Die meisten Biologie-Benchmarks stellen eng gefasste, faktenbasierte Fragen mit klaren Antworten. Wissenschaftler wägen unvollständige Beweise ab und treffen Entscheidungen. OpenAI hat LifeSciBench veröffentlicht und zielt direkt auf diese Lücke.

Selbst das stärkste Modell besteht ungefähr jede dritte Aufgabe. Der Benchmark ist noch lange nicht gesättigt.

Was ist LifeSciBench?

LifeSciBench enthält 750 von Experten verfasste Aufgaben. Sie umfassen sieben Arbeitsabläufe und sieben biologische Domänen. Zu jeder Aufgabe gehören eine Eingabeaufforderung, unterstützende Artefakte und eine Bewertungsrubrik.

Die sieben Arbeitsabläufe umfassen die Beweisverarbeitung und -analyse. Dazu gehören auch Design und Optimierung, wissenschaftliches Denken, Validierung und Betrieb, Übersetzung und wissenschaftliche Kommunikation.

Die sieben Bereiche reichen von Genomik und medizinischer Chemie bis hin zu klinischer und translationaler Wissenschaft.

Aufgaben werden so geschrieben, wie ein Wissenschaftler einen Kollegen unterrichten würde. Es handelt sich um eine freie Antwort, nicht um A number of-Selection. Rund 79 % erfordern mehrere Argumentations- oder Entscheidungsschritte, im Durchschnitt jeweils vier Schritte.

Wie der Benchmark aufgebaut wurde

Eine Kohorte von 173 Fachwissenschaftlern verfasste die Aufgaben. Jeder hatte einen Ph.D. und über Erfahrung in der Biotechnologie oder Pharmazie verfügten. Die angenommenen Aufgaben umfassten durchschnittlich sechs automatisierte Überprüfungszyklen und mindestens zwei Expertenbewertungen.

Viele Aufgaben werden mit Artefakten geliefert. Der Benchmark umfasst insgesamt 1.062 angehängte Artefakte. Etwa 53 % der Aufgaben erfordern mindestens ein Artefakt. Zu den Typen gehören Sequenzen, Abbildungen, Tabellen, PDFs und chemische Strukturen.

Eine separate kohortenvalidierte Qualität. Es gab 453 Gutachter und 97 % waren promoviert. Die allgemeine Zustimmung zu Relevanz, Argumentation, Begründung und Nützlichkeit lag bei über 96 %.

Das Rubrikensystem

Rubriken sind hier der Kernmechanismus. Sie umfassen im gesamten Benchmark 19.020 Kriterien. Das sind etwa 25 Kriterien professional Aufgabe.

Jedes Kriterium belohnt eine konkrete Eigenschaft. Beispiele hierfür sind eine bestimmte Tatsache, ein Argumentationsschritt oder eine numerische Antwort innerhalb der Toleranz. Die Bewertung erfolgt anhand der Rubrik, nicht anhand einer einzelnen Referenzzeichenfolge.

Zwei Kennzahlen fassen die Leistung zusammen. Der normalisierte Rubrikenwert dividiert die vergebenen Punkte durch die Gesamtpunktzahl. Bei der Aufgabenerfüllungsquote werden Aufgaben mit einer Punktzahl von 70 % oder mehr gezählt.

Diese Trennung ist für die Interpretation wichtig. Eine Antwort kann teilweise angerechnet werden, während die Aufgabe trotzdem nicht bestanden wird. Die Bestehensschwelle ist von Natur aus streng.

Hier ist die Bewertungslogik in einfachem Python:

def grade(rubric, awarded_ids):
    complete = sum(c("pts") for c in rubric)
    earned = sum(c("pts") for c in rubric if c("id") in awarded_ids)
    normalized = earned / complete          # partial credit score
    handed = normalized >= 0.70          # task-level success
    return normalized, handed

Wie die Modelle performten

OpenAI bewertete fünf Modelle in einer Single-Flip-Umgebung. Jedes Modell sah die Eingabeaufforderung und die Artefakte einmal. Uneingeschränktes Surfen im Web struggle erlaubt.

GPT-Rosalind, das domänenspezialisierte Modell von OpenAI, lag insgesamt an der Spitze. Bei 386 von 750 Aufgaben gab es den höchsten Mittelwert professional Aufgabe. Außerdem stieg die Gesamterfolgsquote gegenüber GPT-5.5 von 25,7 % auf 36,1 %. Die Erfolgsquoten blieben bei allen Modellen moderat.

Rankings sind nicht die ganze Geschichte. Gemini 3.1 Professional führte eindeutig bei 214 Aufgaben an. Aggregierte Bewertungen können aufgabenspezifische Stärken verbergen.

Wo Fashions gewinnen und wo sie scheitern

Modelle waren bei der strukturierten Beurteilung am stärksten. GPT-Rosalind erreichte bei der Übersetzung einen Durchschnittswert von 0,712. Wissenschaftliche Kommunikation erzielte einen Wert von 0,718, aber diese Kategorie ist klein, additionally lesen Sie sie sorgfältig durch.

Zwei Arbeitsabläufe blieben schwierig. Design, Optimierung und Vorhersage gehörten zu den schwierigsten Prüfungen, wobei GPT-Rosalind 30,7 % erreichte. Die Analyse lag mit 30,3 % knapp dahinter.

Der Einsatz von Artefakten struggle eindeutig ein Engpass. GPT-Rosalind sank von 45,1 % bei reinen Textaufgaben auf 28,1 % bei Artefaktaufgaben. GPT-5,5 fiel in gleicher Weise von 29,9 % auf 21,9 %.

Genaue Ausgaben waren am schwierigsten. Der Erfolg der Sequenz- und Strukturkriterien lag modellübergreifend zwischen 46,9 % und 18,0 %. Der Gewinn von GPT-Rosalind gegenüber GPT-5.5 beim Generieren/Konstruktieren von Gegenständen betrug nur +0,001.

Modelle blieben auch mitten in der Aufgabe stehen. Bei GPT-Rosalind erreichten 109 Aufgaben mindestens 50 % der Bewertungspunkte, lagen aber immer noch unter 20 %.

Die Kopffreiheit bleibt groß. Kein Modell hat 171 Aufgaben bestanden (22,8 %). Und bei 261 Aufgaben (34,8 %) lag die Erfolgsquote des besten Modells unter 20 %.

