ein ständiges Gefühl von AI FOMO verspüren. Jeden Tag sehe ich Leute, die KI-Tipps, neue Agenten und Fähigkeiten, die sie entwickelt haben, und Vibe-codierte Apps teilen. Mir wird zunehmend klar, dass eine schnelle Anpassung an KI heutzutage eine Voraussetzung dafür wird, als Datenwissenschaftler wettbewerbsfähig zu bleiben.

Aber ich spreche nicht nur von Brainstorming mit ChatGPT, dem Generieren von Code mit Cursor oder dem Verfeinern eines Berichts mit Claude. Die größere Veränderung ist das KI kann jetzt an einem viel umfassenderen Information-Science-Workflow teilnehmen.

Um die Idee zu konkretisieren, habe ich sie anhand meiner Apple Well being-Daten an einem realen Projekt ausprobiert.

Ein einfaches Beispiel – Apple Well being Evaluation

Kontext

Seit 2019 trage ich jeden Tag eine Apple Watch, um meine Gesundheitsdaten wie Herzfrequenz, verbrannte Energie, Schlafqualität usw. zu verfolgen. Diese Daten enthalten jahrelange Verhaltenssignale über mein tägliches Leben, aber die Apple Well being App bringt sie meist mit einfachen Trendansichten zum Vorschein.

Ich habe vor sechs Jahren versucht, einen zweijährigen Apple Well being-Export zu analysieren. Aber am Ende wurde es zu einem dieser Nebenprojekte, die man nie fertigstellte … Mein Ziel ist es dieses Mal, mit Hilfe von KI schnell mehr Erkenntnisse aus den Rohdaten zu gewinnen.

Womit ich arbeiten musste

Hier sind die relevanten Ressourcen, die ich habe:

1. Rohe Apple Well being-Exportdaten: 1,85 GB in XML, hochgeladen auf mein Google Drive.
2. Beispielcode zum Parsen des Rohexports in strukturierte Datensätze in meinem GitHub-Repo von vor sechs Jahren. Der Code könnte jedoch veraltet sein.

Workflow ohne KI

Ein Customary-Workflow ohne KI würde weitgehend so aussehen, wie ich es vor sechs Jahren versucht habe: Die XML-Struktur untersuchen, Python schreiben, um sie in strukturierte lokale Datensätze zu analysieren, EDA mit Pandas und Numpy durchführen und die Erkenntnisse zusammenfassen.

Ich bin sicher, dass jeder Datenwissenschaftler mit diesem Prozess vertraut ist – es ist kein Hexenwerk, aber es braucht Zeit, um es aufzubauen. Um zu einem ausgefeilten Insights-Bericht zu gelangen, es würde mindestens einen ganzen Tag dauern. Aus diesem Grund ist dieses 6 Jahre alte Repo immer noch als WIP gekennzeichnet …

KI-Finish-to-Finish-Workflow

Mein aktualisierter Workflow mit KI ist:

1. AI findet die Rohdaten in meinem Google Drive und lädt sie herunter.
2. AI referenziert meinen alten GitHub-Code und schreibt ein Python-Skript, um die Rohdaten zu analysieren.
3. AI lädt die analysierten Datensätze auf Google BigQuery hoch. Natürlich könnte die Analyse auch lokal ohne BigQuery erfolgen, aber ich habe sie so eingerichtet, dass sie einer echten Arbeitsumgebung besser ähnelt.
4. AI führt SQL-Abfragen für BigQuery aus, um die Analyse durchzuführen und einen Analysebericht zu erstellen.

Im Wesentlichen übernimmt KI quick jeden Schritt von der Datenentwicklung bis zur Analyse, wobei ich eher als Prüfer und Entscheidungsträger agiere.

KI-generierter Bericht

Sehen wir uns nun an, was Codex mit meiner Anleitung und einigem Hin und Her generieren konnte in 30 Minutenohne die Zeit zum Einrichten der Umgebung und der Werkzeuge.

Ich habe mich für Codex entschieden, weil ich Claude Code hauptsächlich bei der Arbeit verwende und daher ein anderes Device ausprobieren wollte. Ich habe diese Likelihood genutzt, meine Codex-Umgebung von Grund auf neu einzurichten, damit ich den gesamten Aufwand besser einschätzen kann.

Sie sehen, dass dieser Bericht intestine strukturiert und optisch ausgefeilt ist. Es fasste wertvolle Einblicke in jährliche Tendencies, Trainingskonsistenz und die Auswirkungen von Reisen auf das Aktivitätsniveau zusammen. Außerdem wurden Empfehlungen abgegeben und Einschränkungen und Annahmen dargelegt. Was mich am meisten beeindruckte, warfare nicht nur die Geschwindigkeit, sondern auch, wie schnell die Ausgabe wie eine Stakeholder-orientierte Analyse statt wie ein grobes Notizbuch aussah.

Bitte beachten Sie, dass der Bericht aus Datenschutzgründen bereinigt ist.

Wie ich es tatsächlich gemacht habe

Nachdem wir nun gesehen haben, welche beeindruckende Arbeit KI in 30 Minuten leisten kann, möchte ich sie aufschlüsseln und Ihnen alle Schritte zeigen, die ich unternommen habe, um dies zu erreichen. Ich habe verwendet Kodex für dieses Experiment. Wie Claude Code kann es in der Desktop-App, einer IDE oder der CLI ausgeführt werden.

1. MCP einrichten

Um Codex den Zugriff auf Instruments wie Google Drive, GitHub und Google BigQuery zu ermöglichen, bestand der nächste Schritt darin, Mannequin Context Protocol (MCP)-Server einzurichten.

Der einfachste Weg, MCP einzurichten, besteht darin, Codex zu bitten, dies für Sie zu tun. Als ich es beispielsweise darum bat, Google Drive MCP einzurichten, konfigurierte es meine lokalen Dateien schnell und zeigte klare nächste Schritte zum Erstellen eines OAuth-Purchasers in der Google Cloud Console.

Nicht immer gelingt es auf Anhieb, aber Beharrlichkeit hilft. Als ich es aufforderte, BigQuery MCP einzurichten, scheiterte es mindestens zehnmal, bevor die Verbindung erfolgreich hergestellt werden konnte. Aber jedes Mal erhielt ich klare Anweisungen zum Testen und welche Informationen für die Fehlerbehebung hilfreich waren.

