In meinem letzter Beitrag. Instrument Calling ist der Mechanismus, der es einem KI-Modell ermöglicht, zu entscheiden, welche Funktion mit welchen Argumenten verwendet werden muss, anstatt nur Textual content als Ausgabe zu generieren. Am Ende dieses Beitrags hatten wir ein Setup, das eine Entscheidung treffen konnte get_current_weather oder convert_currencyoder beides gleichzeitig ausführen, indem Sie sie parallel aufrufen, oder keines von beiden, und einfach Textual content generieren. Mit anderen Worten: Das Modell entscheidet, was es als nächstes tun muss. Wir (der Relaxation des Codes) führen diese Entscheidung aus, geben das Ergebnis an das Modell zurück und das Modell stellt dem Benutzer letztendlich eine fundierte Antwort im Textformat bereit.

Eine fortgeschrittenere Model dieser Schleife endet nicht nach nur einer Runde Modellentscheidung – Codeausführung – Rückgabe des Ergebnisses – Modellantwort. Anstatt am Ende eine Antwort zu generieren, Das Modell kann anhand des Ergebnisses eines Werkzeugaufrufs entscheiden, ob und welches Werkzeug als nächstes aufgerufen werden soll. Wie bereits am Ende erwähnt der Instrument Calling-Beitragdas ist ein ReAct-Schleife (Grund + Handeln) und ermöglicht es Agenten genau, Aufgaben zu erledigen, die nicht in einem einzigen Anruf gelöst werden können.

Doch was wäre eine solche Aufgabe? Im Beispiel des Parallelanrufs im vorherigen Beitrag haben wir gefragt What is the climate in Athens and the way a lot is 100 USD in EUR?Dabei handelt es sich um zwei separate Dinge, die den Einsatz zweier separater Instruments erfordern, um eine Antwort zu erhalten, die aber auch voneinander unabhängig sind. Mit anderen Worten: Wir können diese beiden Fragen unabhängig voneinander gleichzeitig beantworten, ohne dass für die Beantwortung der zweiten Frage Informationen aus der ersten Frage erforderlich sind.

Aber was ist, wenn wir so etwas fragen I guess my buddy 100 EUR that it might rain in Athens at the moment. If I gained, what number of USD is that? Hier kann das Modell nicht entscheiden, ob ein Anruf erforderlich ist convert_currency bis es zum ersten Mal ruft get_current_weather und findet heraus, ob es tatsächlich geregnet hat. Einfach gesagt, Die Antwort auf die zweite Frage hängt vollständig vom Ergebnis der ersten Frage ab. Dies ist genau die Artwork von Abhängigkeit, die parallele Toolaufrufe nicht in einer Runde auflösen können, und genau dafür ist eine ReAct-Schleife konzipiert.

Additionally schauen wir mal rein!

DataCream ist ein Publication über KI, Daten und Technologie. Wenn Sie sich für diese Themen interessieren, Abonnieren Sie hier!

Aber was genau ist eine ReAct-Schleife?

A ReAct-Schleife besteht aus nur drei Schritten, die nacheinander wiederholt werden:

1. Grund
2. Akt
3. Beobachten

Am Anfang der Schleife das Modell Gründe darüber, welche Informationen ihm bereits bekannt sind und welche zusätzlichen Informationen fehlen, um eine korrekte Antwort auf die Anfrage des Benutzers zu geben. Es dann Handlungen indem ein entsprechendes Instrument aufgerufen wird, um diese fehlenden Informationen zu erhalten. Sobald schließlich der jeweilige Werkzeugaufruf ausgeführt und sein Ergebnis an das Modell zurückgegeben wird, wird das Modell beobachtet das Ergebnis (fügt das Ergebnis des Instruments in seinen Kontext ein). Dann kehrt es wieder zur Argumentation zurück, außer dass dieses Mal diese neue Beobachtung in ihrem Kontext steht. Diese Schleife wird wiederholt, bis das Modell feststellt, dass die verfügbaren Informationen ausreichen, um die Anfrage des Benutzers zu beantworten. An diesem Punkt ruft es keine Instruments mehr auf und antwortet nur noch mit Textual content.

Aber ist das nicht dasselbe wie die Toolaufrufe, die wir bereits kennen? Irgendwie, aber nicht genau. Der Teil, der dies von dem unterscheidet, was wir im Beitrag „Instrument Calling“ behandelt haben, ist die Schleife selbst. In einem einzigen Instrument-Aufruf fragt das Modell nach etwas, bekommt es, und das ist für diesen Aufruf das Ende der Transaktion. In der ReAct-Schleife bleibt die Konversation offen, da jede neue Beobachtung zu einem neuen Kontext für den nächsten Argumentationsschritt wird und das Modell seinen Plan basierend auf dem, was es gerade gelernt hat, ändern kann.

Gleiche Werkzeuge, neuer Trick

Um dies zu konkretisieren, gehen wir noch einmal auf das Wettbeispiel aus der Einleitung zurück und überlegen, was das Modell tatsächlich tun muss, um uns eine zuverlässige Antwort zu liefern. Die Frage ist: I guess my buddy 100 EUR that it might rain in Athens at the moment. If I gained, what number of USD is that? Beachten Sie die bedingte Anweisung in der Mitte: if I gained. Ob das Modell überhaupt eine Währung umrechnen muss, hängt davon ab, was der Wetteraufruf zurückgibt. Wenn es geregnet hat, muss das Modell anrufen convert_currency mit 100 EUR als Eingabeparameter und gib den umgerechneten Gewinn zurück. Wenn es nicht geregnet hat, ist die Wette verloren, convert_currency ist irrelevant und das Modell sollte den entsprechenden Textual content einfach direkt zurückgeben, ohne einen zweiten Aufruf zu tätigen.

Anders ausgedrückt: Das Modell kann seine vollständige Abfolge von Werkzeugaufrufen tatsächlich nicht im Voraus planen. Es muss zunächst das Wetter überprüfen, das Ergebnis beobachten, überlegen, was dieses Ergebnis für die Wettbedingungen bedeutet, und erst dann entscheiden, ob ein zweiter Instrument-Aufruf erforderlich ist. Im Gegensatz zum parallelen Instrument-Aufruf, der für die Beantwortung intestine funktionierte What is the climate in Athens and the way a lot is 100 USD in EUR?diese Frage erfordert eine Schleife.

Das Schöne an einer ReAct-Schleife ist, dass sie keine neuen Instruments benötigt. Wir können immer noch dieselben Funktionen nutzen, nur auf andere Weise. Additionally werden wir es verwenden get_current_weather Und convert_currency genau so, wie wir sie das letzte Mal mit Open-Meteo für das Wetter und Frankfurter für die Währungsumrechnung erstellt haben (beide erfordern immer noch keinen API-Schlüssel):

import requests
import json
from openai import OpenAI

consumer = OpenAI(api_key="your_api_key")

def get_current_weather(metropolis: str, unit: str = "celsius") -> dict:
    # Step 1: geocode the town title to coordinates
    geo = requests.get(
        "https://geocoding-api.open-meteo.com/v1/search",
        params={"title": metropolis, "rely": 1}
    ).json()
    lat = geo("outcomes")(0)("latitude")
    lon = geo("outcomes")(0)("longitude")

    # Step 2: fetch present climate
    climate = requests.get(
        "https://api.open-meteo.com/v1/forecast",
        params={
            "latitude": lat,
            "longitude": lon,
            "present": "temperature_2m,precipitation",
            "temperature_unit": unit
        }
    ).json()

    return {
        "metropolis": metropolis,
        "temperature": climate("present")("temperature_2m"),
        "precipitation_mm": climate("present")("precipitation"),
        "unit": unit
    }


def convert_currency(quantity: float, from_currency: str, to_currency: str) -> dict:
    response = requests.get(
        f"https://api.frankfurter.dev/v2/fee/{from_currency}/{to_currency}"
    ).json()

    fee = response("fee")
    transformed = spherical(quantity * fee, 2)
    return {
        "quantity": quantity,
        "from_currency": from_currency,
        "to_currency": to_currency,
        "converted_amount": transformed,
        "fee": fee
    }

Beachten Sie eine kleine Ergänzung im Vergleich zum letzten Mal: get_current_weather kommt jetzt auch zurück precipitation_mmda dies das Feld ist, das das Modell benötigt, um die Einsatzbedingung auszuwerten. Alles andere ist gleich. Der instruments Auch das Schema ist gegenüber unserem vorherigen Beitrag unverändert:

instruments = (
    {
        "kind": "operate",
        "operate": {
            "title": "get_current_weather",
            "description": "Get the present climate for a given metropolis, together with temperature and precipitation",
            "parameters": {
                "kind": "object",
                "properties": {
                    "metropolis": {"kind": "string", "description": "The title of the town"},
                    "unit": {"kind": "string", "enum": ("celsius", "fahrenheit")}
                },
                "required": ("metropolis")
            }
        }
    },
    {
        "kind": "operate",
        "operate": {
            "title": "convert_currency",
            "description": "Convert an quantity from one foreign money to a different",
            "parameters": {
                "kind": "object",
                "properties": {
                    "quantity": {"kind": "quantity", "description": "The quantity to transform"},
                    "from_currency": {"kind": "string", "description": "The supply foreign money code, e.g. EUR"},
                    "to_currency": {"kind": "string", "description": "The goal foreign money code, e.g. USD"}
                },
                "required": ("quantity", "from_currency", "to_currency")
            }
        }
    }
)

Wir müssen auch ein Nachschlagewörterbuch definieren, das unser Code verwendet, um die Werkzeugauswahl des Modells an die eigentliche Python-Funktion weiterzuleiten:

available_functions = {
    "get_current_weather": get_current_weather,
    "convert_currency": convert_currency
}

Auf diese Weise können wir von einem Toolnamen, den uns das Modell als String zurückgibt, zur eigentlichen Python-Funktion gelangen, die wir ausführen. Wir werden diese Zuordnung gleich benötigen, da wir dieses Mal nicht im Voraus wissen, wie viele Toolaufrufe wir auflösen müssen oder ob es mehr als einen sein wird.

