# Erste Schritte mit ML Intern

Sind Sie schon einmal in der bekannten Scenario steckengeblieben, dass Sie eine Modellidee haben, aber die Lücke zwischen „Ich lese die Zeitung“ und „Ich habe einen trainierten Kontrollpunkt am Hub“ immer noch ein ganzes Wochenende verschlingt? ML-Praktikant ist Umarmendes GesichtDer Versuch, diese Lücke zu schließen. Dabei handelt es sich um einen Open-Supply-Befehlszeilenschnittstellen-Agenten (CLI) von Hugging Face, mit dem Sie maschinelle Lernaufgaben in einfachem Englisch beschreiben können.

Anstatt alles manuell zusammenzusetzen, können Sie es mit der Feinabstimmung eines Modells, der Durchsicht einer Forschungsarbeit oder dem Starten eines Trainingslaufs beauftragen. Es übernimmt die Artwork von Arbeit, die ein Junior-Ingenieur für maschinelles Lernen normalerweise erledigen würde: Dokumente lesen, GitHub durchsuchen, Skripte schreiben, Jobs starten, Ergebnisse überprüfen und iterieren.

Es ist durchgehend auf dem Hugging Face-Stapel aufgebaut. Es kann nach Artikeln im Hub suchen und arXivmit Datensätzen arbeiten, GPU-Trainingsjobs mit HF-Jobs starten, Experimente protokollieren mit Trackiound veröffentlichen Sie trainierte Modelle wieder im Hub, wenn alles erledigt ist. Unter der Haube nutzt es das Smolagenzien Framework und leitet Modellaufrufe über Hugging Face Inference Supplier oder lokale Endpunkte weiter, wenn Sie lieber keine API-Credit verbrennen möchten.

Es ist weniger wie „ChatGPT für Code“, sondern eher wie ein Forschungspraktikant, der tatsächlich Shell-Zugriff und ein Hugging Face-Konto hat. Das Repository ist Huggingface/ml-intern. Sie können damit experimentieren, es an Ihre Bedürfnisse anpassen oder es sogar in Ihren Steady Integration (CI)-Workflow integrieren.

# Verstehen, warum ML-Praktikant hilft

Echte maschinelle Lernforschung ist nicht linear. Sie lesen etwas, jagen einem Zitat nach, finden einen Datensatz, der quick passt, schreiben den Datenlader zweimal neu, trainieren, stellen fest, dass Ihre Bewertung falsch battle, korrigieren das Drawback und trainieren erneut. ML Intern wurde entwickelt, um einen Großteil dieser sich wiederholenden Arbeit zu automatisieren, sodass Sie sich auf Forschungsentscheidungen konzentrieren können, anstatt wiederholt Setup-Code zu schreiben.

Im Gegensatz zu herkömmlichen Chatbots hört es nicht auf, nachdem eine Antwort generiert wurde. Stattdessen folgt ein iterativer Arbeitsablauf.

Die ML Intern-Workflow-Schleife

Hugging Face veröffentlichte Ergebnisse, die zeigten, dass sich der Wirkstoff bei GPQA, einem Maßstab für wissenschaftliches Denken, in weniger als 10 Stunden auf einem kleinen Qwen-Modell von etwa 10 % auf etwa 32 % verbesserte. Unabhängig davon, ob Sie sich für diesen spezifischen Benchmark interessieren oder nicht, haben Sie immer noch das gute Gefühl, dass es sich hierbei nicht um ein Spielzeug handelt, das ein Skript schreibt und dann aufhört. Es ist darauf ausgelegt, weiterzumachen.

Das sind genügend Hintergrundinformationen, um zu verstehen, warum das Projekt existiert. Jetzt ist es an der Zeit, es zu verwenden. Stellen Sie jedoch zunächst sicher, dass die erforderliche Einrichtung vorhanden ist.

# Prüfung der Voraussetzungen

Sie benötigen ein Hugging Face-Konto, Python, UVund ein paar Token.

Wenn Sie überspringen HF_TOKENfragt die CLI beim ersten Begin nach einem, es sei denn, Sie führen ein vollständig lokales Modell aus. Wenn Sie nicht sicher sind, wie Sie einen der beiden Token erstellen, lesen Sie die offiziellen Anleitungen Umarmungsgesichts-Zugriffstoken Und Persönliche GitHub-Zugriffstoken.

# ML Intern installieren

Kopieren Sie die folgenden Befehle und führen Sie sie aus.

git clone git@github.com:huggingface/ml-intern.git
cd ml-intern
uv sync
uv instrument set up -e .

Sobald das erledigt ist, ml-intern Funktioniert aus jedem Verzeichnis. Ein kurzer Gesundheitscheck:

Fügen Sie Folgendes zu Ihrem hinzu .env Datei oder exportieren Sie äquivalente Variablen in Ihre Shell.

HF_TOKEN=hf_your_token_here
GITHUB_TOKEN=ghp_your_token_here

# Vergleich interaktiver und Headless-Modi

Bevor Sie mit der ersten Ausführung beginnen, ist es hilfreich, die beiden Modi zu verstehen, die der Agent unterstützt.

