SQL ist eine dieser Fähigkeiten, die überall zum Vorschein kommen: in der Datenanalyse, im Backend-Engineering, in der Berichterstellung und sogar in Produktrollen. Aber wenn es um Ressourcen zum Erlernen geht, sind sie nicht so allgegenwärtig. Die herkömmliche Artwork, Dokumentationen oder Lehrbücher zu lesen, ist nicht die Methode, mit der jeder am besten lernt. Einige Lernende bevorzugen es, Fragen geschrieben und Schritt für Schritt erklärt zu sehen, andere lieber auf visuelle Weise.

Dieser Artikel wurde unter diesem Gesichtspunkt erstellt. Eine Liste von SQL-Kanälen, die jeweils auf einen anderen Lerntyp zugeschnitten sind, damit Sie sich nicht mehr in das falsche Format zwingen und auf eine Weise lernen können, die für Sie funktioniert.

1. Für SQL-Grundlagen

@DatabaseStar | Klare, konzeptorientierte SQL-Grundlagen

Wenn Sie möchten, dass SQL von Grund auf klar erklärt wird, ist Database Star ein guter Ausgangspunkt. Der Kanal konzentriert sich auf das Verständnis von Datenbankkonzepten wie Verknüpfungen, Normalisierung, Indizes und Abfragestruktur, ohne sich zu beeilen.

Was macht diesen Kanal besonders?

• Starker Fokus auf Grundlagen und Klarheit
• Ist nicht auf SQL beschränkt; Erkundet allgemeine Datenbankkonzepte
• Klare Erklärungen ohne unnötige Komplexität
• Very best für Anfänger und Autodidakten

Wenn du es verstehen willst Warum SQL funktioniert so wie es funktioniert, es kopiert nicht nur Abfragen, dieser Kanal passt intestine.

2. Für umfassende, anfängerfreundliche Lerner

@programmingwithmosh | Strukturiertes, einsteigerfreundliches SQL

„Programming with Mosh“ ist für seinen ruhigen, strukturierten Unterricht bekannt und seine SQL-Inhalte folgen demselben Stil. Konzepte werden schrittweise eingeführt und anhand einfacher Beispiele vertieft. Es ist der beliebteste YouTube-Kanal im Web, wenn es um Programmiersprachen geht.

Was macht diesen Kanal besonders?

• Klare, Schritt-für-Schritt-Erklärungen
• Anfängerfreundliches Tempo
• Minimale Ablenkungen oder Tangenten

Perfekt, wenn Sie einen reibungslosen und vertrauensbildenden Einstieg in SQL wünschen.

3. Für Lernende, die lange, visuelle Kurse bevorzugen

@freecodecamp | Langfristige, umfassende SQL-Kurse

freeCodeCamp bietet SQL-Kurse in voller Länge, die Sie in einem einzigen Ablauf von den Grundlagen bis hin zu fortgeschritteneren Abfragen führen. Die Movies sind detailliert und so konzipiert, dass man sie von Anfang bis Ende verfolgen kann. Die Tutorials reichen von der Einführung in SQL bis hin zur Beherrschung.

Was macht diesen Kanal besonders?

• Umfassende Finish-to-Finish-SQL-Kurse
• Klare Erklärungen mit praktischen Beispielen
• Very best für selbstbestimmtes, strukturiertes Lernen

Very best, wenn Sie sich lieber hinsetzen und einen kompletten Kurs absolvieren möchten, anstatt zwischen kurzen Movies zu springen.

4. Für berufsorientierte Lernende

@AnalyticsVidhya | Karriereorientiertes SQL für Analysen, Datenwissenschaft und reale Anwendungsfälle

Analytics Vidhya unterrichtet SQL mit einem starken Fokus auf reale Datenanwendungsfälle. Abfragen beziehen sich häufig auf Analyseprobleme und nicht auf rein akademische Beispiele. Der Schwerpunkt liegt klar darauf, die Sprache industrietauglich zu unterrichten.

Was macht diesen Kanal besonders?

• SQL wird im Kontext von Analytics und Information Science gelehrt
• Praxisnahe, branchengerechte Beispiele
• Nützlich für Vorstellungsgespräche und Arbeitsvorbereitung
• Bietet Interviewfragen zum besseren Verständnis von Konzepten

Eine gute Wahl, wenn Sie SQL für eine datenorientierte Rolle lernen.

5. Für Fortgeschrittene

@TechTFQ | Auf Interviews ausgerichtetes, fortgeschrittenes SQL mit tiefen Einblicken

TechTFQ ist bekannt für fortgeschrittene SQL-Inhalte und Problemlösungen im Interviewstil. Der Kanal befasst sich mit Fensterfunktionen, CTEs und komplexer Abfragelogik. Der Kanal hat einen klaren Schwerpunkt auf SQL- und Datenbankkonzepten, was ihn von anderen in dieser Liste unterscheidet.

Was macht diesen Kanal besonders?

• Fortgeschrittene SQL-Themen werden anschaulich erklärt
• Echte Fragen im Interviewstil
• Starker Fokus auf Abfrageoptimierung und Logik

Am besten geeignet, wenn Sie versuchen, ein intuitives Verständnis von SQL zu entwickeln.

6. Für Entwickler, die praktische SQL-Nutzung wünschen

@TraversyMedia | Praktisches, entwicklerorientiertes SQL

Traversy Media nähert sich SQL aus der Sicht eines Entwicklers und zeigt, wie Datenbanken in reale Anwendungen passen, anstatt SQL als isolierte Fähigkeit zu behandeln. Der Kanal verfügt über separate Degree für verschiedene Degree von SQL-Lernenden.

Was macht diesen Kanal besonders?

• Praxisnahe, entwicklerorientierte Erklärungen
• SQL in realen Anwendungskontexten
• Unkomplizierter, unkomplizierter Unterrichtsstil

Berücksichtigung von Lernenden mit unterschiedlichem Verständnisniveau der Sprache.

Wo soll ich anfangen?

Während das Ziel des Erlernens von SQL geteilt wird, gilt dies nicht für die Reise. Individuelle Ausgangspunkte und Lernpräferenzen prägen den Weg weit mehr als eine Customary-Roadmap. Wenn Sie SQL für Ihre berufliche Weiterentwicklung oder für Vorstellungsgespräche lernen, dann Analytics Vidhya’s KOSTENLOSER SQL-Kurs würde Ihnen am besten dienen.

Häufig gestellte Fragen

Das Erlernen von KI ist nicht wegen des Inhalts schwierig, sondern weil jeder anders lernt. Manche Menschen brauchen visuelle Erklärungen. Andere möchten direkt in die praktische Arbeit einsteigen. Manche bevorzugen strukturierten Unterricht, andere wünschen sich Flexibilität. Und für viele Lernende ist a Zertifikat ist der letzte Beweis dafür, dass sich der Aufwand lohnt.

Diese Liste basiert auf dieser Idee. Eine Liste kostenloser Kurse zum Thema KI, jeder für einen anderen Lerntyp, mit einer umfassenden Sammlung einiger der besten Kurse auf dem Markt. Vom Lernenden im Klassenzimmer bis hin zum selbstständigen Selbststudium deckt dieser Artikel jeden ab.

1. Für Lernende, die das Beste suchen… Zertifikat!

Einführung in die KI – Google | Branchengerechter KI-Überblick

Dieser Kurs richtet sich an Lernende, die in ihrem Lebenslauf erkennbare Namen wünschen. Eine strukturierte Einführung in KI Konzepte im Rahmen realer Anwendungen und Branchenanwendungsfälle, unterstützt von Google. Der Vollständigkeit halber werden Sie nicht mit Theorien, sondern mit Konzepten auf der Grundlage ihrer Anwendbarkeit in der realen Welt vertraut gemacht.

Was macht diesen Kurs besonders?

• Einsteigerfreundliche Struktur
• KI-Konzepte werden anhand von Beispielen aus der Praxis vermittelt
• Anschauliche Beispiele aus realen Systemen
• Kostenloses Zertifikat über Coursera-Finanzhilfe erhältlich

Intestine für Lernende, die Wert auf markengestütztes Lernen legen.