Stärken und Schwächen

Stärken:

• Breite Abdeckung über sieben Arbeitsabläufe und sieben biologische Bereiche
• Von Experten verfasste Rubriken mit 19.020 atomaren, benotebaren Kriterien
• Realistische Artefakte: Sequenzen, Abbildungen, Tabellen, PDFs und Strukturen
• Unabhängige Validierung durch 453 Gutachter, 97 % davon mit Doktortitel

Schwächen:

• Nur Singleturn; Echte Forschung ist iterativ und mehrschichtig
• Entwickelt von OpenAI, das auch die meisten evaluierten Modelle bereitstellt
• Die öffentliche Veröffentlichung kann durch Sicherheits- und Lizenzbeschränkungen eingeschränkt sein
• 750 Aufgaben können nicht alle wissenschaftlichen Fachgebiete abdecken

Probieren Sie es aus: Interaktiver Rubriken-Grader Demo

Schauen Sie sich das an Papier Und Technische Particulars. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 150k+ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Möchten Sie mit uns zusammenarbeiten, um Ihr GitHub-Repo ODER Ihre Hugging Face Web page ODER Produktveröffentlichung ODER Ihr Webinar usw. zu bewerben? Vernetzen Sie sich mit uns

Michal Sutter ist ein Knowledge-Science-Experte mit einem Grasp of Science in Knowledge Science von der Universität Padua. Mit einer soliden Grundlage in statistischer Analyse, maschinellem Lernen und Datentechnik ist Michal hervorragend darin, komplexe Datensätze in umsetzbare Erkenntnisse umzuwandeln.

Reinforcement Studying (RL) eignet sich hervorragend zum Lernen Was Dies ist zu tun, wenn das Belohnungssignal sauber ist und die Umgebung nachsichtig ist. Aber viele reale Situationen sind nicht so. Sie sind chaotisch, riskant und voller „quick richtiger“ Entscheidungen. Hier werden von Experten geprüfte Argumentationsdatensätze zu einem Kraftmultiplikator: Sie vermitteln Modellen das Warum hinter einer Aktion – nicht nur das Ergebnis.

Der versteckte Engpass bei der RL-Leistung: schwache Argumentationssignale

RL-Agenten können in der Ausbildung beeindruckend aussehen und im Einsatz dennoch scheitern. Ein häufiger Grund ist, dass das Modell Abkürzungen lernt – Muster, die in bekannten Szenarien belohnt werden, aber zusammenbrechen, wenn sich die Bedingungen ändern.

Hier ist eine kleine Geschichte, die Sie erkennen werden, wenn Sie RL-Systeme ausgeliefert haben:

Ein Lagerroboterteam schult einen Agenten darin, Artikel auszuwählen und zu platzieren. In der Simulation steigen die Erfolgsquoten schnell. Doch auf realen Böden beginnt der Roboter, das Setup zu „spielen“ und nimmt riskante Flugbahnen ein, die im Simulator funktionieren, aber in der Nähe reflektierender Oberflächen zu Kollisionen führen. Die Belohnungsfunktion battle nicht falsch. Der Argumentation Das gelernte Modell battle unvollständig.

Wenn Ihre Daten nur Ergebnisse erfassen („Erfolg/Misserfolg“ oder eine skalare Belohnung), vermissen Sie die Zwischenentscheidungslogik, die Menschen instinktiv verwenden: Einschränkungen, Sicherheitsprüfungen und Schrittreihenfolge.

Was „von Experten geprüfte Argumentationsdaten“ tatsächlich beinhalten

Auf praktischer Ebene handelt es sich bei von Experten überprüften Argumentationsdaten um eine kuratierte Reihe von Beispielen, bei denen Fachspezialisten den Entscheidungsweg validieren – und nicht nur das Endergebnis.

Argumentationsspuren: die fehlende Mitte

Eine Argumentationsspur ist der schrittweise Weg von Beobachtung → Entscheidung → Aktion. Abhängig von Ihrem Anwendungsfall könnte das so aussehen:

• Identifizieren relevanter Signale („Sensordrift erkannt; Vertrauen verringert“)
• Anwenden von Domänenregeln („Vor dem Betreten Vorrang geben; Fußgängern Vorrang einräumen“)
• Auswahl von Aktionen mit Einschränkungen („Wählen Sie Pfad B, um den toten Winkel zu vermeiden“)

Was „geprüft“ bedeutet (im Klartext)

„Geprüft“ umfasst normalerweise:

• Von Experten verfasste oder von Experten überprüfte Richtlinien
• einheitliche Kennzeichnungsrubriken (damit zwei Experten denselben Fall auf ähnliche Weise lösen)
• systematische Prüfung auf Widersprüche und fehlende Schritte
• ein Prüfpfad der Änderungen, wenn sich die Richtlinien weiterentwickeln

Dies ist wichtig, da kleine Logikfehler kaskadieren können – insbesondere, wenn Sie später Belohnungsmodelle trainieren oder menschliche Feedbackschleifen verwenden.

Wie Reasoning-Datensätze die Leistung von Reinforcement-Studying-Modellen verbessern

Die Vorteile sind nicht mystisch. Sie sind mechanisch.

Schnellere Konvergenz, weniger Belohnungshacking

Argumentationsspuren reduzieren den Suchraum. Anstatt blind zu erkunden, erhält der Agent strukturierte Signale darüber, welche Zwischenschritte gültig sind. Das bedeutet in der Regel, dass weniger Trainingsiterationen in Sackgassen verschwendet werden und die Belohnungsfunktion weniger „intelligent“ ausgenutzt wird.

Untersuchungen zu RLHF und Belohnungsmodellierung zeigen immer wieder, wie empfindlich Coaching auf verrauschte oder minderwertige Präferenz-/Suggestions-Daten reagieren kann (Quelle: Affiliation for Computational Linguistics, 2024). Diese Sensibilität verschwindet im RL nicht – sie verstärkt sich.

Bessere Verallgemeinerung auf Randfälle

Fachmännisches Denken kodiert Einschränkungen Und Prinzipien Diese Übertragung: Sicherheitsgrenzen, Compliance-Regeln und Kausallogik. Wenn sich die Umgebung ändert, gelten diese Prinzipien weiterhin – auch wenn dies bei den genauen Pixeln, Texten oder Zustandsübergängen nicht der Fall ist.

Stabilere Belohnungsmodellierung und RLHF-Schleifen

Wenn Sie Publish-Coaching im RLHF-Stil verwenden, helfen Ihnen Argumentationsdaten dabei, bessere Belohnungsmodelle zu erstellen, da das Belohnungsmodell lernen kann, nicht nur „gute Antworten“, sondern auch „gute Entscheidungspfade“ zu bewerten. Dies führt zu konsistenteren Aktualisierungen während der Optimierung und zu weniger Regressionen bei der Skalierung des Trainings.

Wenn Sie RLHF-Pipelines bauen oder skalieren, Shaip’s RLHF-Lösungen basieren auf von Experten geleiteten Arbeitsabläufen und Qualitätskontrollen, die konsistente Ausrichtungsdaten unterstützen.

Eine Analogie: Flugstunden vs. Flugunterricht

Stellen Sie sich die RL-Ausbildung wie eine Pilotenausbildung vor. Sie können allein im Simulator endlose Stunden verbringen – aber wenn Sie die falschen Gewohnheiten einüben, verstärken Sie diese. Ein Ausbilder sagt nicht einfach „bestanden/nicht bestanden“. Sie korrigieren Ihre Argumentation mitten im Flug: Scan-Reihenfolge, Entscheidungszeitpunkt und Risikomanagement. Von Experten geprüfte Argumentationsdatensätze spielen für RL die „Lehrer“-Rolle – das Unterrichten des Modells Wie die Aufgabe zu durchdenken, nicht nur, ob sie gelandet ist.

