Bild vom Autor

# Einführung

OpenClaw ist ein lokaler KI-Agent, der mehr kann als nur chatten. Durch Instruments und Integrationen können echte Maßnahmen ergriffen werden.

Das Herzstück von OpenClaw ist seine Kompetenzsystem. Fertigkeiten sind kleine, modulare Erweiterungen, die Ihrem Agenten beibringen, wie er bestimmte Aufgaben ausführt, z. B. Nachrichten senden, im Web suchen, Daten analysieren oder Arbeitsabläufe automatisieren.

Eine neuere und einfachere Möglichkeit, Fähigkeiten zu installieren, ist durch ClawHubder offizielle Ability-Marktplatz für OpenClaw. Anstatt GitHub-Ordner manuell zu durchsuchen, können Sie Expertise direkt mit einem einzigen Befehl installieren.

In diesem Artikel werden wir einige der beliebtesten und leistungsstärksten OpenClaw-Integrationen und -Fähigkeiten untersuchen, die derzeit verwendet werden. Das Rating basiert auf der Obtain-Aktivität von ClawHub sowie auf meiner eigenen praktischen Erfahrung beim Testen dessen, was in der Praxis am besten funktioniert.

# 1. GOG-Fähigkeit

GOG ist ein Google Workspace CLI-Ability für OpenClaw, der Ihrem Agenten über eine einzige Integration Zugriff auf Gmail, Kalender, Drive, Kontakte, Tabellen und Dokumente ermöglicht.

Es handelt sich um eine der am häufigsten heruntergeladenen Fähigkeiten auf ClawHub und ist daher eine beliebte Wahl für den Aufbau persönlicher Einsatzagenten, die E-Mail-Workflows, Terminplanung und Dokumentenautomatisierung übernehmen können.

Installieren Sie es mit:

npx clawhub@newest set up gog

Quelle

# 2. WhatsApp CLI-Fähigkeit

Dabei handelt es sich um eine CLI-basierte WhatsApp-Integration für OpenClaw, die es Ihrem Agenten ermöglicht, Nachrichten an Dritte über WhatsApp zu senden und Ihren WhatsApp-Verlauf über die wacli-Binärdatei zu synchronisieren oder zu durchsuchen. Es ist nicht für normale Chats gedacht, bei denen OpenClaw bereits auf WhatsApp läuft.

Installieren Sie es mit:

npx clawhub@newest set up wacli

Quelle

# 3. Tavily-Suchfähigkeit

Tavily ist ein Suchtool, das speziell für KI-Agenten entwickelt wurde. Diese Fähigkeit ermöglicht es OpenClaw, schnelle und zuverlässige Websuchen für Recherchen, Faktenermittlung und das Abrufen aktueller Informationen aus dem Web durchzuführen. Dies ist besonders nützlich, wenn Ihr Agent aktuellen Kontext benötigt, der über seinen lokalen Speicher oder installierte Instruments hinausgeht.

Installieren Sie es mit:

npx clawhub@newest set up tavily-search

Quelle

# 4. Fähigkeiten zusammenfassen

Die Fähigkeit „Zusammenfassen“ hilft OpenClaw, lange Inhalte in klare, strukturierte Zusammenfassungen umzuwandeln, was sie excellent für Artikel, Besprechungsnotizen, Forschungsarbeiten oder lange E-Mail-Threads macht. Es handelt sich um eine der praktischsten alltäglichen Fähigkeiten für die Wissensarbeit, insbesondere wenn Sie schnelle Erkenntnisse gewinnen möchten, ohne alles bis zum Ende durchzulesen.

Installieren Sie es mit:

npx clawhub@newest set up summarize

Quelle

# 5. Obsidian-Fähigkeit

Mit der Obsidian-Fähigkeit kann Ihr OpenClaw-Agent mit Ihrem Obsidian-Tresor (einem Ordner mit Markdown-Notizen) interagieren und Aufgaben mithilfe der Obsidian-CLI automatisieren, sodass er Notizen in Ihrer persönlichen Wissensdatenbank organisieren, erstellen und aktualisieren kann.

Installieren Sie es mit:

npx clawhub@newest set up obsidian

Quelle

# 6. Ontologie-Fähigkeit

Die Fähigkeit „Ontologie“ hilft OpenClaw, Wissen in strukturierten Konzepten und Beziehungen zu organisieren. Dies ist nützlich für die Erstellung von Agenten, die ein besseres Verständnis von Domänen, Entitäten und der Artwork und Weise benötigen, wie Informationen miteinander verbunden sind. Es kann Arbeitsabläufe wie Forschungskartierung, Wissensdiagramme und strukturiertes Denken unterstützen.

Installieren Sie es mit:

npx clawhub@newest set up ontology

Quelle

# 7. n8n Workflow-Automatisierungsfähigkeit

Der n8n-Workflow-Automatisierungs-Ability verbindet OpenClaw mit n8n, einer der am weitesten verbreiteten Workflow-Automatisierungsplattformen. Es ermöglicht Ihrem Agenten, n8n-Workflows auszulösen und zu verwalten, wodurch es einfach wird, OpenClaw über Apps, APIs und interne Systeme hinweg mit echten Geschäftsautomatisierungen zu verbinden.

Installieren Sie es mit:

npx clawhub@newest set up n8n-workflow-automation

Quelle

# Abschließende Bemerkungen

OpenClaw-Fähigkeiten machen die Plattform wirklich leistungsstark. Sie verwandeln OpenClaw von einem lokalen Assistenten in einen Agenten, der echte Aktionen in den Bereichen Messaging, Suche, Produktivitätstools und Automatisierungssysteme durchführen kann.

Mit ClawHub ist das Installieren von Fertigkeiten jetzt so einfach wie das Installieren von Apps. Mit nur wenigen Befehlen können Sie Ihren Agenten zu einem E-Mail-Operator, einem Forschungsassistenten, einer Workflow-Automatisierungs-Engine oder einem langfristigen Wissensbegleiter ausbauen.