Beobachten Sie die Schleife beim Nachdenken

Hier ist der Teil, der tatsächlich neu ist. Anstatt eine Anfrage zu stellen und den Instrument-Aufruf abzulesen, Wir wickeln den gesamten Austausch in eine Schleife. Bei jedem Durchgang senden wir dem Modell die vollständige bisherige Konversation, überprüfen, ob es nach einem Instrument gefragt hat, führen dieses Instrument aus, wenn ja, hängen das Ergebnis an und gehen noch einmal herum. Wir hören erst auf, wenn das Modell mit Klartext antwortet und keine Toolaufrufe mehr erforderlich sind.

messages = (
    {
        "position": "person",
        "content material": "I guess my buddy 100 EUR that it might rain in Athens at the moment. If I gained, what number of USD is that?"
    }
)

max_iterations = 5

for i in vary(max_iterations):
    print(f"--- Step {i + 1}: Motive ---")

    response = consumer.chat.completions.create(
        mannequin="gpt-4o-mini",
        messages=messages,
        instruments=instruments
    )

    message = response.selections(0).message
    messages.append(message)

    # If there is not any device name, the mannequin is able to reply
    if not message.tool_calls:
        print("Closing reply:")
        print(message.content material)
        break

    # In any other case, act on each device name the mannequin requested
    for tool_call in message.tool_calls:
        function_name = tool_call.operate.title
        function_args = json.masses(tool_call.operate.arguments)

        print(f"--- Step {i + 1}: Act ({function_name}) ---")
        print(f"Calling {function_name} with {function_args}")

        function_response = available_functions(function_name)(**function_args)

        print(f"--- Step {i + 1}: Observe ---")
        print(function_response)

        # Feed the remark again in so the following Motive step can use it
        messages.append({
            "position": "device",
            "tool_call_id": tool_call.id,
            "content material": json.dumps(function_response)
        })

Beachten Sie auch die max_iterations Kappe verhindert ein Modell, das entscheidet, was es braucht „Nur noch eine Info“ von einer Endlosschleife abzuhalten. Dies ist von besonderer Bedeutung weil wir für jeden Anruf beim Mannequin bezahlen innerhalb jeder dieser Schleifen.

Abschließend wird die resultierende Beobachtung der Schleife als angehängt position: "device" Nachricht, die an das Spezifische gebunden ist tool_call_id. Dadurch kann das Modell jedes Ergebnis wieder dem Aufruf zuordnen, der es erzeugt hat.

Und nachdem wir nun alles eingerichtet haben, können wir endlich die ReAct-Schleife in Aktion sehen.

Unsere Wettfrage kann sich additionally auf zwei Arten auswirken, je nachdem, wie das Wetter tatsächlich ist. Schauen wir uns beide an.

1. Wenn es in Athen regnen würde, würde unser Code im Terminal etwa Folgendes ausgeben:

--- Step 1: Motive ---
--- Step 1: Act (get_current_weather) ---
Calling get_current_weather with {'metropolis': 'Athens'}
--- Step 1: Observe ---
{'metropolis': 'Athens', 'temperature': 17.4, 'precipitation_mm': 3.2, 'unit': 'celsius'}

--- Step 2: Motive ---
--- Step 2: Act (convert_currency) ---
Calling convert_currency with {'quantity': 100, 'from_currency': 'EUR', 'to_currency': 'USD'}
--- Step 2: Observe ---
{'quantity': 100, 'from_currency': 'EUR', 'to_currency': 'USD', 'converted_amount': 108.5, 'fee': 1.085}

--- Step 3: Motive ---
Closing reply:
It did rain in Athens at the moment (3.2mm of precipitation), so that you gained the guess!
Your 100 EUR comes out to 108.50 USD at at the moment's alternate fee.

2. Und wenn es in Athen nicht regnen würde, würden wir folgenden Ausdruck erhalten:

--- Step 1: Motive ---
--- Step 1: Act (get_current_weather) ---
Calling get_current_weather with {'metropolis': 'Athens'}
--- Step 1: Observe ---
{'metropolis': 'Athens', 'temperature': 34.1, 'precipitation_mm': 0.0, 'unit': 'celsius'}

--- Step 2: Motive ---
Closing reply:
Sadly, it didn't rain in Athens at the moment, so it appears to be like such as you misplaced the guess.
No foreign money conversion wanted!

Schauen Sie sich an, was im zweiten Szenario passiert ist: Die Schleife wurde genau einmal ausgeführt. Das Modell hat das beobachtet precipitation_mm Warfare 0.0kam zu dem Schluss, dass die Einsatzbedingung nicht erfüllt conflict, und stoppte, ohne jemals mitzugehen convert_currency. Niemand hat ihm gesagt, dass er den zweiten Instrument-Aufruf überspringen soll, sondern er hat dies vielmehr allein entschieden, basierend auf dem, was er beim ersten Durchlauf der Schleife beobachtet hat.

Dies ist (zumindest für dieses einfache Szenario) der Hauptunterschied zwischen parallelen Toolaufrufen und der ReAct-Schleife. Beim parallelen Werkzeugaufruf könnten wir den gesamten Prozess nicht vorzeitig beenden und den Aufruf nicht ausführen convert_currency. Stattdessen wären in einem parallelen Setup beide Instruments im Voraus aufgerufen worden und das Modell würde die endgültige Antwort später zusammenstellen. Dies ist besonders wichtig, denn denken Sie daran! Wir bezahlen für jeden Anruf zum Modell. Daher ist die Möglichkeit, die Aufrufe des KI-Modells architektonisch auf das einzuschränken, was wir benötigen, ohne unnötige zusätzliche Aufrufe durchzuführen, von großer Bedeutung.

In meinen Gedanken

Wann schlägt additionally eine ReAct-Schleife tatsächlich den parallelen Werkzeugaufruf?

Die Antwort lautet: Immer wenn die Anzahl der Instrument-Aufrufe oder die Argumente für diese Aufrufe nur ermittelt werden können, nachdem ein früheres Ergebnis angezeigt wurde.

In unserem Wettbeispiel kann das Modell nicht entscheiden, ob es mitgeht convert_currency überhaupt bis get_current_weather sagt, ob es geregnet hat. Keine noch so große Vorabbegründung kann dieses Downside lösen, da die Informationen in der Welt des Modells einfach noch nicht vorhanden sind. Wir müssen aus der Welt des Modells heraustreten, externe Informationen aus der Wetter-API abrufen und sie dem Kontext des Modells hinzufügen. Im Gegensatz dazu wird beim parallelen Werkzeugaufruf davon ausgegangen, dass das Modell bereits weiß, was es benötigt, bevor es Werkzeugaufrufe initiiert. Eine ReAct-Schleife erfordert diese Annahme nicht: Sie lässt das Modell im Laufe der Zeit entdecken, was es benötigt.

Insbesondere in den folgenden Fällen überzeugt eine ReAct-Schleife gegenüber parallelen Toolaufrufen:

1. Bei einem Ergebnis handelt es sich um eine Bedingung dafür, ob überhaupt ein weiterer Name erforderlich ist, wie im Wettbeispiel.
2. Wenn die Argumente eines späteren Aufrufs vom Wert abhängen, der von einem früheren Aufruf zurückgegeben wurde. Wenn das Modell zum Beispiel erst nachschauen müsste, welche Währung eine Stadt verwendet, bevor es anrufen kann convert_currency mit dem richtigen Code.
3. Wenn unerwartet ein früheres Ergebnis zurückkommt, kann der Benutzer beispielsweise einen Städtenamen angeben, der nicht geokodiert werden kann, oder eine API gibt einen Fehler zurück und das Modell muss seinen Plan anpassen, anstatt einfach alles zurückzumelden, was es erhalten hat.

Dennoch ist in einem einfachen Fall, in dem alle benötigten Instruments und ihre Argumente allein aus der Nachricht des Benutzers offensichtlich sind, der parallele Instrument-Aufruf tatsächlich die bessere Wahl, da wir auf diese Weise weniger Roundtrips, weniger Latenz und das gleiche Ergebnis erhalten.

Für mich ist der interessanteste Teil des Übergangs vom parallelen Toolaufruf zur ReAct-Schleife, wie wenig Code tatsächlich benötigt wurde : a for Schleife, ein if -Anweisung und eine Wörterbuchsuche. Dennoch bewirkt diese kleine Menge Code Wunder. Diese ReAct-Schleife ist in der einen oder anderen Type der eigentliche Mechanismus hinter den meisten Dingen, die man unter einem „Agenten“ versteht.

