserve solely probably the most significant syntactic bigram patterns
    def __call__(self, textual content: str, max_tokens=200) -> Checklist(str):
        doc = self.nlp(textual content(:3000))  # truncate lengthy docs for velocity
        tokens = ((t.textual content, t.lemma_.decrease(), t.pos_) for t in doc if t.is_alpha)
       
        bigrams = ()
        for i in vary(len(tokens) - 1):
            word1, lemma1, pos1 = tokens(i)
            word2, lemma2, pos2 = tokens(i + 1)
            if (pos1, pos2) in self.MEANINGFUL_BIGRAMS:
                # Optionally lowercase each phrases to normalize
                bigrams.append(f"{lemma1} {lemma2}")
       
        return bigrams
topic_model.update_topics(docs=texts_clean,vectorizer_model=CountVectorizer(tokenizer=ImprovedTokenizer()))
topic_model.get_topic_info()

Llm

Schließlich kannst du LLMs integrieren Um kohärente Titel oder Zusammenfassungen für jedes Thema zu generieren. Bertopic unterstützt die OpenAI -Integration direkt oder durch benutzerdefinierte Aufforderung. Diese LLM-basierten Zusammenfassungen verbessern die Erklärung drastisch.

import openai
from bertopic.illustration import OpenAI

consumer = openai.OpenAI(api_key=os.environ("OPENAI_API_KEY"))
topic_model.update_topics(texts_clean, representation_model=OpenAI(consumer, mannequin="gpt-4o-mini", delay_in_seconds=5))
topic_model.get_topic_info()

Die Darstellungen sind jetzt alle sinnvollen Sätze.

Sie können auch Ihre eigene Funktion zum Erhalten des von LLM generierten Titels schreiben und ihn mithilfe von UPDATE_TOPIC_LABELS-Funktion auf das Themenmodellobjekt aktualisieren. Weitere Informationen finden Sie im folgenden Beispielcode -Snippet.

import openai
from typing import Checklist
def generate_topic_titles_with_llm(
    topic_model,
    docs: Checklist(str),
    api_key: str,
    mannequin: str = "gpt-4o"
) -> Dict(int, Tuple(str, str)):
    consumer = openai.OpenAI(api_key=api_key)
    topic_info = topic_model.get_topic_info()
    topic_repr = {}
    subjects = topic_info(topic_info.Matter != -1).Matter.tolist()

    for subject in tqdm(subjects, desc="Producing titles"):
        indices = (i for i, t in enumerate(topic_model.topics_) if t == subject)
        if not indices:
            proceed
        top_doc = docs(indices(0))

        immediate = f"""You're a useful summarizer for subject clustering.
        Given the next textual content that represents a subject, generate:
        1. A brief **title** for the subject (2–6 phrases)
        2. A one or two sentence **abstract** of the subject.
        Textual content:
        """
        {top_doc}
        """
        """

        attempt:
            response = consumer.chat.completions.create(
                mannequin=mannequin,
                messages=(
                    {"function": "system", "content material": "You're a useful assistant for summarizing subjects."},
                    {"function": "person", "content material": immediate}
                ),
                temperature=0.5
            )
            output = response.decisions(0).message.content material.strip()
            traces = output.break up('n')
            title = traces(0).substitute("Title:", "").strip()
            abstract = traces(1).substitute("Abstract:", "").strip() if len(traces) > 1 else ""
            topic_repr(subject) = (title, abstract)
        besides Exception as e:
            print(f"Error with subject {subject}: {e}")
            topic_repr(subject) = ("(Error)", str(e))

    return topic_repr

topic_repr = generate_topic_titles_with_llm( topic_model, texts_clean, os.environ("OPENAI_API_KEY"))
topic_repr_dict = {
    subject: topic_repr.get(subject, "Matter")
    for subject in subject.get_topic_info()("Matter")
 }
topic_model.set_topic_labels(topic_repr_dict)

Abschluss

In diesem Leitfaden wurden umsetzbare Strategien beschrieben, um die Ergebnisse der Themenmodellierung mit Bertopic zu steigern. Durch das Verständnis der Rolle jedes Moduls und der Tuning -Parameter für Ihre spezifische Domäne können Sie fokussiertere, stabilere und interpretierbare Themen erreichen.

Repräsentation ist genauso wichtig wie das Clustering. Ob durch N-Gramm, syntaktische Filterung oder LLMs, das Investieren in bessere Darstellungen erleichtert Ihre Themen in der Praxis einfacher und nützlicher.

Bertopic bietet außerdem fortschrittliche Modellierungstechniken über die hier behandelten Grundlagen hinaus. In einem zukünftigen Beitrag werden wir diese Funktionen ausführlich untersuchen. Bleiben Sie dran!