2. Für die LERNENDEN

Erste Schritte mit KI und ML – LinkedIn Studying | Umfassender Lernpfad

Dieser Kurs richtet sich an diejenigen, die wirklich daran interessiert sind, etwas über KI zu lernen. Mit einer Dauer von etwa 10 Stunden geht der Kurs tief in die KI ein. Werfen Sie einfach einen Blick auf die Berichterstattung:

Dieses Inhaltsverzeichnis richtet sich nicht nur an diejenigen, die sich nur für das Zertifikat interessieren. Dies ist eine Fundgrube für diejenigen, die sich für ihr Fachgebiet interessieren.

Was macht diesen Kurs besonders?

• Strukturierte Lernreise
• Lange Sitzung, aber umfassende Abdeckung
• Leicht verständlich und gleichmäßiges Tempo
• Abschlusszertifikat

Am besten für Lernende geeignet, die Orientierung und sofortigen Einblick in das Fachgebiet wünschen.

3. Für traditionelle Lernende

KI-Übersichtw – POLI | Akademische, auf Logik ausgerichtete KI-Grundlagen

Wenn Sie neu in der KI sind und sie so verstehen möchten, wie Universitäten sie lehren, ist dieser Kurs ein guter Ausgangspunkt. Es konzentriert sich auf Kernideen der KI wie Problemlösung, Argumentation und intelligente Agenten, ohne dass eine vorherige Erfahrung mit diesem Fachgebiet vorausgesetzt wird. Der Kurs setzt durchgehend einen vorlesungsähnlichen Manierismus voraus, der von denjenigen geschätzt wird, die an traditionelle Lernmethoden gewöhnt sind.

Was macht diesen Kurs besonders?

• Konzipiert für Lernende ohne KI-Vorkenntnisse
• Starker Schwerpunkt auf Argumentation, Logik und grundlegenden KI-Konzepten
• Erklärungen im universitären Stil, bei denen das Verstehen im Vordergrund steht
• Kostenloses Zertifikat nach Abschluss erhältlich

Am besten für Lernende geeignet, die vor dem Wechsel zur angewandten KI eine fundierte akademische Ausbildung anstreben.

4. Für berufsorientierte Lernende

Einführung in KI und ML – Analytics Vidhya | Berufsgerechte, einsteigerfreundliche KI-Roadmap

Dieser Kurs ist mit Blick auf die Praxisnähe strukturiert und eignet sich daher für Lernende, die daten- oder KI-bezogene Rollen anstreben. Dies sollte die erste Wahl sein, wenn Sie sich auf den Job vorbereiten möchten. Die Kursinhalte werden kontinuierlich aktualisiert, um sicherzustellen, dass sie den Anforderungen der Branche entsprechen.

Was macht diesen Kurs besonders?

• Klarer, strukturierter Lehrplan
• Praxisbeispiele verknüpft mit Branchenanwendungsfällen
• Einsteigerfreundlich, ohne oberflächlich zu wirken
• Kostenloses Zertifikat nach Abschluss

Excellent für Lernende mit einer berufsorientierten Denkweise.

5. Für Lernende, die solide Grundlagen wünschen

Grundlagen von ML und KI – Amazon | Kernkonzepte ohne schwere Mathematik

Bei diesem Kurs handelt es sich im Wesentlichen um einen 101-Kurs für künstliches und maschinelles Lernen. In einem einstündigen Kurs werden die Grundlagen der Domänen erläutert und die Dinge dabei stets einfach gehalten. Eine passende Wahl für diejenigen, die sich mit der Area vertraut machen möchten.

Was macht diesen Kurs besonders?

• Einfache Aufschlüsselung der ML- und KI-Grundlagen
• Minimale Komplexität
• Logischer Fortschritt von Ideen
• Kostenloses Zertifikat über Coursera-Finanzhilfe erhältlich

Am besten für Lernende geeignet, die eine solide Foundation zum Aufbau wünschen.

6. Für Lernende, die einen praktischen Kontext wünschen

KI-Grundlagen – IBM | Anwendungsgesteuertes KI-Lernen

Dieser Kurs konzentriert sich auf den branchenübergreifenden Einsatz von KI und hält die Dinge eher praktisch und fundiert als theoretisch. Der Kurs ist in seinem konzeptionellen Ansatz sehr fundiert und betont die Praktikabilität gegenüber abstraktem Wissen.

Was macht diesen Kurs besonders?

• Praxisnaher Anwendungsfokus
• Prägnante Erklärungen
• Beschäftigt sich mit dem Aufbau der KI wie Deep Studying
• Kostenloses Zertifikat nach Abschluss

Intestine für Lernende, die brauchbares Verständnis mit Anerkennung wünschen. Der Kurs scheut sich nicht, den Schwierigkeitsgrad des Stoffes zu erhöhen, um das Verständnis der Lernenden zu fördern.

7. Für technisch nicht versierte Lernende

KI für alle – Deeplearning.AI | Geschäftsorientierte KI-Kompetenz ohne Code

Dieser Kurs richtet sich an Personen, die dies benötigen verstehen KI. Es konzentriert sich nicht nur auf die Erklärung der Technologie, sondern auch auf die ethischen und moralischen Herausforderungen, die sie mit sich bringt. Dies ist besonders nützlich, wenn Sie in den Bereichen Administration, Beratung, Produkt oder Analyse tätig sind, da es ein umfassendes Verständnis der Domäne vermittelt.

Was macht diesen Kurs besonders?

• Keine Programmierung oder Mathematik erforderlich
• Konzentriert sich sowohl auf Anwendbarkeit als auch auf Sicherheit
• Behandelt KI-Strategie, Ethik und Einschränkungen
• Kostenloses Zertifikat über Coursera-Finanzhilfe erhältlich

Excellent für Entscheidungsträger und funktionsübergreifende Groups.

Letzter Gedanke

Die Wahl des Kurses aus der vorherigen Liste hängt von Ihrer Erfahrung und Ihren Anforderungen ab. Ihr Lernstil und Ihr Ziel auf dem Weg sind sehr wichtig.

Wenn Sie nur wegen eines Zertifikats hier sind, dann das von Google Einführung in die KI sollte die Wahl sein. Lernen, mit den Traits auf dem Laufenden zu bleiben, dann Deeplearning KI für alle ist das Beste. Und wenn Sie KI für die Karriereentwicklung erlernen, benötigen Sie strukturierte, anwendungsorientierte Inhalte, die eine Zertifizierung ermöglichen, Analytics Vidhya Einführung in KI und ML wird Ihnen das Beste servieren.

Die Idee besteht darin, einen Kurs zu absolvieren, der den Prozess des Erwerbs eines Zertifikats lohnend und angenehm macht. Alle in diesem Artikel genannten Kurse bieten nach Abschluss kostenlose Zertifikate an.

Die beschriebenen Kurse dürften für die meisten Zielgruppen ausreichen. Wenn Sie einen speziell auf Sie zugeschnittenen Lernpfad wünschen, können Sie hier vorbeischauen Mentornaut.

Häufig gestellte Fragen

Heutzutage passiert in der Technik so viel, dass man kaum weiß, wo man anfangen soll. Da die Lernenden unterschiedliche Vorlieben und Anforderungen haben, kann es eine große Herausforderung sein, auf alle einzugehen. Aber dieser Artikel soll diese Lücke schließen.

In diesem Artikel werden 10 YouTube-Kanäle für 10 verschiedene Lernstile aufgelistet, um alle Arten von Python-Lernern anzusprechen.

1. Für visuelle Lerner

@TechWithTim | Visuelle, beispielbasierte Python-Erklärungen

Wenn du es besser verstehst, wenn du kannst sehen Code in etwas Greifbares verwandeln, dieser Kanal trifft ins Schwarze. Tim bringt Python durch Spiele, Simulationen und kleine visuelle Projekte bei, bei denen die Logik schnell funktioniert. Dies würde dazu führen, dass die Lernenden motiviert bleiben und Lust auf mehr haben.