Danke fürs Lesen!

Wenn du es bis hierher geschafft hast, Vielleicht finden Sie Pialgorithmen nützlich – eine von uns entwickelte Plattform, die Groups dabei hilft, organisatorisches Wissen sicher an einem Ort zu verwalten.

Hat Ihnen dieser Beitrag gefallen? Begleiten Sie mich Unterstapel und LinkedIn

Alle Bilder vom Autor, sofern nicht anders angegeben ansonsten

Kleine Unternehmen machen 44 % des US-BIP aus. Sie beschäftigen quick die Hälfte der Arbeitskräfte im privaten Sektor. Und seit drei Jahren erhalten sie KI-Instruments für Unternehmen mit IT-Abteilungen, Dateningenieuren und sechsstelligen Softwarebudgets.

Genau auf diese Lücke zielt Anthropic mit Claude for Small Enterprise, das am 13. Mai 2026 auf den Markt kam. Die Frage ist nicht, ob das Produkt beeindruckend ist. Es geht darum, ob Anthropic besser als jeder andere Anbieter zuvor verstanden hat, warum die KI-Einführung in kleinen Unternehmen immer wieder ins Stocken gerät.

Es stellt sich heraus, dass die Antwort auf eine einzige Designentscheidung zurückzuführen ist.

Das Downside warfare nie die Technologie

Jede bisherige Welle von KMU-Software program versprach, den Betrieb zu vereinfachen. Was tatsächlich geliefert wurde, warfare eine neue Ebene der Konfiguration, Schulung und Wartung, für die die Eigentümer keine Zeit hatten. KI-Instruments folgten dem gleichen Muster, leistungsstark in Demos, reibungsintensiv in der Praxis.

Die Trennung warfare struktureller Natur. Enterprise-KI-Instruments sind für zentralisierte IT-Umgebungen mit sauberen, standardisierten Daten konzipiert. Kleine Unternehmen arbeiten mit QuickBooks-Konten, die von einem Teilzeitbuchhalter geführt werden, HubSpot-CRMs werden inkonsistent aktualisiert und PayPal-Abrechnungen stimmen nicht immer mit dem Kontostand überein. Die Werkzeuge sprachen diese Sprache nicht.

Die Antwort von Anthropic ist kein einfacheres Werkzeug. Es handelt sich um ein Instrument, das die bereits verwendeten Sprachen spricht.

Was die Anschlüsse tatsächlich tun

Claude for Small Enterprise verbindet sich direkt mit den Plattformen, die Kleinunternehmer bereits betreiben, Intuit QuickBooks, PayPal, HubSpot, Canva, DocuSign, Google Workspace und Microsoft 365, und wird mit 15 vorgefertigten Agenten-Workflows und 15 aufgabenspezifischen Fähigkeiten aus den Bereichen Finanzen, Vertrieb, Advertising, Personalwesen und Kundenservice geliefert.

Die Einrichtung erfolgt mit einem Klick professional Connector, ohne Datenmigration, ohne Erlernen einer neuen Benutzeroberfläche und ohne zusätzliche Abonnementkosten über eine bestehende Claude-Lizenz hinaus. Die Konnektoren funktionieren auf der API-Ebene. Ein QuickBooks-Benutzer verbindet ein Konto, nicht ein Datenmodell.

Die Arbeitsabläufe machen genau das, was die Eigentümer sagen, dass sie es hassen. Ein Arbeitsablauf zur Lohn- und Gehaltsabrechnung integriert die Bargeldbestände von QuickBooks mit PayPal-Abrechnungen, erstellt eine 30-Tage-Cashflow-Prognose und stellt Zahlungserinnerungen zur Genehmigung durch den Eigentümer in die Warteschlange, bevor etwas gesendet wird. Ein Arbeitsablauf zum Monatsabschluss gleicht Konten ab, markiert Unstimmigkeiten und erstellt eine Gewinn- und Verlustrechnung in einfacher Sprache, die direkt an einen Buchhalter exportiert werden kann. Ein Advertising-Workflow analysiert die Kampagnenleistung von HubSpot, identifiziert Umsatzrückgänge, entwirft eine Werbestrategie und generiert kreative Belongings in Canva.

Zu den weiteren Funktionen gehören ein Rechnungsverfolgungssystem, ein Margenanalysator, ein Vertragsprüfer, ein Organisator der Steuersaison und ein Lead-Triage-System.

Das Gestaltungsprinzip, das sich durch alle 15 Arbeitsabläufe zieht, ist das gleiche: Claude bereitet vor. Sie stimmen zu. Nichts wird ohne menschliche Zustimmung ausgeführt.

Der letzte Punkt ist wichtiger als es klingt.

Die Belief-Architektur ist die wahre Wette

Die meisten KI-Produkte für kleine Unternehmen scheitern am Vertrauen und nicht an den Funktionen. Eigentümer geben den Zugriff auf Finanzdaten weiter und beobachten dann, wie KI-Systeme Maßnahmen ergreifen, die sie nicht vollständig verstanden oder autorisiert haben. Die Haftungsfrage, wer die Verantwortung trägt, wenn die KI etwas falsch macht, ist selten sauber beantwortet.

Anthropic baute seine Antwort in die Architektur selbst ein. Jeder Claude for Small Enterprise-Workflow erfordert vor der Ausführung die Genehmigung des Eigentümers. Nichts wird gesendet, gepostet oder bezahlt, ohne dass ein Mensch auf dem Laufenden ist. Das beseitigt KI-Fehler zwar nicht, das kann kein System, aber Folgeentscheidungen bleiben bei der Individual, die rechtlich und finanziell dafür verantwortlich ist.

Brian Ludviksen, COO von Purity Espresso, fasste die Erfahrung in den Einführungsmaterialien von Anthropic zusammen: „Es konnte nicht nur Probleme für mich lösen, es zeigte mir auch Probleme, von denen ich nicht wusste, dass ich sie hatte.“

Das ist das richtige Versprechen. Nicht „die Kontrolle abgeben“. Nicht „Lassen Sie KI Ihr Unternehmen leiten.“ Lassen Sie die KI ans Licht bringen, was Sie übersehen würden, und überlassen Sie es Ihnen, zu entscheiden, was Sie dagegen tun möchten.

Das Distributionsstück, über das niemand spricht

Folgendes fehlt in den meisten Berichten über diese Markteinführung: Die Produktstrategie ist interessant, aber die Vertriebsstrategie ist wirklich klug.

Anthropic verlässt sich nicht auf Direktmarketing, um Kleinunternehmer zu erreichen. Die Einführung erfolgt über Group Improvement Monetary Establishments, den Accion Alternative Fund, den Group Reinvestment Fund USA und Pacific Group Ventures und stellt Claude-Gutschriften und technische Unterstützung direkt den Organisationen zur Verfügung, denen kleine Unternehmen bereits in Bezug auf Kapital vertrauen. Pacific Group Ventures nutzt Claude bereits zur Stromversorgung seines Radiant Information Hub und synthetisiert sprachbasiertes Kundenfeedback über ein Netzwerk von Kreditgebern.

Kleine Unternehmen führen neue Technologien nicht über Anbieterkampagnen ein. Sie übernehmen es durch vertrauenswürdige Berater, Buchhalter, Kreditgeber und Branchenverbände. Wenn CDFIs Claude erfolgreich in ihre Beratungsdienste integrieren, erzielt Anthropic eine Verbreitung, die durch keine Werbung erreicht werden könnte. Das ist eine strukturelle Wette, keine Marketingtaktik.

Fügen Sie den kostenlosen AI Fluency for Small Enterprise-Kurs hinzu, der mit PayPal entwickelt und von Eigentümern unterrichtet wird, die KI in ihre eigenen Betriebe integriert haben, und eine Workshop-Tour durch 10 Städte in den USA, die praktische Schulungen und ein einmonatiges Claude Max-Abonnement professional Teilnehmer bietet, und das Bild wird schärfer. Anthropic bringt nicht nur ein Produkt auf den Markt. Es wird versucht, die Voraussetzungen für eine völlig neue Kategorie der KI-Einführung zu schaffen, die nicht davon abhängt, dass der Geschäftsinhaber bereits technisch neugierig ist.

Der eigentliche Check liegt noch vor uns

Die Unternehmen, die bei der KI für Kleinunternehmen gewinnen, werden diejenigen sein, die etwas Einfaches verstanden haben: Eigentümer haben keine Angst vor Technologie. Sie haben Angst vor Instruments, die mehr Arbeit verursachen als sie einsparen.

Alle strukturellen Entscheidungen in Claude for Small Enterprise, vorgefertigte Konnektoren, Human-in-the-Loop-Genehmigungen, Group-basierte Verteilung, keine zusätzlichen Abonnementkosten, basieren auf dieser Erkenntnis. In einer Umfrage, die Anthropic unter Kleinunternehmern durchführte, gab die Hälfte der Befragten die Datensicherheit als ihr größtes Zögern gegenüber KI an. Die Antwort von Anthropic ist kein Grundsatzdokument. Es handelt sich um ein Berechtigungsmodell, bei dem die bestehenden Zugriffskontrollen des Eigentümers gelten, nichts ohne Genehmigung ausgeführt wird und die Geschäftsdaten auf den Plattformen verbleiben, von denen sie stammen.