Vergleichstabelle: Interne vs. Crowdsourcing- vs. ausgelagerte Prüfmodelle

Die meisten Groups haben am Ende einen Hybrid, aber es hilft, die Kompromisse deutlich zu machen.

Für umfassendere Etikettierungsanforderungen, die mit RL- und RLHF-Pipelines verbunden sind, Datenanmerkungsdienste von Shaip kann alles vom Richtliniendesign bis zur mehrstufigen Qualitätssicherung unterstützen – insbesondere, wenn Sie wiederholbare Qualität im großen Maßstab benötigen.

Ein praktisches QC-Playbook für von Experten geprüfte Argumentationsdatensätze

Hier ist ein Playbook, das zeigt, was leistungsstarke Groups umsetzen.

1. Beginnen Sie mit „Gold“ und der Kalibrierung

Erstellen Sie einen erstklassigen Satz kanonischer Beispiele (einschließlich kniffliger Randfälle). Verwenden Sie es, um Annotatoren zu kalibrieren und Experten darüber zu informieren, wie „gutes Denken“ aussieht.

2. Messen Sie die Übereinstimmung – und lösen Sie dann Meinungsverschiedenheiten richtig

Verwenden Sie die Vereinbarung zwischen Annotatoren, wo es sinnvoll ist (und vermeiden Sie es, eine Vereinbarung in von Natur aus mehrdeutigen Fällen zu erzwingen). Der Schlüssel ist Schlichtung: Meinungsverschiedenheiten sollten zu besseren Richtlinien führen, nicht nur zu einem Münzwurf-Etikett.

3. Fügen Sie automatisierte Kontrollen hinzu, aber lassen Sie den Menschen die Kontrolle

Automatisieren Sie, was kostengünstig zu überprüfen ist:

• Formatkonsistenz (Schrittanzahl, Schemagültigkeit)
• Regelverstöße (fehlende Einschränkungen, verbotene Aktionen)
• Widerspruchserkennung (Schritt sagt „A“, impliziert später „nicht A“)

Leiten Sie dann markierte Elemente zur Expertenprüfung weiter. Hier zahlt sich die hybride Qualitätskontrolle aus Mensch und KI aus: Maschinen erkennen „offensichtliche Fehler“, Experten beheben „subtile Fehler“.

4. Schließen Sie den Kreis bei Modellfehlern

Behandeln Sie Bereitstellungsfehler als Datensatz-Suggestions. Wenn das Modell ausfällt, fragen Sie:

• Fehlte in der Argumentationsspur eine Einschränkung?
• Wurde in den Richtlinien der Randfall nicht ausreichend spezifiziert?
• Haben wir uns zu sehr an die „Blissful Path“-Logik gehalten?

Diese Schleife verwandelt Ihren Datensatz in einen lebendigen Vermögenswert und nicht in eine einmalige Lieferung. Für Groups, die Finish-to-Finish-Datenpipelines aufbauen (Erfassung → Qualitätssicherung → Bereitstellung), Shaips KI-Trainingsdatendienste kann dabei helfen, dies kontinuierlich zu operationalisieren.

Entscheidungsrahmen: So wählen Sie die richtige Überprüfungsstrategie aus

Verwenden Sie diese sechs Fragen, um die richtige Mischung aus Inhouse-, Crowd- und Managed-Providers auszuwählen:

Einführung

Wir können nicht leugnen, dass die KI Karrieren umstillt, die einst als unantastbar angesehen werden, von Content material -Autoren (schuldig wie angeklagt) bis hin zu Grafikdesignern. Das heißt aber nicht, dass unsere Jobs zum Scheitern verurteilt sind. Wenn sich eine Tür schließt, klopfen Sie nicht einfach – brechen Sie sie auf und gehen Sie mit noch mehr Energie ein.

Obwohl die KI jeden Tag mächtiger wird, befinden Sie sich immer noch auf dem Fahrersitz. Die Magie ist nicht nur in der KI selbst, sondern auch in der Artwork und Weise, wie Sie mit ihr sprechen. Eine vage Eingabeaufforderung liefert vage Ergebnisse, aber eine klare, spezifische Eingabeaufforderung kann die durchschnittliche Ausgabe in Inhalte verwandeln, mit denen Menschen lesen, teilen und mit ihnen umgehen möchten.

Stellen Sie sich AI wie einen überlieferten Praktikant vor, der in Sekundenschnelle schreiben, entwerfen, recherchieren und generieren kann, aber nur mit den richtigen Anweisungen. Ohne ordnungsgemäße Anleitung wird etwas mittelmäßig produziert, das Ihren Ton, Ihr Publikum oder Ihr Ziel verfehlt.

Deshalb ist ein starker zu sein Eingabeaufforderung Generator Angelegenheiten. Eine intestine gestaltete Eingabeaufforderung ist nicht nur eine Anfrage. Es ist eine Blaupause. Es setzt den Kontext, den Stil und das Publikum und bietet KI die Rohstoffe, um genau das zu liefern, was Sie sich vorstellen.

Dinge, die Sie beim Schreiben einer Aufforderung erinnern sollten

Wenn Sie jemals AI gebeten haben, etwas zu tun und ein Durcheinander von „Meh“ zurückzugewinnen, in Panik geraten Sie nicht. Das Downside ist nicht die KI, es ist die Artwork und Weise, wie Sie gefragt haben. Jeder großartige Erzeugungsgenerator (ob es sich um ein Werkzeug oder Sie handelt, weiß in vollem Genie -Modus), dass gute Anweisungen wie guter Kaffee sind: stark, klar und unmöglich zu interpretieren.

1. Seltsamerweise spezifisch werden

„Write a Weblog“ ist im Grunde genommen ein Smalltalk. „Schreiben Sie einen 500-Wörter-Weblog in einen unterhaltsamen, aber professionellen Ton darüber, warum kleine Unternehmen verwenden sollten WhatsApp -AdvertisingMit drei Kugelnspitzenspitzen “, wo die Magie passiert. Ihre KI kann das Ziel nur treffen, wenn Sie tatsächlich eine zeichnen.

2. den Tee verschütten (auch bekannt als Kontext)

AI weiß nicht, ob Sie für CEOs schreiben, die Lattes oder Teenager in Instagram -Reelen bingen, es sei denn, Sie sagen es. Teilen Sie die Hintergrundgeschichte, das Publikum, die Stimmung… im Grunde genommen den Klatsch, den es benötigt, um durchzuführen.

3. Brechen Sie es ab

Wenn Ihre Aufforderung ein langer Satz mit fünf zusammengepressten Ideen ist, behandelt AI sie wie einen Salat und wirft ihn. Servieren Sie es stattdessen in Kursen: „Tun Sie das zuerst, dann tun Sie das.“ Auf diese Weise ist es schmackhafter.

4. Spielen Sie das lange Spiel

Ihr erster Versuch ist nicht immer ein Meisterwerk. Das ist okay. Ein wahres Eingabeaufforderung Generator weiß, dass die geheime Sauce in der KI optimiert, testet und noch einmal optimiert wird, bis die KI anfängt, deinen Verstand zu lesen (oder es zumindest wirklich intestine fälscht).