Was macht diesen Kanal besonders?

• Starkes visuelles Suggestions durch Projekte und Demos
• Erklärt die Logik anhand konkreter Beispiele anstelle von Theorie
• Tolle Steadiness zwischen Erklärung und Ausführung
• Superb für Lernende, die bei abstrakten Vorträgen abschalten

Perfekt, wenn Sie Python dazu benötigen zeigen Du, was passiert.

2. Für Code-First-Lernende

@sentdex | Praktische, codelastige Python-Tutorials

Wenn sich Ihr Gehirn nur einschaltet, wenn Code auf dem Bildschirm angezeigt wird, sind Sie hier genau richtig. sentdex lehrt Python, indem es echte Dinge baut und die Ecken und Kanten sichtbar lässt. Das Beste an den Kanälen ist, dass nach Abschluss der Python-Grundlagen nahtlos zu domänenspezifischen Python-Tutorials übergegangen wird.

Was macht diesen Kanal besonders?

• Python wird durch echte Skripte und Projekte vermittelt
• Debugging und Fehler inklusive
• Konzentrieren Sie sich auf praktisches Python, nicht nur auf die Syntax
• Hervorragend geeignet für Lernende, die durch praktisches Lernen lernen

Perfekt für Geeks!

3. Für Lernende, die ein tiefes Verständnis wünschen

@coreyms | Klare, ausführliche Python-Grundlagen

Dies ist einer der besten Orte auf YouTube, um Python zu verstehen. Corey erklärt die wichtigsten Python-Konzepte langsam, klar und ohne Lärm. Dies richtet sich an Personen, die ein tiefgreifendes Verständnis der Python-Grundlagen erlangen möchten. Wenn Sie eine solide Foundation wünschen, auf der Sie domänenspezifisches Wissen aufbauen können, ist dieser Kanal ein Kinderspiel.

Was macht diesen Kanal besonders?

• Hervorragende Erklärungen zum Kern von Python (OOP, Module, Dekoratoren)
• Logischer Fortschritt von den Grundlagen zu fortgeschrittenen Themen
• Ruhiger, strukturierter Unterrichtsstil
• Superb für den Bau starker Fundamente

Perfekt für Leute, denen Tiefe und Klarheit wichtiger sind als Geschwindigkeit.

4. Für eine strukturierte KI-Weiterbildung

@AnalyticsVidhya | Strukturiertes Lernen für angewandte KI

Wenn Sie einen klaren Lernpfad statt verstreuter Tutorials wünschen, bietet dieser Kanal strukturierte Erklärungen und praktische Anleitungen zu Python und seinen Anwendungen. Es richtet sich an Personen, die ihre berufsbereiten Fähigkeiten in Bereichen wie Datenwissenschaft und anderen Bereichen erweitern möchten maschinelles Lernen.

Was macht diesen Kanal besonders?

• Die Lektionen sind so konzipiert, dass sie von den Grundlagen bis hin zu Anwendungen reichen, ohne Sie zu überfordern.
• Die Themen bleiben auf branchenspezifische Anwendungsfälle beschränkt – von der Automatisierung bis zur ML-Bereitstellung.
• Sie erhalten Klarheit, einfache Erklärungen und Beispiele, die reale Projektabläufe widerspiegeln.
• Es ist benutzerfreundlich für Anfänger, aber gründlich genug für Berufstätige.

Bonus: Lassen Sie sich kostenlos für Python zertifizieren!

Wenn Sie Ihre Python-Kenntnisse unter Beweis stellen möchten, können Sie sich für diesen kostenlosen Kurs anmelden: Analytics Vidhya-Kurs „Einführung in Python“. Das führt Sie durch die Grundlagen der Sprache.

Betrachten Sie es als einen organisierten Lehrplan, der jedoch in einem nachvollziehbaren, leicht verständlichen Format vermittelt wird.

5. Für Lernende mit kurzer Aufmerksamkeitsspanne

@Feuerschiff | Ultrakomprimierte Python-Erklärungen

Wenn lange Movies Sie sofort verlieren, ist dieser Kanal genau das Richtige für Sie. Fireship erklärt Python-Konzepte in spannenden, energiegeladenen Movies, die direkt auf den Punkt kommen, ohne an Klarheit einzubüßen. Fireship ist nicht auf Python beschränkt und erkundet daher anhand kurzer, prägnanter Movies andere Bereiche und Technologietrends.

Was macht diesen Kanal besonders?

• Sehr kurze, rasante Python-Movies
• Kein Geschwafel, sofortiger Wert
• Superb für die schnelle Präsentation von Konzepten
• Perfekt zum Lernen in kurzen Abschnitten

Am besten für moderne Lernende geeignet, die schnelle Erfolge und eine hohe Bindung wünschen.

6. Für Menschen, die durch Bauprojekte lernen

@NicholasRenotte | Projektgesteuertes Python-Lernen

In diesem Kanal lernen Sie Python, indem Sie Dinge erstellen, von denen Sie sehen können, dass sie tatsächlich funktionieren. Wenn die Theorie nicht Bestand hat, bis die Ergebnisse vorliegen, ist dies eine gute Lösung. Von Mario bis zum Gebärdensprachrätsel – es gibt ein Tutorial zu quick allem Verrückten, das man sich in Python vorstellen kann.

Was macht diesen Kanal besonders?

• Finish-to-Finish-Python-Projekt-Builds
• Visuelle Ausgaben halten die Motivation hoch
• Deckt reale Python-Anwendungsfälle ab
• Starker Studying-through-Constructing-Ansatz

Superb für praktische Lernende.

7. Für automatisierungsorientierte Lernende

@patloeber | Praktisches Python für Automatisierung und Skripte

Wenn Ihr Ziel darin besteht, Python zu erstellen arbeite für dichdieser Kanal ist äußerst praktisch. Sauberer Code, klare Absicht, echte Automatisierung. Von Selenium, Betriebssystem und Befehlszeile bis hin zu Netzwerkanwendungen: Wenn etwas Routine ist, wurde es in einem der Tutorials automatisiert gezeigt. Äußerst pragmatisch.

Was macht diesen Kanal besonders?

• Konzentrieren Sie sich auf Automatisierung, Skripterstellung und Arbeitsabläufe
• Erklärt, warum Code auf eine bestimmte Weise geschrieben wird
• Praktische Python-Muster
• Minimale Ablenkung

Superb für produktivitätsorientierte Lernende.

8. Für Lernende, die Kurse in voller Länge wünschen

@freeCodeCamp | Lange Python-Lernpfade

Wenn Sie es vorziehen, sich hinzusetzen und einer vollständigen Roadmap zu folgen, ist freeCodeCamp genau das Richtige für Sie. Strukturiert, langsam und umfassend. Dies ist auf diejenigen zugeschnitten, die ein umfassendes Python-Tutorial suchen. Halten Sie etwas Popcorn bereit, während Sie sich darauf einlassen.

Was macht diesen Kanal besonders?

• Vollständige Python-Kurse vom Anfänger bis zum Fortgeschrittenen
• Klare Struktur und Verlauf
• Kein Clickbait, nur Content material
• Intestine für disziplinierte Lernende

Am besten für Leute, die lineares Lernen mögen.

9. Für Anfänger, die eine Aufschlüsselung benötigen

@CSDojo | Einsteigerfreundliche Python-Erklärungen

CS Dojo erklärt Python-Konzepte auf sehr verständliche Weise, insbesondere für Programmieranfänger. Es ist Python-Tutorials für absolute Anfänger Die Playlist ist etwas Besonderes für diejenigen, die sich mit der Sprache vertraut machen möchten. Der Kanal veröffentlicht ständig Inhalte, die Ihnen helfen, Ihre Kenntnisse der Python-Sprache zu vertiefen.

Was macht diesen Kanal besonders?