// Verwenden des interaktiven Modus

Führen Sie den folgenden Befehl aus, um Ihren Agenten für maschinelles Lernen zu starten.

Dadurch wird eine Chat-Sitzung geöffnet. Sie können beschreiben, was Sie wollen, der Agent plant die Schritte, bittet vor riskanten Eingriffen um Genehmigung und hält Sie über den laufenden Betrieb auf dem Laufenden. Sie können sogar mitten im Gespräch Fashions austauschen mit:

Einige gute Anregungen für Anfänger sind:

• „Suchen Sie einen kleinen Klassifizierungsdatensatz im Hub und zeigen Sie mir, wie ich ihn laden kann Datensätze Bibliothek.“
• „Fassen Sie dieses Papier zusammen und pay attention Sie auf, welche Datensätze es verwendet: (arXiv-Hyperlink).“
• „Schreiben Sie ein Feinabstimmungsskript für die minimale Low-Rank-Adaption (LoRA) für Qwen2.5-0.5B auf einem winzigen öffentlichen Datensatz. Beginnen Sie noch nicht mit dem Coaching, sondern schreiben Sie einfach das Skript.“

// Verwenden des Headless-Modus

ml-intern "fine-tune llama on my dataset"

Dieser Modus verwendet eine einzige Eingabeaufforderung und genehmigt Aktionen automatisch. Der Agent wird ausgeführt, bis er fertig ist oder das Iterationslimit erreicht. Dies ist der Modus, den Sie für nächtliche Experimente in eine GitHub-Aktion einfügen würden.

Einige nützliche Flags, sobald Sie sich wohl fühlen:

ml-intern --max-iterations 100 "your immediate"   # cap the funds
ml-intern --no-stream "your immediate"            # cleaner output for CI logs
ml-intern --sandbox-tools "take a look at this in a GPU sandbox"
ml-intern --model moonshotai/Kimi-K2.7-Code:novita "your immediate"

Wenn Sie gerade erst anfangen, probieren Sie zunächst den interaktiven Modus aus. Sobald Sie sich wohl fühlen, wechseln Sie zur Automatisierung in den Headless-Modus.

# Starten Sie Ihren ersten Lauf

Verwenden Sie in beiden Modi dieselbe Eingabeaufforderung, damit Sie die Unterschiede erkennen können. Wir beginnen mit einer kleinen Aufgabe, die keine Schulung erfordert. Das Ziel besteht einfach darin, einen Datensatz auf dem Hugging Face Hub zu finden und ein Ladeskript zu schreiben.

Die Aufforderung:

Discover the rotten_tomatoes dataset on the Hub and write a brief Python script that hundreds it with datasets and prints the primary instance. Put it aside to load_dataset.py. Don't run coaching.

Stellen Sie sicher, dass Sie .env Die Datei enthält beides HF_TOKEN Und GITHUB_TOKEN bevor Sie beginnen.

// Läuft im interaktiven Modus

Sie öffnen eine Chat-Sitzung, geben die Eingabeaufforderung ein, beobachten, wie sie funktioniert, und folgen bei Bedarf nach.

Führen Sie diesen Befehl aus:

Geben Sie dann Ihre Eingabeaufforderung ein > immediate:

Discover the rotten_tomatoes dataset on the Hub and write a brief Python script that hundreds it with datasets and prints the primary instance. Put it aside to /tmp/load_dataset_interactive.py. Don't run coaching.

Ausgabe:

Initializing agent runtime...
 Person: kanwal8008
 Mannequin: zai-org/GLM-5.2:novita
 Instrument runtime: native filesystem
 Instruments: 25 loaded
/assist for instructions · /mannequin to modify · /give up to exit
Prepared. Let's construct one thing spectacular.
> Discover the rotten_tomatoes dataset on the Hub and write a brief Python script that hundreds it with datasets and prints the primary instance. Put it aside to /tmp/load_dataset_interactive.py. Don't run coaching.
The dataset is cornell-movie-review-data/rotten_tomatoes. It has a single default config with practice/validation/take a look at splits, columns are textual content and label. Writing the script now.
▸ write {"content material": """"Load the rotten_tomatoes dataset from the HF Hub and print th..."}
Carried out. The script is saved to /tmp/load_dataset_interactive.py.
What it does:
 - Masses cornell-movie-review-data/rotten_tomatoes through datasets.load_dataset
 - Prints the record of splits (practice, validation, take a look at)
 - Prints the primary coaching instance (a {"textual content": ..., "label": ...} dict)
Dataset particulars:
 - Columns: textual content (film evaluation sentence), label (0 = damaging, 1 = constructive)
 - ~10.6k examples complete (5,331 constructive / 5,331 damaging)
You may run it regionally with:
 python /tmp/load_dataset_interactive.py
> /give up
Bye.

Von ihm erstellte Datei (/tmp/load_dataset_interactive.py):

"""Load the rotten_tomatoes dataset from the HF Hub and print the primary instance."""
from datasets import load_dataset

# Load the total dataset (all splits) from the Hub
ds = load_dataset("cornell-movie-review-data/rotten_tomatoes")

print("Dataset splits:", record(ds.keys()))
first_train = ds("practice")(0)
print("First coaching instance:")
print(first_train)
print("nLabel which means: 0 = damaging, 1 = constructive")

Der interaktive Modus bietet Ihnen während der Arbeit mehr Kontext, einschließlich Datensatzdetails, was das Skript tut und wie es ausgeführt wird. Sie können vor der Eingabe auch weitere Fragen stellen /give up.