Beispiele für Eingabeaufforderungen

Wenn es um KI geht, ist die Eingabeaufforderung das Skript und Sie sind der Regisseur. Ein guter prompter Generator wirft nicht nur zufällige Zeilen in die KI und hoffe auf Magie. Es plant, setzt die Szene und gibt der KI genau das, was es braucht, um zu glänzen.

1., um Textinhalte zu generieren

Denken Sie an: Weblog -Ideen, Produktbeschreibungen, E -Mail -Entwürfe, Social -Media -Bildunterschriften oder irgendetwas mit Worten.

Bevor Sie schreiben: Entscheiden Sie sich für Ihren Ton (Spaß, formell, überzeugend, professionell, informativ), Ihr Publikum (Teenager, Unternehmer, Studenten) und Ihren Zweck (zu informieren, zu verkaufen oder zu unterhalten). Wenn Sie AI ein Beispiel geben möchten, tun Sie es, nachdem es seinen ersten Entwurf generiert hat. Warum? Denn wenn Sie das Beispiel im Voraus geben, kann KI Teile davon kopieren, vom Stil bis zu den genauen Wörtern, anstatt etwas Originelles zu erstellen.

Beispielaufforderung:

„Schreiben Sie eine Instagram-Bildunterschrift mit 150 Wörtern in einem freundlichen, spielerischen Ton und werben Sie den neuen Karamell-Latte eines Cafés mit einem Wortspiel in der ersten Zeile und einem Anruf am Ende. Der Title des Ladens lautet Moonbucks“

Warum es funktioniert: Es ist klar, spezifisch und lässt keinen Raum für KI -Raten. Sie haben den Ton, das Ziel und den Stil auf einmal festgelegt.

2. um ein Bild zu erzeugen

Denken Sie an: ein digitales Gemälde, ein realistisches Foto, ein abstraktes Konzept oder ein Cartoon -Bild.

Bevor Sie schreiben: Stellen Sie es zuerst in Ihrem Kopf vor und beschreiben Sie dann das Thema, Stimmung, Stil, Beleuchtung und Farben, als würden Sie es mit Worten malen.

Beispielaufforderung:

„Ein Superheldenhund, der den Tag in einer Stadt aus riesigen Cupcakes rettet und mit einem Umhang und einem Comedian -Stil durch den Himmel fliegt.“

3.. Um Inhalte direkt aus dem Internet zu generieren

Denken Sie an: Neue Nachrichten, neueste Statistiken oder aktuelle Tendencies.

Bevor Sie schreiben: Seien Sie spezifisch darüber, welche Daten Sie möchten, woher sie kommen sollten und wie Sie sie präsentieren möchten.

Beispielaufforderung:

„Fassen Sie die Prime 3 Nachrichtenüberschriften über erneuerbare Energien aus den letzten 48 Stunden in einem neutralen, leicht zu lesenden Ton unter Verwendung von Kugelpunkten zusammen.“

Häufige sofortige Fehler zu vermeiden

Sogar die besten schnellen Generatoren schlüpfen manchmal. Hier sind einige klassische Fehler und wie Sie sie reparieren können, damit die KI so funktioniert, wie Sie es möchten.

1. zu vage sein

Eine vage Eingabeaufforderung ist wie die Bestellung von „Essen“ in einem schicken Restaurant. Sie können einen Salat bekommen, oder Sie können eine Schüssel Suppe bekommen. Aber es besteht die Möglichkeit, dass es nicht genau das ist, was Sie sich sehnt haben.

Falsch: „Schreiben Sie etwas über Reisen.“

Rechts: „Schreiben Sie ein lustiges Weblog -Intro über Solo -Rucksack in Europa für junge Erwachsene.“

Den Unterschied sehen? Die zweite Eingabeaufforderung ist klar über Stil, Thema und Publikum, sodass die KI nicht raten muss.

2. Überladen mit irrelevanten Particulars

Es magazine hilfreich erscheinen, alles zu werfen, über das Sie denken, aber zu viel Unordnung verwirrt die KI und verdünnt den Fokus.

Falsch: „Schreiben Sie eine Geschichte über eine Katze, die vor einem Publikum sang, der einen blauen Hut mit roten Streifen trägt, das Publikum hat Hunde, Kaninchen und Vögel, es regnet draußen, aber es gibt einen Regenbogen, und die Katze singt Jazz.“

Rechts: „Schreiben Sie eine kurze, lustige Geschichte über eine Katze, die Jazz für ein Publikum von Tieren aufführt.“

Halten Sie es einfach, aber fokussiert. KI wird den Relaxation ausfüllen, ohne in Einzelheiten zu ertrinken.

3.. Vergessen, Ton oder Publikum festzulegen

Wenn Sie nicht sagen, ob Sie den Inhalt ernst, lustig, formell oder lässig oder lässig möchten, könnte die KI möglicherweise etwas langweiliges und Langweiliges auswählen. Und niemand will das.

Falsch: „Blockchain erklären.“

Rechts: „Erklären Sie Blockchain in einer unterhaltsamen, leicht verständlichen Artwork für Studenten.“

Ton und Publikum geben der KI die Stimmung und den Stil, um Ihren Inhalt zu nageln.

Indem Sie diese Fehler vermeiden und klare, fokussierte Eingabeaufforderungen schreiben, werden Sie zum ultimativen prumenten Generator und führen die KI, um jedes Mal genau das zu liefern, was Sie brauchen.

Abschluss

Die Kunst der Aufforderung zu beherrschen ist nicht nur eine gute Fähigkeit, es ist Ihre Geheimwaffe in der KI-Ära. Stellen Sie sich sich als ultimativen promptierten Generator vor, den Regisseur hinter den Kulissen, der die Uncooked -KI -Leistung in Content material Gold verwandelt.

Denken Sie daran, KI ist nur so intestine wie die Anweisungen, die Sie ihm geben. Seien Sie klar, seien Sie spezifisch und haben Sie keine Angst zu experimentieren. Je besser Ihre Eingabeaufforderungen sind, desto besser sind die Ergebnisse und das bedeutet, dass in kürzester Zeit mehr ansprechende Inhalte, schärfere Bilder und frischere Erkenntnisse geliefert werden.

Additionally mach weiter, zerfetzen Sie Ihre Ideen, setzen Sie die Szene und geben Sie Ai die Blaupause, die sie braucht, um zu glänzen. Denn wenn Sie wissen, wie man wie ein Profi fordert, sind die Möglichkeiten endlos – und die Zukunft? Nun, es sieht ziemlich hell aus.

Tag 1 des Datahack Summit 2025 legte die Grundlage für das futuristischste Ereignis Indiens. Falls Sie es verpasst haben, können Sie alles über die lesen DHS Tag 1 Ereignisse hier. Am 21. August baute der zweite Tag von DHS 2025 mit mutigen Ideen, modernsten Demonstrationen und einer erneuten Imaginative and prescient für künstliche Intelligenz auf. Mit Sitzungen, die sich auf Vertrauen, Inklusivität, Kreativität und Robotik befinden, erinnerte der zweite Tag des Gipfels alle daran, warum DHS das schlagende Herz der indischen KI -Revolution ist.