• Einfache Erklärungen der Python-Grundlagen
• Gute Analogien und Intuitionsbildung
• Freundlicher Unterrichtsstil
• Geringer Einschüchterungsfaktor

Superb für Programmieranfänger.

10. Für Lernende, die prägnante, praktische Tutorials mögen

@RealPython | Fokussierte Python-Konzepte und Finest Practices

Dieser Kanal ergänzt das schriftliche Python-Lernen intestine und legt den Schwerpunkt auf Klarheit und Korrektheit. Wenn Python die Weltkarte ist, dann ist RealPython auf Welttournee. Der Kanal behandelt Themen von den Grundlagen bis zur Zusammenfassung in Python. Wenn Sie sich mit der Anwendbarkeit von Python in der Domäne Ihrer Wahl vertraut machen möchten, hilft Ihnen dieser Kanal weiter.

Was macht diesen Kanal besonders?

• Kurze, fokussierte Python-Konzeptvideos
• Schwerpunkt auf Finest Practices
• Gute Steadiness zwischen Theorie und Anwendung
• Superb zur Stärkung des Verständnisses

Superb als sekundäre Lernressource.

Wo soll ich anfangen?

Auch wenn das Endziel klar ist: Python lernen! Der Weg dorthin ist nicht für alle gleich. Ihr Ausgangspunkt und Ihr Lernstil sind wichtiger als das Befolgen einer festen Reihenfolge.

Wenn Sie gerade erst anfangen, helfen Ihnen Kanäle, die Dinge langsam und klar aufschlüsseln, dabei, Selbstvertrauen aufzubauen. Wenn Sie bereits mit den Grundlagen vertraut sind, werden projektgesteuerte oder automatisierungsorientierte Kanäle Ihre Fähigkeiten weiterentwickeln. Wenn Ihre Aufmerksamkeitsspanne kurz ist, funktionieren prägnante Movies besser als lange Vorträge. Und wenn Sie Python lernen, um sich beruflich weiterzuentwickeln, sind strukturierte, anwendungsorientierte Inhalte, die eine Zertifizierung ermöglichen, am besten für Sie geeignet.

Die Idee ist nicht, alles zu sehen. Es geht darum, den passenden Kanal auszuwählen wo du gerade bistund wechseln Sie, wenn sich Ihre Anforderungen ändern.

Die beschriebenen Kanäle dürften für die meisten Zielgruppen ausreichen. Wenn Sie möchten, dass etwas speziell auf Sie abgestimmt ist, können Sie es sich ansehen Mentornaut.

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.

Das Paradigma „Textual content in, Textual content out“ führt Sie nur so weit.

Reale Anwendungen, die den tatsächlichen Wert liefern, sollten in der Lage sein, Visuals, Vernunft durch komplexe Probleme zu untersuchen und Ergebnisse zu erzielen, die Systeme tatsächlich verwenden können.

In diesem Beitrag werden wir diesen Stapel entwerfen, indem wir drei leistungsstarke Funktionen zusammenbringen: multimodale Eingabe, Argumentation, Und strukturierter Ausgang.

Um dies zu veranschaulichen, gehen wir durch ein praktisches Beispiel: Bauen a zeitreiche Anomalie-Erkennungssystem Für E-Commerce-Auftragsdaten verwenden Openais O3 -Modell. Insbesondere zeigen wir, wie die Argumentationsfunktion von O3 mit Bildeingabe und validiertes JSON abgibt, damit das nachgelagerte System es leicht konsumieren kann.

Am Ende wird unsere App:

• Sehen: Analysieren Sie Diagramme der E-Commerce-Bestellvolumenzeitreihe
• Denken: Identifizieren Sie ungewöhnliche Muster
• Integrieren: Ausgabe eines strukturierten Anomalieberichts

Sie gehen mit Funktionscode ab, die Sie für verschiedene Anwendungsfälle wiederverwenden können, die über die Erkennung von nur Anomalie hinausgehen.

Lassen Sie uns eintauchen.

Möchten Sie die breitere Landschaft darüber lernen, wie LLMs zur Erkennung von Anomalie angewendet werden? Schauen Sie sich meinen vorherigen Beitrag an: Steigern Sie Ihre Anomalie -Erkennung mit LLMsAnwesend wo ich 7 aufkommende Anwendungsmuster zusammengefasst habe Das sollten Sie nicht verpassen.

---

1. Fallstudie

In diesem Beitrag wollen wir eine Anomalie-Erkennungslösung zur Identifizierung abnormaler Muster in E-Commerce-Auftragszeitreihendaten erstellen.

Für diese Fallstudie haben wir drei Sätze von generiert Synthetik Tägliche Auftragsdaten. Die Datensätze stellen drei verschiedene Profile der täglichen Bestellung über ungefähr einen Monat dar. Um die Saisonalität offensichtlich zu machen, haben wir die Wochenenden beschattet. Die X-Achse zeigt den Wochentag.

Jede Abbildung enthält eine bestimmte Artwork von Anomalie (Kannst du sie finden?). Wir werden später diese Zahlen verwenden, um unsere Anomalie -Erkennungslösung zu testen und zu prüfen, ob diese Anomalien genau wiederhergestellt werden kann.

2. Unsere Lösung

2.1 Übersicht

Im Gegensatz zu den traditionellen Ansätzen für maschinelles Lernen, die mühsames Characteristic -Engineering und Modelltraining erfordern, ist unser aktueller Ansatz viel einfacher. Es funktioniert mit den folgenden Schritten:

1. Wir bereiten die Abbildung zur Visualisierung der E-Commerce-Auftragszeitreihendaten vor.
2. Wir fordern das Argumentationsmodell O3 auf, bitten ihn, das Zeitreihenbild genauer zu betrachten, das wir ihm gefüttert haben, und feststellen, ob ein ungewöhnliches Muster existiert.
3. Das O3-Modell gibt dann seine Ergebnisse in einem vordefinierten JSON-Format aus.

Und das battle’s. Einfach.

Um diese Lösung zu liefern, müssen wir das O3 -Modell natürlich ermöglichen, Bildeingabe zu nehmen und die strukturierte Ausgabe zu emittieren. Wir werden sehen, wie man das in Kürze macht.

2.2 Einrichten des Argumentationsmodells

Wie bereits erwähnt, werden wir das O3-Modell verwenden, das das Flaggschiff-Argumentationsmodell von OpenAI ist, das komplexe mehrstufige Probleme mit der Leistung auf der neuesten Nutzung angehen kann. Insbesondere verwenden wir den Azure OpenAI -Endpunkt, um das Modell aufzurufen.

Stellen Sie sicher .env Datei können wir dann mit dem Einrichten des LLM -Purchasers fortfahren:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mdates

from openai import AzureOpenAI
from dotenv import load_dotenv
import os

load_dotenv()

# Setup LLM consumer
endpoint = os.getenv("api_base")
api_key = os.getenv("o3_API_KEY")
api_version = "2025-04-01-preview"
model_name = "o3"
deployment = os.getenv("deployment_name")

LLM_client = AzureOpenAI(
    api_key=api_key,  
    api_version=api_version,
    azure_endpoint=endpoint
)

Wir verwenden die folgende Anweisung als Systemnachricht für das O3-Modell (abgestimmt von GPT-5):

instruction = f"""

(Function)
You're a meticulous information analyst.

(Process)
You'll be given a line chart picture associated to day by day e-commerce orders. 
Your process is to determine outstanding anomalies within the information.

(Guidelines)
The anomaly varieties will be spike, drop, level_shift, or seasonal_outlier.
A level_shift is a sustained baseline change (≥ 5 consecutive days), not a single level.
A seasonal_outlier occurs if a weekend/weekday behaves not like friends in its class. 
For instance, weekend orders are normally decrease than the weekdays'.
Learn dates/values from axes; if you happen to can’t learn precisely, snap to the closest tick and word uncertainty in clarification.
The weekends are shaded within the determine.
"""

In der obigen Anweisung haben wir die Rolle der LLM, die Aufgabe, die die LLM ausführen sollte, und die Regeln, die die LLM befolgen sollte, klar definiert.