Diese sieben Fähigkeiten gehören nicht ohne Grund zu den beliebtesten. Sie sind praktisch, weit verbreitet und für alltägliche Arbeitsabläufe sofort nützlich.

Wenn Sie mit OpenClaw beginnen, ist diese Liste eine solide Grundlage. Und während das Ökosystem wächst, werden Fähigkeiten weiterhin die Ebene sein, die definiert, was Ihr Agent tatsächlich tun kann.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

Bild vom Autor

# Einführung

Docker hat die Artwork und Weise, wie wir Anwendungen erstellen und bereitstellen, vereinfacht. Aber wenn Sie anfangen Docker lernenkann die Terminologie oft verwirrend sein. Sie werden wahrscheinlich Begriffe wie „Bilder“, „Container“ und „Volumes“ hören, ohne wirklich zu verstehen, wie sie zusammenpassen. Dieser Artikel hilft Ihnen, die wichtigsten Docker-Konzepte zu verstehen, die Sie kennen müssen.

Fangen wir an.

# 1. Docker-Picture

Ein Docker-Picture ist ein Artefakt, das enthält alles Ihre Anwendung muss ausgeführt werden: Code, Laufzeit, Bibliotheken, Umgebungsvariablen und Konfigurationsdateien.

Bilder sind unveränderlich. Sobald Sie ein Bild erstellt haben, ändert es sich nicht. Dies stellt sicher, dass Ihre Anwendung auf Ihrem Laptop computer, dem Pc Ihres Kollegen und in der Produktion auf die gleiche Weise läuft, wodurch umgebungsspezifische Fehler vermieden werden.

So erstellen Sie ein Picture aus einer Docker-Datei. Eine Docker-Datei ist ein Rezept, das definiert, wie Sie das Picture erstellen:

docker construct -t my-python-app:1.0 .

Der -t Flag markiert Ihr Bild mit einem Namen und einer Model. Der . weist Docker an, im aktuellen Verzeichnis nach einer Docker-Datei zu suchen. Nach der Erstellung wird dieses Picture zu einer wiederverwendbaren Vorlage für Ihre Anwendung.

# 2. Docker-Container

Ein Container ist das, was Sie erhalten, wenn Sie ein Picture ausführen. Es handelt sich um eine isolierte Umgebung, in der Ihre Anwendung tatsächlich ausgeführt wird.

docker run -d -p 8000:8000 my-python-app:1.0

Der -d Flag führt den Container im Hintergrund aus. Der -p 8000:8000 Ordnet Port 8000 auf Ihrem Host Port 8000 im Container zu, sodass Ihre App unter localhost:8000 zugänglich ist.

Sie können mehrere Container mit demselben Picture ausführen. Sie agieren unabhängig. Auf diese Weise können Sie verschiedene Versionen gleichzeitig testen oder horizontal skalieren, indem Sie zehn Kopien derselben Anwendung ausführen.

Behälter sind leicht. Im Gegensatz zu virtuellen Maschinen booten sie kein vollständiges Betriebssystem. Sie starten in Sekundenschnelle und teilen sich den Kernel des Hosts.

# 3. Docker-Datei

Eine Docker-Datei enthält Anweisungen zum Erstellen eines Photographs. Dabei handelt es sich um eine Textdatei, die Docker genau mitteilt, wie Ihre Anwendungsumgebung einzurichten ist.

Hier ist eine Docker-Datei für eine Flask-Anwendung:

FROM python:3.11-slim

WORKDIR /app

COPY necessities.txt .

RUN pip set up --no-cache-dir -r necessities.txt

COPY . .

EXPOSE 8000

CMD ("python", "app.py")

Lassen Sie uns jede Anweisung aufschlüsseln:

• FROM python:3.11-slim – Beginnen Sie mit einem Foundation-Picture, auf dem Python 3.11 installiert ist. Die Slim-Variante ist kleiner als das Standardbild.
• WORKDIR /app — Legen Sie das Arbeitsverzeichnis auf /app fest. Alle nachfolgenden Befehle werden von hier aus ausgeführt.
• COPY necessities.txt . — Kopieren Sie zunächst nur die Anforderungsdatei, noch nicht den gesamten Code.
• RUN pip set up --no-cache-dir -r necessities.txt — Installieren Sie Python-Abhängigkeiten. Das Flag –no-cache-dir hält die Bildgröße kleiner.
• COPY . . — Kopieren Sie nun den Relaxation Ihres Anwendungscodes.
• EXPOSE 8000 – Dokumentieren Sie, dass die App Port 8000 verwendet.
• CMD ("python", "app.py") — Definieren Sie den Befehl, der beim Begin des Containers ausgeführt werden soll.

Die Reihenfolge dieser Anweisungen ist wichtig dafür, wie lange Ihre Builds dauern. Deshalb müssen wir die Ebenen verstehen.

# 4. Bildebenen

Jede Anweisung in einer Docker-Datei erstellt eine neue Ebene. Diese Schichten werden übereinander gestapelt, um das endgültige Bild zu ergeben.

Docker speichert jede Ebene zwischen. Wenn Sie ein Picture neu erstellen, prüft Docker, ob jede Ebene neu erstellt werden muss. Wenn sich nichts geändert hat, wird die zwischengespeicherte Ebene wiederverwendet, anstatt sie neu zu erstellen.

Deshalb kopieren wir necessities.txt bevor Sie die gesamte Anwendung kopieren. Ihre Abhängigkeiten ändern sich seltener als Ihr Code. Wenn Sie ändern app.pyDocker verwendet die zwischengespeicherte Ebene, die Abhängigkeiten installiert hat, wieder und erstellt die Ebenen erst nach der Codekopie neu.