2. Erstellen Sie einen Plan mit dem Planmodus

Nachdem ich die MCPs eingerichtet hatte, ging ich zum eigentlichen Projekt über. Bei einem komplizierten Projekt, das mehrere Datenquellen/Instruments/Fragen umfasst, beginne ich normalerweise mit dem Planmodus, um die Implementierungsschritte festzulegen. Sowohl in Claude Code als auch in Codex können Sie den Planmodus mit aktivieren /plan. Das funktioniert so: Sie skizzieren die Aufgabe und Ihren groben Plan, das Modell stellt klärende Fragen und schlägt Ihnen einen detaillierteren Umsetzungsplan zur Überprüfung und Verfeinerung vor. In den Screenshots unten finden Sie meine erste Iteration damit.

3. Ausführung und Iteration

Nachdem ich auf „Ja, diesen Plan umsetzen“ geklickt hatte, begann Codex selbstständig mit der Ausführung und folgte den Schritten. Es funktionierte 13 Minuten lang und generierte die erste Analyse unten. Die verschiedenen Instruments gingen schnell voran, die Analyse wurde jedoch lokal durchgeführt, da weitere Probleme mit dem BigQuery MCP auftraten. Nach einer weiteren Fehlerbehebungsrunde konnten die Datensätze ordnungsgemäß hochgeladen und Abfragen in BigQuery ausgeführt werden.

Allerdings warfare die Ausgabe im ersten Durchgang immer noch oberflächlich, sodass ich sie mit Folgefragen dazu anleitete, tiefer in die Tiefe zu gehen. Ich habe beispielsweise Flugtickets und Reisepläne vergangener Reisen in meinem Google Drive. Ich habe es gebeten, sie zu finden und meine Aktivitätsmuster während der Reisen zu analysieren. Diese Dateien wurden erfolgreich gefunden, meine Reisetage extrahiert und die Analyse durchgeführt.

Nach einigen Iterationen konnte innerhalb von 30 Minuten ein viel umfassenderer Bericht erstellt werden, wie ich zu Beginn mitteilte. Sie können den Code finden Hier. Das warfare wahrscheinlich eine der wichtigsten Erkenntnisse aus der Übung: Die KI entwickelte sich schnell, aber die Tiefe kam immer noch durch Iteration und bessere Fragen.

Erkenntnisse für Datenwissenschaftler

Welche KI-Änderungen

Oben ist ein kleines Beispiel dafür, wie ich Codex und MCPs verwendet habe Führen Sie eine Finish-to-Finish-Analyse durch, ohne manuell eine einzige Codezeile schreiben zu müssen. Was können Datenwissenschaftler bei der Arbeit mitnehmen?

1. Denken Sie über die Codierungsunterstützung hinaus. Anstatt KI nur zum Codieren und Schreiben zu verwenden, lohnt es sich, ihre Rolle auf den gesamten Lebenszyklus der Datenwissenschaft auszudehnen. Hier habe ich KI verwendet, um Rohdaten in Google Drive zu finden und geparste Datensätze in BigQuery hochzuladen. Es gibt viele weitere KI-Anwendungsfälle im Zusammenhang mit Datenpipelining und Modellbereitstellung.
2. Der Kontext wird zum Kraftmultiplikator. MCPs haben diesen Workflow wesentlich leistungsfähiger gemacht. Codex hat mein Google Drive gescannt, um meine Reisedaten zu finden, und meinen alten GitHub-Code gelesen, um Beispiel-Parsing-Code zu finden. Ebenso können Sie andere aktivieren vom Unternehmen genehmigt MCPs helfen Ihrer KI (und Ihnen selbst), den Kontext besser zu verstehen. Zum Beispiel:
   – Stellen Sie eine Verbindung zu Slack MCP und Gmail MCP her, um nach früheren relevanten Konversationen zu suchen.
   – Verwenden Sie Atlassian MCP, um auf die Tabellendokumentation zu Confluence zuzugreifen.
   – Richten Sie Snowflake MCP ein, um das Datenschema zu erkunden und Abfragen auszuführen.
3. Regeln und wiederverwendbare Fähigkeiten sind wichtig. Obwohl ich es in diesem Beispiel nicht explizit demonstriert habe, sollten Sie es tun Passen Sie Regeln an und erstellen Sie Fähigkeiten, um Ihre KI zu leiten und ihre Fähigkeiten zu erweitern. Diese Themen sind beim nächsten Mal einen eigenen Artikel wert

Wie sich die Rolle der Datenwissenschaftler weiterentwickeln wird

Aber bedeutet das, dass KI Datenwissenschaftler ersetzen wird? Dieses Beispiel gibt auch Aufschluss darüber, wie sich die Rollen von Datenwissenschaftlern in Zukunft ändern werden.

1. Weniger manuelle Ausführung, mehr Problemlösung. Im obigen Beispiel warfare die von Codex erstellte anfängliche Analyse sehr einfach. Die Qualität der KI-generierten Analyse hängt stark von der Qualität Ihrer Problemstellung ab. Sie müssen die Frage klar definieren, sie in umsetzbare Aufgaben aufteilen, den richtigen Ansatz identifizieren und die Analyse vertiefen.
2. Domänenkenntnisse sind von entscheidender Bedeutung. Um die Ergebnisse richtig zu interpretieren und Empfehlungen abzugeben, ist nach wie vor dringend Fachwissen erforderlich. Beispielsweise stellte die KI fest, dass mein Aktivitätsniveau seit 2020 deutlich zurückgegangen warfare. Sie konnte keine überzeugende Erklärung finden, sagte aber: „Zu den möglichen Ursachen gehören Routineänderungen, Arbeitspläne, Veränderungen im Lebensstil, Verletzungen, Motivation oder weniger strukturiertes Coaching, aber dabei handelt es sich um Schlussfolgerungen, nicht um Erkenntnisse.“ Aber der wahre Grund dafür ist, wie Sie vielleicht bemerkt haben, die Pandemie. Da ich Anfang 2020 angefangen habe, von zu Hause aus zu arbeiten, habe ich natürlich weniger Kalorien verbrannt. Dies ist ein sehr einfaches Beispiel dafür, warum Domänenwissen immer noch wichtig ist – selbst wenn KI auf alle früheren Dokumente in Ihrem Unternehmen zugreifen kann, heißt das nicht, dass sie alle Geschäftsnuancen versteht, und das ist Ihr Wettbewerbsvorteil.
3. Dieses Beispiel warfare relativ einfach, aber es gibt immer noch viele Arbeitsbereiche, bei denen ich der KI heute nicht mehr zutrauen würde, dass sie unabhängig agiert Projekte, die ein stärkeres technisches und statistisches Urteilsvermögen erfordernwie kausale Folgerung.