DHS 2025, Tag 2: KI -Experten versammeln sich

Der Tag wurde mit einer Keynote -Rede von Joshua Starrer, Gründerin und CEO von Statquest, eröffnet. Wie immer erregte Starmer die Aufmerksamkeit aller auf die Aufmerksamkeit mit seiner Ukulele -Leistung und seiner spannenden Sitzung zur Quantifizierung unseres Vertrauens in neuronale Netzwerke und KI. Indem er zeigt, wie das Vertrauen gemessen werden kann, von einfachen neuronalen Netzwerken bis hin zu den heutigen komplexen LLMs, gab er einen Rahmen für Vertrauen in Systeme, die zu oft ohne Rechenschaftspflicht produzieren. Sein Ansatz erinnerte das Publikum daran, dass die Zukunft von AI mehr um Zuverlässigkeit als nur um Macht geht.

Manish Gupta, Senior Director bei Google Deepmind, trug diese Dynamik nach vorne und untersuchte das große Potenzial und die dringenden Herausforderungen der integrativen KI. Sein Vortrag umfasste das Versprechen von Stiftungsmodellen wie Gemini in ihre reale Anwendung im globalen Süden, vom personalisierten Lernen bis hin zu landwirtschaftlichen Transformationen unter Verwendung von Satellitenbildern. Seine Botschaft battle klar: KI muss nicht nur innovativ sein, sondern auch inklusive, faire und für Milliarden gebaut sein.

Über Daten zur Entdeckung hinaus

Das Rampenlicht wandte sich dann an Abhishek Divekar, Senior Utilized Scientist bei Amazon. Er sprach das Publikum mit dem Versprechen und den Fallstricken der synthetischen Datenerzeugung an. Während synthetische Daten Türen für Datenschutzbewusstsein, vielfältige Trainingsessätze öffnen, warnte er vor der unachtsamen Skala, die Halluzinationen und Vorurteile verstärkt. Seine Erkenntnisse begründeten das Publikum in der heiklen Steadiness zwischen Innovation und Verantwortung.

Eine weitere leistungsstarke Sitzung stammte von Alessandro Romano, Senior Information Scientist bei Kuehnne+Zagel. Er überbrückte die Lücke von LLMs zu Agentic AI und zeigte, wie Multi-Agent-Systeme dynamische, reale Probleme lösen können. Mit Rahmenbedingungen wie Crewai zeigte er, wie kollaborative, zielorientierte Agenten eine Schrittveränderung von der statischen promptierten Ingenieurwesen bis zur intelligenten Orchestrierung markieren.

Die Rolle des Datenwissenschaftlers entwickelt sich schnell und daher ist eine Änderung von entscheidender Bedeutung. Anand s von Straive schenkt das gleiche auf und liefert eine zum Nachdenken anregende Hack-Sitzung mit dem Titel „RIP, Datenwissenschaftler“. Dies battle kein Abschied, sondern ein Weckruf, ein mutiger Blick darauf, wie Automatisierung und KI traditionelle Datenrollen verändern. Die Automatisierung von sich wiederholenden Daten und kreativen, strategischen Problemlösungen ist die neue Norm. Seine Botschaft battle klar: Datenwissenschaftler, die diese Verschiebung annehmen, werden gedeihen. Für jeden, der die Gezeiten der datengesteuerten Welt navigierte, battle dies eine Blaupause für die Zukunft.

Vibe -Codierungs -Showdown

Die Aufregung erreichte den Stimmung Coding Showdown. Anuvrat Parashar, Anands und Ravi RS Nadimpalli gingen an die Bauanträge mit AI-Assistenten. In ihrem elektrisierenden Hack -Panel auf „Vibe -Coding -Showdown: Aufbau von Anwendungen mit AI -Assistenten“ zeigte das Trio eine Zusammenarbeit am besten – eine Meisterklasse in der Mischung menschlicher Kreativität mit KI -Präzision. Für Entwickler und Tech -Enthusiasten im Publikum gab es einen Einblick in die Zukunft der Codierung: eine dynamische Partnerschaft, die die Einstellung und Aufbau von Anwendungen verändert.

Bauen schlauer, schneller, sicherer

Praktische Anwendungen mit Pankaj Agarwal, Senior Software program Engineer (maschinelles Lernen) bei Uber, dominierten die Nachmittagssitzungen. Er stellte vor, wie die Optimierung von Suchabfragen von Lappen vage, laute Nahrungsmittelabfragen in genaue, absichtliche Ergebnisse verwandeln kann. In der Zwischenzeit lieferte Dr. Kiran R, VP of Engineering bei Oracle, einen tiefen Tauchgang bei der Bewertung von Genai -Modellen. Dr. Kiran rahmte die Bedeutung robuster Metriken, Floor-Fact-Datensätze und Menschen in der Schleife in Unternehmens- und Gesundheitskontexten.

Hinzu kommt, dass Nitin Agarwal, Hauptdatenwissenschaftler bei Toast, und Rutvik Acharya, Hauptdatenwissenschaftlerin bei Atlassian, erklärten, wie die Modellkontextprotokoll (MCP) ist die Integration der Werkzeuge für Agenten. Ihre Stay -Demo zeigte, wie MCP den Overhead reduzieren, Workflows standardisieren und skalierbare Automatisierung freischalten kann.

Andere Sitzungen haben die Grenzen weiter überschritten. Anand S, LLM -Psychologe mit Straive, löste mit seinem provokativen Titel „Discuss“, „RIP“, „Datenwissenschaftler“ aus, wie LLMs jetzt einen Großteil des Workflows des traditionellen Datenwissenschaftlers ausführen kann und welche Rollen für den Menschen wesentlich sind. Krishna Kumar Tiwari, Mitbegründerin und CTO bei Whitler AI, zeigte unterdessen, wie Genai-Agenten das Efficiency-Advertising im Maßstab revolutionieren und Millionen von personalisierten Kreativen in Echtzeit erstellen.

Schieben Sie die kreative Kante

Von Web3 bis Nachhaltigkeit hat sich Tag 2 die Vielseitigkeit der KI erwiesen. Der Datenwissenschaftler Rohan Rao zeigte, wie Genai das Web3 -Ökosystem neu interpretiert und NFTs, intelligente Verträge und Kryptosicherheit anführt. Ruchi Awasthi, Ingenieur für maschinelles Lernen – CTO -Büro bei Pure Storage, hat die dringende Frage der Nachhaltigkeit in ihrem Vortrag über LLM -Komprimierung angepackt. Ruchi brach Techniken wie Beschneidung, Quantisierung und Wissensdestillation ab, um KI effizienter und umweltfreundlicher zu gestalten.