Hier ist die Ebenenstruktur aus unserem Dockerfile:

1. Foundation-Python-Picture (FROM)
2. Arbeitsverzeichnis festlegen (WORKDIR)
3. Kopie necessities.txt (COPY)
4. Abhängigkeiten installieren (RUN pip set up)
5. Anwendungscode kopieren (COPY)
6. Metadaten zum Port (EXPOSE)
7. Standardbefehl (CMD)

Wenn Sie nur Ihren Python-Code ändern, erstellt Docker nur die Ebenen 5–7 neu. Die Schichten 1–4 stammen aus dem Cache, wodurch Builds viel schneller werden. Das Verständnis der Ebenen hilft Ihnen Schreiben Sie effiziente Docker-Dateien. Platzieren Sie häufig wechselnde Dateien am Ende und stabile Abhängigkeiten am Anfang.

# 5. Docker-Volumes

Container sind temporär. Wenn Sie einen Container löschen, verschwindet alles darin, einschließlich der von Ihrer Anwendung erstellten Daten.

Docker-Volumes dieses Downside lösen. Dabei handelt es sich um Verzeichnisse, die außerhalb des Container-Dateisystems vorhanden sind und nach dem Entfernen des Containers bestehen bleiben.

docker run -d 
  -v postgres-data:/var/lib/postgresql/information 
  postgres:15

Dadurch wird ein benanntes Quantity mit dem Namen erstellt postgres-data und montiert es an /var/lib/postgresql/information im Inneren des Behälters. Ihre Datenbankdateien überstehen Container-Neustarts und -Löschungen.

Sie können auch Verzeichnisse von Ihrem Host-Rechner mounten, was während der Entwicklung nützlich ist:

docker run -d 
  -v $(pwd):/app 
  -p 8000:8000 
  my-python-app:1.0

Dadurch wird Ihr aktuelles Verzeichnis im Container unter bereitgestellt /app. Änderungen, die Sie an Dateien auf Ihrem Host vornehmen, werden sofort im Container angezeigt, sodass eine Dwell-Entwicklung möglich ist, ohne dass das Picture neu erstellt werden muss.

Es gibt drei Arten von Halterungen:

• Benannte Bände (postgres-data:/path) – Von Docker verwaltet, am besten für Produktionsdaten
• Reittiere binden (/host/path:/container/path) – Hängen Sie ein beliebiges Hostverzeichnis ein, intestine für die Entwicklung
• tmpfs wird bereitgestellt – Daten nur im Speicher speichern, nützlich für temporäre Dateien

# 6. Docker-Hub

Docker-Hub ist ein öffentliches Register, in dem Menschen Docker-Photographs teilen. Wenn du schreibst FROM python:3.11-slimDocker ruft dieses Picture vom Docker Hub ab.

Sie können nach Bildern suchen:

Und ziehen Sie sie auf Ihre Maschine:

docker pull redis:7-alpine

Sie können auch Ihre eigenen Bilder pushen, um sie mit anderen zu teilen oder auf Servern bereitzustellen:

docker tag my-python-app:1.0 username/my-python-app:1.0

docker push username/my-python-app:1.0

Docker Hub hostet offizielle Photographs für beliebte Software program wie PostgreSQL, Redis, Nginx, Pythonund Tausende mehr. Diese werden von den Softwareentwicklern gepflegt und folgen den Finest Practices.

Für personal Projekte können Sie personal Repositorys auf Docker Hub erstellen oder different Registrierungen wie verwenden Amazon Elastic Container Registry (ECR), Google Container Registry (GCR)oder Azure Container Registry (ACR).

# 7. Docker Compose

Echte Anwendungen benötigen mehrere Dienste. Eine typische Internet-App verfügt über eine Python Backend, a PostgreSQL Datenbank, a Redis-Cacheund vielleicht ein Arbeitsprozess.

Docker Compose können Sie alle diese Dienste in einem einzigen definieren Noch eine weitere Auszeichnungssprache (YAML) ablegen und gemeinsam verwalten.

Erstellen Sie eine docker-compose.yml Datei:

model: '3.8'

companies:
  internet:
    construct: .
    ports:
      - "8000:8000"
    setting:
      - DATABASE_URL=postgresql://postgres:secret@db:5432/myapp
      - REDIS_URL=redis://cache:6379
    depends_on:
      - db
      - cache
    volumes:
      - .:/app
  
  db:
    picture: postgres:15-alpine
    volumes:
      - postgres-data:/var/lib/postgresql/information
    setting:
      - POSTGRES_PASSWORD=secret
      - POSTGRES_DB=myapp
  
  cache:
    picture: redis:7-alpine

volumes:
  postgres-data:

Starten Sie nun Ihren gesamten Anwendungsstapel mit einem Befehl:

Dadurch werden drei Container gestartet: internet, dbUnd cache. Docker Compose kümmert sich automatisch um die Vernetzung: Der Webdienst kann die Datenbank unter dem Hostnamen erreichen db und Redis unter Hostname cache.

Um alles zu stoppen, führen Sie Folgendes aus:

So erstellen Sie es nach Codeänderungen neu:

docker-compose up -d --build

Docker Compose ist für Entwicklungsumgebungen unerlässlich. Anstatt PostgreSQL und Redis auf Ihrem Pc zu installieren, führen Sie sie mit einem Befehl in Containern aus.

# 8. Containernetzwerke

Wenn Sie mehrere Container ausführen, müssen diese miteinander kommunizieren. Docker erstellt virtuelle Netzwerke, die Container verbinden.

Standardmäßig erstellt Docker Compose ein Netzwerk für alle in Ihrem definierten Dienste docker-compose.yml. Container verwenden Dienstnamen als Hostnamen. In unserem Beispiel stellt der Webcontainer über PostgreSQL eine Verbindung her db:5432 Weil db ist der Dienstname.

Sie können benutzerdefinierte Netzwerke auch manuell erstellen:

docker community create my-app-network
docker run -d --network my-app-network --name api my-python-app:1.0
docker run -d --network my-app-network --name cache redis:7

Nun die api Der Container kann Redis unter erreichen cache:6379. Docker stellt mehrere Netzwerktreiber bereit, von denen Sie die folgenden häufig verwenden werden:

• Bridge – Standardnetzwerk für Container auf einem einzelnen Host
• host – Container nutzt das Netzwerk des Hosts direkt (keine Isolation)
• none – Container hat keinen Netzwerkzugriff

Netzwerke sorgen für Isolation. Container in verschiedenen Netzwerken können nur kommunizieren, wenn sie explizit verbunden sind. Dies ist aus Sicherheitsgründen nützlich, da Sie Ihre Frontend-, Backend- und Datenbanknetzwerke trennen können.

