Es gibt viele Dinge, über die wir im Laufe der Jahre auf Sensible Information Collective geschrieben haben. Das ist klar KI wird zu einem immer größeren Teil der Artwork und Weise, wie Unternehmen arbeiten Wählen Sie im Jahr 2026 engagierte Entwicklungsteam-Unternehmen.

Das berichtet Timothy Prestianni von der Nationwide College 77 % der Unternehmen nutzen KI oder planen dies bald. Dies ist vor allem deshalb so wichtig, weil Unternehmen, die nach engagierten Entwicklungsteams suchen, nun von ihren Anbietern erwarten können, dass sie sich mit KI-Instruments, Datensystemen, Automatisierung und einer schnelleren Softwarebereitstellung auskennen. Lesen Sie weiter, um mehr zu erfahren.

KI verändert die Artwork und Weise, wie Unternehmen dedizierte Entwicklungsteams auswählen

Timothy Prestianni von der Nationwide College schreibt: „In dieser umfassenden Untersuchung befassen wir uns mit über 137 KI-Statistiken und -Developments (2026) und bieten einen Panoramablick auf die Integration von KI in Unternehmen, ihre demografische Reichweite, den aufkeimenden KI-Arbeitsmarkt, Bildungsinitiativen, Perspektiven von Geschäftsinhabern, Verbrauchernutzung, Vertrauensprobleme und regulatorische Diskussionen. Dieser Artikel soll den Lesern ein tiefes Verständnis des aktuellen Zustands und der zukünftigen Entwicklung von KI vermitteln und umsetzbare Erkenntnisse und praktische Ratschläge zur Bewältigung dieses Issues liefern transformative Ära.“ Dies ist ein Zeichen dafür, dass KI jetzt die Geschäftsplanung, Einstellung, Softwarearbeit und Anbieterauswahl beeinflusst.

Unternehmen mit engagierten Entwicklungsteams können Unternehmen bei der Entwicklung von Apps, Web sites, Plattformen, internen Instruments und KI-gestützten Produkten unterstützen, ohne jede technische Rolle intern einstellen zu müssen. Es gibt viele Möglichkeiten, wie KI diese externen Groups nützlicher machen kann, darunter schnellere Codierungsunterstützung, bessere Assessments, klarere Planung und eine stärkere Überprüfung der Benutzerbedürfnisse. Eine weitere Sache, die KI tun kann, besteht darin, Groups dabei zu helfen, Produktdaten zu untersuchen, bevor sie neue Funktionen entwickeln.

Scrums.com berichtet, dass den Daten zufolge 37 % der Kleinunternehmen und 92 % der High-2000-Unternehmen lagern ihre Arbeit an externe Anbieter aus. Es ist eine Erinnerung daran, dass Software program-Outsourcing nicht mehr nur etwas für große Unternehmen mit großen Budgets ist.

„Heutzutage setzen Unternehmen zunehmend spezialisierte Entwicklungsteams ein, um ihre sich ändernden Softwareanforderungen zu erfüllen. Daten zufolge lagern 37 % der Kleinunternehmen und 92 % der High-2000-Unternehmen ihre Arbeit an externe Anbieter aus. Die Nachfrage nach Kosteneffizienz, Flexibilität und Zugang zu weltweiten Talenten ist der Grund für diesen Anstieg der Beliebtheit. Doch was genau macht spezialisierte Softwareentwicklungsdienste zur bevorzugten Possibility für Unternehmen aller Artwork? In diesem Beitrag werden die Vor- und Nachteile dedizierter Entwicklungsteams erörtert, und ob dies der Fall ist „Das Modell passt am besten zu Ihrem Unternehmen“, sagt Scrums. Es ist klar, dass viele Unternehmen versatile technische Hilfe wünschen, ohne jedes Softwareteam von Grund auf neu aufzubauen.

KI kann Unternehmen helfen Vergleichen Sie Anbieter dedizierter Entwicklungsteams, bevor sie einen Vertrag unterzeichnen. Was dies hilfreich macht, ist, dass Käufer Portfolios, technische Fähigkeiten, Preismodelle, Kommunikationsgewohnheiten, Codequalität und früheres Kundenfeedback mit besserer Forschungsunterstützung überprüfen können. Eine weitere Möglichkeit für Unternehmen besteht darin, mithilfe von KI klarere Projektbeschreibungen zu erstellen, was es für Anbieter einfacher macht, Zeitpläne und Personalbedarf einzuschätzen. Es ist viel einfacher, den richtigen Associate auszuwählen, wenn das Unternehmen weiß, was es aufbauen möchte und wie der Erfolg gemessen wird.

KI kann auch engagierten Entwicklungsteams dabei helfen, zu Beginn eines Projekts bessere Arbeit zu leisten. Es gibt viele Aufgaben, bei denen KI Entwickler unterstützen kann, z. B. Codevorschläge, Dokumentationsentwürfe, Fehlererkennung, Testplanung und Datenüberprüfung. Am wichtigsten ist, dass menschliche Entwickler die Arbeit noch überprüfen, technische Entscheidungen treffen und die Ziele des Kunden verstehen müssen.

Unternehmen, die im Jahr 2026 nach den besten Unternehmen für engagierte Entwicklungsteams suchen, sollten darauf achten, wie Anbieter KI in ihrer täglichen Arbeit einsetzen. Es ist klug zu fragen, ob ein Crew Regeln für Sicherheit, Codeüberprüfung, Datenschutz, Dokumentation und Qualitätskontrolle beim Einsatz von KI-Instruments hat.

KI macht ein starkes Projektmanagement oder qualifizierte Entwickler nicht überflüssig. Es kann Groups dabei helfen, schneller voranzukommen, Probleme früher zu erkennen und Geschäftsideen in klarere Produktanforderungen umzuwandeln. Eine weitere Sache, die es unterstützen kann, ist eine bessere Kommunikation zwischen Kunden, Entwicklern, Designern und Testern. Unternehmen, die die richtigen Fragen stellen, können Anbieter finden, die KI nutzen, um bessere Ergebnisse zu erzielen, anstatt nur schnellere Arbeit zu versprechen.

Bringen Sie eine engagiertes Entwicklungsteam ist eine der zuverlässigsten Möglichkeiten für ein Unternehmen, seine Engineering-Kapazität zu skalieren, ohne den Aufwand für den Aufbau einer eigenen Abteilung von Grund auf zu tragen. Anstatt mit Freiberuflern zu jonglieren oder monatelang auf die Besetzung interner Stellen zu warten, kann ein Unternehmen eine vorgefertigte Gruppe von Ingenieuren, Qualitätssicherungsspezialisten und Projektmanagern zusammenstellen, die ausschließlich an seinem Produkt arbeiten – oft zu einem Bruchteil der Kosten für die Einstellung lokaler Mitarbeiter.

Das Modell lohnt sich jedoch nur, wenn der Anbieter die Grundlagen richtig macht: transparente Kommunikation, strenge technische Prüfungen, versatile Personalbesetzung und ein echtes Verständnis für die Domäne des Kunden. Nachfolgend sehen Sie acht Anbieter, die sich im Jahr 2026 dadurch auszeichnen, dass sie genau das bieten.

1. Geomotiv

Geomotiv hat sich einen guten Ruf als Full-Cycle-Softwareanbieter mit Spezialisierung auf AdTech-, Gesundheitswesen-, Fintech- und E-Studying-Projekte aufgebaut. Was es auszeichnet, ist die Betonung der Fachkompetenz statt einer generischen Personalbesetzung: Ingenieure werden mit Leuten zusammengestellt, die bereits die regulatorischen und technischen Feinheiten einer bestimmten Branche verstehen, was die Einarbeitung erheblich verkürzt.

Das Unternehmen bietet versatile Engagementoptionen – von einem einzelnen leitenden Spezialisten, der in eine bestehende Gruppe eingebettet ist, bis hin zu einer vollständigen funktionsübergreifenden Einheit, die Backend, Frontend, Qualitätssicherung und DevOps abdeckt. Kunden heben häufig den proaktiven Projektmanagementstil hervor, bei dem Leads Risiken aufdecken und Architekturverbesserungen vorschlagen, anstatt einfach nur Tickets auszuführen. Für Unternehmen, die einen Technologiepartner statt zwei zusätzlicher Hände suchen, ist Geomotiv durchweg eine der ersten Adressen.

2. ScienceSoft

ScienceSoft ist ein seit langem etabliertes IT-Beratungs- und Ingenieurunternehmen mit jahrzehntelanger Erfahrung in einer Vielzahl von Branchen, darunter Gesundheitswesen, Fertigung und Einzelhandel. Die Personallösungen gehen oft mit einer umfassenden Beratung einher, sodass Kunden neben praktischen Programmierressourcen auch Architekturberatung erhalten.

Die Größe des Unternehmens ermöglicht es ihm, Nischenspezialisten zu gewinnen – von Dateningenieuren bis hin zu Experten für eingebettete Systeme –, was besonders für Unternehmen mit komplexen, vielschichtigen Technologie-Stacks wertvoll ist.

InstinctTools (Intetics/Instinctools) hat sich eine Nische beim Aufbau langfristiger Engineering-Gruppen für mittelständische und Unternehmenskunden in Westeuropa und Nordamerika geschaffen. Es ist bekannt für einen strukturierten Onboarding-Prozess und sein „Distant In-Sourcing“-Modell, das einem Unternehmen ein Maß an Kontrolle über Einstellung und Administration gibt, ähnlich wie bei der Führung einer eigenen internen Einheit.

Seine Stärke liegt in der Bindung: Spezialisten bleiben in der Regel jahrelang am selben Projekt, bauen im Laufe der Zeit umfassende Produktkenntnisse auf und reduzieren die Reibungsverluste bei der Personalfluktuation.

4. Toptal

Toptal verfolgt einen anderen Ansatz als herkömmliche Outsourcing-Anbieter. Anstatt einen Kader von einer internen Financial institution aus zusammenzustellen, agiert es als Elite-Talentmarktplatz und prüft freiberufliche Ingenieure, Designer und Projektmanager in einem strengen mehrstufigen Prozess, der Berichten zufolge nur einen kleinen Prozentsatz der Bewerber akzeptiert.

Dies macht Toptal zu einer starken Possibility für Unternehmen, die schnell hochspezialisierte Einzelmitarbeiter benötigen, ohne sich an einen langfristigen Vertrag zu binden. Der Nachteil besteht in einer geringeren strukturellen Kontinuität im Vergleich zu Unternehmen mit einer internen Financial institution, da die Fachkräfte von Toptal unabhängige Freiberufler und keine Mitarbeiter einer einzelnen Lieferorganisation sind.