Wichtige Vorbehalte

Zu guter Letzt gibt es einige Überlegungen, die Sie beim Einsatz von KI beachten müssen:

1. Datensicherheit. Ich bin mir sicher, dass Sie das schon oft gehört haben, aber ich wiederhole es noch einmal. Das Datensicherheitsrisiko beim Einsatz von KI ist actual. Bei einem persönlichen Nebenprojekt kann ich die Dinge so einrichten, wie ich möchte, und mein eigenes Risiko eingehen (ganz ehrlich: Es scheint ein riskanter Schachzug zu sein, der KI vollen Zugriff auf Google Drive zu gewähren, daher dient dies eher der Veranschaulichung). Befolgen Sie bei der Arbeit jedoch immer die Richtlinien Ihres Unternehmens dazu, welche Werkzeuge sicher zu verwenden sind und wie. Und stellen Sie sicher, dass Sie jeden einzelnen Befehl durchlesen, bevor Sie auf „Genehmigen“ klicken.
2. Überprüfen Sie den Code noch einmal. Für mein einfaches Projekt kann KI problemlos genaues SQL schreiben. Aber in komplizierteren Geschäftsumgebungen sehe ich immer noch, dass KI von Zeit zu Zeit Fehler in ihrem Code macht. Manchmal werden Tabellen mit unterschiedlicher Granularität verknüpft, was zu einer Auffächerung und Doppelzählung führt. In anderen Fällen fehlen kritische Filter und Bedingungen.
3. KI ist praktisch, kann aber mit unerwarteten Nebenwirkungen zur Lösung Ihrer Frage führen… Zum Abschluss dieses Artikels möchte ich Ihnen eine lustige Geschichte erzählen. Heute Morgen habe ich meinen Laptop computer eingeschaltet und eine Warnung gesehen, dass kein Festplattenspeicher mehr übrig ist – ich habe ein SSD-MacBook Professional mit 512 GB und warfare mir ziemlich sicher, dass ich nur etwa die Hälfte des Speichers genutzt hatte. Da ich gestern Abend mit Codex gespielt habe, wurde es mein erster Verdacht. Additionally habe ich tatsächlich gefragt: „Hey, hast du etwas gemacht? Meine „Systemdaten“ waren über Nacht um 150 GB gewachsen“ Es antwortete: „Nein, Codex benötigt nur xx MBDann habe ich meine Dateien ausgegraben und ein 142 GB großes „bigquery-mcp-wrapper.log“ gesehen … Wahrscheinlich hat Codex dieses Protokoll erstellt, als es Fehler beim BigQuery MCP-Setup behoben hat. Später in der eigentlichen Analyseaufgabe explodierte es in eine riesige Datei. Additionally ja, diese magische Wunschmaschine hat ihren Preis.

Diese Erfahrung hat den Kompromiss für mich intestine auf den Punkt gebracht: KI kann den Abstand zwischen Rohdaten und nützlicher Analyse drastisch verkleinern, aber um das Beste daraus zu machen, sind immer noch Urteilsvermögen, Kontrolle und die Bereitschaft erforderlich, den Arbeitsablauf selbst zu debuggen.

ATS!! Eine Hürde, die die meisten Bewerber einfach nicht überwinden können. Verbringen Sie Stunden mit Overleaf und Lebenslauf-Erstellungs-Web sites, um Ihre perfekten Lebensläufe zu erstellen: nur um dann herauszufinden, dass es einen ATS-Rating von 40 hat! Für manche ist es eine Sackgasse. Unabhängig davon, was sie versuchen, scheint die Punktzahl nicht annähernd das erforderliche Restrict zu erreichen (80+).

Was optimieren? Oder genauer gesagt Wie optimiert man? Der Mangel an Informationen zur Optimierung von Lebensläufen verschärft das Drawback zusätzlich.

Dieser Leitfaden soll dieses Drawback lösen. Darin sind Richtlinien, Tipps und Techniken enthalten, die Sie mit einer KI verwenden können, um den ATS-Rating Ihres Lebenslaufs zu steigern.

Warum ist ATS wichtig?

Ein Bewerber-Monitoring-System (ATS) ist eine Software program, die Unternehmen zur Verwaltung von Einstellungen nutzen, von der Stellenausschreibung bis hin zur Prüfung und Organisation von Bewerbungen. Es hilft Personalvermittlern, große Mengen an Lebensläufen schnell zu bearbeiten, Routineaufgaben zu automatisieren und Kandidaten in jeder Part des Prozesses zu verfolgen.

Da sich viele Arbeitgeber auf ATS-Instruments verlassen, um Bewerber zu filtern und einzustufen, optimieren Arbeitssuchende ihre Lebensläufe häufig mit klaren Formatierungen und relevanten Schlüsselwörtern, damit ihre Bewerbungen genau analysiert und nicht übersehen werden, bevor sie jemals von einem Menschen geprüft werden.

Wie kann man den ATS-Rating verbessern?

Dinge, die für ATS funktionieren:

• Sollte keine Rechtschreibfehler enthalten
• Verwendet einheitliches Styling
• Korrekte Texthervorhebung – hat keinen Einfluss auf ATS, ist aber für menschliche Personalvermittler wichtig
• Rechte Abschnitte oben:
  • Erfahrung/Arbeitserfahrung für erfahrene Personen
  • Bildung/Projekte für Erstsemester
• Hat eine Wortzahl von ca. 400 Wörtern (Erfahrungs-/Projektabschnitt)
• Verwenden Sie daher ein Format, das über ATS analysiert werden kann:
  • Keine Doppelspalten
  • Keine ausgefallenen Bilder
  • Keine exzentrischen Schriftarten
• Verfügt über Kontaktoptionen wie Telefonnummer, E-Mail, LinkedIn usw. (vorzugsweise anklickbar).

Diese Hinweise werden verwendet, wenn wir zur Optimierung unseres Lebenslaufs aufgefordert werden. Wenn Sie weitere Verbesserungstipps kennen, fügen Sie diese unbedingt dieser Liste hinzu (teilen Sie sie auch in den Kommentaren an andere weiter).

Zu Demonstrationszwecken verwende ich den ATS-Checker von Wochentag. Dies ist einer meiner Lieblings-ATS-Checker, da er einer der wenigen ATS-Checker ist, der die Punktzahl für eine bestimmte Place prüft, anstatt eine globale Bewertung des Lebenslaufs anzugeben – was quick nie funktioniert. Es skizziert nicht nur die Partitur, sondern auch gibt Suggestions über die möglichen Verbesserungen.