Um alle Netzwerke anzuzeigen, führen Sie Folgendes aus:

Führen Sie Folgendes aus, um ein Netzwerk zu überprüfen und festzustellen, welche Container verbunden sind:

docker community examine my-app-network

# 9. Umgebungsvariablen und Docker-Geheimnisse

Die Hardcoding-Konfiguration erfordert Probleme. Ihr Datenbankkennwort sollte in der Entwicklung und Produktion nicht dasselbe sein. Ihre API-Schlüssel sollten auf keinen Fall in Ihrer Codebasis vorhanden sein.

Docker erledigt dies durch Umgebungsvariablen. Übergeben Sie sie zur Laufzeit mit dem -e oder --env Flag, und Ihr Container erhält die Konfiguration, die er benötigt, ohne Werte in das Picture einzubacken.

Docker Compose macht dies sauberer. Zeigen Sie auf einen .env Datei und halten Sie Ihre Geheimnisse außerhalb der Versionskontrolle. Einwechseln .env.manufacturing bei der Bereitstellung oder definieren Sie Umgebungsvariablen direkt in Ihrer Compose-Datei, wenn diese nicht vertraulich sind.

Docker-Geheimnisse Führen Sie dies weiter für Produktionsumgebungen aus, insbesondere im Schwarmmodus. Anstelle von Umgebungsvariablen – welche dürfen werden in Protokollen oder Prozesslisten angezeigt – Geheimnisse werden während der Übertragung und im Ruhezustand verschlüsselt und dann als Dateien im Container bereitgestellt. Nur Dienste, die sie benötigen, erhalten Zugriff. Sie sind für Passwörter, Token, Zertifikate und alles andere konzipiert, dessen Verlust katastrophale Folgen hätte, wenn es durchsickern würde.

Das Muster ist einfach: Trennen Sie den Code von der Konfiguration. Verwenden Sie Umgebungsvariablen für die Standardkonfiguration und Geheimnisse für vertrauliche Daten.

# 10. Containerregister

Docker Hub funktioniert intestine für öffentliche Bilder, Sie möchten jedoch nicht, dass die Anwendungsbilder Ihres Unternehmens öffentlich verfügbar sind. Eine Container-Registrierung ist ein privater Speicher für Ihre Docker-Photographs. Zu den beliebten Optionen gehören:

Für jede der oben genannten Optionen können Sie ein ähnliches Verfahren zum Veröffentlichen, Abrufen und Verwenden von Bildern anwenden. Mit ECR werden Sie beispielsweise Folgendes tun.

Ihr lokaler Rechner bzw Kontinuierliche Integration und kontinuierliche Bereitstellung (CI/CD) Das System weist ECR zunächst seine Identität nach. Dadurch kann Docker sicher mit Ihrer privaten Picture-Registrierung statt mit einer öffentlichen interagieren. Das lokal erstellte Docker-Picture erhält einen vollständig qualifizierten Namen, der Folgendes enthält:

• Die Adresse der AWS-Kontoregistrierung
• Der Repository-Title
• Die Bildversion

Dieser Schritt teilt Docker mit, wo das Bild in ECR gespeichert wird. Das Bild wird dann in das personal ECR-Repository hochgeladen. Nach dem Push wird das Picture zentral gespeichert, versioniert und steht autorisierten Systemen zur Verfügung.

Produktionsserver authentifizieren sich mit ECR und laden das Picture aus der privaten Registrierung herunter. Dadurch bleibt Ihre Bereitstellungspipeline schnell und sicher. Anstatt Photographs auf Produktionsservern zu erstellen (langsam und erfordert Zugriff auf den Quellcode), erstellen Sie sie einmal, übertragen sie in die Registrierung und laden sie auf allen Servern herunter.

Viele CI/CD-Systeme lassen sich in Containerregister integrieren. Dein GitHub-Aktionen Der Workflow erstellt das Picture, überträgt es an ECR und Ihr Kubernetes-Cluster ruft es automatisch ab.

# Zusammenfassung

Diese zehn Konzepte bilden die Grundlage von Docker. So verbinden sie sich in einem typischen Arbeitsablauf:

• Schreiben Sie eine Docker-Datei mit Anweisungen für Ihre App und erstellen Sie ein Picture aus der Docker-Datei
• Führen Sie einen Container aus dem Picture aus
• Verwenden Sie Volumes, um Daten beizubehalten
• Legen Sie Umgebungsvariablen und Geheimnisse für die Konfiguration und vertrauliche Informationen fest
• Erstellen Sie eine docker-compose.yml für Multi-Service-Apps und lassen Sie Docker-Netzwerke Ihre Container verbinden
• Schieben Sie Ihr Picture in eine Registrierung, ziehen Sie es herunter und führen Sie es überall aus

Beginnen Sie mit der Containerisierung eines einfachen Python-Skripts. Fügen Sie Abhängigkeiten mit a hinzu necessities.txt Datei. Führen Sie dann eine Datenbank mit Docker Compose ein. Jeder Schritt baut auf den vorherigen Konzepten auf. Docker ist nicht kompliziert, wenn Sie diese Grundlagen verstanden haben. Es handelt sich lediglich um ein Software, das Anwendungen konsistent verpackt und in isolierten Umgebungen ausführt.

Viel Spaß beim Entdecken!

Bala Priya C ist ein Entwickler und technischer Redakteur aus Indien. Sie arbeitet gerne an der Schnittstelle von Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Zu ihren Interessen- und Fachgebieten gehören DevOps, Datenwissenschaft und Verarbeitung natürlicher Sprache. Sie liebt es zu lesen, zu schreiben, zu programmieren und Kaffee zu trinken! Derzeit arbeitet sie daran, zu lernen und ihr Wissen mit der Entwickler-Group zu teilen, indem sie Tutorials, Anleitungen, Meinungsbeiträge und mehr verfasst. Bala erstellt außerdem ansprechende Ressourcenübersichten und Programmier-Tutorials.