5. BairesDev

BairesDev hat sich zu einem der größeren Nearshore-Personalvermittlungsunternehmen für den US-Markt entwickelt und verfügt über einen großen Talentpool, der hauptsächlich in Lateinamerika ansässig ist. Sein Hauptverkaufsargument ist die Zeitzonenanpassung an nordamerikanische Unternehmen in Kombination mit wettbewerbsfähigen Tarifen, was es zu einer beliebten Wahl für Begin-ups und Scale-ups macht, die schnell handeln müssen.

Es bietet Abdeckung für ein breites Spektrum an Technologien und kann die Mitarbeiterzahl relativ schnell skalieren, was für Unternehmen in schnellen Wachstumsphasen attraktiv ist.

6. Aimprosoft

Aimprosoft ist ein mittelständisches Softwarehaus mit Sitz in Osteuropa, das für seine Arbeit in den Bereichen E-Commerce, Gesundheitswesen und SaaS-Projekte bekannt ist. Es zieht tendenziell Kunden an, die eher eine eng verbundene, kommunikative Gruppe als einen großen, unpersönlichen Anbieter suchen.

Seine Engineering-Gruppen werden häufig für ihre starke Agile-Disziplin und die Aufrechterhaltung konsistenter Kontaktpunkte während eines Auftrags gelobt, was den Koordinationsaufwand verringert, der bei größeren Outsourcing-Unternehmen auftreten kann.

7. nCube

nCube ist auf die Arbeit am gesamten Produktzyklus spezialisiert und unterstützt häufig Begin-ups und Unternehmen in der Wachstumsphase, die Hilfe bei der Umsetzung einer Idee vom Konzept bis zur Markteinführung benötigen. Zu seinen Gruppen gehören in der Regel nicht nur Ingenieure, sondern auch UX/UI-Designer und Geschäftsanalysten, wodurch nCube sowohl für die Strategie als auch für die Codebereitstellung als Associate positioniert wird.

Aufgrund dieses breiteren Anwendungsbereichs eignet es sich intestine für Unternehmen, die noch keine vollständig definierte technische Roadmap haben und neben der Erstellung auch Hilfe bei der Gestaltung eines Angebots benötigen.

8. SiliconMint

SiliconMint ist ein neuer Marktteilnehmer, der durch seinen Fokus auf moderne Internet- und Mobil-Stacks sowie eine schlankere, agilere Struktur im Vergleich zu größeren Outsourcing-Unternehmen Aufmerksamkeit erregt hat. Es spricht tendenziell Begin-ups an, die nach einer flexiblen Einheit suchen, die ohne die Bürokratie größerer Anbieter schnell iterieren kann.

Da es sich um ein kleineres Unternehmen handelt, haben Kunden oft einen engeren direkten Zugang zu leitenden Ingenieuren und Gründern, was jedoch bei sehr großen Aufträgen mit eingeschränkteren Kapazitäten einhergehen kann.

So wählen Sie den richtigen Associate aus

Bei so vielen leistungsfähigen Anbietern auf dem Markt hängt die richtige Wahl letztlich von einigen praktischen Faktoren ab:

• Domänenexpertise – Versteht der Anbieter bereits die technische und regulatorische Landschaft Ihrer Branche oder müssen seine Ingenieure sie von Grund auf erlernen?
• Personalflexibilität – Kann die Mitarbeiterzahl erhöht oder verringert werden und können Spezialisten ausgetauscht werden, wenn sich Ihre Roadmap weiterentwickelt?
• Kommunikation und Zeitzone überschneiden sich – Wie viel Echtzeit-Zusammenarbeit benötigen Sie und unterstützt der Standort des Anbieters dies?
• Bindung und Kontinuität – Werden die gleichen Ingenieure langfristig an Ihrem Projekt arbeiten oder wechseln die Mitarbeiter häufig?
• Engagement-Modell – Benötigen Sie einen einzelnen Embedded-Spezialisten, eine vollständige funktionsübergreifende Einheit oder fortlaufende Beratung neben praktischer Programmierung?

Letzte Gedanken

Die besten engagierten Entwicklungsteam-Unternehmen im Jahr 2026 werden wahrscheinlich diejenigen sein, die technische Fähigkeiten mit intelligenten KI-gestützten Arbeitsabläufen kombinieren. Es gibt viele Vorteile für Kunden, die eine schnellere Planung, bessere Produktentscheidungen, sauberere Berichte und eine stärkere Entwicklungsunterstützung wünschen.

Unternehmen sollten Anbieter weiterhin auf der Grundlage von Vertrauen, Erfahrung, Sicherheitspraktiken und Nachweis früherer Ergebnisse auswählen. Es ist hilfreich, KI als einen Teil des Bewertungsprozesses zu betrachten und nicht als den einzigen Grund, ein engagiertes Entwicklungsteam einzustellen.

Dieses Personalmodell funktioniert am besten, wenn es als echte Partnerschaft und nicht als Transaktion behandelt wird. Geomotiv, ScienceSoft und InstinctTools haben ihren Ruf auf genau dieser Artwork der langfristigen Zusammenarbeit aufgebaut, während ein Marktplatz wie Toptal und ein Nearshore-Spezialist wie BairesDev Unternehmen mit unterschiedlichen Prioritäten in Bezug auf Geschwindigkeit, Flexibilität oder Kosten bedienen.

Vor Vertragsabschluss lohnt es sich, bei jedem in die engere Wahl kommenden Anbieter einen Testzeitraum oder ein kleines Pilotprojekt anzufragen. Ein kurzes, risikoarmes Engagement verrät weitaus mehr über Kommunikationsstil, technisches Urteilsvermögen und Zuverlässigkeit als jedes Verkaufsgespräch – und es ist der sicherste Weg, um herauszufinden, ob eine Partnerschaft Bestand haben wird, wenn die eigentliche Arbeit beginnt.

Die Interaktion mit Ihren Codierungsagenten ist sehr wichtig. Es gibt eine Vielzahl von Optionen, die Sie ausprobieren können, und sie alle wirken sich darauf aus, wie effektiv Sie mit Ihren Agenten interagieren können.

Ich habe viel Zeit damit verbracht, verschiedene Plattformen zur Orchestrierung von Codierungsagenten zu testen, und in diesem Artikel werde ich meine Meinung zu einigen verschiedenen Instruments darlegen und zeigen, wie Sie das Software finden können, das für Sie am besten funktioniert.

Ich denke, es ist erwähnenswert, dass das optimale Werkzeug von Particular person zu Particular person unterschiedlich sein wird. Ein Werkzeug, das mir gefällt, könnte ein Werkzeug sein, das Ihnen nicht gefällt, und umgekehrt.

Daher beschreibe ich in diesem Artikel auch, wie Sie selbst herausfinden, was für Sie funktioniert

Ich werde von keinem der Instruments gesponsert, die ich in diesem Artikel beschreibe. Das sind einfach Instruments, die meiner Meinung nach intestine funktionieren.

Warum Zeit damit verschwenden, eine optimale Agentenschnittstelle zu finden?

Zunächst möchte ich in jedem Artikel, den ich schreibe, immer auf das Warum eingehen. Hier wollte ich hervorheben, warum Sie überhaupt Zeit damit verbringen sollten, verschiedene Schnittstellen für die Interaktion mit Ihren Codierungsagenten zu testen.

Der Hauptgrund, warum Sie sich dafür Zeit nehmen sollten, ist, dass es auf lange Sicht produktiver sein kann. Wenn Sie eine Schnittstelle finden, die für Sie hervorragend funktioniert, erleichtert sie Ihnen die Interaktion mit Ihren Programmieragenten und Sie werden produktiver.

Ich bin der festen Überzeugung, dass es einen ziemlich großen Unterschied zwischen dem Software gibt, das mir am wenigsten gefällt, und dem Software, das mir am besten gefällt, und dass es einen großen Einfluss darauf hat, wie viel ich tun kann.

Eines der Hauptprobleme, die ich bei einigen Instruments finde, ist, dass es nicht einfach ist, einen vollständigen Überblick über alle Agenten zu haben, die ich gleichzeitig ausführe. In diesem Fall muss ich Zeit damit verbringen, manuell nachzuholen oder relevante Sitzungen zu finden, an denen ich arbeiten möchte, was natürlich verschwendete Zeit ist, die mit einem besseren Software eingespart werden könnte.

Verschiedene Codierungsagentenschnittstellen

In diesem Abschnitt werde ich einige verschiedene Schnittstellen für Codierungsagenten durchgehen und einige verschiedene Anwendungen abdecken.

Die Anwendungen, die ich für Codierungsagenten ausprobiert habe, sind:

• Kette
• Leiter
• Emdash
• Iterm2
• Claude Code-Anwendung
• Codex-Anwendung
• Omnara
• Cursor

Jetzt werde ich jeden von ihnen einfach mit einigen Vor- und Nachteilen besprechen.

Kette

Dies warfare eine ganze Weile mein bevorzugtes Terminal und ich denke, Warp ist insgesamt ziemlich intestine. Es handelt sich um ein einfaches Terminal mit einigen KI-Funktionen, wie etwa der automatischen Vervollständigung beim Schreiben von Befehlen, und Sie können KI-Modelle auch problemlos in Warp ausführen. Sie verfügen außerdem über eine automatische Benennung verschiedener Sitzungen und ermöglichen die Aufteilung von Tabs. Ein Nachteil, der mir bei Warp aufgefallen ist, ist, dass es sich um ein sehr einfaches Terminal handelt, das eigentlich keine zusätzlichen Funktionen bietet, und ich habe festgestellt, dass es ein wenig verzögert ist, obwohl mein Laptop keine Verzögerungen aufweist. Ich habe solche Probleme bei anderen Anwendungen nicht erlebt.

Leiter

Conductor ist ein sehr schönes, einsteigerfreundliches Terminal. Es ist ein sehr sauberes Setup. Ich finde die Artwork und Weise, wie sie die verschiedenen von Ihnen betreuten Agenten organisieren, sehr intestine. Sie organisieren es in „Rückstand“, „In Bearbeitung“, „In Prüfung“ und „Fertig“ und ermöglichen es Ihnen dann, Registerkarten zu archivieren und bei Bedarf wiederherzustellen. Der einzige Nachteil, der mir bei Conductor aufgefallen ist, sind eigentlich zwei Dinge. Es ist nicht möglich, Tabs zu teilen, was natürlich sehr schlecht ist. Und zweitens weist es keine vollständige Funktionsgleichheit mit den von mir bevorzugten Codierungsagenten auf. Mir ist aufgefallen, dass der Slash-Objective-Befehl für Claude-Code-Sitzungen nicht verfügbar ist. Es ist nur für Codex-Sitzungen verfügbar.

Das warfare für mich ein entscheidender Faktor, weshalb ich Conductor aus diesem Grund nicht mehr verwenden musste.