Der eigentliche Check des Produkts ist jedoch nicht die Markteinführung. Es geht darum, ob die Arbeitsabläufe aufrechterhalten werden, wenn die Bücher unordentlich sind, die Daten nicht übereinstimmen und der Eigentümer keine Zeit für die Fehlerbehebung hat. Hier verdient oder verliert jedes Instrument für kleine Unternehmen seinen Ruf.

Wenn Claude for Small Enterprise den Kontakt mit realen Abläufen überlebt, gehen die Auswirkungen weit über die Gehaltsabrechnung und den Monatsabschluss hinaus. Es wäre das erste Mal, dass die KI-Automatisierung auf Unternehmensebene den Teil der Wirtschaft erreicht, der sie am meisten benötigt und am längsten auf sich warten lässt.

Die Unternehmen, die es bereits nutzen, fragen sich nicht, ob KI für kleine Unternehmen bereit ist. Sie fragen sich, warum alle anderen so lange gebraucht haben.

Abruf-erweiterte Eraoder LAPPENist eine Methode, um die Antwort eines Sprachmodells auf externe Daten zu stützen, auf die es während des Trainings keinen Zugriff hatte. Anstatt sich nur auf das zu verlassen, was das Modell gelernt hat, geben Sie ihm direkt vor der Generierung einer Antwort neue Fakten aus einer Wissensdatenbank.

Die Technik besteht aus drei Phasen:

1. Abrufen. Das System durchsucht eine bereitgestellte Wissensdatenbank und ruft Textabschnitte ab, die für die Anfrage des Benutzers related sind.
2. Increase. Diese Blöcke werden mit der Frage des Benutzers in einer einzigen Eingabeaufforderung kombiniert, die den Modellkontext für die Arbeit bereitstellt.
3. Erzeugen. Das Sprachmodell erzeugt eine Antwort unter Verwendung sowohl des abgerufenen Kontexts als auch seiner allgemeinen Sprachkenntnisse.

Die Idee geht zurück auf a Papier aus dem Jahr 2020 von Patrick Lewis und einem Forscherteam von Fb AI Analysis, dem College School London und der NYUdas RAG als allgemeinen Ansatz zur Verbindung von Sprachmodellen mit externen Wissensquellen einführte. Seitdem ist es zu einem der Standardansätze für die Entwicklung von KI-Anwendungen geworden, die mit privaten, aktuellen oder domänenspezifischen Daten arbeiten müssen.

Warum LLMs überhaupt RAG brauchen

Große Sprachmodelle werden anhand großer Textmengen trainiert, was ihnen ein umfassendes Wissen und ein ausgeprägtes Gespür dafür vermittelt, wie Sprache funktioniert. Allerdings haben sie ein paar Schwächen, die schnell zu Tage treten, wenn man versucht, echte KI-Anwendungen darauf aufzubauen:

1. Ihre Trainingsdaten haben ein Stichdatum, sodass sie nichts darüber wissen, was danach passiert ist.
2. Sie haben keinen Zugriff auf non-public Informationen, wie zum Beispiel die internen Dokumente Ihres Unternehmens oder die Unterlagen Ihrer Kunden.
3. Wenn sie etwas nicht wissen, geben sie es selten zu. Stattdessen produzieren sie eine selbstbewusst klingende Antwort, die sich als erfunden herausstellt, ein Versagensmodus namens Halluzination.
4. Sie generieren Textual content aus ihren Parametern und nicht aus einer bestimmten Datenquelle; Sie können Ihnen nicht sagen, woher die Antwort kam.

Bei guter Umsetzung löst RAG alle vier Probleme auf einmal. Der abgerufene Kontext liefert dem Modell aktuelle Fakten, non-public Daten, auf denen es arbeiten kann, etwas Konkretes, in dem es verankert bleiben kann, und klare Quellen, die der Benutzer überprüfen kann. Aus diesem Grund ist RAG in LLM-Anwendungen so verbreitet, von Help-Chatbots bis hin zu internen Dokumentationsassistenten und anderen Systemen, die Antworten benötigen, die auf bestimmten Quellen basieren.

Wie Retrieval-Augmented Era funktioniert, Schritt für Schritt

Ein RAG-System hat zwei Aufgaben. Zunächst wird eine durchsuchbare Wissensdatenbank erstellt. Anschließend wird diese Wissensdatenbank zur Beantwortung von Fragen zur Laufzeit verwendet.

Schritt 1. Erfassen und indizieren Sie Ihre Wissensdatenbank

Bevor ein RAG-System eine Antwort geben kann, benötigt es Dokumente, auf die es zurückgreifen kann. Sie beginnen damit, diese Dokumente in kleinere Teile zu zerlegen Brocken. Die Stückgröße ist wichtig. Zu klein und ein Teil verliert den Kontext. Zu groß, und es verwässert das, was beim Abrufen related ist.

Jeder Block durchläuft dann einen Einbettungsmodellder es in einen Vektor umwandelt, im Grunde eine Liste von Zahlen, die die Bedeutung des Blocks erfasst. Diese Vektoreinbettungen werden in einer Vektordatenbank wie Pinecone, Weaviate, Chroma oder pgvector gespeichert. Die Datenbank ist für das schnelle Auffinden ähnlicher Vektoren optimiert, was einen schnellen Abruf im großen Maßstab ermöglicht.

Schritt 2: Relevante Blöcke für die Benutzerabfrage abrufen

Wenn ein Benutzer eine Abfrage sendet, bettet das System die Frage mithilfe desselben Einbettungsmodells ein und durchsucht dann die Vektordatenbank nach Blöcken, deren Einbettungen der Einbettung der Abfrage am nächsten kommen. Am nächsten bedeutet normalerweise die ähnlichste Bedeutung, weshalb dies auch so genannt wird semantische Suche. Es geht um das Abrufen von Informationen, aber mit Bedeutung statt nur mit Schlüsselwörtern.

Einige Systeme kombinieren die semantische Suche mit der Schlüsselwortsuche (oft als „ Hybridsuche), um Fälle zu erfassen, in denen der Benutzer bestimmte Begriffe wie Produktnamen oder Akronyme eingibt. Die besten Ergebnisse durchlaufen dann ein Reranking-Modell, das sie sorgfältiger bewertet, bevor sie an den nächsten Schritt weitergeleitet werden.

Schritt 3. Erweitern Sie die Eingabeaufforderung

Der abgerufene Kontext wird zusammen mit der Frage des Benutzers in eine Eingabeaufforderungsvorlage eingefügt. Eine einfache Vorlage sieht so aus:

CONTEXT:
<retrieved chunks>

QUESTION:
<person's query>

PROMPT:
Reply the QUESTION utilizing solely the CONTEXT above.
If the CONTEXT does not comprise the reply, say you do not know.

Die letzte Anweisung ist wichtig. Dadurch wird das Modell angewiesen, ehrlich zu bleiben, wenn die Abfrage leer ausgeht. Ohne sie greift das Modell auf seine Trainingsdaten zurück und erfindet fröhlich eine Antwort.

Schritt 4. Generieren Sie die begründete Antwort

Die erweiterte Eingabeaufforderung geht an das LLM, das eine Antwort basierend auf dem abgerufenen Kontext und nicht nur auf dem, was es während des Trainings gespeichert hat, erstellt. Ein intestine konzipiertes RAG-System gibt auch die Quelle der abgerufenen Informationen zurück, sodass der Benutzer die Antwort selbst überprüfen kann.

Durchlaufen einer RAG-Abfrage von Ende zu Ende

Schauen wir uns an, wie der vollständige Ablauf für eine einzelne Frage aussieht. Stellen Sie sich vor, ein Unternehmen hat seine API-Referenzdokumente in eine Vektordatenbank aufgenommen, damit seine Entwickler Fragen im Klartext stellen können. Ein Entwickler fragt:

Benutzeranfrage: Wie hoch ist die Ratenbegrenzung auf unserem /users-Endpunkt?

Der Abrufschritt. Das System bettet die Benutzeranfrage ein und durchsucht die Vektordatenbank. Das oberste Ergebnis ist ein Teil der API-Dokumente (die folgenden Werte dienen der Veranschaulichung; tatsächliche Grenzwerte variieren je nach API):

Retrieved chunk (API Reference, Fee Limits part):

The /customers endpoint is rate-limited to 60 requests per minute
per API key. Exceeding this restrict returns a 429 Too Many
Requests response. Fee limits reset on a rolling 60-second
window. Contact the platform crew to request a better restrict
for manufacturing workloads.

Die erweiterte Eingabeaufforderung. Der abgerufene Kontext wird in die Eingabeaufforderungsvorlage eingefügt:

CONTEXT:
The /customers endpoint is rate-limited to 60 requests per minute
per API key. Exceeding this restrict returns a 429 Too Many
Requests response. Fee limits reset on a rolling 60-second
window.

QUESTION:
What is the fee restrict on our /customers endpoint?

Reply the query utilizing solely the context above.
If the context does not comprise the reply, say you do not know.