Grundlegende Chunking-Techniken zum Erstellen besserer LLM-Anwendungen
Bild vom Autor

Einführung

Jede LLM-Anwendung (Massive Language Mannequin), die Informationen abruft, steht vor einem einfachen Downside: Wie zerlegt man ein 50-seitiges Dokument in Teile, die ein Modell tatsächlich verwenden kann? Wenn Sie additionally eine RAG-App (Retrieval-Augmented Era) erstellen, müssen Ihre Dokumente in Blöcke aufgeteilt werden, bevor Ihre Vektordatenbank etwas abruft und Ihr LLM Antworten generiert.

Die Artwork und Weise, wie Sie Dokumente in Abschnitte aufteilen, bestimmt Was Informationen, die Ihr System abrufen kann und Wie Genau kann es Fragen beantworten. Dieser Vorverarbeitungsschritt, der oft als untergeordnetes Implementierungsdetail betrachtet wird, bestimmt tatsächlich, ob Ihr RAG-System erfolgreich ist oder nicht.

Der Grund ist einfach: Der Abruf erfolgt auf Chunk-Ebene, nicht auf Dokumentebene. Richtiges Chunking verbessert die Abrufgenauigkeit, reduziert Halluzinationen und stellt sicher, dass das LLM fokussierten, relevanten Kontext erhält. Schlechtes Chunking breitet sich durch Ihr gesamtes System aus und führt zu Fehlern, die durch Abrufmechanismen nicht behoben werden können.

Dieser Artikel behandelt wesentliche Chunking-Strategien und erklärt, wann die einzelnen Methoden anzuwenden sind.

Warum Chunking wichtig ist

Einbettungsmodelle und LLMs verfügen über endliche Kontextfenster. Dokumente überschreiten normalerweise diese Grenzwerte. Chunking löst dieses Downside, indem es lange Dokumente in kleinere Segmente aufteilt, bringt jedoch einen wichtigen Kompromiss mit sich: Chunks müssen klein genug sein, um einen effizienten Abruf zu ermöglichen, und gleichzeitig groß genug bleiben, um die semantische Kohärenz zu wahren.

Die Vektorsuche arbeitet mit Einbettungen auf Chunk-Ebene. Wenn Chunks mehrere Themen vermischen, stellen ihre Einbettungen einen Durchschnitt dieser Konzepte dar, was einen präzisen Abruf erschwert. Wenn Blöcke zu klein sind, fehlt ihnen ausreichend Kontext, damit das LLM nützliche Antworten generieren kann.

Die Herausforderung besteht darin, den Mittelweg zu finden, bei dem die Blöcke semantisch fokussiert und dennoch kontextuell vollständig sind. Kommen wir nun zu den eigentlichen Chunking-Techniken, mit denen Sie experimentieren können.

1. Chunking mit fester Größe

Chunking mit fester Größe Teilt Textual content basierend auf einer vorgegebenen Anzahl von Token oder Zeichen auf. Die Umsetzung ist unkompliziert:

• Wählen Sie eine Blockgröße (normalerweise 512 oder 1024 Token).
• Überlappung hinzufügen (normalerweise 10–20 %)
• Teilen Sie das Dokument

Die Methode ignoriert die Dokumentstruktur vollständig. Textual content wird unabhängig von semantischen Grenzen an beliebigen Stellen geteilt, oft mitten im Satz oder in der Mitte des Absatzes. Überlappung trägt dazu bei, den Kontext an Grenzen zu bewahren, geht aber nicht auf das Kernproblem der strukturblinden Aufteilung ein.

Trotz seiner Einschränkungen bietet das Chunking mit fester Größe eine solide Grundlage. Es ist schnell, deterministisch und eignet sich intestine für Dokumente ohne starke Strukturelemente.

Wann zu verwenden: Basisimplementierungen, einfache Dokumente, schnelles Prototyping.

2. Rekursives Chunking

Rekursives Chunking verbessert Ansätze mit fester Größe, indem es natürliche Textgrenzen berücksichtigt. Es versucht, an immer feineren Separatoren zu spalten – zuerst bei Absatzumbrüchen, dann bei Sätzen, dann bei Wörtern – bis die Abschnitte in die Zielgröße passen.

Rekursives Chunking
Bild vom Autor

Der Algorithmus versucht, semantisch verwandte Inhalte zusammenzuhalten. Wenn beim Teilen an Absatzgrenzen Abschnitte entstehen, die innerhalb der Größenbeschränkung liegen, wird der Vorgang dort beendet. Wenn Absätze zu groß sind, wird die Aufteilung auf Satzebene rekursiv nur auf übergroße Abschnitte angewendet.

Dadurch bleibt mehr von der ursprünglichen Struktur des Dokuments erhalten als durch die willkürliche Zeichenaufteilung. Chunks neigen dazu, sich an natürlichen Denkgrenzen auszurichten, was sowohl die Relevanz des Abrufs als auch die Qualität der Generierung verbessert.

Wann zu verwenden: Allzweckanwendungen, unstrukturierter Textual content wie Artikel und Berichte.

3. Semantisches Chunking

Anstatt sich auf Charaktere oder Strukturen zu verlassen, Semantisches Chunking nutzt Bedeutung, um Grenzen zu bestimmen. Der Prozess bettet einzelne Sätze ein, vergleicht ihre semantische Ähnlichkeit und identifiziert Punkte, an denen es zu Themenverschiebungen kommt.

Semantisches Chunking
Bild vom Autor

Die Implementierung umfasst die Berechnung der Einbettungen für jeden Satz, das Messen der Abstände zwischen aufeinanderfolgenden Satzeinbettungen und die Aufteilung, wenn die Distanz einen Schwellenwert überschreitet. Dadurch entstehen Blöcke, in denen der Inhalt um ein einzelnes Thema oder Konzept herum zusammenhängt.