Emdash

Emdash ist die aktuelle Anwendung, die ich verwende, und im Second meine Lieblingsanwendung. Emdash hat im Grunde alles, was Conductor hat, verfügt aber auch über Funktionsgleichheit mit allen CLI-Codierungsagenten, da es buchstäblich das Terminal innerhalb der Anwendung ausführt und Ihnen das Teilen von Fenstern ermöglicht.

Der einzige Nachteil besteht meiner Meinung nach darin, dass Emdash nicht über die ebenso gute Organisation der Registerkarten auf der linken Seite verfügt, auf der Sie alle Ihre Codierungsagenten sehen, d.

iTerm2

iTerm2 ist auch eine gute Choice; Es handelt sich lediglich um ein einfaches Terminal, auf dem Sie Ihre Codierungsagenten ausführen können. Ich sehe jedoch keinen Grund dafür; Ich habe aus einem bestimmten Grund aufgehört, ein einfaches Terminal zu verwenden: Sie funktionieren nur zwar intestine, weil auf die Codierungsagenten über eine CLI zugegriffen werden kann, es gibt jedoch keine echten Funktionen und die Registerkarten sind nicht wirklich intestine organisiert. Deshalb habe ich aufgehört, iTerm2 zu verwenden.

Claude Code-Anwendung

Die Claude Code-Anwendung ist recht intestine und sehr anfängerfreundlich. Allerdings gefällt mir auch hier die Artwork und Weise nicht, wie sie die Agent-Registerkarten auf der linken Seite und die laufenden Sitzungen organisieren. Ich glaube einfach, dass es Anwendungen gibt, die die verschiedenen Registerkarten viel besser organisieren, wie zum Beispiel Emdash und Conductor.

Es ist erwähnenswert, dass ich die Claude Code-Anwendung über mein Telefon verwende, da ich die Fernbedienung eingeschaltet habe. Und das funktioniert sehr intestine, und die Claude-Code-Anwendung gefällt mir auf diese Weise sehr intestine.

Codex-Anwendung

Die Codex-Anwendung ist im Grunde die gleiche wie die Claude Code-Anwendung, und ich sehe keine wirklichen Unterschiede, weder bei den Vor- noch bei den Nachteilen.

Omnara

Omnara wurde als eine Artwork Anwendung vermarktet, die sich sehr intestine zwischen Ihrem Telefon und Ihrem Laptop synchronisieren lässt. Obwohl die Synchronisierung zwischen Telefon und PC intestine funktionierte, empfand ich die gesamte App als etwas umständlich und nicht besonders intuitiv. Mir scheint, dass das Design nicht ganz auf dem neuesten Stand warfare und dass sowohl Conductor als auch Emdash einfach viel einfacher, einfacher und intuitiver zu bedienen waren.

Cursor

Mit dem Cursor habe ich kurz nach der Veröffentlichung von ChatGPT mit der Agentic-Codierung und der Tab-Vervollständigung in VS Code begonnen. Cursor ist wirklich intestine. Wenn Sie jedoch nur Cursor verwenden, wird es ziemlich teuer, da ein Großteil der Kosten nutzungsabhängig ist und nicht durch das Abonnement abgedeckt ist, wie bei Claude Code oder Codex. Außerdem glaube ich nicht, dass ich mir den Code mehr ansehen muss, daher sehe ich keinen wirklichen Grund, Cursor zu verwenden. Sie können in Cursor natürlich die reine Agentenansicht verwenden, aber dann ist sie einfach viel teurer als Alternativen wie Claude Code oder Codex.

Andere Schnittstellen

Beachten Sie, dass es viele andere Schnittstellen gibt und ich nicht alles getestet habe. Es scheint, als ob im Grunde jeden Tag neue Agentenschnittstellen auftauchen. Und es kann natürlich zu viel sein, es selbst auszuprobieren. Ich bitte Sie dringend, dem Markt der Agentenschnittstellen etwas Aufmerksamkeit zu schenken. Wenn Sie etwas Interessantes sehen, überprüfen Sie schnell die Web site und prüfen Sie, ob sie Ihren Anforderungen entspricht. Wenn ja, sollten Sie sie ein wenig ausprobieren. Ich glaube, Sie werden ziemlich schnell merken, ob sich die Verwendung einer Coding-Agent-Schnittstelle lohnt oder nicht, beispielsweise innerhalb von zwanzig Minuten.

So finden Sie Ihre optimale Codierungsschnittstelle

Jetzt müssen wir uns mit der Frage befassen, wie Sie Ihre optimale Codierungsschnittstelle finden können. Ich habe einige Dinge behandelt, die Sie bei der Auswahl einer Agentenschnittstelle berücksichtigen und bedenken sollten:

• Verfügt es über Funktionsgleichheit mit allen neuesten Coding-Agent-Instruments wie Codex und Claude Code? Wenn nicht, sind Sie im Rückstand. Das kann sehr frustrierend sein, wenn jemand eine Funktion veröffentlicht, die Sie sofort ausprobieren möchten.
• Können Sie damit auch über Ihr Telefon mit Ihren Programmieragenten interagieren? Ich denke, das ist ziemlich wichtig. Wenn ich beispielsweise Claude Code ausführe, kann ich eine sogenannte Fernsteuerung aktivieren, die es mir ermöglicht, die Sitzung auch über mein Telefon zu finden und meine Coding-Agenten weiterarbeiten zu lassen und ihnen spontan helfen zu können, wenn ich nicht an meinem Laptop bin.
• Bietet es Ihnen einen guten Überblick über alle Ihre Agent-Registerkarten und hilft Ihnen dabei, sich daran zu erinnern, welche Registerkarte was tut, und viele Sitzungen gleichzeitig laufen zu lassen, ohne verwirrt zu werden? Dinge, die hier helfen können, sind: automatische Benennung von Tabs, geteilte Tabs, Arbeitsbereiche usw.

Und das ist es. Insgesamt denke ich, dass Sie beim Testen von Coding-Agent-Schnittstellen darüber nachdenken sollten, was Ihnen wichtig ist und was für Sie wichtig ist. Für manche Menschen ist es am wichtigsten, dass es tremendous einfach zu bedienen und intuitiv ist, während die Funktionsparität keine so große Rolle spielt. Wenn ja, würde ich sagen, dass Conductor eine gute Wahl ist. Andere bevorzugen vor allem ein leichtes Terminal. Wenn ja, Warp oder iTerm2.

Am Ende haben Sie selbst den besten Geschmack für das, was Sie bevorzugen, und Sie sollten einfach die Dinge ausprobieren, die Sie interessant finden, und sehen, ob es für Sie besser funktioniert als die aktuelle Benutzeroberfläche, die Sie verwenden.

Abschluss

In diesem Artikel habe ich einige verschiedene Coding-Agent-Schnittstellen behandelt. Ich begann damit, darüber zu sprechen, warum Sie sich darum kümmern sollten und wie stark es Ihre Produktivität als Programmierer beeinflussen kann. Ich habe viele verschiedene Coding-Agent-Schnittstellen behandelt, die ich selbst ausprobiert habe, und dabei die Vor- und Nachteile behandelt. Letztendlich ist die für Sie optimale Coding-Agent-Schnittstelle das, was Sie am liebsten verwenden. Verschiedene Menschen haben unterschiedliche Vorlieben, was bei der Interaktion mit Programmieragenten wichtig ist, und Sie sollten verschiedene Optionen selbst ausprobieren. Ich habe einige Beispiele behandelt und erwähnt, die Sie sich ansehen können, wenn Sie sie interessant finden. Und ich empfehle Ihnen dringend, ein paar verschiedene Instruments auszuprobieren und sich etwas Zeit damit zu beschäftigen, da dies große Auswirkungen auf Ihre Produktivität bei der Arbeit mit Ihren Programmieragenten haben kann. Es lohnt sich, etwas Zeit zu investieren, um das optimale Codierungs-Setup für Sie herauszufinden.

Nehmen Sie Kontakt auf

Mein kostenloses E-E book und Webinar:

Verzehnfachen Sie Ihr Engineering mit LLMs (kostenloser 3-tägiger E-Mail-Kurs)

Holen Sie sich mein kostenloses E-E book „Imaginative and prescient Language Fashions“.

Mein Webinar zu Imaginative and prescient Language Fashions

Finden Sie mich in den sozialen Netzwerken:

Unterstapel

LinkedIn

X / Twitter

Zeitreihenprognosen sagen zukünftige Werte voraus, indem sie Muster aus vergangenen Daten lernen. Es wird häufig in den Bereichen Vertrieb, Finanzen, Energie, Webverkehr, Bestandsplanung und Geschäftsentscheidungen eingesetzt. Doch seit der Einführung fortschrittlicher ML-Modelle hat sich viel geändert.

Die Prognose hat sich von traditionellen statistischen Modellen hin zu neuronalen und Grundlagenmodell-Ansätzen entwickelt. Instruments wie Prophet, NeuralProphet, TimeGPT und Chronos spiegeln diesen Wandel wider, wobei jedes Device Genauigkeit, Skalierbarkeit, Erklärbarkeit und Produktionsanforderungen unterschiedlich in Einklang bringt. In diesem Artikel werden wir diese Instruments vergleichen und verstehen, wo jedes einzelne am besten in das Spektrum der Zeitprognosen passt.

Bei der Auswahl eines Prognosetools geht es nicht nur darum, das genaueste Modell zu finden. In realen Projekten müssen Groups auch über Erklärbarkeit, Skalierbarkeit, Geschwindigkeit, Kosten und Bereitstellungsanforderungen nachdenken. Einige Prognosen müssen für Geschäftsanwender einfach genug sein, um sie zu verstehen, während andere Tausende von Zeitreihen schnell verarbeiten müssen. Prophet, NeuralProphet, TimeGPT und Chronos lösen unterschiedliche Prognoseprobleme. Prophet konzentriert sich auf Klarheit und Interpretierbarkeit, NeuralProphet fügt verzögerungsbasiertes Lernen hinzu, TimeGPT reduziert den Setup über eine API und Chronos unterstützt Open-Weight-Basis-Mannequin-Prognosen.

Praxisnaher Umsetzungsansatz

Vor dem Testen der Prognosetools müssen die erforderlichen Bibliotheken installiert werden. Prophet und NeuralProphet werden für das lokale Modelltraining verwendet, TimeGPT benötigt das Nixtla SDK und einen API-Schlüssel und Chronos kann über das Chronos-Prognosepaket oder AutoGluon verwendet werden.

# These are the libraries required for utilizing the entire instruments coated on this article
pip set up prophet
pip set up neuralprophet
pip set up nixtla
pip set up chronos-forecasting
pip set up autogluon.timeseries 

Diese Befehle installieren die Hauptpakete, die für die Ausführung von Prophet, NeuralProphet, TimeGPT und Chronos erforderlich sind.