Hitesh Nayak, Senior Director of Information Sciences bei Resolution Foundry, untersuchte, wie MCP-gesteuerte Agenten das Advertising verändern können. Harshad Khadilkar, leitender Datenwissenschaftler der Tata Group, nahm eine kreative Wendung mit seinen Sitzungen, die LLMs langweilig sind. Wie können wir sie interessanter machen? ‚ Sein Aufruf zur gerichteten Zufälligkeit und Neuheit erinnerte das Publikum daran, dass Entdeckung und nicht nur die Zusammenfassung der Nordstern von Genai sein sollte.

Die Erzählung vertiefte sich mit Pavak Biswal und Abhilash Kulkarni von Dentsu World Companies, die Saving Ananya, ein Marken -AI -Spielbuch für die Kundenbindung, vorgestellt haben. Durch eine demo-gesteuerte Geschichte von Vorhersagemöglichkeiten, Risikobewertungen und agentischer Triage zeigten sie, wie Marken Schmerzpunkte in Loyalität umwandeln können. Karan Sindwani, Senior Utilized Scientist bei AWS, ergab dies, wie Genai produktionsbereite Lösungen in allen Branchen betreibt. Von Kundenservice bis hin zu Cricket -Analysen erweist sich Genai als Kunst der Möglichkeiten.

Von Robotik bis hin zu Full-Stack-Agenten

Einer der inspirierendsten Momente des Tages kam von Logesh Kumar Umapathi von Blackbox.ai, der von Sprache zu Robotik präsentierte. Seine lebende Demo mit Roboterarmen veranschaulicht, wie LLMs und Verstärkungslernen zusammenarbeiten, um KI wirklich verkörpert zu machen. Das Publikum erlebte aus erster Hand, wie die Theorie in materielle, physische Auswirkungen führt.

Ebenso zukunftsgerichtete Gespräche von Daksh Varsneya, Senior Product Supervisor bei Rasa. Daksh führte den Prozess ein, der als überlegenes Paradigma für Konversationsmittel eingereicht wurde. Saurav Agarwal, Lösungen Architektur und Ingenieurwesen bei NVIDIA, präsentierte das vollständige Agent-AI-Toolkit, um Agentensysteme zu beschleunigen, zu bewerten und zu skalieren. Miguel Otero Pedrido, ML -Ingenieur und Gründerin des Neural -Labyrinths, nahm dann das Publikum mit seiner Rede über POCs hinaus. Er zeigte, wie Agentensysteme mit robuster Überwachung und LLMOP -Praktiken produziert werden.

Ayush Thakur, maschinelles Lerningenieur bei Gewicht und Vorurteilen, schließen die fehlenden AI -Apps vor: Bewertung. Seine praktischen Strategien für den Aufbau von Evaluatoren, die Ausrichtung auf die menschlichen Vorlieben und die Skalierungsverzögerungsanalyse haben gezeigt, dass die Bewertung ein Merkmal und kein nachträglicher Gedanke ist.

DHS 2025: Tag 2 Preisträger Gewinner

Inmitten der Branchenführer battle auch der Abend durch Feier geprägt. AV Luminary Awards haben die Prime 7 Genai -Wissenschaftler für ihre bahnbrechenden Beiträge geehrt:

• Abhishek Divekar
• Amit Sharma
• Karan Sindwani
• Logesh Kumar Umapathi
• Mayank Baranwal
• Sonniger Manchanda
• Tanika Gupta

Jeder Empfänger verkörperte die Innovation und das Engagement, das die KI -Bewegung Indiens vorwärts treibt. Die Halle voller Applaus für die kollektive Brillanz und den Geist dieser Gemeinschaft.

DHS 2025: Ein Gipfel der Ideen, Energie und Auswirkungen

Tag 2 des Datahack Summit oder DHS 2025 battle ein Blick darauf, wie die AI -Neighborhood die Zukunft prägt. Von der Vertrauensschätzung in neuronalen Netzwerken bis hin zu verkörperten Robotik, von Nachhaltigkeit in LLMs bis hin zu Agenten -Orchestrierung im Maßstab, zeigten die Sitzungen ein bemerkenswertes Spektrum des Fortschritts.

Mit noch zwei Tagen hat die Reise des Gipfels gerade erst begonnen. Bleiben Sie auf diesem Raum dran, da sich Indiens futuristischste Veranstaltung weiter entfaltet.

Sind Sie jemals auf eine State of affairs gestoßen, in der Sie wollten, dass Ihr Chatbot ein Software verwendet und dann antwortet? Klingt kompliziert, richtig! Aber jetzt, MCP (Modellkontextprotokoll) Bietet Ihnen eine Möglichkeit, Ihre LLM einfach in externe Instruments zu integrieren, und das LLM kann diese Instruments in jeder Hinsicht verwenden. In diesem Tutorial werden wir in den Prozess des Konvertierens einer einfachen Net-App eingehen, die mit Fastapi, die von einem MCP-Server mithilfe des FastAPI-MCP betrieben wird, konvertieren.

Fastapi mit MCP

Fastapi ist ein sehr einfaches Software in Python, mit dem Sie Webanwendungen mit APIs erstellen können. Es ist so konzipiert, dass es gleichzeitig einfach zu bedienen und schnell zu bedienen ist. Stellen Sie sich Fastapi als einen intelligenten Kellner vor, der Ihre Bestellung aufnimmt (HTTP -Anfragen), geht in die Küche (Datenbank/Server) und dann Ihre Bestellung (Ausgabe) und zeigt ihn dann an. Es ist ein großartiges Software zum Erstellen von Net -Backends, Diensten für cellular Apps usw.

MCP ist ein offenes Standardprotokoll von Anthropic, das den LLMs eine Funktionalität bietet, mit externen Datenquellen und Instruments zu kommunizieren. Stellen Sie sich MCP als Toolkit vor, das das richtige Werkzeug für die angegebene Aufgabe bietet. Wir verwenden MCP zum Erstellen eines Servers.

Was ist nun, wenn diese Funktionen Ihrem LLM gegeben werden? Es wird Ihr Leben viel einfacher machen! Deshalb hilft Fastapi to MCP Integration sehr. Fastapi kümmert sich um die Dienste aus verschiedenen Quellen und MCP kümmert sich um den Kontext Ihres LLM. Durch die Verwendung von Fastapi mit MCP Server können wir auf jedes über das Net bereitgestellte Software zugreifen und dies als LLM -Software nutzen und die LLMs unsere Arbeit effizienter erledigen.

Im obigen Bild können wir sehen, dass es einen MCP -Server gibt, der mit einem API -Endpunkt verbunden ist. Dieser API -Endpunkt kann ein Fastapi -Endpunkt oder ein anderer API -Dienst von Drittanbietern sein, der im Web verfügbar ist.

Was ist Fastapi-MCP?

Fastapi-MCP ist ein Software, mit dem Sie jede Fastapi-Anwendung in ein Software umwandeln können, das LLMs mögen Chatgpt oder Claude kann leicht verstehen und verwenden. Durch die Verwendung von Fastapi-MCP können Sie Ihre Fastapi-Endpunkte so einwickeln, dass sie in einem AI-Ökosystem ein Plug-and-Play-Software mit LLMs werden.