Die generierte Antwort. Der LLM antwortet:

Generierte Antwort: Der /users-Endpunkt ist auf 60 Anfragen professional Minute und API-Schlüssel begrenzt. Darüber hinausgehende Anfragen geben eine 429-Antwort zurück und das Restrict wird in einem fortlaufenden 60-Sekunden-Fenster zurückgesetzt. (Quelle: API-Referenz, Abschnitt „Ratenbegrenzungen“)

Beachten Sie, was das Modell nicht getan hat. Es wurde keine Zahl erraten. Es wurde nicht auf eine vage Erinnerung an das zurückgegriffen, was typische REST-APIs normalerweise ermöglichen. Es wurde genau die Richtlinie verwendet, die beim Abruf zurückkam, und auf die Quelle verwiesen. Das ist der Wert von RAG in einer Abfrage.

Wann RAG die richtige Wahl ist (und wann nicht)

RAG ist das richtige Software, wenn sich die Informationen, die Ihr Modell benötigt, häufig ändern, wenn sie in privaten Dokumenten gespeichert sind, wenn Benutzer Quellen überprüfen müssen oder wenn die Wissensdatenbank zu groß ist, um in eine Eingabeaufforderung zu passen.

Es ist nicht immer die beste Wahl. Wenn Sie möchten, dass das Modell einen bestimmten Schreibstil, Ton oder Ausgabeformat lernt, Feinabstimmung passt normalerweise besser. Wenn die von Ihnen benötigten Informationen klein und stabil genug sind, um jedes Mal direkt in die Eingabeaufforderung eingefügt zu werden, kann die Verwaltung von Eingabeaufforderungen mit langem Kontext einfacher und kostengünstiger sein. Für einige Aufgaben verwenden Sie mehr als einen Ansatz zusammen, z. B. die Feinabstimmung eines Modells auf den Ton Ihres Unternehmens und die Verwendung von RAG, um ihm aktuelle Fakten zu vermitteln.

Hier ist ein kurzer Vergleich dieser drei Ansätze:

Die nützliche Frage lautet nicht: „Soll ich RAG verwenden?“ Es geht darum: „Was braucht mein Modell, was es noch nicht hat?“ Wenn die Antwort „Fakten“ lautet, ist RAG quick immer ein guter Ausgangspunkt.

So erkennen Sie, ob Ihr RAG-System funktioniert

Der Versand eines RAG-Methods ist relativ einfach. Um sicherzustellen, dass die Fragen tatsächlich intestine beantwortet werden, bedarf es einer Evaluierung.

Drei Kennzahlen decken den Großteil dessen ab, was Sie frühzeitig benötigen:

1. Treue misst, ob die generierte Antwort sich an den abgerufenen Kontext hält, anstatt Particulars zu erfinden.
2. Antwortrelevanz misst, ob die Antwort tatsächlich auf die Benutzeranfrage eingeht.
3. Kontextpräzision misst, ob beim Abrufen überhaupt die richtigen Brocken aufgetaucht sind.

Werkzeuge wie RAGAS Und DeepEval Automatisieren Sie diese Prüfungen anhand einer Reihe von Testfragen und erwarteten Antworten. Selbst ein kleiner Bewertungssatz von 20 bis 50 Fragen, die Ihnen wichtig sind, reicht aus, um Regressionen zu erkennen, wenn Sie Ihre Chunking-Strategie ändern, Einbettungsmodelle austauschen oder Ihr LLM aktualisieren.

Lernen, mit Retrieval-Augmented Era zu bauen

RAG vereint mehrere Kompetenzen. Sie benötigen etwas Python, ein Verständnis für Einbettungen, Vertrautheit mit Vektordatenbanken und Vektorsuche, Kenntnisse im Umgang mit LLM-APIs und ein Gespür für schnelles Engineering. Keines davon ist für sich genommen exotisch. Die interessante Arbeit besteht darin, wie sie zusammenpassen und in den praktischen Beurteilungen (Blockgröße, Abrufstrategie, Evaluierungsaufbau), die eine Demo von einem Produktionssystem unterscheiden.

Die Kernidee von RAG ist unkompliziert, aber der Wert, den sie bietet, ergibt sich aus der richtigen Anwendung. Beginnen Sie mit einer kleinen Wissensdatenbank, erstellen Sie einen Bewertungssatz und verbessern Sie die Abrufqualität weiter. Das ist der Weg von einer „coolen Demo“ zu einem KI-System, dem Sie in der Produktion vertrauen können.

FAQs

Sobald ein WhatsApp-Kontakt verschwindet, kann es verwirrend sein. Viele Android-Nutzer befürchten, dass die Nummer nach einem kleinen Fehler für immer verloren geht. In Wirklichkeit verschwinden Kontakte aus unterschiedlichen Gründen und nicht alle bedeuten eine Löschung. Oft ist der Kontakt noch in Ihrem Telefonkonto oder in der Cloud-Synchronisierung vorhanden.

Bevor Sie in Panik geraten, ist es wichtig zu überprüfen, woher der Kontakt entfernt wurde. Daher zeigt diese Anleitung einfache Methoden zum Abrufen fehlender WhatsApp-Kontakte auf Android. Wenn Sie die Nummer immer noch nicht finden können, können Wiederherstellungstools helfen. Verwenden vertrauenswürdiger Optionen wie Dr.Fone Android-Wiederherstellungssoftware erleichtert die Wiederherstellung gelöschter Daten erheblich.

Teil 1. Überprüfen Sie, ob der WhatsApp-Kontakt gelöscht wurde oder einfach auf Android fehlt

WhatsApp speichert selbst keine Kontakte und liest Nummern immer aus den Telefonkontakten. Aufgrund dieses Verhaltens scheint der Kontakt gelöscht zu sein, ist aber an anderer Stelle noch vorhanden. Wenn eine Nummer in WhatsApp verschwindet, überprüfen Sie zunächst Ihre Hauptkontakte-App. Oftmals existiert der Kontakt noch unter einem anderen Namen oder Speicherkonto. Sie sollten außerdem überprüfen, ob WhatsApp die Berechtigung hat, auf Ihre Gerätekontakte zuzugreifen.

Stellen Sie außerdem sicher, dass der Zugriff auf Kontakte in den Berechtigungseinstellungen der App aktiviert ist. Fehlender Zugriff kann dazu führen, dass einige Namen verschwinden, obwohl sie lokal noch vorhanden sind. Bestätigen Sie außerdem Ihren Kontaktspeicher, unabhängig davon, ob er sich auf Ihrem Telefon oder einem synchronisierten Google-Konto befindet. Erst nachdem sichergestellt wurde, dass der Kontakt nirgendwo sichtbar ist, sollten tiefergehende Wiederherstellungsschritte beginnen. Zu diesem Zeitpunkt verwenden Sie a Wiederherstellungssoftware für Android kann später noch in Betracht gezogen werden.

Teil 2. Verwenden Sie die Google-Kontakte-Synchronisierung, um kürzlich gelöschte Nummern wiederherzustellen

Google Kontakte dient als Backup, wenn Nummern von Ihrem Telefon verschwinden. Wenn die Synchronisierung aktiv ist, sind möglicherweise noch gelöschte Einträge in Ihrem Google-Konto vorhanden. Das Wiederherstellen gelöschter oder ausgeblendeter Nummern ist manchmal so einfach wie das erneute Aktivieren der Google-Synchronisierung. Diese Methode hilft sehr bei der Suche So machen Sie einen gelöschten WhatsApp-Kontakt rückgängig. Sehen wir uns additionally die Anleitung zum Überprüfen und Wiederherstellen von Kontakten auf diese Weise an:

Anweisungen. Wenn Sie auf die Telefoneinstellungen zugreifen, navigieren Sie zum Abschnitt „Konten“. Tippen Sie später auf die Kontooption „Google“ und aktivieren Sie dann den Schalter „Kontakte synchronisieren“.

Teil 3. Aktualisieren Sie die WhatsApp-Kontaktliste, um fehlende oder nicht synchronisierte Kontakte zu beheben

Manchmal wird Ihre WhatsApp-Kontaktliste auch nach der Wiederherstellung der Nummern nicht aktualisiert. Dies passiert, wenn WhatsApp nicht mit der aktualisierten Kontaktliste Ihres Telefons synchronisiert wird. Hier wird das Drawback häufig durch eine manuelle Aktualisierung behoben, ohne dass ein Wiederherstellungsprozess erforderlich ist. Dadurch wird sichergestellt, dass neue oder wiederhergestellte Nummern in der App angezeigt werden. Sie müssen sich additionally die einfachen Schritte zum Aktualisieren Ihrer WhatsApp-Kontaktliste ansehen:

Anweisungen. Wenn Sie auf die Hauptanzeige der App zugreifen, tippen Sie auf die Schaltfläche „Neuer Chat“. Drücken Sie anschließend auf das Image „Drei Punkte“ und wählen Sie die Choice „Aktualisieren“.