Dies würden wir zu unserem Vorteil nutzen, wenn wir die KI dazu bringen würden, unseren Lebenslauf basierend auf ihrem Suggestions zu verbessern.

Für die Wahl des Modells würde ich verwenden ChatGPT. Meiner Erfahrung nach bietet ChatGPT die beste Antwort, wenn es darum geht, eine Reihe von Richtlinien zum Kuratieren eines Lebenslaufs zu befolgen. Außerdem ist es wirklich intestine darin, Änderungen basierend auf dem bereitgestellten Suggestions vorzunehmen.

Informationen abrufen

Erstens würde ich Qualifikationen, Fähigkeiten, Ausbildung usw. benötigen, die ich in einen Lebenslauf aufnehmen würde. Diese Informationen können entweder manuell eingegeben werden oder von der Profilseite unseres LinkedIn-Kontos bezogen werden. Ich würde dafür die Informationen im Profil eines Datenwissenschaftlers verwenden:

████████████████  V A S U   D E O  ████████████████
Ghaziabad, Uttar Pradesh
+91-212773314 | (e-mail protected)
https://www.linkedin.com/in/handshake123
github.com/vasdevvv
══════════════════  EXPERIENCE  ══════════════════
ASSOCIATE DATA SCIENTIST | Pluto.ai - June 2025 – Current | Bengaluru, Karnataka
Juggernaut: A Content material Administration System
Tech Stack: Python, LangChain, LangGraph, LangSmith, RAG, Qdrant,
OpenAI (GPT-4-mini, text-embedding-3-small),
Anthropic (Claude 4.5 Haiku), Django, Docker, PostgreSQL
• Constructed an agentic assistant utilizing LangGraph to orchestrate a multi-LLM backend with a Qdrant-based RAG pipeline, making certain protected and context-aware routing with structured guardrails.
• Applied a scalable quiz era pipeline with context-engineered prompting and used LangSmith for monitoring, tracing, and debugging.
Handbook: AI-Powered Analysis System
Tech Stack: Python, LangChain, LangGraph, LangSmith, RAG, Qdrant,
OpenAI (GPT-4.1-mini), LLM as a Choose
• Developed automated grading techniques to judge RAG pipelines and agentic workflows for domain-specific use circumstances.
• Outlined analysis metrics for response high quality, retrieval efficiency, and agent choice accuracy.
Advice System
Tech Stack: Python, OpenAI text-embedding-3-small,
scikit-learn (TF-IDF), ChromaDB
• Elevated consumer engagement by 24% by deploying a hybrid suggestion engine combining semantic search and key phrase matching.
• Engineered an end-to-end information pipeline from exterior information assortment to embedding storage and validation.
DATA SCIENCE INTERN | Pluto.ai - February 2025 – Could 2025 | Bengaluru, Karnataka
AI-Powered Name Evaluation Platform
Tech Stack: Python, AssemblyAI, Whisper AI, Mistral, Pydub
• Developed a name evaluation platform delivering data-driven efficiency insights.
• Engineered a pipeline for audio processing, transcription, and conversational evaluation.
══════════════════  PROJECTS  ══════════════════
• Conversational AI with LangGraph: Engineered a conversational AI agent utilizing Django and LangGraph with real-time chat and multi-step activity execution.
• Diabetic Retinopathy Detection: Applied switch studying fashions with an interactive interface for medical picture evaluation.
• Alzheimer’s Detection: Constructed an ensemble ML mannequin attaining excessive classification accuracy on MRI-derived information.
══════════════════  TECHNICAL SKILLS  ══════════════════
Programming Languages / Frameworks: Python, Java, Django, Flask, FastAPI
Generative AI: Immediate Engineering, RAG, LangChain, LangGraph, CrewAI,
Finetuning (PEFT), Secure Diffusion
Information Science: SQL, Pandas, scikit-learn, Keras, PyTorch, XGBoost,
LightGBM, NLP, Pc Imaginative and prescient, GANs
═════════════════════  EDUCATION  ════════════════════
Dr. APJ Abdul Kalam Technical College
B.Tech in Pc Science with Information Science
2021 – 2025

Jeder Teil der oben genannten Informationen kann geändert werden, um die Eingabeaufforderung an Sie anzupassen. Füllen Sie es mit Ihren eigenen Daten aus.

Erstellen der Eingabeaufforderung

Use the above data and create a resume in PDF format that scores over 90 in ATS checkers. Listed here are some tips that it's best to take note whereas creating the resume:
• Use Arial font
• Makes use of constant styling
• Appropriate textual content emphasis—Daring, italics when wanted
• Proper sections on the high which is:
◦ Expertise/Work historical past for skilled particular person
◦ Training/Initiatives for freshers
• Has a phrase rely of about 400 phrases (expertise/venture part)
• Use a format that's parsable by way of ATS due to this fact:
◦ No double columns
◦ No fancy pictures
◦ No eccentric fonts
• Has reachout choices like cellphone quantity, e-mail, LinkedIn and so on. (ideally clickable).
• And use different tips that you'll find over the web, that may assist in enhancing the ATS rating for the resume.

Antwort:

Auf dieser Grundlage gab das Modell als Antwort einen Lebenslauf mit einem ATS-Rating von 78 ab.

Das ist ein guter Anfang. Jetzt können wir das Suggestions am Ende der ATS-Bewertung nutzen und als Enter für bereitstellen ChatGPT dafür, diese Dinge im Lebenslauf zu verbessern und eine verfeinerte Model zu senden.

Aktualisierte Eingabeaufforderung:

Ideas to enhance your resume rating
• Add full URLs for LinkedIn and GitHub profiles to enhance ATS parsing.
• Specify actual startMonth and endMonth for all training and job entries; at the moment lacking for Training and Information Science Intern function.
• Present an in depth description for the B.Tech diploma together with related coursework or initiatives to boost key phrase matching.
• Embrace location particulars persistently for all experiences; Information Science Intern location is current however might be standardized.
• Broaden on certifications by including issuing organizations, dates, and credential IDs if out there.
• Add contact cellphone quantity in worldwide format with out dashes to enhance ATS recognition.
• Use constant date codecs all through the resume, e.g., substitute “June 2025 - Current” with “06/2025 - Current”.
• Incorporate extra key phrases from the job description you're focusing on, resembling particular instruments or methodologies related to the function.
• Embrace knowledgeable abstract or goal part in the beginning with focused key phrases.
• Add measurable achievements or metrics for every venture to quantify influence.