Wenn Sie wissen möchten, wie man mit MCP arbeitet, lesen Sie diesen Artikel über Wie benutze ich MCP?

Welche APIs kann mit Fastapi-MCP in MCP konvertiert werden?

Bei Fastapi-MCP kann jeder FastAPI-Endpunkt in ein MCP-Software für LLMs konvertiert werden. Diese Endpunkte sollten enthalten:

• Endpunkte erhalten: In MCP -Ressourcen umgewandelt.
• Put up, setzen, Endpunkte löschen: In MCP -Instruments umgewandelt.
• Benutzerdefinierte Dienstprogrammfunktionen: Kann als zusätzliche MCP -Instruments hinzugefügt werden

Fastapi-MCP ist eine sehr benutzerfreundliche Bibliothek, die diese Endpunkte automatisch entdeckt und in MCP umwandelt. Es bewahrt auch das Schema sowie die Dokumentation dieser APIs.

Praktisch mit Fastapi-MCP

Schauen wir uns ein einfaches Beispiel zum Umwandeln eines Fastapi -Endpunkts in einen MCP -Server an. Zuerst erstellen wir einen Fastapi -Endpunkt und bewegen uns dann in eine Umwandlung in a MCP -Server Verwendung fastapi-mcp.

Fastapi konfigurieren

1. Installieren Sie die Abhängigkeiten

Machen Sie Ihr System kompatibel, indem Sie die erforderlichen Abhängigkeiten installieren.

pip set up fastapi fastapi_mcp uvicorn mcp-proxy

2. Importieren Sie die erforderlichen Abhängigkeiten

Erstellen Sie eine neue Datei mit dem Namen ‚predominant.py‘ und importieren Sie die folgenden Abhängigkeiten darin.

from fastapi import FastAPI, HTTPException, Question

import httpx

from fastapi_mcp import FastApiMCP

3. Definieren Sie die Fastapi -App

Definieren wir eine Fastapi -App mit dem Namen „Climate Updates API“.

app = FastAPI(title="Climate Updates API")

4. Definieren der Routen und Funktionen

Jetzt werden wir die Routen für unsere App definieren, die bezeichnen, welcher Endpunkt die Funktion ausführen wird. Hier erstellen wir eine Wetter -Replace -App mithilfe wetter.gov API (frei), für die kein API -Schlüssel erforderlich ist. Wir müssen nur die treffen https://api.climate.gov/factors/erlat}, {lon} mit dem richtigen Wert von Breitengrad und Längengrad.

Wir haben eine Get_Weather -Funktion definiert, die einen Staatsnamen oder Code als Argument nimmt und dann die entsprechenden Koordinaten im Wörterbuch von City_Coordinaten ermittelt und dann mit diesen Koordinaten die Foundation -URL geschlagen hat.

# Predefined latitude and longitude for main cities (for simplicity)
# In a manufacturing app, you can use a geocoding service like Nominatim or Google Geocoding API
CITY_COORDINATES = {
   "Los Angeles": {"lat": 34.0522, "lon": -118.2437},
   "San Francisco": {"lat": 37.7749, "lon": -122.4194},
   "San Diego": {"lat": 32.7157, "lon": -117.1611},
   "New York": {"lat": 40.7128, "lon": -74.0060},
   "Chicago": {"lat": 41.8781, "lon": -87.6298},
   # Add extra cities as wanted
}


@app.get("/climate")
async def get_weather(
   stateCode: str = Question(..., description="State code (e.g., 'CA' for California)"),
   metropolis: str = Question(..., description="Metropolis identify (e.g., 'Los Angeles')")
):
   """
   Retrieve right this moment's climate from the Nationwide Climate Service API based mostly on metropolis and state
   """
   # Get coordinates (latitude, longitude) for the given metropolis
   if metropolis not in CITY_COORDINATES:
       elevate HTTPException(
           status_code=404,
           element=f"Metropolis '{metropolis}' not present in predefined record. Please use one other metropolis."
       )
  
   coordinates = CITY_COORDINATES(metropolis)
   lat, lon = coordinates("lat"), coordinates("lon")
  
   # URL for the NWS API Gridpoints endpoint
   base_url = f"https://api.climate.gov/factors/{lat},{lon}"
  
   strive:
       async with httpx.AsyncClient() as consumer:
           # First, get the gridpoint data for the given location
           gridpoint_response = await consumer.get(base_url)
           gridpoint_response.raise_for_status()
           gridpoint_data = gridpoint_response.json()
          
           # Retrieve the forecast knowledge utilizing the gridpoint data
           forecast_url = gridpoint_data("properties")("forecast")
           forecast_response = await consumer.get(forecast_url)
           forecast_response.raise_for_status()
           forecast_data = forecast_response.json()


           # Returning right this moment's forecast
           today_weather = forecast_data("properties")("durations")(0)
           return {
               "metropolis": metropolis,
               "state": stateCode,
               "date": today_weather("startTime"),
               "temperature": today_weather("temperature"),
               "temperatureUnit": today_weather("temperatureUnit"),
               "forecast": today_weather("detailedForecast"),
           }
  
   besides httpx.HTTPStatusError as e:
       elevate HTTPException(
           status_code=e.response.status_code,
           element=f"NWS API error: {e.response.textual content}"
       )
   besides Exception as e:
       elevate HTTPException(
           status_code=500,
           element=f"Inside server error: {str(e)}"
       )

5. MCP Server einrichten

Konvertieren wir diese Fastapi-App jetzt mit der Fastapi-MCP-Bibliothek in MCP. Dieser Vorgang ist sehr einfach, wir müssen nur ein paar Zeilen von FastAPI-MCP hinzufügen, um die Endpunkte automatisch in MCP-Instruments umzuwandeln und sein Schema und die Dokumentation leicht zu erkennen.

mcp = FastApiMCP(
   app,
   identify="Climate Updates API",
   description="API for retrieving right this moment's climate from climate.gov",
)
mcp.mount() 

6. Starten Sie die App

Fügen Sie nun Folgendes am Ende Ihrer hinzu Python Datei.

if __name__ == "__main__":
   import uvicorn
   uvicorn.run(app, host="0.0.0.0", port=8000) 

Und gehen Sie zum Terminal und führen Sie die Essential.Py -Datei aus.

python predominant.py 

Jetzt sollte Ihre Fastapi -App in Localhost erfolgreich beginnen.

Cursor konfigurieren

Konfigurieren wir die Cursor -IDE zum Testen unseres MCP -Servers.

1. Obtain Cursor von hier https://www.cursor.com/downloads.
2. Installieren Sie es, melden Sie sich an und gelangen Sie zum Startbildschirm.

3. Jetzt geh zum Datei Aus der Header -Symbolleiste. und klicken Sie auf Vorlieben und dann weiter Cursoreinstellungen.

4. Klicken Sie aus den Cursoreinstellungen auf MCP.

5. Klicken Sie auf der Registerkarte MCP auf Fügen Sie einen neuen globalen MCP -Server hinzu.
   Es wird a öffnen McP.json Datei. Fügen Sie den folgenden Code ein und speichern Sie die Datei.