Prophet

Prophet ist ein einfaches, erklärbares Open-Supply-Prognosetool, das von Fb entwickelt wurde. Es eignet sich intestine für Geschäftsdaten mit Tendencies, Saisonalität, Feiertagen und wiederkehrenden Ereignissen und ist daher nützlich für Umsatz-, Nachfrage- und Net-Site visitors-Prognosen.

Prophet erfordert zwei Spalten: ds für das Datum oder den Zeitstempel und y für den Zielwert. Sobald es trainiert ist, kann es Zukunftsprognosen mit Unsicherheitsintervallen erstellen, was es zu einer starken Foundation macht, bevor es NeuralProphet, TimeGPT oder Chronos ausprobiert.

Workflow-Diagramm des Propheten

Prophetencode

import pandas as pd
from prophet import Prophet

df = pd.DataFrame({
    "ds": pd.date_range("2024-01-01", intervals=200, freq="D"),
    "y": vary(200),
})

mannequin = Prophet()
mannequin.match(df)

future = mannequin.make_future_dataframe(intervals=30)
forecast = mannequin.predict(future)

print(forecast(("ds", "yhat", "yhat_lower", "yhat_upper")).tail())

Dieser Code erstellt einen einfachen täglichen Zeitreihendatensatz mit Pandas. Der ds Spalte enthält Datumsangaben und die y Die Spalte enthält die Werte, die prognostiziert werden sollen. Anschließend wird das Prophet-Modell anhand der historischen Daten initialisiert und trainiert. Nach dem Coaching, make_future_dataframe() erstellt Termine für die nächsten 30 Tage. Der predict() Funktion generiert die Prognose. Die Ausgabe enthält den vorhergesagten Wert zusammen mit yhat_lower Und yhat_upperdie den Unsicherheitsbereich zeigen.

NeuralProphet

Nach Prophet ist NeuralProphet das nächste zu diskutierende Modell, da es auf der gleichen Idee aufbaut, aber mehr Flexibilität bietet. NeuralProphet behält die bekannte Struktur von Development und Saisonalität im Prophet-Stil bei, fügt aber auch neuronale Netzwerkfunktionen hinzu, wie z Autoregressionverzögerte Werte, Kovariaten und PyTorch-basiertes Coaching. Dies macht es nützlich, wenn aktuelle Vergangenheitswerte einen starken Einfluss auf zukünftige Werte haben. Beispielsweise können beim Net-Site visitors, bei der Stromnachfrage oder bei Umsatzprognosen die letzten Tage oder Stunden einen starken Einfluss auf die nächste Prognose haben.

NeuralProphet ist eine gute Wahl, wenn Prophet zu einfach ist, das Workforce aber dennoch ein Modell möchte, das leichter zu verstehen ist als eine vollständige Blackbox tiefes Lernen Modell. Es fungiert als Brücke zwischen traditioneller erklärbarer Prognose und neuronaler Prognose. Wie Prophet verwendet es ds für Termine und y für Zielwerte, bietet aber mehr Raum für die Erfassung kurzfristiger Muster und Verzögerungsverhalten.

NeuralProphet-Workflow-Diagramm

NeuralProphet-Code

import pandas as pd
import torch
from neuralprophet import NeuralProphet, configure
import torch.serialization
import torch.nn as nn
import torch.optim as optim

# Patch torch.load to make use of weights_only=False
# This helps with NeuralProphet compatibility.
_original_torch_load = torch.load


def _patched_torch_load(*args, **kwargs):
    kwargs.setdefault("weights_only", False)
    return _original_torch_load(*args, **kwargs)


torch.load = _patched_torch_load

df = pd.DataFrame({
    "ds": pd.date_range("2024-01-01", intervals=200, freq="D"),
    "y": vary(200),
})

mannequin = NeuralProphet()

metrics = mannequin.match(df, freq="D")

future = mannequin.make_future_dataframe(df, intervals=30)
forecast = mannequin.predict(future)

print(forecast(("ds", "yhat1")).tail())

Dieser Code erstellt einen täglichen Zeitreihendatensatz mit vier Spalten: ds (Daten), y (Zielwerte), Temperatur (verzögerter Regressor) und Promo (zukünftiger Regressor).

Das Modell wird mit initialisiert n_lags=7 die letzten 7 Tage als autoregressive Eingaben zu verwenden und n_forecasts=3 um 3 Schritte gleichzeitig vorauszusagen. add_lagged_regressor("temperature") fügt eine Kovariate hinzu, deren zukünftige Werte unbekannt sind add_future_regressor("promo") Fügt einen hinzu, dessen zukünftige Werte im Voraus bekannt sind und vor dem Aufruf manuell im zukünftigen Datenrahmen angegeben werden müssen predict().

Nach der Anpassung enthält die Ausgabe drei Prognosespalten: yhat1, yhat2Und yhat3 – stellt Vorhersagen dar, die jeweils 1, 2 und 3 Tage im Voraus liegen.

ZeitGPT

Nach Prophet und NeuralProphet ist TimeGPT das nächste Prognosetool, das es zu berücksichtigen gilt. Es wurde von Nixtla entwickelt und ist ein verwaltetes Basismodell, auf das über eine API zugegriffen wird, sodass keine lokale Schulung für jede Aufgabe erforderlich ist.

TimeGPT eignet sich für schnelle Prognosen, Zero-Shot-Anwendungsfälle, mehrere Zeitreihen, exogene Variablen und probabilistische Prognosen. Seine Einfachheit ist der Hauptvorteil, aber Groups sollten Datenschutz, Kosten, Governance und Anbieterabhängigkeit berücksichtigen, da es Closed Supply und API-basiert ist.

TimeGPT-Workflow-Diagramm

TimeGPT-Code

import os

import pandas as pd
from nixtla import NixtlaClient

df = pd.DataFrame({
    "ds": pd.date_range("2024-01-01", intervals=200, freq="D"),
    "y": vary(200),
})

shopper = NixtlaClient(api_key=os.environ("NIXTLA_API_KEY"))

forecast = shopper.forecast(
    df=df,
    h=30,
    time_col="ds",
    target_col="y",
)

# print(forecast.tail())

Dieser Code erstellt einen einfachen täglichen Zeitreihendatensatz mit zwei Spalten: ds Und y. Die ds-Spalte enthält die Daten und die y-Spalte enthält die prognostizierten Werte. Der NixtlaClient wird mithilfe eines API-Schlüssels initialisiert, der in der Umgebungsvariablen gespeichert ist NIXTLA_API_KEY.

Der forecast() sendet die Daten an TimeGPT und fordert eine 30-stufige Prognose mit an h=30. Der arguments time_col="ds" Und target_col="y" Teilen Sie TimeGPT mit, welche Spalte Zeitwerte und welche Spalte die Zielwerte enthält. Die Ausgabe enthält die von der API zurückgegebenen zukünftigen Prognosewerte.

Chronos

Chronos ist ein offenes Basismodell von Amazon Science, das mehr Bereitstellungskontrolle bietet als geschlossene APIs wie TimeGPT. Es behandelt Prognosen wie Sprachmodellierung, indem es Zeitreihenwerte in Token umwandelt und anhand dieser Muster zukünftige Werte vorhersagt.

Es ist nützlich für Groups, die Zero-Shot-Prognosen mit Selbsthosting, lokalen Checks oder Cloud-Bereitstellung wünschen. Die Familie umfasst Chronos, Chronos-Bolt für schnellere und speichereffizientere Prognosen und Chronos-2 für multivariate und kovariatenbewusste Prognosen.

Chronos-Workflow-Diagramm

Chronos-Code

import torch
from chronos import BaseChronosPipeline

context = torch.tensor(checklist(vary(200)), dtype=torch.float32)

pipeline = BaseChronosPipeline.from_pretrained(
    "amazon/chronos-bolt-small",
    device_map="cpu",
)

samples = pipeline.predict(
    context=context,
    prediction_length=30,
    num_samples=20,
)

median_forecast = torch.median(samples, dim=0).values

# print(median_forecast)

Dieser Code erstellt mit PyTorch eine einfache historische Zeitreihe. Die Kontextvariable speichert die vergangenen Werte, die Chronos zur Prognose der Zukunft verwenden wird. Der BaseChronosPipeline.from_pretrained() lädt ein vorab trainiertes Chronos-Bolt-Modell. In diesem Beispiel läuft das Modell auf der CPU.

Die Funktion „predict()“ generiert mehrere mögliche zukünftige Pfade. Der prediction_length=30 Argument bedeutet, dass das Modell die nächsten 30 Zeitschritte vorhersagt, und num_samples=20 bedeutet, dass 20 mögliche Prognosestichproben erstellt werden. Abschließend wird aus diesen Stichproben die mittlere Prognose berechnet. Dies ist nützlich, da Chronos probabilistische Vorhersagen erstellt und nicht nur eine feste Vorhersage.

Modellierungsansätze und Funktionsunterstützung

Prophet und NeuralProphet trainieren anhand der historischen Daten des Benutzers als lokale Prognosemodelle. Prophet verwendet Development, Saisonalität, Feiertage und Regressoren, während NeuralProphet Autoregression und neuronale Komponenten hinzufügt.

TimeGPT und Chronos verwenden einen Basis-Mannequin-Ansatz. TimeGPT arbeitet über eine verwaltete Transformer-API, während Chronos Open-Weight-Modelle verwendet, die Zeitreihenwerte tokenisieren. Im Allgemeinen sind Prophet und NeuralProphet einfacher zu erklären, während TimeGPT und Chronos für Zero-Shot- und probabilistische Vorhersagen besser geeignet sind.

Modellierungsansatzdiagramm

Funktionsvergleichstabelle

• Prophet eignet sich am besten, wenn die Prognose klar erklärt werden muss.
• NeuralProphet eignet sich am besten, wenn die Daten starke kurzfristige Muster aufweisen.
• TimeGPT eignet sich am besten, wenn Groups schnelle Ergebnisse erzielen möchten, ohne die Trainingsinfrastruktur verwalten zu müssen.
• Chronos eignet sich am besten, wenn Groups Prognosen auf Foundation eines offenen Modells mit Kontrolle über die Bereitstellung wünschen.

Notiz: TimeGPT und Chronos erfordern kostenpflichtige API-Schlüssel. Dies macht Prophet und NeuralProphet zur ersten Wahl für die kostenlose Arbeit an Zeitreihenvorhersagen.

Benchmarks und Leistung

Benchmark-Ergebnisse für Prophet, NeuralProphet, TimeGPT und Chronos sollten sorgfältig gelesen werden, da sie nicht immer unter den gleichen Bedingungen getestet werden. Für einen fairen Vergleich sind derselbe Datensatz, der gleiche Prognosehorizont, die gleiche Zugtestaufteilung, der gleiche Optimierungsprozess und die gleichen Metriken erforderlich.