Teil 4. Wenn eine Android-Software program zur Kontaktwiederherstellung erforderlich wird

Wenn die Synchronisierung oder Aktualisierung fehlschlägt, werden gelöschte Kontakte möglicherweise nicht mit den normalen Methoden wiederhergestellt. In solchen Momenten ist die Verwendung spezieller Instruments die zuverlässigste Wiederherstellungsoption. Ein vertrauenswürdiger Wiederherstellungssoftware für Android kann den Tiefspeicher nach verlorenen oder gelöschten Daten durchsuchen. Sehen wir uns nun die Hauptgründe an, warum Wiederherstellungssoftware wirklich notwendig wird:

1. Tiefenscan: Wiederherstellungstools greifen auf versteckte Daten in den Speicherpartitionen Ihres Android zu. Dieser Vorgang ist unerlässlich, wenn in regulären Kontaktlisten keine fehlenden Nummern mehr angezeigt werden.
2. Fehlerhafte Löschung: Manchmal löschen Benutzer Kontakte, während sie unnötige Einträge bereinigen. Durch die Softwarewiederherstellung wird sichergestellt, dass diese wichtigen Particulars wiederhergestellt werden.
3. Werksreset: Nach einem Reset können gespeicherte Telefonkontakte spurlos verloren gehen. Wiederherstellungs-Apps können diese Particulars wiederherstellen, bevor es zu weiteren Überschreibungen im Speicher kommt.
4. Synchronisierungsfehler: Eine fehlgeschlagene Google-Synchronisierung verhindert, dass aktualisierte Kontaktdaten angezeigt werden. Spezielle Wiederherstellungsprogramme helfen dabei, diese Datensätze aus älteren, noch gespeicherten Fragmenten wiederherzustellen.
5. Backup-Abwesenheit: Ohne ein aktuelles Backup verschwinden verlorene Kontakte und können nicht einfach wiederhergestellt werden. Eine Wiederherstellungs-App ruft mithilfe fortschrittlicher Scan- und Rekonstruktionsalgorithmen fehlende Nummern ab.

Teil 5. Gelöschte WhatsApp-Kontakte mit Dr.Fone Android-Datenwiederherstellung wiederherstellen

Wenn jeder grundlegende Wiederherstellungsschritt fehlschlägt, benötigen Sie jetzt professionelle Wiederherstellungssoftware. Viele Benutzer erreichen dieses Stadium, nachdem sich Synchronisierungs- und manuelle Aktualisierungsversuche als nutzlos erwiesen haben. Das ist wo Dr.Fone Android-Wiederherstellungssoftware wird zu einem unverzichtbaren Werkzeug. Es bietet eine dedizierte Android-Datenwiederherstellungslösung, die über 6000 Geräte unterstützt. Dr.Fone ermöglicht außerdem das Scannen und die Vorschau wiederherstellbarer Dateien, noch bevor mit der Wiederherstellung begonnen wird.

Darüber hinaus können Benutzer bestimmte Kontakte wiederherstellen, ohne ihre vorhandenen Telefondaten zu überschreiben. Diese Android-Datenwiederherstellungssoftware bietet die höchste Erfolgsquote bei der Wiederherstellung aller verfügbaren Android-Marken. Außerdem ist kein Root-Zugriff oder USB-Debugging erforderlich, um verlorene WhatsApp-Daten wiederherzustellen. Es unterstützt auch defekte Android-Telefone und stellt Dateien sogar aus unzugänglichem internen Speicher wieder her.

Hauptmerkmale

1. Unterstützte Datentypen: Ruft neben Kontakten über 14 Datentypen wie Fotos und Nachrichten ab.
2. WhatsApp-Wiederherstellung: Stellt WhatsApp-Chats und -Medien direkt aus dem internen Speicher wieder her.
3. Computerexport: Exportiert wiederhergestellte Chats und Dateien in lesbaren Formaten wie HTML auf einen Laptop.

Anleitung zum Wiederherstellen gelöschter WhatsApp-Kontakte mit Dr.Fone

Nachdem sie die wichtigsten Funktionen kennengelernt haben, möchten viele Benutzer Dr.Fone für eine mühelose Wiederherstellung verwenden. Lassen Sie sich additionally von den angegebenen Schritten leiten, um dies zu nutzen Wiederherstellungssoftware für Android:

Schritt 1. Öffnen Sie Android Information Restoration in Dr.Fone

Sie müssen „Datenwiederherstellung“ auf der Registerkarte „Toolbox“ des Programms auswählen und „Android“ auswählen. Verbinden Sie Ihr Android-Gerät mit dem PC und klicken Sie auf die Funktion „Android-Daten wiederherstellen“.

Schritt 2. Wählen Sie „Gelöschte Android-Kontakte“.

Sobald Ihr Gerät erkannt wurde, aktivieren Sie den Datentyp im Kontrollkästchen „Kontakte“ und klicken Sie auf „Scan starten“.

Schritt 3. Gelöschte Android-Kontakte wiederherstellen

Sehen Sie sich die wiederhergestellten Kontakte in der Vorschau an, um diejenigen auszuwählen, die Sie wiederherstellen möchten. Wenn Sie auf eine Eingabeaufforderung zugreifen, wählen Sie einen Speicherort aus und klicken Sie zum Abschluss auf die Schaltfläche „Wiederherstellen“.

Abschluss

Zusammenfassend lässt sich sagen, dass der Verlust eines WhatsApp-Kontakts für Android-Benutzer stressig sein kann. Sie haben einige schnelle Methoden untersucht, die Ihnen helfen, dieses Drawback zu verstehen. Überprüfen Sie außerdem immer, ob die Nummer fehlt oder gelöscht wurde, bevor Sie Maßnahmen ergreifen. Wenn diese Schritte nicht funktionieren, sorgt der Einsatz einer professionellen Wiederherstellung für Sicherheit und Erfolg. Zur zuverlässigen und einfachen Wiederherstellung verlorener Kontakte verwenden Sie Dr.Fone Android-Wiederherstellungssoftware.

Bild vom Autor

# Einführung

Da KI-generierte Medien immer leistungsfähiger und verbreiteter werden, ist es immer schwieriger geworden, KI-generierte Inhalte von von Menschen erstellten Inhalten zu unterscheiden. Als Reaktion auf Risiken wie Fehlinformationen, Deepfakes und den Missbrauch synthetischer Medien Google DeepMind hat SynthID entwickelt, eine Sammlung von Instruments, die unsichtbare digitale Wasserzeichen in KI-generierte Inhalte einbetten und eine spätere eindeutige Identifizierung dieser Inhalte ermöglichen.

Durch die direkte Einbeziehung von Wasserzeichen in den Prozess der Inhaltserstellung hilft SynthID bei der Überprüfung der Herkunft und unterstützt Transparenz und Vertrauen in KI-Systeme. SynthID erstreckt sich über Textual content, Bilder, Audio und Video mit jeweils maßgeschneiderten Wasserzeichen. In diesem Artikel erkläre ich, was SynthID ist, wie es funktioniert und wie Sie damit Wasserzeichen auf Textual content anwenden können.

# Was ist SynthID?

In seinem Zentrum, SynthID ist ein digitales Wasserzeichen- und Erkennungs-Framework, das für KI-generierte Inhalte entwickelt wurde. Dabei handelt es sich um ein Wasserzeichen-Framework, das unbemerkte Signale in KI-generierte Texte, Bilder und Movies einfügt. Diese Signale überstehen Komprimierung, Größenänderung, Zuschneiden und übliche Transformationen. Im Gegensatz zu metadatenbasierten Ansätzen wie Koalition für Inhaltsherkunft und Authentizität (C2PA) arbeitet SynthID auf Modell- oder Pixelebene. Anstatt Metadaten nach der Generierung anzuhängen, bettet SynthID eine versteckte Signatur in den Inhalt selbst ein, die auf eine Weise kodiert ist, die für Menschen unsichtbar oder unhörbar, aber von algorithmischen Scannern erkennbar ist.

Das Designziel von SynthID besteht darin, für Benutzer unsichtbar, verzerrungsresistent und für Software program zuverlässig erkennbar zu sein.

SynthID ist in die KI-Modelle von Google integriert, darunter Gemini (Textual content), Imagen (Bilder), Lyria (Audio) und Veo (Video). Es unterstützt auch Instruments wie das SynthID Detector-Portal zur Überprüfung hochgeladener Inhalte.

// Warum SynthID wichtig ist

Generative KI kann äußerst realistische Texte, Bilder, Audio- und Videoinhalte erstellen, die nur schwer von von Menschen erstellten Inhalten zu unterscheiden sind. Dies birgt Risiken wie:

• Deepfake-Movies und manipulierte Medien
• Fehlinformationen und irreführende Inhalte
• Unbefugte Wiederverwendung von KI-Inhalten in Kontexten, in denen Transparenz erforderlich ist

SynthID bietet Originalmarker, die Plattformen, Forschern und Nutzern dabei helfen, die Herkunft von Inhalten zu verfolgen und zu bewerten, ob sie synthetisch hergestellt wurden.

// Technische Prinzipien des SynthID-Wasserzeichens

Der Wasserzeichen-Ansatz von SynthID basiert auf der Steganographie – der Kunst, Signale in anderen Daten zu verbergen, sodass das Vorhandensein der verborgenen Informationen nicht wahrnehmbar ist, aber mit einem Schlüssel oder Detektor wiederhergestellt werden kann.