Antwort:

Wow! Wir konnten den ATS-Rating des Lebenslaufs in nur einer einzigen Feedbackschleife auf über 80 bringen. Aber es gibt noch Raum für Verbesserungen.

Die 5 %-Regel

Jetzt kann ich die Punktzahl auf 90 oder sogar mehr steigern, indem ich die gleiche Technik immer wieder anwende. Aber das wird den Lebenslauf roboterhaft machen. Es wird an den ATS-Prüfern vorbeifliegen, aber sofort durchkommen abgelehnt durch die Personalvermittler. Bei den letzten 5 Prozent würden wir additionally selbst einige Änderungen am Lebenslauf vornehmen. Dies würde sicherstellen, dass es eine menschliche Observe hat.

All dies wird durch die Bereitstellung einer erweiterten Eingabeaufforderung an ChatGPT erreicht. Aber anstatt das Suggestions des ATS-Checkers zu nutzen, würden wir die Dinge einfügen, die unserer Meinung nach im Lebenslauf fehlen.

Hier sind einige Dinge, die meiner Meinung nach im vorherigen Lebenslauf fehlten oder verbessert werden könnten:

• Verbessern Sie die Darstellung der Informationen
• Verwenden Sie Fettdruck, um gefragte Technologien und Frameworks hervorzuheben
• Anstatt einen separaten Abschnitt für den Kontakt einzurichten, fügen Sie diesen in die Kopfzeile ein und zentrieren Sie die Kopfzeile
• Der Erfahrungsabschnitt sollte auf den Zusammenfassungsabschnitt folgen
• Die Überschriften sollten in Großbuchstaben geschrieben sein
• Fügen Sie Hyperlinks für Github, LinkedIn, E-Mail usw. im Rohformat ein, da dies das Parsen verbessern würde
• Entfernen Sie bei Datumsangaben das Komma zwischen Monat und Jahr
• Verwenden Sie Duotone für Header

Nachdem Sie in der nächsten Eingabeaufforderung die vorherigen Punkte angegeben haben, ist hier die Bewertung für den Lebenslauf:

95 % ATS-Rating quick ohne menschliches Eingreifen. Wenn Ihnen immer noch etwas nicht gefällt, können Sie einige Teile des Lebenslaufs selbst in einem On-line-PDF-Editor wie bearbeiten smallpdf.

Notiz: Einige Teile des Lebenslaufs waren gekürzt um den Textual content beim Betrachten intakt zu halten. Abschnitte wie „Ausbildung“ und „Zertifizierung“ werden zwar nicht in den Bildern angezeigt, sind aber am Ende des Lebenslaufs vorhanden.

Erdende Erwartungen

Eine wichtige Sache, die Sie wissen sollten: ATS-Prüfer belohnen Key phrase-Stuffing und gefälschte Präzision. Die zuvor bereitgestellten Richtlinien und Aufforderungen werden Ihren ATS-Rating verbessern, aber diesem Lebenslauf fehlt die Personifizierung, nach der Unternehmen suchen. Stellen Sie additionally sicher, dass Sie es geben A letzte Bearbeitung und fügen Sie einzigartige Erfahrungen hinzu, die dazu beitragen, Ihren Lebenslauf vom typischen KI-Schrott abzuheben.

Außerdem müssen Sie erkennen, wann das Suggestions nützlich ist und wann nicht. Im letzten Bild beispielsweise die 2^nd Suggestions warfare nutzlos. Als Hinzufügen von a https: vor der URL macht beim Parsen keinen Unterschied. Sie müssen einen Anruf tätigen, um diese falschen Vorschläge herauszufinden.

Auch ein Lebenslauf mit einem hohen ATS-Rating hilft Ihnen nicht weiter bei:

• Absicherung von Geisteröffnungen
• Einen Roboter-Lebenslauf von einem menschlichen Personalvermittler akzeptieren lassen

Weitere Verbesserungen

Diese Technik basiert hauptsächlich auf Rückkopplungsschleifen und Richtlinien für ATS. Ich erwähnte die Hinweise, die mir bei der Verbesserung meines ATS-Scores geholfen hatten. Diese Liste ist jedoch keineswegs vollständig.

Wenn Sie der Meinung sind, dass der Eingabeaufforderung bestimmte Punkte hinzugefügt werden können, die die Punktzahl weiter verbessern, wenden Sie sich bitte an uns Aktie im Kommentarbereich unten. Wenn Sie jemanden kennen, der dringend eine Anstellung benötigt, teilen Sie ihm dies unbedingt mit.

Häufig gestellte Fragen

Ich bin auf die Überprüfung und Verfeinerung von KI-gestützter Forschung, technischer Dokumentation und Inhalten im Zusammenhang mit neuen KI-Technologien spezialisiert. Meine Erfahrung umfasst KI-Modelltraining, Datenanalyse und Informationsabruf und ermöglicht es mir, Inhalte zu erstellen, die sowohl technisch korrekt als auch zugänglich sind.

Openai hat gerade eingeführt Ein großes Improve in den Entwicklermodus von ChatGPT, indem sie die vollständige Unterstützung für die vollständige Unterstützung hinzufügen Modellkontextprotokolltools (MCP). Bisher waren MCP-Integrationen innerhalb von ChatGPT auf Such- und Abrufvorgänge beschränkt-im Wesentlichen schreibgeschützt. Mit diesem Replace können MCP -Anschlüsse durchführen Aktionen schreibenDies bedeutet, dass Entwickler nun Systeme direkt aktualisieren, Workflows und Kettenkomplexautomatik aus einem ChatGPT -Gespräch auslösen können. Die Fähigkeit ist derzeit verfügbar zu Plus und Professional -Benutzer.

Diese Änderung bewegt Chatgpt über eine intelligente Abfrageschicht hinaus. Anstatt nur Daten aus verbundenen Quellen abzurufen, kann dies nun auf diese Daten reagieren. Beispielsweise können Entwickler JIRA-Tickets direkt über den Chat aktualisieren, einen Zapier-Workflow starten oder Anschlüsse kombinieren, um mehrstufige Aufgaben wie die Analyse von Fehlerprotokollen, das Öffnen eines Vorfall-Tickets und die Benachrichtigung eines Teamkanals zu kombinieren. Chatgpt ist nicht mehr nur ein Konversationsassistent – es wird als Orchestrierungsschicht für echte Arbeiten über verteilte Instruments positioniert.