// Läuft im Headless-Modus

Mit einem Befehl wird der Agent von Anfang bis Ende ausgeführt und dann beendet.

Führen Sie diesen Befehl aus:

ml-intern --max-iterations 15 --no-stream 
"Discover the rotten_tomatoes dataset on the Hub and write a brief Python script that hundreds it with datasets and prints the primary instance. Put it aside to /tmp/load_dataset.py. Don't run coaching."

Ausgabe:

HF token loaded
Mannequin: zai-org/GLM-5.2:novita
Instrument runtime: native filesystem
Max iterations: 15
Immediate: Discover the rotten_tomatoes dataset on the Hub and write a brief Python script that hundreds it with datasets and prints the primary instance. Put it aside to /tmp/load_dataset.py. Don't run coaching.
---
▸ hf_inspect_dataset {"dataset": "cornell-movie-review-data/rotten_tomatoes", "sample_rows": 1}
▸ write {"content material": "from datasets import load_datasetnndataset = load_dataset("rotte..."}
▸ bash {"command": "cd /tmp && python load_dataset.py", "description": "Run the dataset..."}
Carried out. The script is saved at /tmp/load_dataset.py and verified working. It hundreds the rotten_tomatoes dataset (dataset ID: cornell-movie-review-data/rotten_tomatoes) through datasets.load_dataset and prints the primary coaching instance:
 {'textual content': 'the rock is destined to be the twenty first century's new " conan " ...',
 'label': 1}
The dataset has two columns -- textual content (the evaluation) and label (0 = damaging, 1 = constructive) -- throughout practice (8,530 rows), validation (1,066), and take a look at (1,066) splits.
--- Agent turn_complete (history_size=9) ---

Von ihm erstellte Datei (/tmp/load_dataset.py):

from datasets import load_dataset
dataset = load_dataset("rotten_tomatoes", cut up="practice")
print(dataset(0))

Der Headless-Modus genehmigt alles automatisch. Dies ist nützlich, wenn Sie wissen, was Sie wollen und den Lauf nicht in der Mitte steuern müssen.

# Ausführen eines ML-Praktikanten mit lokalen Modellen

Wenn Sie Hugging Face Inference Suppliers lieber nicht nutzen oder für die API-Nutzung bezahlen möchten, kann ML Intern auch mit lokal gehosteten Modellen arbeiten. Anstatt die Modellgewichte selbst herunterzuladen und zu laden, stellt ML Intern eine Verbindung zu einem OpenAI-kompatiblen Server her, der bereits auf Ihrem Pc ausgeführt wird.

Das bedeutet, dass Sie beliebte lokale Inferenz-Frameworks verwenden können, wie zum Beispiel:

Wenn Sie beispielsweise Ollama verwenden, können Sie Folgendes ausführen:

ml-intern --model ollama/llama3.1:8b "Summarize the README on this repository."

Oder, wenn Sie ein Modell mit vLLM ausführen:

ml-intern --model vllm/meta-llama/Llama-3.1-8B-Instruct "Your immediate"

Wenn Ihr lokaler Modellserver auf einem benutzerdefinierten Endpunkt ausgeführt wird, können Sie ihn mit Umgebungsvariablen konfigurieren:

LOCAL_LLM_BASE_URL=http://localhost:8000
LOCAL_LLM_API_KEY=optional-if-your-server-requires-it

Einige Anbieter unterstützen auch eigene Umgebungsvariablen. Wenn Sie beispielsweise Ollama verwenden, können Sie Folgendes festlegen OLLAMA_BASE_URLdas Vorrang vor dem Generikum hat LOCAL_LLM_BASE_URL. Es ist wichtig zu bedenken, dass ein kleines lokales Modell Probleme mit mehrstufigen Trainingspipelines haben wird. Für Erkundungen und das Verfassen von Skripten eignet es sich intestine, aber für ernsthafte Agentenschleifen benötigen Sie etwas mit mehr Denkspielraum.

# Verstehen, wie ML Intern funktioniert

Sie müssen sich die Architektur nicht merken, aber es hilft zu wissen, warum der Agent manchmal innehält und Sie auffordert, etwas zu genehmigen. Der Agent führt standardmäßig eine iterative Schleife von bis zu 300 Runden aus. Das folgende Flussdiagramm gibt eine ungefähre Vorstellung davon, was bei jedem Anruf passiert.

Wie ML Intern jeden Anruf verarbeitet

Eine der größten Stärken von ML Intern ist die Anzahl der sofort einsatzbereiten Instruments. Integrierte Instruments decken das HF-Ökosystem ab, einschließlich Dokumente, Datensätze, Repositories, Dokumente und Jobs, außerdem GitHub-Suche, lokale Dateioperationen, Planungshilfen und alles, was Sie anhängen Mannequin Context Protocol (MCP). Es gibt sogar einen Doom-Loop-Detektor, der wiederholte Instrument-Aufrufe mit denselben Argumenten abfängt. Dies ist ein bekanntes Drawback, wenn Sie zuvor Codierungsagenten verwendet haben.