Um die Komplexität unserer Fallstudie zu begrenzen, haben wir absichtlich nur vier Anomalie -Typen festgelegt, die LLM identifizieren muss. Wir haben auch klare Definitionen dieser Anomalie -Typen zur Verfügung gestellt, um Unklarheiten zu beseitigen.

Schließlich haben wir ein bisschen Domänenwissen über E-Commerce-Muster injiziert, dh niedrigere Wochenendbestellungen werden im Vergleich zu Wochentagen erwartet. Das Einbeziehen von Area-Know-how wird im Allgemeinen als eine gute Praxis für die Führung des analytischen Prozesss des Modells angesehen.

Nachdem wir unser Modell eingerichtet haben, diskutieren wir, wie das Bild für das O3 -Modell vorbereitet werden soll.

2.3 Bildvorbereitung

Um die multimodalen Funktionen von O3 zu ermöglichen, müssen wir Zahlen in einem bestimmten Format bereitstellen, dh entweder öffentlich zugängliche Net-URLs oder als Basis64-kodierte Daten-URLs. Da unsere Zahlen lokal erzeugt werden, werden wir den zweiten Ansatz verwenden.

Was ist Base64 -Codierung überhaupt? Base64 ist eine Möglichkeit, binäre Daten (wie unsere Bilddateien) nur mit Textzeichen darzustellen, die sicher über das Web übertragen werden. Es wandelt Binärbilddaten in eine Zeichenfolge, Zahlen und einige Symbole um.

Und was ist mit Daten -URL? Eine Daten -URL ist eine Artwork von URL, die den Dateiinhalt direkt in die URL -Zeichenfolge einbettet, anstatt auf einen Dateispeicherort zu zeigen.

Wir können die folgende Funktion verwenden, um diese Konvertierung automatisch zu behandeln:

import io
import base64

def fig_to_data_url(fig, fmt="png"):
    """
    Converts a Matplotlib determine to a base64 information URL with out saving to disk.

    Args:
    -----
    fig (matplotlib.determine.Determine): The determine to transform.
    fmt (str): The format of the picture ("png", "jpeg", and so forth.)

    Returns:
    --------
    str: The information URL representing the determine.
    """

    buf = io.BytesIO()
    fig.savefig(buf, format=fmt, bbox_inches="tight")
    buf.search(0)
    
    base64_encoded_data = base64.b64encode(buf.learn()).decode("utf-8")
    mime_type = f"picture/{fmt.decrease()}"
    
    return f"information:{mime_type};base64,{base64_encoded_data}"

Im Wesentlichen speichert unsere Funktion zuerst die Matplotlib -Figur in einem Speicherpuffer. Anschließend codiert es die binären PNG -Daten als Base64 -Textual content und wickelt sie in das gewünschte Daten -URL -Format ein.

Angenommen, wir haben Zugriff auf die Daten der synthetischen täglichen Ordnung, können die folgende Funktion verwenden, um das Diagramm zu generieren und in einem GO in ein ordnungsgemäßes Daten -URL -Format umzuwandeln:

def create_fig(df):
    """
    Create a Matplotlib determine and convert it to a base64 information URL.
    Weekends (Sat–Solar) are shaded.

    Args:
    -----
    df: dataframe incorporates one profile of day by day order time sequence. 
        dataframe has "date" and "orders" columns.

    Returns:
    --------
    image_url: The information URL representing the determine.
    """

    df = df.copy()
    df('date') = pd.to_datetime(df('date'))

    fig, ax = plt.subplots(figsize=(8, 4.5))
    ax.plot(df("date"), df("orders"), linewidth=2)
    ax.set_xlabel('Date', fontsize=14)
    ax.set_ylabel('Every day Orders', fontsize=14)

    # Weekend shading
    begin = df("date").min().normalize()
    finish   = df("date").max().normalize()
    cur = begin
    whereas cur <= finish:
        if cur.weekday() == 5:  # Saturday 00:00
            span_start = cur                                      # Sat 00:00
            span_end   = cur + pd.Timedelta(days=1)               # Mon 00:00
            ax.axvspan(span_start, span_end, alpha=0.12, zorder=0)
            cur += pd.Timedelta(days=2)                           # skip Sunday 
        else:
            cur += pd.Timedelta(days=1)

    # Title
    title = f'Every day Orders: {df("date").min():%b %d, %Y} - {df("date").max():%b %d, %Y}'
    ax.set_title(title, fontsize=16)

    # Format x-axis dates
    ax.xaxis.set_major_formatter(mdates.DateFormatter('%b %d')) 
    ax.xaxis.set_major_locator(mdates.WeekdayLocator(interval=1))

    plt.tight_layout()

    # Acquire url
    image_url = fig_to_data_url(fig)

    return image_url

Die Abbildungen 1-3 werden durch die obige Darstellung von Routine erzeugt.

2.4 strukturierter Ausgang

Lassen Sie uns in diesem Abschnitt erörtern, wie das O3-Modell ein konsistentes JSON-Format anstelle von Freiformtext ausgibt. Dies ist das, was als „strukturierte Ausgabe“ bezeichnet wird, und es ist einer der wichtigsten Ermöglicher für die Integration von LLMs in vorhandene automatische Workflows.

Um dies zu erreichen, definieren wir zunächst das Schema, das die erwartete Ausgangsstruktur regelt. Wir werden ein pydantisches Modell verwenden:

from pydantic import BaseModel, Discipline
from typing import Literal
from datetime import date

AnomalyKind = Literal("spike", "drop", "level_shift", "seasonal_outlier")

class DateWindow(BaseModel):
    begin: date = Discipline(description="Earliest believable date the anomaly begins (ISO YYYY-MM-DD)")
    finish: date = Discipline(description="Newest believable date the anomaly ends, inclusive (ISO YYYY-MM-DD)")

class AnomalyReport(BaseModel):
    when: DateWindow = Discipline(
        description=(
            "Minimal window that incorporates the anomaly. "
            "For single-point anomalies, use the interval that covers studying uncertainty, if the tick labels are unclear"
        )
    )
    y: int = Discipline(description="Approx worth on the anomaly’s most consultant day (peak/lowest), rounded")
    sort: AnomalyKind = Discipline(description="The kind of the anomaly")
    why: str = Discipline(description="One-sentence purpose for why this window is uncommon")
    date_confidence: Literal("low","medium","excessive") = Discipline(
        default="medium", description="Confidence that the window localization is right"
    )

Unser pydantisches Schema versucht, sowohl die quantitativen als auch die qualitativen Aspekte der erkannten Anomalien zu erfassen. Für jedes Feld geben wir seinen Datentyp an (z. B., z. B., int für numerische Werte, Literal für eine feste Auswahl usw.).

Außerdem verwenden wir Discipline Funktion zur Bereitstellung detaillierter Beschreibungen jedes Schlüssels. Diese Beschreibungen sind besonders wichtig, da sie effektiv als Inline -Anweisungen für O3 dienen, so dass sie die semantische Bedeutung jeder Komponente versteht.

Jetzt haben wir den multimodalen Eingang und die strukturierte Ausgabe abgedeckt, um sie in einem LLM -Aufruf zusammenzustellen.

2,5 O3 Modellaufruf

Um mit O3 mithilfe von multimodalem Eingang und strukturierten Ausgang mit O3 zu interagieren, verwenden wir LLM_client.beta.chat.completions.parse() API. Einige der wichtigsten Argumente umfassen:

• mannequin: Der Einsatzname;
• messages: das an das O3 -Modell gesendete Nachrichtenobjekt;
• max_completion_token: Die maximale Anzahl von Token, die das Modell in seiner endgültigen Antwort erzeugen kann. Beachten Sie, dass sie für Argumentationsmodelle wie O3 argumentation_tokens intern erzeugen werden, um das Drawback zu „nachdenken“. Die jetzige max_completion_token Begrenzt nur die sichtbaren Ausgabe -Token, die Benutzer erhalten.
• response_format: Das pydantische Modell, das die erwartete JSON -Schemastruktur definiert;
• reasoning_effort: Ein Kontrollknopf, der vorschreibt, wie viel Rechenaufwand O3 für die Argumentation verwenden sollte. Die verfügbaren Optionen umfassen niedrig, mittel und hoch.