Einführung

Vergessen Sie endlose Lebensläufe und Vorstellungsgespräche! Hackathons sind heute die neue Möglichkeit für Unternehmen, die besten Datenexperten zu finden. Diese intensiven Programmierwettbewerbe bringen talentierte Leute zusammen, um knifflige Probleme anzugehen. Es ist eine Likelihood, Ihre Fähigkeiten unter Beweis zu stellen und unter freundlichem Druck über den Tellerrand hinauszublicken.

Aber es geht nicht nur um das Recht, anzugeben.

Unternehmen suchen nach den klügsten Köpfen für ihre Groups. Wenn Sie additionally ein aufstrebender Datenprofi sind, sind Hackathons eine großartige Möglichkeit, Ihre Fähigkeiten zu verbessern und von High-Unternehmen wahrgenommen zu werden. In diesem Artikel stellen wir einige der High-Unternehmen vor, die über Hackathons aktiv nach Datenexperten suchen und diese einstellen und so ein Tor zu spannenden Karrieremöglichkeiten bieten.

Was ist ein Hackathon?

Ein Hackathon dauert in der Regel 24 bis 48 Stunden, manchmal aber auch bis zu einer Woche und ist eine Veranstaltung, bei der Menschen aus den Bereichen Computerprogrammierung, Design, Projektmanagement und anderen Bereichen zusammenkommen, um Software program oder {Hardware} zu entwickeln. Der Begriff „Hackathon“ leitet sich von „Hack“ ab, was experimentelle Programmierung bedeutet, und „Marathon“, da eine solche Veranstaltung Ausdauer erfordert, um an einem solchen Treffen teilzunehmen. Ein Hackathon ist im Allgemeinen eine Veranstaltung, die sich innerhalb eines kürzeren Zeitraums auf eine oder mehrere Technologien, Bereiche, Probleme oder Themen konzentriert und normalerweise mit Briefings oder Ausstellungen der fertigen Lösungen endet. Viele Unternehmen führen Hackathons durch, um Einzelpersonen zur Bewerbung zu ermutigen und den am besten geeigneten Kandidaten für die Stelle zu finden.

Vorteile der Teilnahme an einem Hackathon

Die Teilnahme an einem Hackathon bietet eine Reihe von Vorteilen, die die beruflichen Fähigkeiten und Möglichkeiten erheblich verbessern können. Hier sind einige davon:

• Praktisches Lernen und Üben neuer Programmiersprachen, Instruments und Technologien.
• Entwicklung von Fähigkeiten zur Problemlösung, Teamarbeit und Kommunikation.
• Networking-Möglichkeiten mit Fachleuten, Mentoren und Personalvermittlern.
• Arbeitgebern Initiative, Kreativität und technisches Können demonstrieren.
• Schnelle Umsetzung von Ideen in greifbare Prototypen.
• Potenzial zur Entwicklung vollwertiger Produkte oder Dienstleistungen aus Hackathon-Projekten.
• Geldpreise oder andere Anreize für Projekte mit besonders guter Leistung.
• Zugang zu informativen Sitzungen, Workshops und Präsentationen von Branchenexperten.

18 Unternehmen, die über Hackathons einstellen

Hier sind die High-Unternehmen, die über Hackathons Mitarbeiter einstellen und dafür bekannt sind, den Teilnehmern hervorragende Möglichkeiten zu bieten, aufzufallen:

Hackathon des IBM Information Science- und KI-Eliteteams

• Unter der Leitung von: IBM
• Jährliche Positionen: Rollen in Datenwissenschaft, KI, Datentechnik
• Kosten: Frei
• Teilnahmeberechtigung: Offen für Studenten, Fachleute und Datenwissenschaftler
• Phasen/Prozess: Schulungen, Projektentwicklung und -einreichung
• CTC-Angebot: Variiert; wettbewerbsfähig mit hervorragenden Leistungen
• Publikum: Studierende, Datenwissenschaftler, Fachleute mit Interesse an Datenwissenschaft und KI
• Klicken Sie hier für die Verknüpfung.

Hackathons der Main League Hacking (MLH)

• Unter der Leitung von: Main League Hacking (MLH)
• Frequenz: Regelmäßig das ganze Jahr über, weltweit
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist grundsätzlich kostenlos
• Teilnahmeberechtigung: Normalerweise offen für Universitätsstudenten, einige Hackathons können jedoch auch für Fachleute offen sein.
• Phasen/Prozess: Dies umfasst normalerweise Ideenfindung, Hacken/Erstellen und Präsentationen/Beurteilungen.
• Publikum: Offen für Teilnehmer aus aller Welt.
• Klicken Sie hier für die Verknüpfung.