Die wichtigsten Designziele sind:

• Wasserzeichen dürfen die Qualität des Inhalts für den Nutzer nicht beeinträchtigen
• Wasserzeichen müssen häufigen Änderungen wie Komprimierung, Zuschneiden, Rauschen und Filtern standhalten
• Das Wasserzeichen muss zuverlässig anzeigen, dass Inhalte von einem KI-Modell mithilfe von SynthID generiert wurden

Nachfolgend erfahren Sie, wie SynthID diese Ziele über verschiedene Medientypen hinweg umsetzt.

# Textmedien

// Wahrscheinlichkeitsbasiertes Wasserzeichen

SynthID bettet Signale während der Textgenerierung ein, indem es die Wahrscheinlichkeitsverteilungen manipuliert, die von großen Sprachmodellen (LLMs) verwendet werden, wenn das nächste Token (Wort oder Token-Teil) ausgewählt wird.

Diese Methode profitiert von der Tatsache, dass die Textgenerierung von Natur aus probabilistisch und statistisch erfolgt; Kleine kontrollierte Anpassungen lassen die Ausgabequalität unverändert und sorgen gleichzeitig für eine nachvollziehbare Signatur.

# Bilder und Videomedien

// Wasserzeichen auf Pixelebene

Bei Bildern und Movies bettet SynthID ein Wasserzeichen direkt in die generierten Pixel ein. Während der Generierung, beispielsweise über ein Diffusionsmodell, modifiziert SynthID Pixelwerte subtil an bestimmten Stellen.

Diese Änderungen liegen unter den für den Menschen wahrnehmbaren Unterschieden, kodieren jedoch ein maschinenlesbares Muster. Im Video wird Bild für Bild ein Wasserzeichen angebracht, das eine zeitliche Erkennung auch nach Transformationen wie Zuschneiden, Komprimieren, Rauschen oder Filtern ermöglicht.

# Audiomedien

// Visuelle Kodierung

Bei Audioinhalten nutzt der Wasserzeichenprozess die spektrale Darstellung von Audio.

• Wandeln Sie die Audiowellenform in eine Zeit-Frequenz-Darstellung (Spektrogramm) um.
• Kodieren Sie das Wasserzeichenmuster innerhalb des Spektrogramms mithilfe von Kodierungstechniken, die auf psychoakustische Eigenschaften (Klangwahrnehmung) abgestimmt sind
• Rekonstruieren Sie die Wellenform aus dem modifizierten Spektrogramm, sodass das eingebettete Wasserzeichen für menschliche Zuhörer unsichtbar bleibt, aber vom SynthID-Detektor erkennbar ist

Dieser Ansatz stellt sicher, dass das Wasserzeichen auch nach Änderungen wie Komprimierung, Rauschzugabe oder Geschwindigkeitsänderungen erkennbar bleibt – Sie müssen sich jedoch darüber im Klaren sein, dass excessive Änderungen die Erkennbarkeit beeinträchtigen können.

# Erkennung und Überprüfung von Wasserzeichen

Sobald ein Wasserzeichen eingebettet ist, untersucht das Erkennungssystem von SynthID einen Inhalt, um festzustellen, ob die versteckte Signatur vorhanden ist.

Instruments wie das SynthID Detector-Portal ermöglichen es Benutzern, Medien hochzuladen, um sie auf das Vorhandensein von Wasserzeichen zu scannen. Die Erkennung hebt Bereiche mit starken Wasserzeichensignalen hervor und ermöglicht so detailliertere Originalitätsprüfungen.

# Stärken und Grenzen von SynthID

SynthID ist so konzipiert, dass es typischen Inhaltstransformationen wie Zuschneiden, Größenänderung und Bild-/Videokomprimierung sowie dem Hinzufügen von Rauschen und der Konvertierung von Audioformaten standhält. Es übernimmt auch kleinere Bearbeitungen und Paraphrasierungen für Texte.

Allerdings können erhebliche Änderungen wie excessive Bearbeitungen, aggressive Umschreibungen und Nicht-KI-Transformationen die Erkennbarkeit von Wasserzeichen beeinträchtigen. Außerdem funktioniert die Erkennung von SynthID hauptsächlich für Inhalte, die von Modellen generiert werden, die in das Wasserzeichensystem integriert sind, wie z. B. die KI-Modelle von Google. Möglicherweise werden KI-Inhalte von externen Modellen ohne SynthID-Integration nicht erkannt.

# Anwendungen und breitere Wirkung

Zu den Kernanwendungsfällen für SynthID gehören die folgenden:

• Die Überprüfung der Originalität von Inhalten unterscheidet KI-generierte Inhalte von von Menschen erstelltem Materials
• Bekämpfung von Fehlinformationen, wie z. B. die Rückverfolgung des Ursprungs synthetischer Medien, die in irreführenden Erzählungen verwendet werden
• Medienquellen, Compliance-Plattformen und Regulierungsbehörden können dabei helfen, die Herkunft von Inhalten zu verfolgen
• Forschung und akademische Integrität, Unterstützung einer kopierten und verantwortungsvollen KI-Nutzung

Durch die Einbettung konstanter Identifikatoren in KI-Ausgaben erhöht SynthID die Transparenz und das Vertrauen in generative KI-Ökosysteme. Mit zunehmender Akzeptanz könnte das Anbringen von Wasserzeichen zur Standardpraxis auf allen KI-Plattformen in Industrie und Forschung werden.

# Abschluss

SynthID stellt einen einflussreichen Fortschritt in der Rückverfolgbarkeit von KI-Inhalten dar und bettet kryptografisch starke, nicht wahrnehmbare Wasserzeichen direkt in generierte Medien ein. Durch die Nutzung modellspezifischer Einflüsse auf Token-Wahrscheinlichkeiten für Textual content, Pixelmodifikationen für Bilder und Movies sowie Spektrogrammkodierung für Audio erreicht SynthID ein praktisches Gleichgewicht aus Unsichtbarkeit, Stärke und Erkennbarkeit, ohne die Qualität des Inhalts zu beeinträchtigen.

Da sich die generative KI weiter verändert, werden Technologien wie SynthID eine immer wichtigere Rolle dabei spielen, einen verantwortungsvollen Einsatz sicherzustellen, Missbrauch zu verhindern und das Vertrauen in einer Welt aufrechtzuerhalten, in der synthetische Inhalte allgegenwärtig sind.

Shittu Olumide ist ein Software program-Ingenieur und technischer Autor, der sich leidenschaftlich dafür einsetzt, modernste Technologien zu nutzen, um fesselnde Erzählungen zu erschaffen, mit einem scharfen Blick fürs Element und einem Gespür für die Vereinfachung komplexer Konzepte. Sie können Shittu auch auf finden Twitter.

Aktie

Publish


Aktie

In diesem Artikel erfahren Sie, wie Sie die KI-gestützten Codierungsfunktionen von Google Colab – insbesondere KI-Eingabeaufforderungszellen – verwenden, um Python-Code direkt in der Pocket book-Umgebung zu generieren, zu erklären und zu verfeinern.

Zu den Themen, die wir behandeln werden, gehören:

• Wie KI-Eingabezellen in Colab funktionieren und wo man sie findet
• Ein praktischer Workflow zum Generieren von Code und dessen sicherer Ausführung in ausführbaren Codezellen
• Wichtige Einschränkungen, die Sie beachten sollten und wann Sie stattdessen das „Zauberstab“-Gemini-Panel verwenden sollten

Lasst uns weitermachen.

Einrichten einer KI-gestützten Codierungsumgebung von Google Colab, die tatsächlich funktioniert
Bild vom Herausgeber

Einführung

Dieser Artikel konzentriert sich auf Google Colabeine zunehmend beliebte, kostenlose und zugängliche, cloudbasierte Python-Umgebung, die sich intestine für die Prototypenerstellung von Datenanalyse-Workflows und experimentellem Code vor der Umstellung auf Produktionssysteme eignet.

Basierend auf der zum Zeitpunkt des Verfassens dieses Artikels neuesten frei verfügbaren Model von Google Colab verwenden wir einen Schritt-für-Schritt-Anleitungsstil, um zu untersuchen, wie die kürzlich eingeführten KI-gestützten Codierungsfunktionen effektiv genutzt werden können. Ja: Colab enthält jetzt Instruments für KI-gestütztes Codieren, wie z. B. Codegenerierung aus natürlicher Sprache, Erklärungen zu geschriebenem Code, automatische Vervollständigung und intelligente Fehlerbehebung.

Ein Blick auf die KI-gestützten Fähigkeiten von Colab

Zuerst melden wir uns an Google Colab mit einem Google-Konto unserer Wahl und klicken Sie auf „Neues Notizbuch“, um einen neuen Codierungsarbeitsbereich zu starten. Die gute Nachricht: All dies geschieht in der Cloud und Sie benötigen lediglich einen Webbrowser (idealerweise Chrome); Es muss nichts lokal installiert werden.

Hier ist die große Neuheit: Wenn Sie mit Colab vertraut sind, kennen Sie die beiden grundlegenden Zelltypen: Codezellen zum Schreiben und Ausführen von Code; und Textzellen, um Ihren Code mit Beschreibungen, Erklärungen und sogar eingebetteten Bildern zu ergänzen, um zu erklären, was in Ihrem Code vor sich geht. Nun gibt es noch einen dritten Zelltyp, der auf den ersten Blick nicht eindeutig zu erkennen ist: Sein Title ist KI-Eingabeaufforderungszelle.