Die technische Grundlage dieser Growth liegt in der MCP -Frameworkwas definiert, wie große Sprachmodelle mit externen Diensten durch strukturierte Protokolle interagieren. Anschlüsse enthüllen Funktionen, die ChatGPT aufrufen kann, und beschrieben normalerweise mit JSON -Schemas. Durch die Hinzufügung von Schreibunterstützung wird neue Anforderungen an Authentifizierung, Sicherheit und Zuverlässigkeit eingeführt. Da die Anschlüsse nun den externen Zustand ändern, müssen API -Token, OAuth Scopes und Zugriffskontrollen eng geschrieben werden. Fehlerbehandlung wird kritisch: Wenn eine Schreiboperation fehlschlägt, muss ChatGPT in der Lage sein, das Drawback klar zu erobern, protokollieren und anmutig wiederherzustellen. Entwickler müssen auch die Transaktionssicherheit berücksichtigen, wenn sie mehrere Schreibaktionen in allen Diensten verkettet werden.

Aus dem Gesichtspunkt der Entwicklererfahrung ist die Aktivierung dieser Funktionen unkompliziert. Einmal Entwicklermodus In ChatGPT werden Entwickler Verbindungen registrieren, die sowohl Lese- als auch Schreibmethoden enthalten. Diese Anschlüsse können dann während eines Gesprächs auf natürliche Weise aufgerufen werden. Der Workflow ist für die Iteration ausgelegt – Entwickler können Integrationen direkt in Chat Prototypen, testen und verfeinern, anstatt benutzerdefinierte Middleware von Grund auf neu zu erstellen. Die Dokumentation von OpenAI enthält Schemata, Endpunktdefinitionen und Beispiele, um das Verhalten des Connectors in allen Diensten zu standardisieren.

Die Auswirkungen auf Unternehmens- und Automatisierungswendungsfälle sind erheblich. Betriebsteams können die Vorfälle reparieren, indem sie Probleme mit ChatGPT -Protokollproblemen haben, Tickets aktualisieren und automatisch Warnungen verschieben. Geschäftsteams können Chatgpt in CRM -Pipelines einbetten, wobei ein einzelnes Konversations -Replace Kundendaten synchronisieren, Berichte generieren und Kontomanager benachrichtigen kann. Für technische Groups kann ChatGPT jetzt Builds auslösen, GitHub -Pull -Anforderungen aktualisieren oder Process -Tracker synchronisieren – alle, ohne die Chat -Schnittstelle zu verlassen. In jedem Fall fasst ChatGPT nicht nur Informationen zusammen, sondern fährt aktiv Workflows.

Dieses Replace ist ein wichtiger Schritt in der Zukunft von ChatGPT. Durch die Aktivierung der vollen MCP -Device -Unterstützung treibt OpenAI den Assistenten davon ab, a zu sein Wissensschicht zu einem wahren Automatisierungsplattform. Es bietet Entwicklern die Flexibilität, Steckverbinder zu erstellen, die Anweisungen für natürliche Sprache und reale Aktionen schließen und die Konversation effektiv in eine universelle Schnittstelle für Unternehmenssysteme verwandeln. Für Organisationen, die ChatGPT Plus oder Professional verwenden, öffnet der Entwicklermodus jetzt die Tür, um die Konversations -KI direkt in den täglichen Betrieb zu integrieren, wobei Chat nicht nur Fragen beantwortet, sondern die Arbeit erledigt.

Michal Sutter ist ein Datenwissenschaftler bei einem Grasp of Science in Information Science von der College of Padova. Mit einer soliden Grundlage für statistische Analyse, maschinelles Lernen und Datentechnik setzt Michal aus, um komplexe Datensätze in umsetzbare Erkenntnisse umzuwandeln.

Die Datensatzvorbereitung für einen Workflow für Objekterkennungstrainings kann lange dauern und oft frustrierend sein. Label StudioEin Open-Supply-Datenannotation-Instrument kann durch eine einfache Möglichkeit für die Annotierung von Datensätzen mitwirken. Es unterstützt eine Vielzahl von Annotationsvorlagen, einschließlich Laptop Imaginative and prescient, natürlicher Sprachverarbeitung und Audio- oder Sprachverarbeitung. Wir werden uns jedoch speziell auf den Workflow der Objekterkennung konzentrieren.

Aber was ist, wenn Sie vorankundigierte Open-Supply-Datensätze wie den Pascal VOC-Datensatz nutzen möchten? In diesem Artikel zeige ich Ihnen, wie Sie diese Aufgaben problemlos in das Format von Label Studio importieren können, während Sie den gesamten Stapel einrichten – einschließlich einer PostgreSQL -Datenbank. Minio Objektspeicher, ein Nginx Reverse Proxy und das Label Studio Backend. Minio ist ein S3-kompatibler Objektspeicherdienst: Sie können Cloud-nativen Speicher in der Produktion verwenden, können ihn jedoch auch lokal für die Entwicklung und Prüfung ausführen.

In diesem Tutorial werden wir die folgenden Schritte durchlaufen:

1. Pascal VOC -Anmerkungen konvertieren – Begrenzungsboxen von XML in Label Studio -Aufgaben im JSON -Format verwandeln.
2. Führen Sie den vollen Stapel aus – Starten Sie das Label Studio mit Postgresql, Minio, Nginx und dem Backend mit Docker Compose.
3. Richten Sie ein Label Studio -Projekt ein – Konfigurieren Sie ein neues Projekt in der Label Studio -Schnittstelle.
4. Laden Sie Bilder und Aufgaben in Minio hoch hoch -Speichern Sie Ihren Datensatz in einem S3-kompatiblen Eimer.
5. MINIO MINIO mit dem Label Studio anschließen – Fügen Sie den Cloud -Speicher -Bucket Ihrem Projekt hinzu, damit Label Studio Bilder und Annotationen direkt abrufen kann.

Voraussetzungen

Um diesem Tutorial zu folgen, stellen Sie sicher, dass Sie:

Vom VOC zu Label Studio: Vorbereitung von Anmerkungen

Der Pascal VOC -Datensatz verfügt über eine Ordnerstruktur, in der die Zug- und Testdatensätze bereits aufgeteilt sind. Der Anmerkungen Der Ordner enthält die Annotationsdateien für jedes Bild. Insgesamt enthält der Trainingssatz 17.125 Bilder mit jeweils eine entsprechende Annotationsdatei.