Der Rechenaufwand ist höher. Das Ergebnis sind jedoch semantisch kohärente Blöcke, die häufig die Abrufqualität komplexer Dokumente verbessern.

Wann zu verwenden: Dichte wissenschaftliche Arbeiten, technische Dokumentation, bei der sich die Themen unvorhersehbar ändern.

4. Dokumentbasiertes Chunking

Dokumente mit expliziter Struktur – Markdown-Header, HTML-Tags, Codefunktionsdefinitionen – enthalten natürliche Aufteilungspunkte. Das dokumentenbasierte Chunking nutzt diese Strukturelemente.

Für Markdown auf Header-Ebene aufteilen. Teilen Sie für HTML semantische Tags wie auf <part> oder <article>. Teilen Sie Code nach Funktions- oder Klassengrenzen auf. Die resultierenden Blöcke richten sich nach der logischen Organisation des Dokuments, die normalerweise mit der semantischen Organisation korreliert. Hier ist ein Beispiel für dokumentbasiertes Chunking:

Dokumentenbasiertes Chunking
Bild vom Autor

Bibliotheken mögen LangChain Und LamaIndex stellen spezielle Splitter für verschiedene Formate bereit, die die Parsing-Komplexität bewältigen und es Ihnen ermöglichen, sich auf die Parameter der Blockgröße zu konzentrieren.

Wann zu verwenden: Strukturierte Dokumente mit klaren hierarchischen Elementen.

5. Spätes Chunking

Spätes Chunking kehrt die typische Einbettungs- und dann Chunking-Sequenz um. Betten Sie zunächst das gesamte Dokument mithilfe eines Lengthy-Context-Modells ein. Teilen Sie dann das Dokument auf und leiten Sie Chunk-Einbettungen ab, indem Sie die relevanten Einbettungen auf Token-Ebene aus der vollständigen Dokumenteinbettung mitteln.

Dadurch bleibt der globale Kontext erhalten. Die Einbettung jedes Blocks spiegelt nicht nur seinen eigenen Inhalt wider, sondern auch seine Beziehung zum umfassenderen Dokument. Verweise auf frühere Konzepte, gemeinsame Terminologie und dokumentweite Themen bleiben in den Einbettungen kodiert.

Der Ansatz erfordert Einbettungsmodelle mit langem Kontext, die in der Lage sind, ganze Dokumente zu verarbeiten, was seine Anwendbarkeit auf Dokumente angemessener Größe beschränkt.

Wann zu verwenden: Technische Dokumente mit erheblichen Querverweisen, Gesetzestexte mit internen Abhängigkeiten.

6. Adaptives Chunking

Adaptives Chunking Passt Chunk-Parameter dynamisch basierend auf Inhaltsmerkmalen an. Dichte, informationsreiche Abschnitte erhalten kleinere Teile, um die Granularität beizubehalten. Spärliche, kontextbezogene Abschnitte erhalten größere Teile, um die Kohärenz zu wahren.

Adaptives Chunking
Bild vom Autor

Die Implementierung verwendet in der Regel Heuristiken oder leichtgewichtige Modelle, um die Inhaltsdichte zu bewerten und die Blockgröße entsprechend anzupassen.

Wann zu verwenden: Dokumente mit stark schwankender Informationsdichte.

7. Hierarchisches Chunking

Durch hierarchisches Chunking entstehen mehrere Granularitätsebenen. Große übergeordnete Blöcke erfassen umfassende Themen, während kleinere untergeordnete Blöcke spezifische Particulars enthalten. Rufen Sie zum Zeitpunkt der Abfrage zuerst grobe Blöcke ab und führen Sie dann einen Drilldown in feinkörnige Blöcke innerhalb relevanter übergeordneter Elemente durch.

Dies ermöglicht sowohl übergeordnete Abfragen („Was deckt dieses Dokument ab?“) als auch spezifische Abfragen („Wie lautet die genaue Konfigurationssyntax?“) unter Verwendung desselben Chunked-Korpus. Die Implementierung erfordert die Aufrechterhaltung der Beziehungen zwischen Chunk-Ebenen und deren Durchquerung während des Abrufs.

Wann zu verwenden: Große technische Handbücher, Lehrbücher, umfassende Dokumentation.

8. LLM-basiertes Chunking

Beim LLM-basierten Chunking haben wir Verwenden Sie ein LLM, um Chunk-Grenzen zu bestimmen und das Chunking in intelligentes Terrain treiben. Anstelle von Regeln oder Einbettungen analysiert das LLM das Dokument und entscheidet basierend auf semantischem Verständnis, wie es aufgeteilt wird.

LLM-basiertes Chunking
Bild vom Autor

Zu den Ansätzen gehören das Aufteilen von Textual content in atomare Sätze, das Erstellen von Zusammenfassungen für Abschnitte oder das Identifizieren logischer Haltepunkte. Das LLM kann Blöcke auch mit Metadaten oder kontextbezogenen Beschreibungen anreichern, die den Abruf verbessern.

Dieser Ansatz ist teuer – er erfordert LLM-Aufrufe für jedes Dokument –, erzeugt aber hochkohärente Blöcke. Bei anspruchsvollen Anwendungen, bei denen die Abrufqualität die Kosten rechtfertigt, übertrifft LLM-basiertes Chunking häufig einfachere Methoden.

Wann zu verwenden: Anwendungen, bei denen die Abrufqualität wichtiger ist als die Verarbeitungskosten.

9. Agentisches Chunking

Agentic Chunking erweitert LLM-basierte Ansätze um Lassen Sie einen Agenten jedes Dokument analysieren und dynamisch die entsprechende Chunking-Strategie auswählen. Der Agent berücksichtigt die Dokumentstruktur, die Inhaltsdichte und das Format, um professional Dokument zwischen festen, rekursiven, semantischen oder anderen Ansätzen zu wählen.