Wir können eine Helferfunktion definieren, um mit dem O3 -Modell zu interagieren:

def anomaly_detection(instruction, fig_path, 
                      response_format, immediate=None, 
                      deployment="o3", reasoning_effort="excessive"):

    # Compose messages
    messages=(
            { "function": "system", "content material": instruction},
            { "function": "person", "content material": (  
                { 
                    "kind": "image_url",
                    "image_url": {
                        "url": fig_path,
                        "element": "excessive"
                    }
                },
            )} 
    )

    # Add immediate whether it is given
    if immediate just isn't None:
        messages(1)("content material").append({"kind": "textual content", "textual content": immediate})

    # Invoke LLM API
    response = LLM_client.beta.chat.completions.parse(
        mannequin=deployment,
        messages=messages,
        max_completion_tokens=4000,
        reasoning_effort=reasoning_effort,
        response_format=response_format
    )

    return response.decisions(0).message.parsed.model_dump()

Beachten Sie, dass die messages Objekt akzeptiert sowohl Textual content- als auch Bildinhalt. Da wir ausschließlich Zahlen verwenden, um das Modell aufzufordern, ist die Textaufforderung optionally available.

Wir setzen die "element": "excessive" Um eine hochauflösende Bildverarbeitung zu ermöglichen. Für unsere aktuelle Fallstudie ist dies höchstwahrscheinlich erforderlich, da wir O3 benötigen, um feine Particulars wie Axis Tick -Etiketten, Datenpunktwerte und subtile visuelle Muster besser zu lesen. Beachten Sie jedoch, dass eine hohe Element-Verarbeitung mehr Token und höhere API-Kosten verursachen würde.

Schließlich durch Verwendung .parsed.model_dump()Wir verwandeln die JSON -Ausgabe in ein übliches Python -Wörterbuch.

Das ist es für die Implementierung. Lassen Sie uns als nächstes einige Ergebnisse sehen.

---

3. Ergebnisse

In diesem Abschnitt geben wir die zuvor erzeugten Zahlen in das O3 -Modell ein und bitten es, potenzielle Anomalien zu identifizieren.

3.1 Spike -Anomalie

# df_spike_anomaly is the dataframe of the primary set of artificial information (Determine 1)
spike_anomaly_url = create_fig(df_spike_anomaly)

# Anomaly detection
end result = anomaly_detection(instruction,
                          spike_anomaly_url,
                          response_format=AnomalyReport,
                          reasoning_effort="medium")
print(end result)

Im obigen Anruf die spike_anomaly_url ist die Daten -URL für Abbildung 1. Die Ausgabe des Ergebniss ist unten dargestellt:

{
  'when': {'begin': datetime.date(2025, 8, 19), 'finish': datetime.date(2025, 8, 21)}, 
  'y': 166, 
  'sort': 'spike', 
  'why': 'Single day orders bounce to ~166, far above adjoining days that sit close to 120–130.', 
  'date_confidence': 'medium'
}

Wir sehen, dass das O3 -Modell die Ausgabe genau in dem von uns entworfenen Format zurückgegeben hat. Jetzt können wir dieses Ergebnis erzielen und programmgesteuert eine Visualisierung erstellen:

# Create picture
fig, ax = plt.subplots(figsize=(8, 4.5))
df_spike_anomaly('date') = pd.to_datetime(df_spike_anomaly('date'))
ax.plot(df_spike_anomaly("date"), df_spike_anomaly("orders"), linewidth=2)
ax.set_xlabel('Date', fontsize=14)
ax.set_ylabel('Every day Orders', fontsize=14)

# Format x-axis dates
ax.xaxis.set_major_formatter(mdates.DateFormatter('%b %d'))  
ax.xaxis.set_major_locator(mdates.WeekdayLocator(interval=1)) 

# Add anomaly overlay
start_date = pd.to_datetime(end result('when')('begin'))
end_date = pd.to_datetime(end result('when')('finish'))

# Add shaded area
ax.axvspan(start_date, end_date, alpha=0.3, colour='crimson', label=f"Anomaly ({end result('sort')})")

# Add textual content annotation
mid_date = start_date + (end_date - start_date) / 2  # Center of anomaly window
ax.annotate(
    end result('why'), 
    xy=(mid_date, end result('y')), 
    xytext=(10, 20),  # Offset from the purpose
    textcoords='offset factors',
    bbox=dict(boxstyle='spherical,pad=0.5', fc='yellow', alpha=0.7),
    arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=0.1'),
    fontsize=10,
    wrap=True
)

# Add legend
ax.legend()

plt.xticks(rotation=0)
plt.tight_layout()

Die generierte Visualisierung sieht so aus:

Wir können sehen, dass das O3 -Modell die in diesem erste Satz von synthetische Daten vorgestellte Spike -Anomalie korrekt identifiziert hat.

Nicht schlecht, besonders wenn man bedenkt, dass wir kein herkömmliches Modelltraining durchgeführt haben, nur indem wir ein LLM beantragt.

3.2 Schichtanomalie der Ebene

# df_level_shift_anomaly is the dataframe of the 2nd set of artificial information (Determine 2)
level_shift_anomaly_url = create_fig(df_level_shift_anomaly)

# Anomaly detection
end result = anomaly_detection(instruction,
                          level_shift_anomaly_url,
                          response_format=AnomalyReport,
                          reasoning_effort="medium")
print(end result)

Die Ausgabe des Ergebnisses ist unten dargestellt:

{
  'when': {'begin': datetime.date(2025, 8, 26), 'finish': datetime.date(2025, 9, 2)}, 
  'y': 150, 
  'sort': 'level_shift', 
  'why': 'Orders instantly bounce from the 120-135 vary to ~150 on Aug 26 and stay elevated for all subsequent days, indicating a sustained baseline change.', 
  'date_confidence': 'excessive'
}

Auch hier sehen wir, dass das Modell genau identifiziert hat, dass eine Anomalie von „Level_shift“ im Diagramm vorhanden ist:

3.3 Saisonalitätsanomalie

# df_seasonality_anomaly is the dataframe of the third set of artificial information (Determine 3)
seasonality_anomaly_url = create_fig(df_seasonality_anomaly)

# Anomaly detection
end result = anomaly_detection(instruction,
                          seasonality_anomaly_url,
                          response_format=AnomalyReport,
                          reasoning_effort="medium")
print(end result)

Die Ausgabe des Ergebnisses ist unten dargestellt:

{
  'when': {'begin': datetime.date(2025, 8, 23), 'finish': datetime.date(2025, 8, 24)}, 
  'y': 132, 
  'sort': 'seasonal_outlier', 
  'why': 'Weekend of Aug 23-24 reveals order volumes (~130+) on par with surrounding weekdays, whereas different weekends constantly drop to ~115, making it an out-of-season spike.', 
  'date_confidence': 'excessive'
}

Dies ist ein herausfordernder Fall. Dennoch gelang es unser O3 -Modell, es mit genauer Lokalisierung und einer klaren Argumentationsspur ordnungsgemäß anzugehen. Ziemlich beeindruckend:

---

4. Zusammenfassung

Glückwunsch! Wir haben erfolgreich eine Anomalie-Erkennungslösung für Zeitreihendaten erstellt, die vollständig durch Visualisierung und Aufforderung funktionierten.

Durch die Fütterung der täglichen Bestellungsdiagramme in das O3 -Argumentationsmodell und die Einschränkung seiner Ausgabe auf ein JSON -Schema gelang es der LLM, drei verschiedene Anomalentypen mit genauer Lokalisierung zu identifizieren. All dies wurde ohne Coaching eines ML -Modells erreicht. Beeindruckend!