Jede Sitzung kann automatisch in einen privaten Datensatz in Ihrem Hub-Konto hochgeladen werden ({username}/ml-intern-sessions) in einem Format, das Agent Hint Viewer versteht. Diese Ablaufverfolgungen sind besonders nützlich für das Debuggen, da Sie damit jeden Argumentationsschritt des Agenten überprüfen können. Wenn etwas schief geht, können Sie die Sitzung im Agent Hint Viewer öffnen und genau sehen, wo der Agent eine schlechte Entscheidung getroffen hat.

Sie können auch steuern, wie Traces während einer Sitzung geteilt werden:

/share-traces personal
/share-traces public

Alternativ können Sie Hint-Uploads vollständig über die Konfigurationsdatei deaktivieren, wenn Sie den Sitzungsverlauf nicht speichern möchten.

# Häufige Fehler vermeiden

• Seien Sie bei Ihren Eingabeaufforderungen konkret. „Lama verfeinern“ ist vage. „Feinabstimmung meta-llama/Llama-3.2-1B An imdb mit LoRA, max. 1 Epoche, nicht zum Hub pushen“ ist besser.
• Achten Sie auf die Genehmigungen. Ausbildungsberufe kosten Geld. Sandkästen kosten Geld. Der Agent wird Sie fragen, additionally genehmigen Sie nicht gleich beim ersten Mal alles blind.
• Satz --max-iterations wenn Sie experimentieren. Das Standardlimit von 300 Iterationen eignet sich hervorragend für komplexe Aufgaben, kann jedoch beim Testen Rechenleistung verschwenden.
• Überprüfen Sie Ihre Spuren. Wenn etwas Seltsames passiert, ist Ihr privater Sitzungsdatensatz auf dem Hub der Black-Field-Recorder.

# Die nächsten Schritte unternehmen

ML Intern wird Ihr Urteilsvermögen nicht ersetzen. Sie müssen noch die Trainingsprotokolle lesen, die Bewertung auf Plausibilität überprüfen und entscheiden, ob 32 % bei GPQA tatsächlich Ihren Wünschen entsprechen. Aber wenn Sie jemals auf eine leere Stelle gestarrt haben practice.py Wenn Sie sich fragen, wo Sie anfangen sollen, ist es ein guter erster Schritt, einen Praktikanten zu haben, der den Hub bereits kennt.

Laufen ml-internGeben Sie ihm etwas Kleines und sehen Sie, was es bewirkt. Das ist das Spiel am Anfang. Ein paar praktische nächste Schritte:

• Entdecken Sie das GitHub-Repository. Durchsuchen Sie den Quellcode, sehen Sie sich Beispiele an und bleiben Sie über neue Funktionen und Verbesserungen auf dem Laufenden.
• Erstellen Sie Ihre eigenen benutzerdefinierten Instruments. ML Intern ist erweiterbar. Sie können Ihre eigenen Werkzeuge hinzufügen, indem Sie die ändern agent/core/instruments.py Datei und Neuinstallation des Pakets:

uv instrument set up -e . --force

• Verbinden Sie MCP-Server. Wenn Sie MCP verwenden, können Sie externe Instruments und Dienste anhängen, indem Sie das aktualisieren configs/cli_agent_config.json Datei. Umgebungsvariablen wie z ${YOUR_TOKEN} werden automatisch von Ihrem geladen .env Datei.
• Aktivieren Sie Slack-Benachrichtigungen. Satz SLACK_BOT_TOKEN Und SLACK_CHANNEL_ID wenn Sie Ping-Benachrichtigungen wünschen, wenn Sie fertig sind.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Meta Platforms Inc. hat in Australien quick 550.000 Konten deaktiviert, um dem neuen landesweiten Social-Media-Verbot für Benutzer unter 16 Jahren nachzukommen, gab das Unternehmen am bekannt Medium. Diese Aktion umfasst 330.000 Instagram-Konten, 173.000 Fb-Konten und 40.000 Threads-Konten, bei denen festgestellt wurde, dass sie Kindern gehören.

Australiens Mindestalter für Social-Media-Verbote, das zehn Plattformen betrifft, darunter Fb, Instagram, TikTok, Snapchat,

Reddit hat eine Klage gegen die australische Regierung eingereicht und geltend gemacht, dass seine Plattform, die es nicht als Social-Media-Web site einstuft, aufgrund von Bedenken hinsichtlich der Privatsphäre und der politischen Meinungsäußerung vom Verbot ausgenommen werden sollte. Meta hat sich ebenfalls gegen das Verbot ausgesprochen und verwies auf die mögliche Isolation von Teenagern aus On-line-Help-Communitys und eine Verlagerung minderjähriger Nutzer in weniger regulierte Teile des Internets. Das Unternehmen stellte außerdem inkonsistente Methoden zur Altersüberprüfung und mangelndes Interesse an der Einhaltung der Vorschriften durch Jugendliche und Eltern fest.