Prophet ist eine stark erklärbare Basislinie, während NeuralProphet hilfreich sein kann, wenn kurzfristige Verzögerungsmuster wichtig sind. TimeGPT eignet sich für schnell verwaltete Zero-Shot-Prognosen und Chronos-Bolt ist eine leistungsstarke Possibility für ein offenes Fundamentmodell. Dennoch sollten Groups alle Modelle anhand ihrer eigenen Daten vergleichen, bevor sie eines für die Produktion auswählen.

Benchmark-Diagramm

Leistungsvergleichstabelle

Skalierbarkeit und Latenz

Skalierbarkeit und Latenz sind wichtig, da Produktionsprognosen häufig viele Prognosen gleichzeitig erfordern. Prophet ist für kleine bis mittlere Arbeitslasten zuverlässig, kann jedoch bei vielen einzelnen Serien langsamer werden. NeuralProphet unterstützt PyTorch und GPUs, muss aber noch geschult und optimiert werden. TimeGPT reduziert das lokale Engineering durch eine verwaltete API, während Chronos lokale oder Cloud-Bereitstellungskontrolle bietet. Chronos-Bolt eignet sich am besten, wenn schnellere, speichereffiziente Prognosen erforderlich sind.

Produktionsüberlegungen

Für die Produktion muss ein Prognosemodell zu den Bereitstellungsanforderungen des Groups passen und darf nicht nur intestine vorhersagen. Prophet ist leicht zu debuggen und zu erklären, während NeuralProphet Flexibilität bietet, aber mehr Optimierung erfordert. TimeGPT lässt sich einfach über eine API übernehmen, wirft jedoch Bedenken hinsichtlich der Kosten, des Datenschutzes, der Governance und der Anbieterabhängigkeit auf. Chronos unterstützt Open-Weight-Selbsthosting, erfordert jedoch mehr Infrastrukturplanung. Ein gutes Setup kombiniert häufig eine transparente Basislinie mit einem erweiterten Modell.

Abschluss

Zeitreihenprognosen umfassen jetzt erklärbare Instruments wie Prophet, versatile neuronale Modelle wie NeuralProphet, verwaltete APIs wie TimeGPT und Open-Weight-Basis-Modelle wie Chronos. Es gibt keine allgemeingültige beste Wahl.

Groups sollten Modelle anhand ihrer eigenen Daten vergleichen und auf der Grundlage von Genauigkeit, Erklärbarkeit, Bereitstellungsanforderungen und Geschäftszielen auswählen.

Hallo, ich bin Janvi, ein leidenschaftlicher Information-Science-Fanatic, der derzeit bei Analytics Vidhya arbeitet. Meine Reise in die Welt der Daten begann mit einer tiefen Neugier, wie wir aus komplexen Datensätzen aussagekräftige Erkenntnisse gewinnen können.

Für Kreativprofis auf der Suche nach Inspiration und Organisation entstehen mehrere Plattformen als Alternativen zu Pinterest, was einen Wandel hin zu kontrollierteren, gezielteren und spezialisierteren digitalen Umgebungen widerspiegelt.

Prime-Pinterest-Alternativen für Kreative

Diese Instruments reagieren auf die zunehmende Ermüdung mit algorithmengesteuerten Feeds und KI-gesättigten Inhalten, indem sie klarere Strukturen, eine qualitativ hochwertigere Kuration und in einigen Fällen explizite Grenzen dafür bieten, wie Inhalte angezeigt und konsumiert werden.

Milanote

Milanote fungiert als flexibler visueller Arbeitsbereich, der Moodboards, Notizen und Projektplanung auf einer einzigen Leinwand vereint. Seine Stärke liegt in der Anpassungsfähigkeit. Benutzer können Ideen frei strukturieren, sodass es für alles geeignet ist, vom Brainstorming in der Frühphase bis hin zur detaillierten kreativen Leitung.

Area

Are.na verfolgt einen eher konzeptionellen Ansatz und positioniert sich als Raum für die Organisation von Ideen und nicht nur für Bilder. Der Inhalt ist in miteinander verbundenen Kanälen gruppiert und fördert so die Erkundung verschiedener Themen. Die Struktur ist absichtlich nichtlinear, was weniger effizient erscheinen kann, aber eine tiefere Entdeckung fördert.

Savee

Savee konzentriert sich auf hochwertige visuelle Inspiration durch menschliche Kuration und nicht auf algorithmisches Rating. Die Plattform bleibt werbefrei und minimalistisch, mit Funktionen wie „Extra Like This“, die visuelle Referenzen erweitern, ohne den Benutzer mit Lärm zu überfordern.

Kosmos

Cosmos bietet eine reduzierte, ablenkungsfreie Umgebung, die auf „Clustern“ statt auf herkömmlichen Boards basiert. Klarheit und visuelle Qualität stehen im Vordergrund, mit optionaler Filterung von KI-generierten Inhalten, sodass Benutzer mehr Kontrolle darüber haben, was sie sehen.

Flipboard

Flipboard gestaltet die Kuratierung von Inhalten durch eine Schnittstelle im Magazinstil neu. Benutzer sammeln Artikel, Bilder und Hyperlinks in strukturierten Veröffentlichungen und verbinden Inspiration mit redaktionellem Denken. Dabei geht es weniger um reine Entdeckungen als vielmehr um die Gestaltung von Erzählungen aus ausgewählten Inhalten.

Cara-App

Die Cara App zeichnet sich durch ihre strikte No-AI-Richtlinie und ihren chronologischen Feed aus. Es wurde speziell für Künstler entwickelt, beseitigt algorithmische Störungen und betont die Authentizität. Dies macht es besonders attraktiv für Nutzer, die eine klarere Trennung zwischen menschengemachter und KI-generierter Arbeit wünschen.

Perlenbäume

Pearltrees bietet ein strukturierteres System zum Speichern und Organisieren von Inhalten in verschiedenen Formaten. Sein Net-Clipper und sein visuelles Format erleichtern den Aufbau miteinander verbundener Sammlungen, die quick wie ein digitales Archiv zur ständigen Bezugnahme funktionieren.

Dribbeln

Dribbble bleibt eine fokussierte Plattform für Designer, insbesondere im Bereich UI und UX. Es fungiert sowohl als Inspirationsquelle als auch als professionelles Netzwerk, in dem hochwertige Arbeiten präsentiert und die Talentsuche in das Ökosystem integriert wird.

Auf diesen Plattformen ist der Wandel konsistent. Benutzer bewegen sich weg vom passiven Scrollen hin zu Umgebungen, die Absicht, Struktur und Kontrolle unterstützen. Der Wert liegt nicht mehr in endlosen Entdeckungen, sondern in der Fähigkeit, Ideen klar zu kuratieren, zu organisieren und zu überdenken.

Hervorgehobener Bildnachweis

Bild vom Herausgeber

# Einführung

Die explorative Datenanalyse (EDA) ist eine entscheidende Part vor tiefergehenden Datenanalyseprozessen oder dem Aufbau datengesteuerter KI-Systeme, beispielsweise solcher, die auf Modellen des maschinellen Lernens basieren. Während die Behebung allgemeiner, realer Datenqualitätsprobleme und Inkonsistenzen häufig auf nachfolgende Phasen der Datenpipeline verschoben wird, ist EDA auch eine ausgezeichnete Gelegenheit, diese Probleme proaktiv und frühzeitig zu erkennen – bevor unbemerkt Ergebnisse verzerrt, die Modellleistung beeinträchtigt oder die nachgelagerte Entscheidungsfindung beeinträchtigt wird.

Im Folgenden stellen wir eine Liste mit sieben Python-Methods zusammen, die auf Ihre frühen EDA-Prozesse anwendbar sind, insbesondere durch die effektive Identifizierung und Behebung einer Vielzahl von Datenqualitätsproblemen.

Um diese Methods zu veranschaulichen, verwenden wir einen synthetisch generierten Mitarbeiterdatensatz, in den wir absichtlich eine Vielzahl von Datenqualitätsproblemen einfügen, um zu veranschaulichen, wie diese erkannt und behandelt werden können. Bevor Sie die Methods ausprobieren, stellen Sie sicher, dass Sie zunächst den folgenden Präambelcode kopieren und in Ihre Codierungsumgebung einfügen:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# PREAMBLE CODE THAT RANDOMLY CREATES A DATASET AND INTRODUCES QUALITY ISSUES IN IT
np.random.seed(42)

n = 1000

df = pd.DataFrame({
    "age": np.random.regular(40, 12, n).spherical(),
    "earnings": np.random.regular(60000, 15000, n),
    "experience_years": np.random.regular(10, 5, n),
    "division": np.random.selection(
        ("Gross sales", "Engineering", "HR", "gross sales", "Eng", "HR "), n
    ),
    "performance_score": np.random.regular(3, 0.7, n)
})

# Randomly injecting information points to the dataset

# 1. Lacking values
df.loc(np.random.selection(n, 80, substitute=False), "earnings") = np.nan
df.loc(np.random.selection(n, 50, substitute=False), "division") = np.nan

# 2. Outliers
df.loc(np.random.selection(n, 10), "earnings") *= 5
df.loc(np.random.selection(n, 10), "age") = -5

# 3. Invalid values
df.loc(np.random.selection(n, 15), "performance_score") = 7

# 4. Skewness
df("bonus") = np.random.exponential(2000, n)

# 5. Extremely correlated options
df("income_copy") = df("earnings") * 1.02

# 6. Duplicated entries
df = pd.concat((df, df.iloc(:20)), ignore_index=True)

df.head()

# 1. Fehlende Werte mithilfe von Heatmaps erkennen

Zwar gibt es in Python-Bibliotheken Funktionen wie Pandas Die die Anzahl der fehlenden Werte für jedes Attribut in Ihrem Datensatz zählen. Ein attraktiver Ansatz, um einen schnellen Überblick über alle fehlenden Werte in Ihrem Datensatz zu erhalten – und darüber, welche Spalten oder Attribute welche enthalten – ist die Visualisierung einer Heatmap mithilfe von isnull() Funktion und zeichnet so weiße, barcodeähnliche Linien für jeden einzelnen fehlenden Wert in Ihrem gesamten Datensatz auf, horizontal nach Attributen angeordnet.

plt.determine(figsize=(10, 5))
sns.heatmap(df.isnull(), cbar=False)
plt.title("Lacking Worth Heatmap")
plt.present()

df.isnull().sum().sort_values(ascending=False)