{
   "mcpServers": {
     "Nationwide Park Service": {
         "command": "mcp-proxy",
         "args": ("http://127.0.0.1:8000/mcp")
     }
   }
}

6. Zurück bei den Cursoreinstellungen sollten Sie Folgendes sehen:

Wenn Sie dies auf Ihrem Bildschirm sehen, bedeutet dies, dass Ihr Server erfolgreich ausgeführt und mit dem verbunden ist Cursor IDE. Wenn es einige Fehler anzeigt, versuchen Sie es mit dem neu starten Style in der rechten Ecke.

Wir haben den MCP -Server erfolgreich in der Cursor -IDE eingerichtet. Lassen Sie uns nun den Server testen.

Testen des MCP -Servers

Unser MCP -Server kann die Wetteraktualisierungen abrufen. Wir müssen nur die Cursor -IDE nach dem Wetter -Replace an jedem Ort bitten, und es wird dies für uns mit dem MCP -Server abrufen.

Abfrage: “Bitte sagen Sie mir, was das heutige Wetter in San Diego ist”

Abfrage: “New Yorker Wetter?”

Wir können aus den Ausgängen sehen, dass unser MCP -Server intestine funktioniert. Wir müssen nur nach den Wetterdaten fragen, und entscheidet für sich, ob MCP Server verwendet werden soll oder nicht. In der zweiten Ausgabe fragten wir vage „New Yorker Wetter?“ Es struggle in der Lage, den Kontext der Abfrage basierend auf unserer vorherigen Eingabeaufforderung zu erkennen, und verwendete die entsprechenden MCP -Instruments, um zu beantworten.

Abschluss

MCP erlaubt Llms Um ihre Antwortkapazitäten zu erhöhen, indem Sie Zugriff auf externe Instruments erhalten, und Fastapi bietet eine einfache Möglichkeit, dies zu tun. In diesem umfassenden Leitfaden haben wir beide Technologien mit der Fastapi-MCP-Bibliothek kombiniert. Mit dieser Bibliothek können wir jede API in MCP -Server umwandeln, wodurch die LLM- und AI -Agenten helfen, die neuesten Informationen von den APIs zu erhalten. Für jede neue Aufgabe muss kein benutzerdefiniertes Software definiert werden. MCP mit Fastapi kümmert sich automatisch um alles. Die Revolution in den LLMs wurde durch die Einführung von MCP gebracht, und jetzt revolutioniert Fastapi mit MCP die Artwork und Weise, wie LLMs auf diese Instruments zugreifen.

Harsh Mishra ist ein KI/ML -Ingenieur, der mehr Zeit damit verbringt, mit großen Sprachmodellen zu sprechen als mit tatsächlichen Menschen. Leidenschaft über Genai, NLP und Maschinen schlauer (damit sie ihn noch nicht ersetzen). Wenn er Fashions nicht optimiert, optimiert er wahrscheinlich seine Kaffeeaufnahme.

Die Cybersäkularexpertin Katelyn Bowden vom Hackerkollektiv Cult of the Useless Cow und Markführerin des Veilid Mission hat sich zum Ziel gesetzt, die Transparenz ihrer KI-Systeme wie Recall zu erhöhen. Wenn Sie sich für eine Microsoft-Sammlung von Anwendungsdaten und Empfehlungsmotoren oder -modellen entscheiden, können Sie die Integrität dieser Daten überprüfen. Bowden analysiert außerdem transparente Daten, um die Produktivität zu steigern und Gold über die Transparenz der Microsoft-Brust in diesem Abschnitt zu verteilen.

Gary Marcus, Gründer und CEO von Geometric Intelligence, hat bereits viele Bücher über Recall veröffentlicht, darunter „Die Welt wird in einem Buch erzählt, das Sie nie gelesen haben“ und „Die Welt wird in einem Buch erzählt, das Sie nie gelesen haben“ und „Die Welt wird in einem Buch erzählt“.

Zusammengefasst wirkt sich ein fachkundiger Umgang mit Risiken aus, indem er alle Elemente auflistet, die auf Skalen basieren, ohne dass es an Transparenz und Integrität mangelt. Der Supervisor fordert Sie auf, detailliertere Informationen von Microsoft anzuzeigen, um Ihre Daten zu schützen und das Risiko von Missbrauch und Eindringen in das Privatleben zu minimieren.

Was ist Microsoft Recall und wie wird das Spionageprogramm von Sicherheitsexperten gelockt?

Microsoft Recall ist ein potenzieller Programmfehler. Es kann sein, dass ein glücklicher, gesegneter Identify gegeben wird. Beim Verwenden von Microsoft Outlook kann es zu Problemen mit der korrekten Eingabe kommen. Das vorliegende Integritätsproblem ist ein Beispiel hierfür, da das Tretlagerprogramm Kompromittierungen und potenzielle Lösungsansätze beinhalten kann. Einschalten Toms Leitfaden Der Webbrowser von Zoom hat einen Virenscan durchgeführt, mit dem Ziel, dies als Spy ware ausführen zu können.

Microsofts neue AI Recall-Funktion wird von europäischen Medien genutzt

Der europäische Datenschutzbeauftragte hat einen Einblick in die neue KI-Funktion „Recall“ von Microsoft erhalten, die laut Kritikern ein Risiko für die Integrität des Anrufs darstellen kann. Funktionen, die in den neuen KI-Datenloggern von Microsoft enthalten sind, sorgen für eine kontinuierliche Reduzierung der Datenaktivitäten der Benutzer, selbst wenn sie mithilfe der KI gesucht werden. Dies hat zu einer verständlichen Kritik von Datenanalysten und Verbrauchern geführt, darunter Elon Musk, VD für Tesla und die Begründer von xAI.

Das Data Commissioner’s Workplace (ICO), das britische Datenschutzbüro, hat heute die größte öffentliche und non-public Sicherheitslücke im Web entdeckt und die Nutzung neuer Produkte eingeschränkt, insbesondere wenn es sich um potenziell invasiv wirkende Produkte handelt. ICO hat Microsoft kontaktiert, um weitere Informationen zu Recall und dessen Skydds-Mechanismus für Anwenderdaten zu erhalten.

Sogar der irische Datenschutzbeauftragte, der Microsofts eigener Datenschutzbeauftragter in der EU ist, hat zusätzliche Informationen von Microsoft zu dessen Rückruf erhalten. Meiner Meinung nach wird es zunächst ein Himmelsaufklärer sein, der auf der Grundlage der Integrität des Himmels auf die Bühne geht.

Microsoft muss lokale Datenspeicher, Verschlüsselung und schließlich das Profil der Individual verwenden, um sich bei den Daten anzumelden. Versuchen Sie zunächst, den Filter mit dem entsprechenden Gerät oder der Webseite zu verwechseln, indem Sie den Scanner einschalten und die Scannerleiste bzw. die Scannerleiste auf der Festplatte speichern. Trotz dieser Verzögerung ist es für Ihre Funktionen möglich, Gold zu verwenden und viele Konzepte können für die Privatsache des Benutzers related sein.