Wenn wir einen Schritt zurück treten, können wir sehen, dass die von uns erstellte Lösung das breitere Muster der Kombination von drei Funktionen zeigt:

• Sehen: Multimodale Eingabe, um das Modell die Zahlen direkt konsumieren zu lassen.
• Denken: Schritt-für-Schritt-Argumentationsfähigkeit, um komplexe Probleme anzugehen.
• Integrieren: Strukturierte Ausgabe, die nachgeschaltete Systeme leicht konsumieren können (z. B. Visualisierungen erzeugen).

Die Kombination aus multimodaler Eingabe + Argumentation + strukturierter Ausgabe erzeugt wirklich eine vielseitige Grundlage für nützliche LLM -Anwendungen.

Sie haben jetzt die Bausteine ​​bereit. Was möchten Sie als nächstes bauen?

Aber Gute Aufforderung das liefert effiziente und zuverlässige Ausgänge ist nicht. Wenn Sprachmodelle in Bezug auf Fähigkeiten und Vielseitigkeit wachsen, hängt von hoher Qualitätsergebnisse mehr ab wie du fragst das Modell als das Modell selbst. Hier kommt immediate Tag für Tag praktische integrierte Erfahrung in Produktionsumgebungen, mit täglich Tausenden von Anrufen.

In diesem Artikel teile ich Fünf praktische schnelle technische Techniken Ich benutze quick jeden Tag, um stabile und zuverlässige, leistungsstarke KI-Workflows zu bauen. Es sind nicht nur Tipps, über die ich gelesen habe, sondern auch Methoden, die ich getestet, verfeinert und auf reale Anwendungsfälle in meiner Arbeit angewiesen habe.

Einige mögen kontraintuitiv erscheinen, andere überraschend einfach, aber alle haben einen wirklichen Unterschied in meiner Fähigkeit, die Ergebnisse, die ich von LLMs erwarte, zu erzielen. Lassen Sie uns eintauchen.

Tipp 1 – Bitten Sie die LLM, eine eigene Eingabeaufforderung zu schreiben

Diese erste Technik könnte sich anfühlen kontraintuitivaber es ist eine, die ich die ganze Zeit benutze. Anstatt zu versuchen, die perfekte Eingabeaufforderung von Anfang an zu erstellen, beginne ich normalerweise mit einer groben Übersicht dessen, was ich will, und dann bitte ich das LLM zu Verfeinern Sie die ideale Aufforderung für selbstbasierend auf zusätzlichem Kontext, den ich anbietet. Das Co-Development-Strategie ermöglicht die schnelle Produktion von sehr präzise und effektive Aufforderungen.

Der Gesamtprozess besteht häufig aus drei Schritten:

• Beginnen Sie mit der allgemeinen Struktur, in der Aufgaben und Regeln befolgt werden sollen
• Iterative Bewertung/Verfeinerung der Aufforderung, dem gewünschten Ergebnis übereinzustimmen
• Iterative Integration von Kantenfällen oder spezifischen Anforderungen

Sobald die LLM eine Eingabeaufforderung vorschlägt, führe ich sie ein paar aus Typische Beispiele. Wenn die Ergebnisse ausgeschaltet sind, optimiere ich die Eingabeaufforderung nicht nur manuell. Stattdessen bitte ich die LLM darum und frage speziell nach eine generische Korrekturwie LLMs dazu neigt, Dinge auf zu spezifische Weise zu patchen. Sobald ich die gewünschte Antwort für die 90 -Prozent -Fälle erhalten habe, leite ich sie im Allgemeinen auf a Stapel der Eingabedaten Analyse der Kantenfälle, die angegangen werden müssen. Anschließend übermittele ich das Drawback an das LLM, in dem das Drawback erläutert wird, während ich die Eingabe und den Ousput einreiche, um die Eingabeaufforderungen iterativ zu optimieren und das gewünschte Ergebnis zu erzielen.

Ein guter Tipp, der im Allgemeinen viel hilft, ist Um die LLM zu verlangen, dass sie Fragen stellen, Bevor Sie schnelle Änderungen vorschlagen, um sicherzustellen, dass sie die Notwendigkeit vollständig versteht.

Warum funktioniert das so intestine?

A. Es ist sofort besser strukturiert.
Insbesondere bei komplexen Aufgaben hilft das LLM dabei, den Problemraum auf eine Weise zu strukturieren, die beides ist logisch Und operativ. Es hilft mir auch klären Sie mein eigenes Denken. Ich vermeide es, in Syntax festgefahren zu werden und mich darauf zu konzentrieren, das Drawback selbst zu lösen.

B. Es reduziert Widersprüche.
Da die LLM die Aufgabe in ihre «eigenen Wörter» übersetzt, ist es weitaus wahrscheinlicher, dass Sie Mehrdeutigkeit oder Widersprüche erkennen. Und wenn dies der Fall ist, bittet es häufig zur Klärung, bevor es eine sauberere, konfliktfreie Formulierung vorschlägt. Immerhin, wer ist es besser, eine Nachricht zu formulieren als Derjenige, der es interpretieren soll?

Stellen Sie sich das vor, als würde man mit einem Menschen kommunizieren: Ein erheblicher Teil der Missverständnisse ergibt sich aus unterschiedlichen Interpretationen. Das LLM findet manchmal etwas Unklares oder Widersprüchliches, das ich für völlig offensichtlich hielt … und am Ende ist es derjenige, der den Job macht, additionally ist es es ist Interpretation, die zählt, nicht meine.

C. Es verallgemeinert besser.
Manchmal kämpfe ich darum, eine klare, abstrakte Formulierung für eine Aufgabe zu finden. Das LLM ist überraschend intestine darin. Es entdeckt das Muster und erzeugt eine verallgemeinerte Eingabeaufforderung, die skalierbarer und robuster für das ist, was ich selbst produzieren könnte.

Tipp 2-Selbstbewertung verwenden

Die Idee ist einfach, aber wieder einmal sehr mächtig. Das Ziel ist zu Zwingen Sie die LLM, die Qualität seiner Antwort selbst zu bewerten bevor Sie es ausgeben. Insbesondere frage ich es seine eigene Antwort bewerten Auf einer vordefinierten Skala beispielsweise von 1 bis 10. Wenn die Punktzahl unter einem bestimmten Schwellenwert liegt wiederholen oder verbessern Die Antwort, abhängig von der Aufgabe. Ich füge manchmal das Konzept hinzu, dass „wenn Sie es besser machen können“, um eine endlose Schleife zu vermeiden.

In der Praxis finde ich es faszinierend, dass ein LLM dazu neigt, sich ähnlich wie Menschen zu verhalten: Es geht oft für die einfachste Antwort und nicht die beste eins. Schließlich werden LLMs auf menschliche erzeugte Daten trainiert und sollen daher die Antwortmuster replizieren. Deshalb geben Sie ihm eine Explizite Qualitätsstandard hilft, das endgültige Ausgangsergebnis erheblich zu verbessern.

Ein ähnlicher Ansatz kann für a verwendet werden Letzte Qualitätskontrolle konzentrieren sich auf die Einhaltung der Regel. Die Idee ist, die LLM zu bitten, seine Antwort zu überprüfen und zu bestätigen, ob eine bestimmte Regel oder alle Regeln vor dem Senden der Antwort befolgt werden. Dies kann dazu beitragen, die Antwortqualität zu verbessern, insbesondere wenn manchmal eine Regel übersprungen wird. Nach meiner Erfahrung ist diese Methode jedoch etwas weniger effektiv als eine selbst zugewiesene Qualitätsbewertung. Wenn dies erforderlich ist, bedeutet dies wahrscheinlich, dass Ihre Eingabeaufforderung oder Ihr KI -Workflow verbessert werden muss.

Tipp 3 – Verwenden Sie eine Antwortstruktur sowie ein gezielter Beispiel, das Format und Inhalt kombiniert

Beispiele zu verwenden ist eine bekannte und leistungsstarke Artwork, um die Ergebnisse zu verbessern… Solange du es nicht übertreibt. Ein intestine ausgewähltes Beispiel ist in der Tat oft hilfreicher als viele Unterrichtszeilen.