Heatmap zur Erkennung fehlender Werte | Bild vom Autor

# 2. Duplikate entfernen

Dieser Trick ist ein Klassiker: einfach, aber sehr effektiv, um die Anzahl der duplizierten Instanzen (Zeilen) in Ihrem Datensatz zu zählen und anschließend anzuwenden drop_duplicates() um sie zu entfernen. Standardmäßig behält diese Funktion das erste Vorkommen jeder duplizierten Zeile bei und eliminiert den Relaxation. Dieses Verhalten kann jedoch beispielsweise durch die Verwendung von geändert werden maintain="final" Possibility, das letzte Vorkommen anstelle des ersten beizubehalten, oder maintain=False loswerden alle komplett duplizierte Zeilen. Das zu wählende Verhalten hängt von Ihren spezifischen Problemanforderungen ab.

duplicate_count = df.duplicated().sum()
print(f"Variety of duplicate rows: {duplicate_count}")

# Take away duplicates
df = df.drop_duplicates()

# 3. Identifizieren von Ausreißern mithilfe der Interquartilbereichsmethode

Die Interquartilbereichsmethode (IQR) ist ein statistikgestützter Ansatz zur Identifizierung von Datenpunkten, die aufgrund ihrer erheblichen Entfernung zu den übrigen Punkten als Ausreißer oder Extremwerte angesehen werden können. Dieser Trick stellt eine Implementierung der IQR-Methode bereit, die für verschiedene numerische Attribute wie „Einkommen“ repliziert werden kann:

def detect_outliers_iqr(information, column):
    Q1 = information(column).quantile(0.25)
    Q3 = information(column).quantile(0.75)
    IQR = Q3 - Q1
    decrease = Q1 - 1.5 * IQR
    higher = Q3 + 1.5 * IQR
    return information((information(column) < decrease) | (information(column) > higher))

outliers_income = detect_outliers_iqr(df, "earnings")
print(f"Revenue outliers: {len(outliers_income)}")

# Non-obligatory: cap them
Q1 = df("earnings").quantile(0.25)
Q3 = df("earnings").quantile(0.75)
IQR = Q3 - Q1
decrease = Q1 - 1.5 * IQR
higher = Q3 + 1.5 * IQR
df("earnings") = df("earnings").clip(decrease, higher)

# 4. Inkonsistente Kategorien verwalten

Im Gegensatz zu Ausreißern, die normalerweise mit numerischen Merkmalen verbunden sind, können inkonsistente Kategorien in kategorialen Variablen auf verschiedene Faktoren zurückzuführen sein, z. B. manuelle Inkonsistenzen wie Groß- oder Kleinbuchstaben in Namen oder domänenspezifische Variationen. Daher könnte der richtige Ansatz für den Umgang mit ihnen teilweise Fachwissen erfordern, um über den richtigen Satz von Kategorien zu entscheiden, die als gültig erachtet werden. In diesem Beispiel wird die Verwaltung von Kategorieinkonsistenzen in Abteilungsnamen angewendet, die sich auf dieselbe Abteilung beziehen.

print("Earlier than cleansing:")
print(df("division").value_counts(dropna=False))

df("division") = (
    df("division")
    .str.strip()
    .str.decrease()
    .substitute({
        "eng": "engineering",
        "gross sales": "gross sales",
        "hr": "hr"
    })
)

print("nAfter cleansing:")
print(df("division").value_counts(dropna=False))

# 5. Bereiche prüfen und validieren

Während es sich bei Ausreißern um statistisch weit entfernte Werte handelt, hängen ungültige Werte von domänenspezifischen Einschränkungen ab, z. B. können Werte für ein „Alter“-Attribut nicht negativ sein. In diesem Beispiel werden destructive Werte für das Attribut „Alter“ identifiziert und durch NaN ersetzt. Beachten Sie, dass diese ungültigen Werte in fehlende Werte umgewandelt werden und daher möglicherweise auch eine nachgelagerte Strategie für deren Handhabung erforderlich ist.

invalid_age = df(df("age") < 0)
print(f"Invalid ages: {len(invalid_age)}")

# Repair by setting to NaN
df.loc(df("age") < 0, "age") = np.nan

# 6. Anwenden der Log-Transformation für verzerrte Daten

Verzerrte Datenattribute wie „Bonus“ in unserem Beispieldatensatz lassen sich normalerweise besser in etwas umwandeln, das einer Normalverteilung ähnelt, da dies die meisten nachgelagerten maschinellen Lernanalysen erleichtert. Dieser Trick wendet eine Protokolltransformation an und zeigt das Vorher und Nachher unserer Datenfunktion an.

skewness = df("bonus").skew()
print(f"Bonus skewness: {skewness:.2f}")

plt.hist(df("bonus"), bins=40)
plt.title("Bonus Distribution (Unique)")
plt.present()

# Log rework
df("bonus_log") = np.log1p(df("bonus"))

plt.hist(df("bonus_log"), bins=40)
plt.title("Bonus Distribution (Log Remodeled)")
plt.present()

Vor der Log-Transformation | Bild vom Autor

Nach der Log-Transformation | Bild vom Autor

# 7. Erkennen redundanter Merkmale mithilfe der Korrelationsmatrix

Wir schließen die Liste so ab, wie wir begonnen haben: mit einer visuellen Be aware. Als Heatmaps angezeigte Korrelationsmatrizen helfen dabei, schnell korrelierte Merkmalspaare zu identifizieren – ein starkes Zeichen dafür, dass sie möglicherweise redundante Informationen enthalten, die in der nachfolgenden Analyse häufig am besten minimiert werden. In diesem Beispiel werden zur besseren Interpretierbarkeit auch die fünf am höchsten korrelierten Attributpaare gedruckt:

corr_matrix = df.corr(numeric_only=True)

plt.determine(figsize=(10, 6))
sns.heatmap(corr_matrix, annot=True, fmt=".2f", cmap="coolwarm")
plt.title("Correlation Matrix")
plt.present()

# Discover excessive correlations
high_corr = (
    corr_matrix
    .abs()
    .unstack()
    .sort_values(ascending=False)
)

high_corr = high_corr(high_corr < 1)
print(high_corr.head(5))

Korrelationsmatrix zur Erkennung redundanter Merkmale | Bild vom Autor

# Zusammenfassung

Mit der obigen Liste haben Sie sieben nützliche Methods kennengelernt, mit denen Sie Ihre explorative Datenanalyse optimum nutzen und dabei helfen können, verschiedene Arten von Datenqualitätsproblemen und Inkonsistenzen effektiv und intuitiv aufzudecken und zu beheben.

Iván Palomares Carrascosa ist ein führender Autor, Redner und Berater in den Bereichen KI, maschinelles Lernen, Deep Studying und LLMs. Er schult und leitet andere darin, KI in der realen Welt zu nutzen.

Das amerikanische Startup Tiiny AI Inc. wurde als offizieller Verifizierer von Guinness World Information ins Leben gerufen und ist der wichtigste KI-Celebrity der Welt. Taschenlabor Einige davon sind nicht so groß wie eine Powerbank mit einer Größe von 14,2 × 8 × 2,53 cm und einem Gewicht von nur 300 Gramm.

Ein weiterer Schritt (Tveksamt) ist die Ein-Klick-Set up des Open-Supply-Modellierers GPT-OSS, Lama, Qwen, DeepSeek, Mistral och Phiein beliebter KI-Agent wie OpenManus, ComfyUI und Flowise. Alle Anmeldedaten, Präferenzen und Dokumentation von Standorten mit Bankverbindung und Kryptografie.

Hardwarespezifikationen

Was ist mit Pocket Lab passiert?​

Sie sagten, die Finnen würden sich über die Skepsis im Klaren sein. Sie benötigen ein 120-Millionen-Greenback-Parametermodell mit nur 80 GB RAM, sind aggressiver als 4-Bit-Lösungen und verfügen über einen technischen Analysator, um sicherzustellen, dass das Gerät praktisch und effizient ist. Bei der Suche nach einer Größe von 10 bis 100 Millionen Prozent ist die Wahrscheinlichkeit größer, dass sie realistischer ist.​

Kleines KI-Taschenlabor

Notebookcheck – Tiiny AI Pocket Lab: Mini-PC mit 12-Core-ARM-CPU

Open Supply für Sie – Tiiny AI stellt den kleinsten persönlichen KI-Supercomputer der Welt vor

Bild vom Autor

# Einführung

Befinden wir uns alle in einem Wettlauf nach unten, den wir selbst geschaffen haben? Datenexperten werden seit Jahren mit der Entwicklung großer Sprachmodelle (LLMs) beschäftigt.

Mittlerweile scheint die Zahl der offenen Datenpositionen täglich zu sinken. Von denen, die beworben werden, scheinen die meisten ziemlich miserabel zu sein.

Mit miserabel meine ich nicht zu niedrige Gehälter oder unangemessene technische Erwartungen an die Kandidaten. Nein, ich meine diese vagen Formulierungen: „Komfortables Arbeiten mit KI-Produktivitätstools“, „Kann große Codemengen versenden“ oder „Ausgeprägte Immediate-Engineering-Fähigkeiten sind von Vorteil.“ Übersetzung: Ein Chatbot ist Ihr wichtigster Programmierpartner. Es gibt keine Mentorschaft, keine Requirements, nur Code-Umstellung.

Ein Chatbot, unsere eigene Kreation, reduziert uns jetzt auf bloße Kopierer seiner Ergebnisse. Es klingt nicht nach einer sehr sinnvollen oder erfüllenden Arbeit.

Ist es in diesem Umfeld noch möglich, eine sinnvolle Arbeit zu finden?

# Was ist Vibe-Codierung?

Andrej Karpathyein OpenAI Mitbegründer, prägte den Begriff „Vibe Coding“. Das bedeutet, dass Sie überhaupt nicht programmieren.

Was Sie tun: Sie trinken Ihren Matcha Latte, vibrieren, erteilen einem Programmier-Chatbot Befehle und kopieren seinen Code in Ihren Code-Editor.

Was der Chatbot macht: Er codiert, prüft auf Fehler und debuggt den Code.

Was Sie nicht tun: Sie programmieren nicht, prüfen nicht auf Fehler und debuggen den Code nicht.

Wie fühlt sich eine solche Arbeit an? Wie eine Vollzeit-Gehirnfäule.

Was hast du erwartet? Sie haben alle interessanten, kreativen und problemlösenden Aspekte Ihres Jobs an einen Chatbot übergeben.

# Vibe Coding hat die Codierung abgewertet

„Für wegwerfbare Wochenendprojekte ist es nicht schlecht, aber trotzdem ziemlich amüsant“, sagt Andrej Karpathy über Vibe Coding.

Dennoch entschieden die Unternehmen, denen Sie vertrauen würden – diejenigen, die ihre Produkte nicht als „Wegwerf-Wochenendprojekte“ betrachten –, dass es immer noch eine gute Idee sei, mit dem Vibe-Coding zu beginnen.