Plattformen bestimmen das Alter mithilfe verschiedener Methoden, einschließlich der Altersableitung basierend auf Aktivität und Selfie-Verifizierung. Meta schrieb: „Die fortlaufende Einhaltung der Gesetze wird ein vielschichtiger Prozess sein, den wir weiter verfeinern werden, obwohl unsere Bedenken hinsichtlich der On-line-Altersbestimmung ohne Branchenstandard bestehen bleiben.“

Hervorgehobener Bildnachweis

Okay, das ist zu viel. Die Arbeit mit ChatGPT 4o mit Canvas ist ein Hack.

Uns conflict bewusst, wie weit LLMs und KI-Instruments fortgeschritten sind, aber diese Funktion bringt die Dinge auf eine ganz neue Ebene. Glaubst du, dass du nur ein paar Vorschläge und Änderungen bekommst? Nein, Sie sind dabei, Ihren gesamten Arbeitsablauf zu verändern.

ChatGPT 4o mit Canvas bietet eine effiziente Möglichkeit, mit KI zu interagieren und Ihnen ein interaktiveres Erlebnis zu bieten. Mit der Canvas-Funktion können Sie Dokumente nahtlos erstellen, bearbeiten und verwalten und eignen sich somit perfekt für die Erstellung von Inhalten, Brainstorming und Zusammenarbeit.

In diesem Leitfaden führen wir Sie durch alles, was Sie über die Verwendung von ChatGPT 4o mit Canvas wissen müssen, basierend auf unseren Erfahrungen aus erster Hand mit dem Device.

Was ist ChatGPT 4o mit Canvas?

Canvas ist ein flexibles, in ChatGPT 4o integriertes Device, mit dem Sie Dokumente strukturiert erstellen und bearbeiten können. Sie erhalten Echtzeitbearbeitung, Versionskontrolle und die Generierung umfangreicher Inhalte – alles an derselben Stelle, an der Sie mit ChatGPT interagieren.

Egal, ob Sie lange Artikel schreiben, Entwürfe verwalten oder einfach nur Ihre Gedanken visuell ordnen, Canvas steht Ihnen zur Seite. Die Stärke von Canvas liegt in seiner Fähigkeit, sich an Ihren Arbeitsablauf anzupassen und eine reibungslose, benutzerfreundliche Oberfläche bereitzustellen, die Ihre gesamte Arbeit organisiert und zugänglich hält.

Mit ChatGPT 4o mit Leinwandkönnen Sie zwischen dem Brainstorming von Ideen, dem Entwerfen, Bearbeiten und Verfeinern Ihrer Arbeit wechseln – und erhalten gleichzeitig hilfreiche KI-Vorschläge. Es ist als Ihr ultimativer Begleiter bei der Erstellung von Inhalten konzipiert.

Hauptfunktionen von ChatGPT 4o mit Canvas

Mit Canvas können Sie direkt in ein leeres Dokument springen und interaktiv mit der Arbeit beginnen. Folgendes können Sie tun:

• Erstellen Sie neue Dokumente von Grund auf, was best ist, wenn Sie Inspiration finden.
• Bearbeiten und verfeinern Sie Ihre Inhalte in mehreren Sitzungen und stellen Sie so sicher, dass Sie die Freiheit haben, Ihre Arbeit noch einmal zu überdenken und zu perfektionieren.

Diese Flexibilität macht es sowohl für kurzfristige als auch für langfristige Projekte geeignet. Egal, ob Sie kurze Notizen machen oder an einem umfangreichen Bericht arbeiten müssen, Canvas bietet die Instruments, die Sie benötigen, um alles an einem Ort zu speichern.

Mit ChatGPT 4o mit Canvas können Sie verschiedene Arten von Inhalten hinzufügen, darunter:

• Textual content mit verschiedenen Formatierungsoptionen, mit denen Sie wichtige Punkte hervorheben können.
• Hyperlinks, Pay attention und Tabellen machen Ihre Dokumente informativ und einfach zu navigieren.
• Bilder und andere Medien heben Ihre Inhalte hervor und verwandeln einfachen Textual content in ein ansprechendes visuelles Erlebnis.

Mit diesen Funktionen ist Canvas ein umfassendes Device zur Inhaltserstellung. Sie können optisch ansprechende Dokumente erstellen, die nicht nur informativ, sondern auch ansprechend für Ihr Publikum sind.

ChatGPT 4o mit Canvas verfügt über mehrere Instruments, die Ihnen beim Polieren Ihrer Inhalte helfen:

• Schlagen Sie Änderungen vor: Markieren Sie Teile Ihres Textes und erhalten Sie Verbesserungsvorschläge. Wenn Sie diese Funktion verwenden, werden Ihnen hervorgehobene Bereiche und spezifische Hinweise zur Verbesserung Ihrer Inhalte angezeigt. Dies ist perfekt, wenn Sie nicht weiterkommen oder eine neue Perspektive benötigen.
• Länge anpassen: Passen Sie mit einem Schieberegler die Länge Ihres Textes an – machen Sie ihn ausdrucksvoller oder erweitern Sie ihn, um ihm mehr Tiefe zu verleihen. Wir haben diese Funktion genutzt, um unseren detaillierten Inhaltsplan in einem prägnanten Format zusammenzufassen. Es eignet sich perfekt zur Anpassung an die Bedürfnisse Ihres Publikums und stellt sicher, dass Ihre Botschaft entsprechend zugeschnitten ist.
• Leseniveau: Passen Sie den Ton Ihres Textes an, indem Sie ein Leseniveau auswählen, vom Kindergarten- bis zum Hochschulniveau. Dies macht es einfach, Inhalte für unterschiedliche Zielgruppen anzupassen, egal ob Sie etwas Einfaches oder etwas Anspruchsvolleres benötigen. Wir fanden dies besonders nützlich, wenn wir Inhalte für unterschiedliche Kundengruppen erstellen.
• Fügen Sie den letzten Schliff hinzu: Geben Sie Ihren Inhalten eine abschließende Überprüfung, um sicherzustellen, dass alles reibungslos und verfeinert ist. Das Klicken auf diese Choice führte zu einem strukturierten und intestine organisierten Artikel mit korrekten Überschriften und einem ausgefeilten Ablauf. Es ist der letzte Schliff, der Ihren Inhalten Glanz verleiht und einen Rohentwurf in etwas für die Veröffentlichung verwandelt.
• Emojis hinzufügen: Fügen Sie einige relevante Emojis hinzu, um Ihre Inhalte ansprechender und ausdrucksvoller zu gestalten. Wir haben diese Funktion getestet und relevante Emojis hinzugefügt, um wichtige Punkte hervorzuheben und den Inhalt lebendiger zu machen. Emojis können eine persönliche Observe verleihen und dabei helfen, Emotionen zu vermitteln oder wichtige Abschnitte Ihres Textes hervorzuheben, was besonders bei sozialen Medien oder informellen Inhalten effektiv sein kann.

Sie können auf diese Werkzeuge zugreifen, indem Sie auf das Stiftsymbol in der unteren rechten Ecke Ihrer Leinwand klicken. Das Bearbeitungsmenü bietet Ihnen alle diese Optionen, um sicherzustellen, dass Ihre Inhalte glänzen, und bietet Ihnen die Flexibilität, Ihre Arbeit genau so zu gestalten, wie Sie es möchten.

So verwenden Sie ChatGPT 4o mit Canvas: Unsere Erfahrung

Schritt 1: Erstellen eines neuen Dokuments

Öffnen Sie ChatGPT wie gewohnt. Wählen Sie das Modell „ChatGPT 4o mit Canvas“.

Schritt 2: Inhalte hinzufügen

Als wir Canvas zum ersten Mal ausprobierten, wollten wir einen flexiblen Tagesplan erstellen, um Inhalte für mehrere Blogs und Web sites zu verwalten.

Die von uns verwendete Eingabeaufforderung conflict:

„Ich möchte mir einen flexiblen Tagesplan erstellen. Ich habe 4 verschiedene Web sites/Blogs. Ich schreibe von Montag bis Freitag Inhalte für sie. Nennen wir sie: Kanal A: 4 lange Artikel professional Tag, Kanal B: 2 Social-Media-Beiträge, Kanal C: 1 langer Unternehmensblog-Artikel, Kanal D: 1 Originalartikel in meiner Muttersprache. Ich beginne um 10:00 Uhr mit der Arbeit und beende um 18:00 Uhr: 00.“

ChatGPT kam mit einem detaillierten Zeitplan zurück, der uns dabei half, unsere Arbeitsbelastung auszugleichen und gleichzeitig Zeit für Pausen zu haben. Sie können das Gleiche tun – beginnen Sie einfach mit der Eingabe im Canvas und bitten Sie ChatGPT um Hilfe bei Ideen, der Verbesserung Ihres Schreibens oder der Strukturierung Ihrer Pläne.

Anschließend haben wir das Canvas-Panel verwendet, um diesen Zeitplan zu verfeinern. Auf der rechten Seite haben wir direkt Änderungen vorgenommenwährend auf der linken Seite, wir könnten ChatGPT veranlassen, komplexere Anpassungen vorzunehmen.

Dieser duale Ansatz ermöglichte es uns, unseren Arbeitsablauf anzupassen, wodurch es einfacher wurde, Ideen zu verfeinern und schnelle Anpassungen in Echtzeit vorzunehmen.

Als nächstes baten wir um eine Zusammenfassung unseres Zeitplans in tabellarischer Kind. Das Ergebnis? Eine übersichtliche, übersichtliche Tabelle, die den Zeitplan viel leichter verständlich machte. Canvas macht es wirklich einfach, von einem absatzlastigen Plan zu einem optisch klaren und organisierten Format zu wechseln.

Diese Artwork der Transformation ist besonders hilfreich, wenn Informationen Kunden oder Teammitgliedern präsentiert werden, die einen Überblick auf einen Blick bevorzugen.

Schritt 3: Bearbeitungswerkzeuge verwenden

Nachdem wir den Zeitplan erstellt hatten, untersuchten wir die Bearbeitungswerkzeuge:

• Schlagen Sie Änderungen vor: Dieses Device hebt bestimmte Teile unseres Inhalts gelb hervor und bietet umsetzbare Verbesserungshinweise. Wir fanden dies sehr hilfreich, um Klarheit und Fluss zu verbessern. Es ist, als ob Sie einen Redakteur an Ihrer Seite hätten, der Ihnen genau zeigt, was optimiert werden muss.