.
└── VOC2012
    ├── Annotations  # 17125 annotations
    ├── ImageSets 
    │   ├── Motion
    │   ├── Format
    │   ├── Primary
    │   └── Segmentation
    ├── JPEGImages  # 17125 pictures
    ├── SegmentationClass
    └── SegmentationObject

Das folgende XML -Snippet, das aus einer der Annotationen entnommen wurde, definiert einen Begrenzungsbox um ein Objekt mit dem Namen „Individual“. Die Field wird mit vier Pixelkoordinaten angegeben: xminAnwesend yminAnwesend xmaxUnd ymax.

Die folgende Abbildung zeigt das innere Rechteck als kommentierter Begrenzungsbox, definiert durch die obere linke Ecke (xminAnwesend ymin) und die untere rechte Ecke (xmaxAnwesend ymax) innerhalb des äußeren Rechtecks, das das Bild darstellt.

Label Studio erwartet, dass jede Begrenzungsbox durch seine Breite, Höhe und obere linke Ecke definiert wird, die als Prozentsätze der Bildgröße ausgedrückt wird. Nachfolgend finden Sie ein funktionierendes Beispiel für das konvertierte JSON -Format für die oben gezeigte Annotation.

{
  "knowledge": {
    "picture": "s3://<bucket_name>/<prefix>/2007_000027.jpg"
  },
  "annotations": (
    {
      "consequence": (
        {
          "from_name": "label",
          "to_name": "picture",
          "sort": "rectanglelabels",
          "worth": {
            "x": 35.802,
            "y": 20.20,
            "width": 36.01,
            "top": 50.0,
            "rectanglelabels": ("particular person")
          }
        }
      )
    }
  )
}

Wie Sie im JSON -Format sehen können, müssen Sie auch den Speicherort der Bilddatei angeben – beispielsweise einen Pfad in Minio oder einem S3 -Bucket, wenn Sie den Cloud -Speicher verwenden.

Während der Vorverarbeitung der Daten habe ich den gesamten Datensatz zusammengeführt, obwohl diese bereits in Coaching und Validierung unterteilt waren. Dies simuliert ein reales Szenario, in dem Sie normalerweise mit einem einzigen Datensatz beginnen und die Aufteilung in Trainings- und Validierungssätze vor dem Coaching selbst durchführen.

Ausführen des vollständigen Stacks mit Docker Compose

Ich habe das zusammengeführt docker-compose.yml Und docker-compose.minio.yml Dateien in eine vereinfachte Einzelkonfiguration, damit der gesamte Stack im selben Netzwerk ausgeführt wird. Beide Dateien wurden vom Beamten übernommen Label Studio Github Repository.

providers:
  nginx:
    # Acts as a reverse proxy for Label Studio frontend/backend
    picture: heartexlabs/label-studio:newest
    restart: unless-stopped
    ports:
      - "8080:8085" 
      - "8081:8086"
    depends_on:
      - app
    setting:
      - LABEL_STUDIO_HOST=${LABEL_STUDIO_HOST:-}
    
    volumes:
      - ./mydata:/label-studio/knowledge:rw # Shops Label Studio tasks, configs, and uploaded recordsdata
    command: nginx

  app:
    stdin_open: true
    tty: true
    picture: heartexlabs/label-studio:newest
    restart: unless-stopped
    expose:
      - "8000"
    depends_on:
      - db
    setting:
      - DJANGO_DB=default
      - POSTGRE_NAME=postgres
      - POSTGRE_USER=postgres
      - POSTGRE_PASSWORD=
      - POSTGRE_PORT=5432
      - POSTGRE_HOST=db
      - LABEL_STUDIO_HOST=${LABEL_STUDIO_HOST:-}
      - JSON_LOG=1
    volumes:
      - ./mydata:/label-studio/knowledge:rw  # Shops Label Studio tasks, configs, and uploaded recordsdata
    command: label-studio-uwsgi

  db:
    picture: pgautoupgrade/pgautoupgrade:13-alpine
    hostname: db
    restart: unless-stopped
    setting:
      - POSTGRES_HOST_AUTH_METHOD=belief
      - POSTGRES_USER=postgres
    volumes:
      - ${POSTGRES_DATA_DIR:-./postgres-data}:/var/lib/postgresql/knowledge  # Persistent storage for PostgreSQL database
  minio:
    picture: "minio/minio:${MINIO_VERSION:-RELEASE.2025-04-22T22-12-26Z}"
    command: server /knowledge --console-address ":9009"
    restart: unless-stopped
    ports:
      - "9000:9000"
      - "9009:9009"
    volumes:
      - minio-data:/knowledge   # Shops uploaded dataset objects (like pictures or JSON duties)
    # configure env vars in .env file or your techniques setting
    setting:
      - MINIO_ROOT_USER=${MINIO_ROOT_USER:-minio_admin_do_not_use_in_production}
      - MINIO_ROOT_PASSWORD=${MINIO_ROOT_PASSWORD:-minio_admin_do_not_use_in_production}
      - MINIO_PROMETHEUS_URL=${MINIO_PROMETHEUS_URL:-http://prometheus:9090}
      - MINIO_PROMETHEUS_AUTH_TYPE=${MINIO_PROMETHEUS_AUTH_TYPE:-public}
 
volumes:
  minio-data: # Named quantity for MinIO object storage

Diese vereinfachte Docker Compose -Datei definiert vier Kerndienste mit ihren Volumenzuordnungen:

App – führt das Label Studio Backend selbst aus.

• Teilt die mydata Verzeichnis mit nginx, in dem Projekte, Konfigurationen und hochgeladene Dateien gespeichert werden.
• Verwendet a Binden Sie die Halterung: ./mydata:/label-studio/knowledge:rw → bildet einen Ordner von Ihrem Host in den Container.

Nginx – fungiert als Reverse Proxy für das Label Studio Frontend und Backend.

• Teilt die mydata Verzeichnis mit dem App -Dienst.

PostgreSQL (DB) – Verwaltet Metadaten und Projektinformationen.

• Speichert persistente Datenbankdateien.
• Verwendet a Binden Sie die Halterung: ${POSTGRES_DATA_DIR:-./postgres-data}:/var/lib/postgresql/knowledge.

Minio -Ein S3-kompatibler Objektspeicherdienst.

• Speichert Datensatzobjekte wie Bilder oder JSON -Annotationsaufgaben.
• Verwendet a Volumen genannt: minio-data:/knowledge.