Die KI-Codierungstools kamen zum Einsatz und Datenexperten wurden rausgeworfen. Für diejenigen, die geblieben sind, besteht ihre Hauptaufgabe darin, sich mit einem Chatbot zu unterhalten.

Die Arbeit wird schneller als je zuvor erledigt. Sie halten Termine ein, die vorher unmöglich waren. Die Fähigkeit, so zu tun, als wäre man produktiv, hat ein völlig neues Niveau erreicht.

Das Ergebnis? Halbfertige Prototypen. Code, der die Produktion unterbricht. Datenprofis, die nicht wissen, warum der Code nicht funktioniert. Verdammt, sie wissen nicht einmal, warum der Code Ist Arbeiten.

Vorhersage: Profis, die wirklich wissen, wie man programmiert, werden schon bald wieder in Mode kommen. Schließlich muss jemand den von einem Chatbot „so schnell“ geschriebenen Code neu schreiben. Sprechen Sie über Effizienz. Nun, viel effizienter geht es nicht.

Aber wie überlebt man bis dahin?

# Wie findet man jetzt einen sinnvollen Job?

Das Prinzip ist ganz einfach: Erledigen Sie die Arbeit, die der Chatbot nicht erledigen kann. Hier ist ein Vergleich zwischen dem, was KI nicht kann, und dem, was Sie können.

Natürlich erfordert dies alles bestimmte Fähigkeiten.

# Erforderliche Fähigkeiten

Um im Zeitalter des Vibe-Codings eine sinnvolle Arbeit zu finden, sind diese Fähigkeiten erforderlich.

// 1. Verfassen technischer Spezifikationen

Die meisten Anfragen, die Sie bearbeiten, enthalten unvollständige und mehrdeutige Informationen. Wenn Sie diese Informationen in eine präzise technische Spezifikation umwandeln können, werden Sie dafür geschätzt, dass Sie widersprüchliche Annahmen und Erwartungen aus der Entwicklungsarbeit vermeiden. Technische Spezifikationen helfen dabei, alle am Projekt beteiligten Groups aufeinander abzustimmen.

Hier ist, was diese Fähigkeit umfasst.

Ressourcen:

// 2. Verständnis des Datenflusses

Systeme scheitern nicht nur an falschem Code. Sie scheitern vermutlich häufiger an falschen Annahmen über die Daten.

Unabhängig von der Vibe-Codierung muss immer noch jemand verstehen, wie Daten generiert, geändert und konsumiert werden.

Ressourcen:

// 3. Produktions-Debugging

LLMs können in der Produktion nicht debuggen. Hier kommen Sie ins Spiel, mit Ihrem Wissen über die Interpretation von Protokollen und Metriken zur Diagnose von Grundursachen für Produktionsvorfälle.

Ressourcen:

// 4. Architektonisches Denken

Ohne Verständnis ihrer Architektur werden Systeme so konzipiert, dass sie in der Produktion funktionieren (Daumen drücken!), aber im realen Datenverkehr scheitern sie oft.

Architektonische Überlegungen bestimmen die Zuverlässigkeit, Latenz, den Durchsatz und die betriebliche Komplexität eines Methods.

Ressourcen:

// 5. Schema- und Vertragsdesign

Schlecht gestaltete Schemata und Definitionen der Artwork und Weise, wie Systeme kommunizieren, können einen Dominoeffekt verursachen: kaskadierende Fehler, die zu übermäßigen Migrationen führen, die wiederum zu Koordinationsreibungen zwischen Groups führen.

Erstellen Sie ein gutes Design, und Sie haben Stabilität geschaffen und Ausfälle verhindert.

Ressourcen:

// 6. Betriebsbewusstsein

Systeme verhalten sich in Produktionsumgebungen immer anders als in der Entwicklung.

Da die Grundidee darin besteht, dass das System funktioniert, müssen Sie verstehen, wie sich Komponenten verschlechtern, wie es zu Ausfällen kommt und was und wo es Engpässe gibt. Mit diesem Wissen wird der Übergang zwischen Entwicklung und Produktion weniger schmerzhaft sein.

Ressourcen:

// 7. Anforderungsverhandlung

Auch hier gilt: „Vorbeugen ist besser als heilen“. Wenn die Anforderungen anfangs schlecht definiert waren, müssen Sie mit quick endlosen Ausfällen und Umschreibungen rechnen. Es ist eine Hölle, wenn man versucht, das System zu reparieren, sobald es in Produktion ist.

Um dies zu verhindern, müssen Sie bereits in den frühen Entwicklungsphasen geschickt eingreifen, um den Umfang anzupassen, technische Einschränkungen zu kommunizieren und vage Anforderungen in technisch machbare umzusetzen.

Ressourcen:

// 8. Überprüfung des Verhaltenskodex

Sie sollten in der Lage sein, Code nicht nur hinsichtlich seiner Funktionalität, sondern allgemeiner hinsichtlich seiner Auswirkungen auf das System zu lesen.

Auf diese Weise können Sie Risiken identifizieren, die bei Linting oder Checks nicht auftauchen, insbesondere bei KI-generierten Patches, und subtile Fehler verhindern, die andernfalls Ihre Produktion beeinträchtigen würden.

Ressourcen:

// 9. Kosten- und Leistungsbeurteilung

Ihre Arbeit hat finanzielle und betriebliche Auswirkungen. Sie werden mehr wertgeschätzt, wenn Sie zeigen, dass Sie sie verstehen, indem Sie bei Ihrer Arbeit Computernutzung, Latenz, Durchsatz und Infrastrukturkosten berücksichtigen.

Das wird von Unternehmen viel mehr geschätzt, als teure Systeme zu bauen, die auch noch nicht funktionieren.

Ressourcen:

# Echte Jobs, die sich immer noch sinnvoll anfühlen

Lassen Sie uns abschließend über tatsächliche Jobs sprechen, bei denen zumindest einige oder alle der zuvor besprochenen Fähigkeiten noch zum Einsatz kommen. Der Fokus verlagert sich möglicherweise vom Programmieren selbst, aber einige Aspekte dieser Jobs können sich immer noch sinnvoll anfühlen.

// 1. Datenwissenschaftler (die echte Artwork, nicht nur auf Notebooks)

KI kann Code generieren, aber Datenwissenschaftler sorgen für Struktur, Argumentation und Domänenverständnis für vage und oft falsch formulierte Probleme.

// 2. Ingenieur für maschinelles Lernen

KI kann ein Modell trainieren, aber was ist mit der Datenvorbereitung, dem Coaching von Pipelines, der Bereitstellung der Infrastruktur, der Überwachung, der Fehlerbehandlung usw.? Das ist die Aufgabe eines Ingenieurs für maschinelles Lernen.

// 3. Analytics-Ingenieur

KI kann SQL-Abfragen schreiben, aber Analyseingenieure sind diejenigen, die Korrektheit und Langzeitstabilität garantieren.

// 4. Dateningenieur

Dateningenieure sind für die Vertrauenswürdigkeit und Verfügbarkeit der Daten verantwortlich. KI kann Daten transformieren, aber sie kann das Systemverhalten, vorgelagerte Änderungen oder die langfristige Datenzuverlässigkeit nicht verwalten.

// 5. Maschinenlern-Ops-/Information-Ops-Ingenieur

Diese Rollen stellen sicher, dass Pipelines zuverlässig laufen und Modelle genau bleiben.

Sie können KI verwenden, um Korrekturen vorzuschlagen, aber Leistung, Systeminteraktionen und Produktionsausfälle bedürfen weiterhin der menschlichen Aufsicht.

// 6. Forschungswissenschaftler (Angewandtes Maschinelles Lernen/Künstliche Intelligenz)

KI kann eigentlich nichts Neues bringen, schon gar nicht neue Modellierungsansätze und Algorithmen; Es kann einfach wieder aufwärmen, was bereits existiert.

Für alles andere ist Expertenwissen erforderlich.

// 7. Datenproduktmanager

Die Beschreibung dieser Stelle besteht darin, zu definieren, was Daten- oder maschinelle Lernprodukte leisten sollen. Dazu gehört die Übersetzung von Geschäftsanforderungen in klare technische Anforderungen und die Abstimmung der Prioritäten verschiedener Stakeholder.

Sie können KI nicht einsetzen, um den Umfang auszuhandeln oder das Risiko zu bewerten.

// 8. Governance-, Compliance- und Datenqualitätsrollen

KI kann nicht sicherstellen, dass Datenpraktiken rechtlichen, ethischen und Zuverlässigkeitsstandards entsprechen. Jemand muss Regeln definieren und diese durchsetzen. Dafür sind Governance-, Compliance- und Datenqualitätsrollen da.

// 9. Rollen in der Datenvisualisierung/Entscheidungswissenschaft

Damit Daten einen Zweck erfüllen, müssen sie mit Entscheidungen verknüpft werden. Die KI kann so viele Diagramme erstellen, wie sie will, weiß aber nicht, worauf es bei der Entscheidungsfindung ankommt.

// 10. Leitende Datenrollen (Schulleiter, Mitarbeiter, Leiter)

KI ist ein großartiger Assistent, aber eine schreckliche Anführerin. Genauer gesagt kann es nicht führen.

Entscheidungsfindung? Domänenübergreifende Führung? Leitende technische Richtung? Das können nur Menschen.

# Abschluss

Im Zeitalter des Vibe-Coding ist es nicht einfach, sinnvolle Arbeit zu finden. Allerdings ist Codierung nicht das Einzige, was Datenprofis tun. Versuchen Sie, nach Stellenanzeigen zu suchen, die, auch wenn sie Vibe-Codierung erfordern, auch einige dieser Fähigkeiten erfordern, die KI immer noch nicht ersetzen kann.

Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Developments auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Information-Science-Projekte vor und behandelt alles rund um SQL.

Kontext

Verwenden großer Sprachmodelle (LLMs), ICHN-COntext LDas Verdienst (ICL), wobei LLMs und Ausgabe vor dem Umgang mit dem nächsten Eingang von ihnen gelernt werden, hat sich als sehr effektiv in der richtigen Richtung erwiesen. Es wurden mehrere ICL -Strategien entwickelt. Einige beliebte sind One-Pictures (ein Beispiel), nur wenige Schüsse (mehrere Beispiele liefern), die Gedankenkette (in Beispielen Schritt-für-Schritt-Argumentation zeigen)… usw. Nehmen wir ein einfaches Beispiel, um das Lernen des Kontextes besser zu verstehen.