• Emojis hinzufügen: Das Hinzufügen von Emojis conflict ein Kinderspiel. Wir haben auf die Choice geklickt und relevante Emojis wurden automatisch hinzugefügt, um den Inhalt ansprechender zu gestalten. Diese kleine Ergänzung machte einen großen Unterschied darin, wie zugänglich sich der Inhalt anfühlte.
• Fügen Sie den letzten Schliff hinzu: Wir haben auf diese Choice geklickt, um den gesamten Artikel zu verbessern. Es verwandelte unseren Entwurf in einen strukturierteren Artikel mit richtigen Überschriften und einem professionellen Contact, sodass er zur Veröffentlichung bereit conflict. Die Politur-Funktion hat unseren Entwurf wirklich von „intestine“ zu „großartig“ gemacht und sich um alle kleinen Particulars gekümmert, die sonst zeitaufwändig sein könnten.

ChatGPT conflict Assistent, jetzt ist er Co-Autor

Als wir anfingen, ChatGPT 4o mit Canvas zu verwenden, stellten wir fest, wie viel einfacher es unseren Arbeitsablauf beim Erstellen, Bearbeiten und Zusammenarbeiten an Dokumenten machte. Ganz gleich, ob wir einen Artikel verfassten, einen Bericht verfassten oder einfach nur Ideen sammelten: Canvas bot eine intuitive Plattform, die KI-Unterstützung nahtlos mit Dokumentenverwaltungsfunktionen kombinierte. Es fühlte sich an, als ob immer ein hilfsbereiter Co-Autor da wäre, der uns durch jede Section des Schreibprozesses begleitete, von Anfang bis Ende.

Bildnachweis: OpenAI

In diesem Sommer kamen 350 Teilnehmer zum MIT, um sich mit einer Frage zu befassen, für die es bislang kaum Antworten gibt: Wie kann Bildung weiterhin Chancen für alle schaffen, wenn digitale Kompetenz nicht mehr ausreicht – in einer Welt, in der Schüler mittlerweile über fließende KI-Kenntnisse verfügen müssen?

Der KI- und Bildungsgipfel Gastgeber warfare die MIT RAISE Initiative (Accountable AI for Social Empowerment and Training) in Cambridge, Massachusetts, mit Sprechern der App Inventor Basis, des Bürgermeisteramts der Stadt Boston, des Hong Kong Jockey Membership Charities Belief und anderen. Zu den Höhepunkten gehörte ein „Hack the Local weather“-Hackathon vor Ort, bei dem Groups aus Anfängern und erfahrenen MIT App Inventor-Benutzern einen einzigen Tag Zeit hatten, eine App zur Bekämpfung des Klimawandels zu entwickeln.

In den Eröffnungswortenbetonten die RAISE-Hauptforscher Eric Klopfer, Hal Abelson und Cynthia Breazeal, wie neue Ziele für KI-Kompetenz aussehen. „Bei Bildung geht es nicht nur darum, Fakten zu lernen“, sagte Klopfer. „Bildung ist ein ganzer Entwicklungsprozess. Und wir müssen darüber nachdenken, wie wir Lehrer dabei unterstützen, effektiver zu sein. Lehrer müssen Teil der KI-Konversation sein.“ Abelson betonte den Empowerment-Aspekt computergestützter Maßnahmen, nämlich ihre unmittelbare Wirkung, dass „was anders ist als in den Jahrzehnten, in denen Menschen über Laptop unterrichtet haben, das ist, was Kinder jetzt tun können.“ Und Breazeal, Direktor der RAISE-Initiative, ging auf KI-gestütztes Lernen ein, einschließlich der Notwendigkeit, Technologien wie Roboterbegleiter im Klassenzimmer als Ergänzung zu dem zu verwenden, was Schüler und Lehrer gemeinsam tun können, und nicht als Ersatz füreinander. Oder als Breazeal betonte in ihrem Vortrag: „Wir möchten wirklich, dass die Menschen auf angemessene Weise verstehen, wie KI funktioniert und wie sie verantwortungsvoll gestaltet werden kann. Wir möchten sicherstellen, dass die Menschen eine fundierte Stimme haben, wenn es darum geht, wie KI in die Gesellschaft integriert werden sollte. Und wir möchten allen Menschen auf der ganzen Welt die Möglichkeit geben, KI zu nutzen und zu nutzen, um die wichtigen Probleme ihrer Gemeinschaften zu lösen.“

Auf dem Gipfel wurden die eingeladenen Gewinner der Globaler KI-Hackathon. Preise wurden für Apps in zwei Bereichen vergeben: Klima und Nachhaltigkeit sowie Gesundheit und Wellness. Die Gewinnerprojekte behandelten Themen wie Übersetzung von Gebärdensprache in AudioBewegungsobjekterkennung für Sehbehinderte, Empathieübungen durch Interaktionen mit KI-Charakteren und persönliche Gesundheitschecks anhand von Zungenbildern. Die Teilnehmer nahmen auch an praktischen Demos für MIT App Inventor teil, einem „Spielplatz“ für die Persönliche Robotergruppe’s soziale Roboter und eine Fortbildungssitzung für Pädagogen zum Thema verantwortungsvolle KI.