Agentisches Chunking
Bild vom Autor

Dies behandelt heterogene Dokumentensammlungen, bei denen eine einzelne Strategie schlecht funktioniert. Der Agent könnte dokumentbasiertes Chunking für strukturierte Berichte und semantisches Chunking für narrative Inhalte innerhalb desselben Korpus verwenden.

Der Kompromiss besteht zwischen Komplexität und Kosten. Jedes Dokument erfordert eine Agentenanalyse, bevor mit dem Chunking begonnen werden kann.

Wann zu verwenden: Vielfältige Dokumentensammlungen, bei denen die optimale Strategie erheblich variiert.

Abschluss

Chunking bestimmt, welche Informationen Ihr Abrufsystem finden kann und welchen Kontext Ihr LLM zur Generierung erhält. Nachdem Sie nun die verschiedenen Chunking-Techniken verstanden haben, Wie wählen Sie eine Chunking-Strategie für Ihre Anwendung aus?? Sie können dies basierend auf Ihren Dokumentmerkmalen tun:

• Kurze, eigenständige Dokumente (FAQs, Produktbeschreibungen): Keine Aufteilung erforderlich
• Strukturierte Dokumente (Markdown, HTML, Code): Dokumentbasiertes Chunking
• Unstrukturierter Textual content (Artikel, Berichte): Versuchen Sie es mit rekursivem oder hierarchischem Chunking, wenn das Chunking mit fester Größe keine guten Ergebnisse liefert
• Komplexe, hochwertige Dokumente: Semantisches oder adaptives oder LLM-basiertes Chunking
• Heterogene Sammlungen: Agentisches Chunking

Berücksichtigen Sie auch das Kontextfenster Ihres Einbettungsmodells und typische Abfragemuster. Wenn Benutzer spezifische sachliche Fragen stellen, bevorzugen Sie aus Gründen der Präzision kleinere Abschnitte. Wenn Abfragen das Verständnis eines breiteren Kontexts erfordern, verwenden Sie größere Abschnitte.

Noch wichtiger ist, dass Sie Metriken festlegen und testen. Verfolgen Sie die Abrufgenauigkeit, Antwortgenauigkeit und Benutzerzufriedenheit über verschiedene Chunking-Strategien hinweg. Verwenden Sie repräsentative Abfragen mit bekanntermaßen richtigen Antworten. Messen Sie, ob die richtigen Blöcke abgerufen werden und ob das LLM aus diesen Blöcken genaue Antworten generiert.

Frameworks wie LangChain Und LamaIndex bieten vorgefertigte Splitter für die meisten Strategien an. Implementieren Sie bei benutzerdefinierten Ansätzen die Logik direkt, um die Kontrolle zu behalten und Abhängigkeiten zu minimieren. Viel Spaß beim Chunken!

Referenzen und weiteres Lernen

Bild vom Herausgeber

# Einführung

Datenanalysten müssen mit großen Mengen an Informationen arbeiten, die in Datenbanken gespeichert sind. Bevor sie Berichte erstellen oder Erkenntnisse gewinnen können, müssen sie zunächst die richtigen Daten abrufen und für die Verwendung vorbereiten. Hier kommt SQL (Structured Question Language) ins Spiel. SQL ist ein Device, das Analysten dabei hilft, Daten abzurufen, zu bereinigen und im gewünschten Format zu organisieren.

In diesem Artikel schauen wir uns die wichtigsten SQL-Abfragen an, die jeder Datenanalyst kennen sollte.

# 1. Daten mit SELECT auswählen

Der WÄHLEN Die Anweisung ist die Grundlage von SQL. Sie können bestimmte Spalten auswählen oder verwenden * um alle verfügbaren Felder zurückzugeben.

SELECT identify, age, wage FROM workers;

Diese Abfrage ruft nur die ab identify, ageUnd wage Spalten aus der workers Tisch.

# 2. Daten mit WHERE filtern

WO grenzt die Zeilen auf diejenigen ein, die Ihren Bedingungen entsprechen. Es unterstützt Vergleiche und logische Operatoren zur Erstellung präziser Filter.

SELECT * FROM workers WHERE division="Finance";

Die WHERE-Klausel gibt nur Mitarbeiter zurück, die zur Finanzabteilung gehören.

# 3. Ergebnisse mit ORDER BY sortieren

Der BESTELLEN NACH Die Klausel sortiert Abfrageergebnisse in aufsteigender oder absteigender Reihenfolge. Es wird verwendet, um Datensätze nach numerischen, Textual content- oder Datumswerten zu ordnen.

SELECT identify, wage FROM workers ORDER BY wage DESC;

Diese Abfrage sortiert Mitarbeiter nach Gehalt in absteigender Reihenfolge, sodass die bestbezahlten Mitarbeiter zuerst angezeigt werden.

# 4. Duplikate mit DISTINCT entfernen

Der UNTERSCHEIDBAR Das Schlüsselwort gibt nur eindeutige Werte aus einer Spalte zurück. Dies ist nützlich, wenn Sie saubere Pay attention von Kategorien oder Attributen erstellen möchten.

SELECT DISTINCT division FROM workers;

DISTINCT entfernt doppelte Einträge und gibt jeden Abteilungsnamen nur einmal zurück.

# 5. Ergebnisse mit LIMIT begrenzen

Der LIMIT Die Klausel schränkt die Anzahl der von einer Abfrage zurückgegebenen Zeilen ein. Es wird oft mit gepaart BESTELLEN NACH um Prime-Ergebnisse oder Beispieldaten aus großen Tabellen anzuzeigen.

SELECT identify, wage 
FROM workers 
ORDER BY wage DESC 
LIMIT 5;

Dadurch werden durch Kombination die fünf Mitarbeiter mit den höchsten Gehältern ermittelt BESTELLEN NACH mit LIMIT.

# 6. Aggregieren von Daten mit GROUP BY

Der GRUPPE NACH Die Klausel gruppiert Zeilen, die dieselben Werte in bestimmten Spalten haben. Es wird mit Aggregatfunktionen wie verwendet SUM(), AVG()oder COUNT() Zusammenfassungen zu erstellen.