Hierbei handelt es sich um einen brandneuen, speziellen Zelltyp, der die direkte One-Shot-Interaktion mit Googles leistungsstärksten generativen KI-Modellen aus der Gemini-Familie unterstützt und besonders hilfreich für Personen mit begrenzten Programmierkenntnissen ist.

Das Erstellen einer AI-Eingabeaufforderungszelle ist einfach: Klicken Sie in der oberen Symbolleiste direkt unter den Menüs auf den kleinen Dropdown-Pfeil neben „Code“ und wählen Sie „AI-Eingabeaufforderungszelle hinzufügen“. So etwas sollte in Ihrem noch leeren Notizbuch erscheinen.

Erstellen einer KI-Eingabeaufforderungszelle, um Code aus natürlicher Sprache zu generieren

Probieren wir es aus, indem wir Folgendes in das Textfeld „Fragen Sie mich etwas…“ schreiben: Schreiben Sie Python-Code, der 100 Werte für fünf verschiedene Arten von Wettervorhersagewerten generiert und ein Histogramm dieser Werte zeichnet

Seien Sie ein paar Sekunden geduldig, auch wenn es zunächst so aussieht, als würde nichts passieren. Die KI arbeitet hinter den Kulissen an Ihrer Anfrage. Möglicherweise erhalten Sie vom ausgewählten Gemini-Modell eine Antwort, die wie folgt aussieht:

Nutzen Sie die Vorteile von KI-Eingabeaufforderungszellen und ausführbaren Codezellen

Diese neue Funktion sorgt für ein komfortables KI-gestützte Codierung Umgebung, die nicht nur very best ist zur Codegenerierungsondern auch für schnelles Prototyping, Erforschung neuer Ideenoder sogar Vorhandenen Code selbsterklärender machenB. durch die Aufforderung an die KI, erklärbare Funktionen oder informative Druckanweisungen in relevante Teile eines Programms einzufügen. Das Verständnis der Fähigkeiten dieses neuen Zelltyps ist der Schlüssel zur korrekten Nutzung der neuesten KI-gestützten Codierungsfunktionen von Colab.

Eine Standardcodezelle direkt unter jeder Ihrer KI-Eingabeaufforderungszellen sorgt für eine praktische Symbiose. Warum? Denn die Ausgabe von KI-Eingabeaufforderungszellen ist kein direkt ausführbarer Code, da sie oft mit Textbeschreibungen vor und/oder nach dem Code versehen ist. Kopieren Sie einfach den Codeteil der Antwort und fügen Sie ihn in eine Codezelle unten ein, um es auszuprobieren.

Nicht alles funktioniert wie erwartet? Kein Downside. Der Die KI-Eingabeaufforderungszelle bleibt dortan seinem dafür vorgesehenen Platz in Ihrem Notizbuch, additionally Sie können die Interaktion fortsetzen und Ihren Code verfeinern, bis er Ihren Anforderungen vollständig entspricht.

Beachten Sie jedoch einige Einschränkungen dieses neu eingeführten Zelltyps. Unabhängig davon, wo sich in Ihrem Notizbuch eine KI-Eingabeaufforderungszelle befindet, erkennt sie nicht automatisch den Inhalt im Relaxation Ihres Notizbuchs. Sie müssen Ihren Code einer KI-Eingabeaufforderungszelle zur Verfügung stellen, um etwas dazu zu erfragen.

Stellen Sie sich zum Beispiel vor, wir platzieren den zuvor generierten Code in mehreren Codezellen, um ihn Schritt für Schritt auszuführen. Dann fügen wir am unteren Rand des Notizbuchs eine weitere AI-Eingabeaufforderungszelle hinzu und fragen Folgendes:

KI-Antwort, wenn nach Code außerhalb der KI-Eingabeaufforderungszelle gefragt wird

Beachten Sie die Antwort: Die KI fordert Sie dazu auf, den Code, den Sie analysieren, erklären usw. analysieren, explizit einfügen (einfügen) zu müssen, unabhängig davon, wo dieser Code im Pocket book vorhanden ist. Sie können Zellen auch nicht mit Bezeichnern wie #7 oder #16 referenzieren oder etwas fragen wie „Schreiben Sie die dritte Codezelle in einem prägnanteren Python-Stil um„.

Hier ist eine Zusammenfassung des Greatest-Apply-Workflows, mit dem wir uns vertraut machen sollten:

1. Fügen Sie KI-Eingabeaufforderungszellen direkt nach einer Zelle (oder einer kleinen Gruppe von Zellen) hinzu, wenn Sie viel Analyse, Verfeinerung und mögliche Änderungen im Code erwarten.
2. Fügen Sie den Zielcode ein und verwenden Sie explizite Anweisungen mit Aktionsverben wie „erklären“, „umgestalten“, „vereinfachen“, „Fehlerbehandlung hinzufügen“ usw.
3. Überprüfen Sie die Ergebnisse und führen Sie sie manuell in einer Backup-Codezelle aus, die je nach Datentransformations-Workflow sorgfältig platziert wird (möglicherweise muss sie vor oder nach der Zelle mit dem Originalcode platziert werden).

KI-Eingabezellen eignen sich hervorragend für komfortable Code-Erstellungsexperimente auf dem Hauptspielplatzaber denken Sie daran für andere KI-unterstützte Aufgaben wie das Erklären eines Codeabschnitts in einer Zelle oder dessen Transformation das Zauberstab-Image in einer Codezelle verfügbar – die auf der rechten Seite von Colab eine Gemini-Registerkarte für die weitere Interaktion öffnet – ist immer noch der beste und flexibelste Ansatz.

Zusammenfassung

Google Colab veröffentlicht kontinuierlich neue KI-gestützte Codierungsfunktionen mit klaren Stärken, aber auch wichtigen Einschränkungen. In diesem Artikel haben wir die neuesten Funktionen besprochen, mit besonderem Fokus auf die KI-Eingabeaufforderungszelle als eine der neuesten Ergänzungen, und wir haben beschrieben, wie man sie am besten nutzt – und wann man für Aufgaben wie das Erklären oder Refactoring von vorhandenem Code auf andere Funktionen zurückgreifen sollte.

Aktie

Publish


Aktie

Die automatische Spracherkennung (ASR) hat einen langen Weg zurückgelegt. Obwohl es schon vor langer Zeit erfunden wurde, wurde es kaum jemals von jemandem verwendet. Allerdings haben sich Zeit und Technologie inzwischen erheblich verändert. Die Audiotranskription hat sich erheblich weiterentwickelt.

Technologien wie KI (Künstliche Intelligenz) haben den Prozess der Audio-zu-Textual content-Übersetzung vorangetrieben und liefern schnelle und genaue Ergebnisse. Infolgedessen haben auch die Anwendungen in der realen Welt zugenommen, wobei einige beliebte Apps wie Tik Tok, Spotify und Zoom den Prozess in ihre mobilen Apps integrieren.

Lassen Sie uns additionally ASR erkunden und herausfinden, warum es eine der beliebtesten Technologien im Jahr 2022 ist.

Was ist Speech-to-Textual content?

Speech-to-Textual content (STT), auch automatische Spracherkennung (ASR) genannt, wandelt gesprochene Audiodaten in geschriebenen Textual content um. Moderne Systeme sind Softwaredienste, die Audiosignale analysieren und Wörter mit Zeitstempeln und Konfidenzwerten ausgeben.

Für Groups, die Contact Middle, Gesundheitswesen und Sprach-UX aufbauen, ist STT das Tor zu durchsuchbaren, analysierbaren Gesprächen, unterstützenden Untertiteln und nachgelagerter KI wie Zusammenfassung oder Qualitätssicherung.

Gebräuchliche Bezeichnungen für Sprache und Textual content

Diese fortschrittliche Spracherkennungstechnologie ist auch beliebt und wird mit folgenden Namen bezeichnet:

• Automatische Spracherkennung (ASR)
• Spracherkennung
• Laptop-Spracherkennung
• Audiotranskription
• Bildschirmlesung

Anwendungen der Speech-to-Textual content-Technologie

Kontaktzentren

Echtzeit-Transkripte unterstützen die Reside-Agentenunterstützung; Batch-Transkripte unterstützen die Qualitätssicherung, Compliance-Audits und durchsuchbare Anrufarchive.

Beispiel: Verwenden Sie Streaming-ASR, um während eines Abrechnungsstreits Echtzeit-Eingabeaufforderungen anzuzeigen, und führen Sie dann nach dem Anruf eine Batch-Transkription aus, um die Qualitätssicherung zu bewerten und die Zusammenfassung automatisch zu generieren.

Gesundheitspflege

Ärzte diktieren Notizen und erhalten Besuchszusammenfassungen; Transkripte unterstützen die Kodierung (CPT/ICD) und die klinische Dokumentation – immer mit PHI-Schutzmaßnahmen.

Beispiel: Ein Anbieter zeichnet eine Konsultation auf, führt ASR aus, um die SOAP-Notiz zu erstellen, und hebt automatisch Arzneimittelnamen und Vitalwerte für die Überprüfung durch den Kodierer hervor, wobei die PHI-Schwärzung angewendet wird.