Durch die Zusammenführung von Menschen unterschiedlichen Alters, mit unterschiedlichem beruflichen Hintergrund und aus so vielen verschiedenen Regionen konnten die Organisatoren eine einzigartige Mischung von Ideen präsentieren, die die Teilnehmer mit nach Hause nehmen konnten. Die Konferenzbeiträge umfassten reale Fallstudien zur Implementierung von KI in schulischen Umgebungen, wie etwa außerschulische Golf equipment, Überlegungen zur Sicherheit von Schülerdaten und groß angelegte Experimente in den Vereinigten Arabischen Emiraten und Indien. Und die Plenarredner befassten sich mit Finanzierung von KI im Bildungsbereichdie Rolle der Landesregierung bei der Unterstützung ihrer Einführung und — in der Grundsatzrede des Gipfels von Francesca Lazzeri, Hauptdirektorin für KI und maschinelles Lernen bei Microsoft, über die Chancen und Herausforderungen des Einsatzes generativer KI in der Bildung. Lazzeri sprach über die Entwicklung von Toolkits, die Schutzmaßnahmen für Prinzipien wie Equity, Sicherheit und Transparenz einführen. „Ich bin fest davon überzeugt, dass das Erlernen generativer KI nicht nur etwas für Informatikstudenten ist“, sagte Lazzeri. „Es geht um uns alle.“

Bahnbrechende KI-Ausbildung am MIT

Von entscheidender Bedeutung für die frühe KI-Ausbildung warfare der Hong Kong Jockey Membership Charities Belief, ein langjähriger Kooperationspartner, der dem MIT bei der Einführung Rechenleistung und projektbasiertes Lernen schon Jahre bevor KI überhaupt eine weitverbreitete pädagogische Herausforderung warfare. Ein Gipfelgremium diskutierte die Geschichte seines CoolThink-Projektsdas in einem ersten Pilotprojekt solche Lernmethoden in 32 Hongkonger Schulen der 4. bis 6. Klasse einführte und dann das ehrgeizige Ziel erreichte, diese Methoden in über 200 Hongkonger Schulen einzuführen. Auf dem Podium sagte CoolThink-Direktor Daniel Lai, dass der Belief, das MIT, die Training College of Hong Kong und die Metropolis College of Hong Kong Lehrern und Schülern keine zusätzliche Belastung durch einen weiteren Lehrplan außerhalb der Schule aufbürden wollten. Stattdessen wollten sie „diesen Lehrplan in unser Bildungssystem integrieren, damit jedes Sort die gleichen Chancen hat, diese Fähigkeiten und Kenntnisse zu erwerben.“

Das MIT warfare seit dem Begin von CoolThink im Jahr 2016 als Kooperationspartner beteiligt. Professor und App Inventor-Gründer Hal Abelson half Lai, das Projekt auf den Weg zu bringen. Mehrere Gipfelteilnehmer und ehemalige Forschungsmitarbeiter des MIT waren federführend an der Projektentwicklung beteiligt. Der Bildungstechnologe Josh Sheldon leitete die Arbeit des MIT-Groups am CoolThink-Lehrplan und an der beruflichen Weiterbildung der Lehrer. Karen Lang, damals Bildungs- und Geschäftsentwicklungsmanagerin bei App Inventor, warfare die Hauptentwicklerin des Lehrplans für die Anfangsphase von CoolThink. Sie schrieb die Lektionen und die dazugehörigen Tutorials und Arbeitsblätter für die drei Stufen des Lehrplans, mit redaktioneller Unterstützung des Bildungsteams aus Hongkong. Und Mike Tissenbaum, heute Professor an der College of Illinois at Urbana-Champaign, leitete die Entwicklung des Forschungsdesigns und der theoretischen Grundlagen des Projekts. Neben anderen wichtigen Aufgaben führten sie die anfängliche Lehrerausbildung für die ersten beiden Kohorten von Hongkonger Lehrern durch, die aus insgesamt 40-stündigen Sitzungen mit jeweils etwa 40 Lehrern bestand.

Die ethischen Anforderungen an den heutigen KI-„Zerrspiegel“

Daniel Huttenlocher, Dekan des MIT Schwarzman School of Computing, hielt die Abschluss-KeynoteEr beschrieb den aktuellen Stand der KI als einen „Zerrspiegel“, der „die Welt um uns herum verzerrt“, und stellte sie als eine weitere Technologie dar, die die Menschen vor die ethische Herausforderung stellt, constructive, stärkende Einsatzmöglichkeiten für sie zu finden, die unsere Intelligenz ergänzen, aber auch ihre Risiken zu mindern.

„Einer der Bereiche, der mich persönlich am meisten begeistert“, sagte Huttenlocher, „ist, dass Menschen von KI lernen“, wobei KI Lösungen findet, auf die die Menschen noch nicht selbst gekommen sind. Wie so viele Aspekte des Gipfels gezeigt haben, sind KI und Bildung etwas, das in Zusammenarbeit geschehen muss. „(KI) ist kein menschlicher Intellekt. Das ist kein menschliches Urteilsvermögen. Das ist etwas anderes.“