TechCrunch Disrupt Hackathon

• Unter der Leitung von: TechCrunch
• Frequenz: Jährlich
• Positionen: Vollzeitjobs, Startup-Möglichkeiten
• Kosten: Die Teilnahmegebühr variiert, normalerweise etwa 200 US-Greenback
• Teilnahmeberechtigung: Im Allgemeinen für Personen mit technischem Hintergrund offen, oft ist eine Registrierung erforderlich.
• Phasen/Prozess: Beinhaltet erstes Pitching, Hacking und abschließende Präsentationen vor der Jury.
• Publikum: Weltweit, aber die physische Anwesenheit kann ortsabhängig sein.
• Klicken Sie hier für die Verknüpfung.

Microsoft Think about Cup

• Unter der Leitung von: Microsoft
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist kostenlos
• Teilnahmeberechtigung: Offen für Studierende weltweit, Registrierung und Teambildung erforderlich.
• Phasen/Prozess: Umfasst Projekteinreichungen, regionale und globale Endrunden mit Präsentationen.
• Publikum: Weltweit nehmen Studierende von Universitäten aus aller Welt teil.
• Klicken Sie hier für die Verknüpfung.

HackMIT

• Unter der Leitung von: Massachusetts Institute of Know-how (MIT)
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist kostenlos
• Teilnahmeberechtigung: Offen für School-Studenten weltweit, mit einem wettbewerbsorientierten Zulassungsverfahren.
• Phasen/Prozess: Hackathon-Format mit Hacking-Sitzungen, Mentoring und Bewertung.
• Publikum: Weltweit, aber am MIT ist eine persönliche Anwesenheit erforderlich.
• Klicken Sie hier für die Verknüpfung.

ETHDenver

• Unter der Leitung von: ETHGlobal
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist grundsätzlich kostenlos
• Teilnahmeberechtigung: Geöffnet für blockchain Enthusiasten weltweit; Registrierung erforderlich.
• Phasen/Prozess: Dazu gehören das Hacken/Erstellen von Blockchain-Projekten, Workshops und Abschlusspräsentationen.
• Publikum: Das Publikum ist world und die Teilnehmer kommen aus der weltweiten Blockchain-Neighborhood.
• Klicken Sie hier für die Verknüpfung.

WeAreDevelopers Weltkongress Hackathon

• Unter der Leitung von: WirSindEntwickler
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahmegebühr variiert, normalerweise etwa 100 US-Greenback
• Teilnahmeberechtigung: Weltweit für Entwickler offen, häufig ist eine Registrierung erforderlich.
• Phasen/Prozess: Hackathon-Format mit Codierung, Ideenfindung und Präsentationen.
• Publikum: International; Teilnehmer können von überall aus teilnehmen, für einige Aspekte kann jedoch eine persönliche Anwesenheit erforderlich sein.
• Klicken Sie hier für die Verknüpfung.

Uber HackTag

• Unter der Leitung von: Uber
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist kostenlos
• Teilnahmeberechtigung: Offen für Entwickler und Technikbegeisterte
• Phasen/Prozess: Problemlösung, Codierung und Präsentationen
• Publikum: Globale Teilnehmer
• Klicken Sie hier für die Verknüpfung.

Microsoft Generative AI Hackathon

• Unter der Leitung von: Microsoft
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist kostenlos
• Teilnahmeberechtigung: Offen für Entwickler und Technikbegeisterte
• Phasen/Prozess: Fehlerbehebung, Programmierherausforderungen und Präsentationen
• Publikum: Globale Teilnehmer
• Klicken Sie hier für die Verknüpfung.

Myntra HackerRamp We-for-she (Für Frauen)

• Unter der Leitung von: Myntra
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist grundsätzlich kostenlos
• Teilnahmeberechtigung: Offen für Frauen in der Technik, Entwicklerinnen und Technikbegeisterte
• Phasen/Prozess: Ideenfindung, Programmierherausforderungen und Präsentationen
• Publikum: Globale Teilnehmer
• Klicken Sie hier für die Verknüpfung.

American Specific Makeathon

• Unter der Leitung von: American Specific
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist grundsätzlich kostenlos
• Teilnahmeberechtigung: Offen für Entwickler und Technikbegeisterte
• Phasen/Prozess: Problemlösung, Codierung und Abschlusspräsentationen
• Publikum: Globale Teilnehmer
• Klicken Sie hier für die Verknüpfung.