Wenn Sie ein LLM fragen: „Welches Tier macht den Sound“ Moo „und was ist sein Typ?“ Möglicherweise erwarten Sie eine Antwort als „Kuh, Säugetier“. LLMs geben jedoch weitere Informationen. Wenn beispielsweise die gleiche Frage gestellt wurde, gab Chatgpt die folgende Antwort:

Consumer: What animal makes the sound 'moo' and what's its kind?

The animal that makes the sound "moo" is a cow.
Animal: Cow
Kind: Mammal (particularly, a domesticated ungulate belonging to the species Bos taurus)
Different examples of non-mammals embrace birds (like eagles ), reptiles (like snakes )
, fish (like salmon ), and bugs (like butterflies ).

Hyperlink: https://chatgpt.com/share/6886636f-7b48-8000-a477-54405edd7e43

Um dem LLM zu lehren, wie wir erwartet werden (Tiername, Typ), können wir die LLM entweder in unserem erwarteten Format optimieren (Zug), was kein praktikabler Ansatz ist, da das Coaching von LLMs erhebliche Ressourcen erfordert. Alternativ können wir während der Inferenz Beispiele angeben, bevor wir die Frage stellen, um dem LLM unser erwartetes Format zu unterrichten. Genau das ist das Lernen des Kontextes. LLMs lernen das Muster aus den bereitgestellten Beispielen, um die vorliegende Aufgabe auszuführen. Hier finden Sie die gleiche Interaktion mit CHATGPT mit Beispielen in Kontext:

Consumer: What animal makes the 'woof' sound and what's its kind?
Assistant: Canine, mammal
Consumer: What animal makes the 'meow' sound and what's its kind?
Assistant: Cat, mammal
Consumer: What animal makes the sound 'moo' and what's its kind?

Diesmal gab die LLM die richtige Antwort: Kuh, Säugetier.

Hyperlink: https://chatgpt.com/share/688664f0-96f0-8000-9125-6a40b24d2773

Wie wir sehen können, passen sich LLMs intestine an das In-Kontext-Lernen (ICL) an, um ihre Ziele zu erreichen. Forschung hat gezeigt, dass ICL die Leistung und Genauigkeit von LLMs erhöht. Aber ICL ist zerbrechlich. Die Leistung ist sehr empfindlich für die von Ihnen ausgewählten Beispiele, ihre Ordnung und sogar geringfügige Formatierungsänderungen. ICL arbeitet eher ein Muster -Matching als das wahre Lernen durch und stützt sich daher stark auf oberflächliche Hinweise. Stellen Sie sich vor, eine komplexe Aufgabe wie Codereparatur, Textual content-zu-SQL… usw., eine Reihe von Beispielen könnte intestine funktionieren, während eine andere Various die Genauigkeit erheblich fallen lassen kann. Daher ist die Hauptherausforderung von ICL “So wählen Sie Beispiele aus, die tatsächlich helfen (nicht irgendwelche Beispiele)? “

In diesem Beitrag werden wir uns die Forschungsarbeit ansehen AUPAIR: Goldene Beispielpaare für die Codereparatur veröffentlicht von Google DeepMind, um diese Probleme systematisch zu behandeln. AUPAIR wird die Beispielauswahl für Code -Reparaturaufgaben (Fixing Buggy Code) spezifisch angepasst. Dieser Beitrag zielt darauf ab, die Kernideen für ihre Arbeit zu erklären und eine Grundlage für das Verständnis aufzubauen, wie systematisch Beispiele für ICL generiert werden können.

Effektive Beispielauswahl

Jetzt verstehen wir, dass die erste Herausforderung von ICL darin besteht, die richtigen Beispiele zu finden. Bevor wir uns untersuchen, wie Auupairs Ansatz dieses Downside angeht, schauen wir uns den traditionellen Ansatz der Beispielauswahl an. Normalerweise wählen wir für domänenspezifische Probleme (z. Eine weitere Erweiterung davon ist, dass wir einen Beispielpool erstellen und Ähnlichkeitssuche verwenden, um die relevanten Beispiele zur Laufzeit zu ziehen, um als ICL zu injizieren.

Im traditionellen Beispiel für Kurationsprozess können wir nicht messen, welches Beispiel die LLM in der richtigen Richtung am effektivsten verankert. Schauen wir uns nun den Ansatz von Auupair an und wie er dieses Downside angeht. Anstatt zufällige Beispiele auszuwählen, erstellt AuPair zuerst einen großen Datensatz von Beispielpaaren und wendet dann einen gierigen Auswahlalgorithmus an, um die besten Efficiency-Paare auszuwählen. Schauen wir uns jeden Schritt eins nach dem anderen an.

Section 1: Beispielpaarerstellung

Der erste Schritt besteht darin, eine große Sammlung von Reparaturpaaren für Kandidaten zu erstellen. AuPair beginnt mit einem Datensatz mit Codierungsproblemen, die Testfälle aufweisen. Für jedes Downside wird das LLM aufgefordert, eine anfängliche Lösung zu generieren (Vermutung). Wenn diese Vermutung teilweise korrekt ist (Punktzahl zwischen 0 und 1), wird sie dem Trainingsdatensatz hinzugefügt.

Der Reparaturprozess nimmt diesen kaputten Code auf und fordert das LLM auf, ihn mit einer Eingabeaufforderung mit ok zufällig ausgewählten vorhandenen Paaren als Kontext zu beheben (ok = 32 wurde im Experiment verwendet). Wenn die generierten Repair -Bewertungen besser als die ursprüngliche Vermutung werden, wird dies zu einem Kandidatenpaar (Raten → Repair). Der clevere Teil ist, dass, wenn das Repair immer noch nicht perfekt ist, zu einem neuen „kaputten“ Code wird, der zum Trainingsdatensatz zurückgeführt wird, um die nächste Iteration weiter zu verbessern. Dies schafft Ketten mit inkrementellen Verbesserungen. AuPair wiederholt diesen Prozess tausend Male, um einen riesigen Pool von Kandidatenpaaren zu erstellen, die verschiedene Arten von Fehler und deren Korrekturen abdecken.

Section 2: Goldene (AU) -Paarextraktion

Sobald wir den Datensatz für Kandidatenpaare haben, müssen wir die effektivsten Paare auswählen. Dieser Vorgang erfolgt in 2 Schritten. Zunächst müssen wir messen, wie viel Einfluss jedes Reparaturpaar für Kandidaten hat, und zweitens müssen wir die besten mit einem gierigen Algorithmus auswählen.

Sehen wir uns zunächst an, wie die Effektivität von Reparaturpaaren Kandidaten gemessen wird.

Um die Effektivität zu messen, erstellen wir zunächst einen Validierungsdatensatz – im Grunde genommen eine Reihe von defekten Codeproblemen. Für jedes Downside im Validierungsdatensatz nehmen wir dann jedes Reparaturpaar für Kandidaten zusammen und verwenden es als 1-Shot-Beispiel zusammen mit dem Validierungsproblem, um eine Lösung zu generieren. Sobald das Repair erzeugt ist, wird es gegen die Unit -Testfälle getestet, und für dieses Validierungsproblem wird eine Punktzahl berechnet.

Wir erstellen eine Qualitätsmatrix M, in der M (i, j) darstellt, wie intestine ich das Kandidatenpaar hilft, das Validierungsproblem J zu lösen, was uns eine umfassende Übersicht darüber gibt, welche Paare bei verschiedenen Arten von Problemen am hilfreichsten sind.

Der nächste Schritt besteht darin, die Aupairs mit der berechneten Wirksamkeit zu finden. Der Algorithmus wählt das Kandidatenpaar mit der höchsten durchschnittlichen Punktzahl in allen Validierungsproblemen aus und fügt es der Auupair -Liste hinzu. Der entscheidende nächste Schritt besteht darin, den Beitrag dieses Paares von allen verbleibenden Paaren in der Matrix zu subtrahieren. Dies stellt sicher, dass wir keine redundanten Paare auswählen, sondern die Paare komplementär halten. Jeder neue Auupair muss unterschiedliche Probleme lösen als die zuvor ausgewählten. Dieser Prozess wird fortgesetzt, bis die Verbesserung unter einen Schwellenwert fällt, was zu einer geordneten Liste goldener Paare führt, in denen jeder etwas Einzigartiges lehrt.

Experimentergebnisse

AuPair wurde mit 5 verschiedenen LLM -Modellen über 7 verschiedene Datasets für Codierungsprobleme untersucht. Es übertraf die Selbstreflexion und Greatest-of-N-Stichprobenansätze zur Lösung von Problemen durchweg. Die Ergebnisse zeigen ferner, dass Auupairs 2–3x bessere Berechnungseffizienz erzielen. Es dauert nur 12 Auupairs, um die gleiche Leistung zu erreichen, die 32 Zufallspaare erfordert. Die Ergebnisse zeigen auch, dass Aupairs, die im Codeforces -Datensatz generiert wurden, effektiv auf völlig unterschiedlichen Datensätzen wie Hackerearth und ATCODER bearbeitet wurden. Dies beweist, dass wir, sobald wir eine gute Reihe von goldenen Paaren aufgebaut haben, die neuen Probleme in derselben Domäne sehr intestine abschneiden können.

Einschränkungen

AuPair zeigt vielversprechende Ergebnisse, hat aber auch einige Einschränkungen. Erstens erfordert es erhebliche Rechenkosten, um LLM -Anrufe zu tätigen, um Kandidatenbeispielpaare mit iterativer Reparatur zu generieren. Zweitens basiert es stark auf Bewertungsmetriken (wie Unit -Assessments für Code) zur Messung der Verbesserung, die möglicherweise nicht in allen Domänen verfügbar ist, und es wird angenommen, dass ergänzende Beispiele zu einer besseren Leistung führen. Dies funktionierte zwar für Codierungsprobleme, gilt zwar für alle Domänen möglicherweise nicht. Schließlich wurde Auupair eher gegen strukturierte Wettbewerbsprobleme als an komplexere reale Codebasen untersucht.

Abschluss

AuPair zeigt uns eine intelligentere Möglichkeit, in Kontext zu lernen, um Code-Reparaturaufgaben zu erledigen. Anstatt nach dem Zufallsprinzip für Beispiele auszuwählen, verwendet es einen systematischen Ansatz, um die effektivsten Reparaturmuster zu finden, die dem LLM tatsächlich helfen, besser abzuschneiden. Während es erhebliche Voraussetzungskosten benötigt und am besten funktioniert, wenn Sie gute Bewertungsmetriken haben, beweisen die Ergebnisse, dass es die Investition wert ist, zumal die goldenen Paare in verschiedenen Datensätzen intestine funktionieren. Diese Forschung eröffnet Möglichkeiten zur Anwendung ähnlicher Beispielauswahltechniken auf andere Domänen (z. B. Textual content-to-SQL), in denen wir die Effektivität des Beispiels systematisch generieren und messen können.

Referenzen