Die Antwortstruktur hingegen hilft dabei, genau zu definieren, wie die Ausgabe aussehen sollte, insbesondere für technische oder sich wiederholende Aufgaben. Es vermeidet Überraschungen und hält die Ergebnisse konsistent.

Das Beispiel ergänzt diese Struktur, indem angezeigt wird, wie sie mit verarbeiteten Inhalten gefüllt werden. Diese «Struktur + Beispiel» Die Kombination arbeitet in der Regel intestine.

Beispiele sind jedoch oft texthaarigeund zu vielen von ihnen können es können die wichtigsten Regeln verdünnen oder dazu führen, dass sie weniger konsequent verfolgt werden. Sie erhöhen auch die Anzahl der Token, die Nebenwirkungen verursachen können.

Verwenden Sie additionally Beispiele mit Bedacht: Ein oder zwei intestine ausgewählte Beispiele, die die meisten Ihrer wesentlichen oder Kantenregeln abdecken, reichen normalerweise aus. Das Hinzufügen von mehr lohnt sich möglicherweise nicht. Es kann auch helfen, a hinzuzufügen kurze Erklärung Nach dem Beispiel, warum es der Anfrage entspricht, insbesondere wenn dies nicht wirklich offensichtlich ist. Ich persönlich verwende selten unfavorable Beispiele.

Normalerweise gebe ich ein oder zwei optimistic Beispiele zusammen mit einer allgemeinen Struktur der erwarteten Ausgabe. Meistens wähle ich XML -Tags aus wie <open_tag></close_tag>. Warum? Weil es ist leicht zu analysieren und kann direkt in Informationssystemen zur Nachbearbeitung verwendet werden.

Ein Beispiel zu geben ist besonders nützlich, wenn die Struktur verschachtelt ist. Es macht die Dinge viel klarer.

## Right here is an instance

Anticipated Output :

<objects>
    <merchandise>
        <sub_item>
            <sub_sub_item>
                My sub sub merchandise 1 textual content
            </sub_sub_item>
            <sub_sub_item>
                My sub sub merchandise 2 textual content
            </sub_sub_item>
        </sub_item>
        <sub_item>
            My sub merchandise 2 textual content
        </sub_item>
        <sub_item>
            My sub merchandise 3 textual content
        </sub_item>
    </merchandise>
    <merchandise>
        <sub_item>
            My sub merchandise 1 textual content
        </sub_item>
        <sub_item>
            <sub_sub_item>
                My sub sub merchandise 1 textual content
            </sub_sub_item>
        </sub_item>
    </merchandise>
</objects>

Clarification :

Textual content of the reason

Tipp 4 – Komplexe Aufgaben in einfache Schritte zerlegen

Dieser magazine offensichtlich erscheinen, aber es ist wichtig, um die Antwortqualität im Umgang mit komplexen Aufgaben hoch zu halten. Die Idee ist Eine große Aufgabe in mehrere kleinere, intestine definierte Schritte aufzuteilen.

Genau wie das menschliche Gehirn kämpft, wenn es Multitasking hat, liefern LLMs dazu, Antworten von geringerer Qualität zu erzielen, wenn die Aufgabe zu weit gefasst ist oder zu viele verschiedene Ziele gleichzeitig mit sich bringt. Wenn ich Sie beispielsweise auffordere, 125 + 47, dann 256 – 24 und schließlich 78 + 25, eine nacheinander, sollte dies (hoffentlich :)) in Ordnung sein. Aber wenn ich Sie auf bitte, mir die drei Antworten auf einen Blick zu geben, wird die Aufgabe komplexer. Ich denke gerne, dass sich LLMs genauso verhalten.

Anstatt ein Modell zu bitten, alles auf einmal zu tun, als würde man einen Artikel übersetzen, es übersetzen und es in HTML formatieren, ziehe ich es vor, den Prozess in zwei oder drei einfachere Schritte zu unterteilen, die jeweils von einer separaten Eingabeaufforderung behandelt werden.

Der Hauptabnutzung dieser Methode besteht darin, dass sie Ihrem Code eine gewisse Komplexität verleiht, insbesondere wenn Informationen von einem Schritt zum nächsten übergeben werden. Aber moderne Frameworks mögen Langchainwas ich persönlich liebe und benutze, wenn ich mich mit dieser Scenario befassen muss, und diese Artwork von sequentiellem Aufgabenmanagement sehr einfach zu implementieren.

Tipp 5 – Fragen Sie die LLM um Erklärung

Manchmal ist es schwer zu verstehen Warum Die LLM gab eine unerwartete Antwort. Sie könnten anfangen, Vermutungen zu machen, aber der einfachste und zuverlässigste Ansatz könnte einfach einfach Bitten Sie das Modell, seine Argumentation zu erklären.

Einige mögen sagen, dass die Vorhersage von LLM nicht erlaubt, dass LLM ihre Gründe tatsächlich erklärt, weil es einfach tut nicht Grund, aber meine Erfahrung zeigt das:

1- Meistens wird es effektiv umleiten eine logische Erklärung das hat seine Reaktion hervorgebracht

2- Durch diese Erläuterung werden die sofortige Änderung vorgenommen, korrigiert im Allgemeinen die falsche Beantwortung von LLM.

Natürlich ist dies kein Beweis dafür, dass die LLM tatsächlich argumentiert, und Es ist nicht meine Aufgabe, dies zu beweisenAber ich kann sagen, dass diese Lösung für die sofortige Optimierung sehr intestine in Pratice funktioniert.

Diese Technik ist besonders hilfreich bei der Entwicklung, Vorproduktion oder sogar in den ersten Wochen nach dem Dwell. In vielen Fällen ist es schwierig, alle möglichen Randfälle in einem Prozess zu antizipieren, der auf einem oder mehreren LLM -Anrufen beruht. Zu verstehen können Warum Das Modell, das eine bestimmte Antwort erzeugt hat, hilft Ihnen dabei, die genaueste Behebung zu entwerfen, die das Drawback löst, ohne an anderer Stelle unerwünschte Nebenwirkungen zu verursachen.

Abschluss

Die Arbeit mit LLMs ist ein bisschen wie mit einem genialen Praktikant, wahnsinnig schnell und fähig, aber oft unordentlich und in alle Richtungen, wenn Sie nicht klar sagen, was Sie erwarten. Das Beste aus einem Praktikum herauszuholen, sind klare Anweisungen und ein wenig Managementerfahrung erforderlich. Das gleiche gilt für LLMs, für die Intelligente Aufforderung und Erfahrung machen den Unterschied.

Die fünf Techniken, die ich oben geteilt habe Praktische Methoden Ich benutze täglich, um zu gehen über generische Ergebnisse hinaus mit Normal -Aufforderungstechnik erhalten und die qualitativ hochwertigen, die ich benötige. Sie helfen mir durchweg, die korrekten Ausgänge in großartige zu verwandeln. Egal, ob es sich um Aufforderungen an das Modell handelt, Aufgaben in überschaubare Teile einteilen oder einfach die LLM fragen Warum Eine Antwort ist was es ist, Diese Strategien sind zu wesentlichen Werkzeugen in meiner täglichen Arbeit geworden, um die besten KI -Workflows zu erstellen, die ich kann.

Bei schnellem Engineering geht es nicht nur darum, klare und intestine organisierte Anweisungen zu schreiben. Es geht um Verständnis Wie Das Modell interpretiert sie und entsprechen Ihren Ansatz entsprechend. Die schnelle Ingenieurwesen sind in einer Artwork Kunst, eine Artwork von Nuance, Finesse und persönlichem Stil, in dem keine zwei schnellen Designer die gleichen Zeilen schreiben, was zu unterschiedlichen Ergebnissen in Bezug auf Stress und Schwächen führt. Immerhin bleibt eine Sache mit LLMs wahr: Je besser Sie mit ihnen sprechen, desto besser arbeiten sie für Sie.