Wenn Sie Hostordner wie montieren, z. ./mydata Und ./postgres-dataSie müssen dem Host demselben Benutzer, der im Container ausgeführt wird, Eigentümer zuweisen. Label Studio wird nicht als Root ausgeführt-es verwendet einen Nicht-Root-Benutzer mit UID 1001. Wenn die Hostverzeichnisse einem anderen Benutzer gehören, hat der Container keinen Schreibzugriff und Sie werden darauf eingehen Zugriff verweigert Fehler.

Nachdem Sie diese Ordner in Ihrem Projektverzeichnis erstellt haben, können Sie deren Besitz mit:

mkdir mydata 
mkdir postgres-data
sudo chown -R 1001:1001 ./mydata ./postgres-data

Nachdem die Verzeichnisse vorbereitet sind, können wir den Stapel mit Docker Compose ansprechen. Einfach rennen:

docker compose up -d

Es kann einige Minuten dauern, bis alle erforderlichen Bilder von Docker Hub und Label Studio eingerichtet wurden. Sobald das Setup abgeschlossen ist, öffnen Sie sich http: // localhost: 8080 In Ihrem Browser zugreifen Sie auf die Label Studio -Schnittstelle. Sie müssen ein neues Konto erstellen, und dann können Sie sich mit Ihren Anmeldeinformationen anmelden, um auf die Benutzeroberfläche zuzugreifen. Sie können ein Legacy -API -Token aktivieren, indem Sie zu gehen Organisation → API -Token -Einstellungen. Mit diesem Token können Sie mit der Label Studio API kommunizieren, die besonders für Automatisierungsaufgaben nützlich ist.

Richten Sie ein Label Studio -Projekt ein

Jetzt können wir unser erstes Datenannotationsprojekt auf Label Studio erstellen, insbesondere für einen Workflow für Objekterkennung. Bevor Sie jedoch anfangen, Ihre Bilder zu kommentieren, müssen Sie die Arten von Klassen definieren, aus denen Sie auswählen können. Im Pascal VOC-Datensatz gibt es 20 Arten vorankündigter Objekte.

Laden Sie Bilder und Aufgaben in Minio hoch hoch

Sie können die Minio -Benutzeroberfläche in Ihrem Browser unter öffnen LOCALHOST: 9000und melden Sie sich dann mit den Anmeldeinformationen an, die Sie unter dem entsprechenden Dienst in der angegeben haben docker-compose.yml Datei.

Ich habe einen Eimer mit Ordnern erstellt, von denen einer zum Speichern von Bildern und eine andere für JSON -Aufgaben verwendet wird, die gemäß den obigen Anweisungen formatiert sind.

Wir haben einen S3-ähnlichen Service lokal eingerichtet, mit dem wir S3 Cloud-Speicher simulieren können, ohne Gebühren zu erfüllen. Wenn Sie Dateien in einen S3 -Bucket auf AWS übertragen möchten, ist es besser, dies direkt über das Web zu tun, da die Datenübertragungskosten berücksichtigt werden. Die gute Nachricht ist, dass Sie mit dem AWS -CLI auch mit Ihrem Minio -Eimer interagieren können. Dazu müssen Sie ein Profil in hinzufügen ~/.aws/config und geben die entsprechenden Anmeldeinformationen in ~/.aws/credentials unter dem gleichen Profilnamen.

Und dann können Sie mit den folgenden Befehlen problemlos mit Ihrem lokalen Ordner synchronisieren:

#!/bin/bash
set -e

PROFILE=<your_profile_name>
MINIO_ENDPOINT=<your_minio_endpoint>   # e.g. http://localhost:9000
BUCKET_NAME=<your_bucket_name>
SOURCE_DIR=<your_local_source_dir>    
DEST_DIR=<your_bucket_destination_dir> 

aws s3 sync 
      --endpoint-url "$MINIO_ENDPOINT" 
      --no-verify-ssl 
      --profile "$PROFILE" 
      "$SOURCE_DIR" "s3://$BUCKET_NAME/$DEST_DIR"

 

MINIO MINIO mit dem Label Studio anschließen

Nachdem alle Daten, einschließlich der Bilder und Anmerkungen, hochgeladen wurden, können wir uns mit dem im vorherigen Schritt erstellten Projekt zum Hinzufügen von Cloud -Speicher überlegen.

Aus Ihren Projekteinstellungen gehen Sie zu Wolkenspeicher und fügen Sie die erforderlichen Parameter hinzu, wie z. B. den Endpunkt (der zusammen mit der Portnummer, z. minio:9000), der Bucket -Identify und das relevante Präfix, bei dem die Annotationsdateien gespeichert werden. Jeder Pfad in den JSON -Dateien verweist dann auf das entsprechende Bild.

Nach der Überprüfung, ob die Verbindung funktioniert, können Sie Ihr Projekt mit dem Cloud -Speicher synchronisieren. Möglicherweise müssen Sie den Befehl sync mehrmals ausführen, da der Datensatz 22.263 Bilder enthält. Es magazine zuerst scheitern, aber wenn Sie die Synchronisierung neu starten, macht es weiterhin Fortschritte. Schließlich werden alle Pascal VOC -Daten erfolgreich in das Label Studio importiert.

Sie können die importierten Aufgaben mit ihren Miniaturbildern in der Aufgabenliste sehen. Wenn Sie auf eine Aufgabe klicken, wird das Bild mit seinen Vorannotungen angezeigt.

Schlussfolgerungen

In diesem Tutorial haben wir gezeigt, wie der Pascal VOC-Datensatz in Label Studio importiert wird, indem Sie XML-Annotationen in das JSON-Format von Label Studio konvertieren, einen vollständigen Stack mit Docker Compose ausführen und Minio als S3-kompatibler Speicher anschließen. Mit diesem Setup können Sie auf Ihre lokale Maschine mit großflächigen, vorankundigten Datensätzen auf Ihre lokale Maschine arbeiten. Das Testen Ihrer Projekteinstellungen und Dateiformate lokal sorgt zuerst für einen reibungsloseren Übergang, wenn Sie in Cloud -Umgebungen wechseln.

Ich hoffe, dieses Tutorial hilft Ihnen dabei, Ihr Datenannotationsprojekt mit vorankündigten Daten zu starten, die Sie problemlos erweitern oder validieren können. Sobald Ihr Datensatz für das Coaching bereit ist, können Sie alle Aufgaben in beliebten Formaten wie Coco oder Yolo exportieren.