Amazon AWS Hackathon

• Unter der Leitung von: Amazon Net Providers
• Jährliche Positionen: Praktika, Vollzeitstellen in den Bereichen KI, Information Science, Information Engineering, Datenanalyse
• Kosten: Frei
• Teilnahmeberechtigung: Offen für Entwickler, Datenwissenschaftler und Studenten
• Phasen/Prozess: AWS-Ressourcenschulung und Projektentwicklung
• CTC-Angebot: Variiert; sehr wettbewerbsfähig mit erheblichen Vergünstigungen
• Publikum: Entwickler, Datenwissenschaftler, Studenten, die interessiert sind an Cloud Computing und KI
• Klicken Sie hier für die Verknüpfung.

JPMorgan Chase Code für das Gute

• Unter der Leitung von: JPMorgan Chase
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist grundsätzlich kostenlos
• Teilnahmeberechtigung: Offen für Entwickler und Technikbegeisterte
• Phasen/Prozess: Herausforderungen mit sozialer Wirkung, Codierung und Präsentationen
• Publikum: Globale Teilnehmer
• Klicken Sie hier für die Verknüpfung.

Google Women Hackathon (für Frauen)

• Unter der Leitung von: Google
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist grundsätzlich kostenlos
• Teilnahmeberechtigung: Offen für Frauen in der Technik, Entwicklerinnen und Technikbegeisterte
• Phasen/Prozess: Problemlösung, Programmieraufgaben und Präsentationen
• Publikum: Globale Teilnehmer
• Klicken Sie hier für die Verknüpfung.

EY Techathon

• Unter der Leitung von: EY (Ernst & Younger)
• Frequenz: Jährlich
• Positionen: Praktika, Vollzeitjobs
• Kosten: Die Teilnahme ist grundsätzlich kostenlos
• Teilnahmeberechtigung: Offen für Entwickler, Technikbegeisterte und Geschäftsleute
• Phasen/Prozess: Geschäftsproblemlösung, Codierung und Abschlusspräsentationen
• Publikum: Globale Teilnehmer
• Klicken Sie hier für die Verknüpfung.

Microsoft KI für den Klima-Hackathon

• Unter der Leitung von: Microsoft
• Jährliche Positionen: Praktika, Vollzeitstellen in KI und Information Science
• Kosten: Frei
• Teilnahmeberechtigung: Offen für Studierende, Fachleute und Forscher mit Interesse an KI und ökologischer Nachhaltigkeit
• Verfahren: Ideenfindung, Projekteinreichung und Abschlusspräsentation
• CTC-Angebot: Variiert; normalerweise wettbewerbsfähige Gehälter und Zusatzleistungen
• Publikum: Studierende, Fachleute, Forscher im Bereich KI und ökologische Nachhaltigkeit
• Klicken Sie hier für die Verknüpfung.

Google Cloud x Formel E KI-Hackathon

• Unter der Leitung von: Google
• Jährliche Positionen: Praktika, Vollzeitstellen in den Bereichen KI, Information Science, Information Engineering
• Kosten: Frei
• Teilnahmeberechtigung: Offen für Studenten, Entwickler und Fachleute
• Phasen/Prozess: Trainingseinheiten, Entwicklung, Abschlusspräsentation
• CTC-Angebot: Variiert; wettbewerbsfähiges Gehalt und Zusatzleistungen
• Publikum: Studierende, Entwickler und Fachleute mit Interesse an KI, MLund Cloud Computing
• Klicken Sie hier für die Verknüpfung.

Airbnb-Hackathon für Ingenieurswissenschaften und Datenwissenschaft

• Unter der Leitung von: Airbnb
• Jährliche Positionen: Rollen in Information Science, Information Engineering, Datenanalyse
• Kosten: Frei
• Teilnahmeberechtigung: Offen für Studenten, Datenwissenschaftler und Fachleute
• Phasen/Prozess: Projektentwicklung und -einreichung
• CTC-Angebot: Variiert; wettbewerbsfähig mit tollen Vorteilen
• Publikum: Studierende, Datenwissenschaftler, Fachleute mit Interesse an Datenwissenschaft und Datentechnik
• Klicken Sie hier für die Verknüpfung.

Abschluss

Hackathons bieten zahlreiche Vorteile, darunter die Schärfung technischer Fähigkeiten und den Aufbau wichtiger Branchenkontakte. Diese Hackathons für Jobs dienen als Sprungbrett für zukünftige Entwickler und Innovatoren und bieten die Möglichkeit, Ideen in physische Modelle umzusetzen. Hackathons sind entscheidend, um technologische Innovationen zu fördern und die Zukunft verschiedener Branchen weltweit zu gestalten, unabhängig davon, ob man seine Karriere vorantreiben oder eine kollaborative Herausforderung suchen möchte.