SELECT division, AVG(wage) AS avg_salary
FROM workers
GROUP BY division;

GROUP BY organisiert Zeilen nach Abteilung und AVG(wage) berechnet das durchschnittliche Gehalt für jede Gruppe.

# 7. Gruppen mit HAVING filtern

Der HABEN Die Klausel filtert gruppierte Ergebnisse, nachdem die Aggregation angewendet wurde. Es wird verwendet, wenn Bedingungen von aggregierten Werten wie Gesamtwerten oder Durchschnittswerten abhängen.

SELECT division, COUNT(*) AS num_employees
FROM workers
GROUP BY division
HAVING COUNT(*) > 10;

Die Abfrage zählt die Mitarbeiter in jeder Abteilung und filtert dann, um nur Abteilungen mit mehr als 10 Mitarbeitern zu behalten.

# 8. Tabellen mit JOIN kombinieren

Der VERBINDEN Die Klausel kombiniert Zeilen aus zwei oder mehr Tabellen basierend auf einer zugehörigen Spalte. Es hilft dabei, verbundene Daten abzurufen, z. B. Mitarbeiter mit ihren Abteilungen.

SELECT e.identify, d.identify AS division
FROM workers e
JOIN departments d ON e.dept_id = d.id;

Dabei kombiniert JOIN Mitarbeiter mit den dazu passenden Abteilungsnamen.

# 9. Ergebnisse mit UNION kombinieren

UNION kombiniert die Ergebnisse von zwei oder mehr Abfragen in einem einzigen Datensatz. Es entfernt automatisch Duplikate, es sei denn, Sie verwenden UNION ALLwas sie hält.

SELECT identify FROM workers UNION SELECT identify FROM clients;

Diese Abfrage kombiniert Namen aus beiden workers Und clients Tabellen in einer einzigen Liste.

# 10. String-Funktionen

String-Funktionen in SQL werden zum Bearbeiten und Transformieren von Textdaten verwendet. Sie helfen bei Aufgaben wie dem Kombinieren von Namen, dem Ändern der Groß-/Kleinschreibung, dem Kürzen von Leerzeichen oder dem Extrahieren von Teilen einer Zeichenfolge.

SELECT CONCAT(first_name, ' ', last_name) AS full_name, LENGTH(first_name) AS name_length FROM workers;

Diese Abfrage erstellt einen vollständigen Namen durch Kombination von Vor- und Nachnamen und berechnet die Länge des Vornamens.

# 11. Datums- und Uhrzeitfunktionen

Mit Datums- und Zeitfunktionen in SQL können Sie für Analysen und Berichte mit zeitlichen Daten arbeiten. Sie können Differenzen berechnen, Komponenten wie Jahr oder Monat extrahieren und Datumsangaben durch Addition oder Subtraktion von Intervallen anpassen. Zum Beispiel, DATEDIFF() mit CURRENT_DATE kann die Amtszeit messen.

SELECT identify, hire_date, DATEDIFF(CURRENT_DATE, hire_date) AS days_at_company FROM workers;

Es berechnet, wie viele Tage jeder Mitarbeiter im Unternehmen beschäftigt ist, indem das Einstellungsdatum vom heutigen Tag abgezogen wird.

# 12. Neue Spalten mit CASE erstellen

Der FALL Ausdruck erstellt neue Spalten mit bedingter Logik, ähnlich wie if-else-Anweisungen. Damit können Sie Daten innerhalb Ihrer Abfragen dynamisch kategorisieren oder umwandeln.

SELECT identify,
       CASE 
           WHEN age < 30 THEN 'Junior'
           WHEN age BETWEEN 30 AND 50 THEN 'Mid-level'
           ELSE 'Senior'
       END AS experience_level
FROM workers;

Die CASE-Anweisung erstellt eine neue Spalte namens experience_level basierend auf Altersgruppen.

# 13. Umgang mit fehlenden Werten mit COALESCE

VERSCHMELZEN Behandelt fehlende Werte, indem es den ersten Nicht-Null-Wert aus einer Liste zurückgibt. Es wird häufig zum Ersetzen verwendet NULL Felder mit einem Standardwert, z. B. „N/A“.

SELECT identify, COALESCE(telephone, 'N/A') AS contact_number FROM clients;

Hier ersetzt COALESCE fehlende Telefonnummern durch „N/A“.

# 14. Unterabfragen

Unterabfragen sind Abfragen, die in einer anderen Abfrage verschachtelt sind, um Zwischenergebnisse bereitzustellen. Sie werden verwendet in WHERE, FROModer SELECT Klauseln zum dynamischen Filtern, Vergleichen oder Erstellen von Datensätzen.

SELECT identify, wage FROM workers WHERE wage > (SELECT AVG(wage) FROM workers);

Diese Abfrage vergleicht mithilfe einer verschachtelten Unterabfrage das Gehalt jedes Mitarbeiters mit dem Durchschnittsgehalt des Unternehmens.

# 15. Fensterfunktionen

Fensterfunktionen führen Berechnungen über eine Reihe von Zeilen durch und geben dennoch einzelne Zeilendetails zurück. Sie werden häufig für Rangfolgen, laufende Summen und den Vergleich von Werten zwischen Zeilen verwendet.

SELECT identify, wage, RANK() OVER (ORDER BY wage DESC) AS salary_rank FROM workers;

Der RANK() Die Funktion weist jedem Mitarbeiter eine Rangfolge basierend auf dem Gehalt zu, ohne die Zeilen zu gruppieren.

# Abschluss

Die Beherrschung von SQL ist eine der wertvollsten Fähigkeiten für jeden Datenanalysten, da sie die Grundlage für das Extrahieren, Transformieren und Interpretieren von Daten bildet. Vom Filtern und Aggregieren bis hin zum Zusammenführen und Umformen von Datensätzen ermöglicht SQL Analysten, Rohinformationen in aussagekräftige Erkenntnisse umzuwandeln, die die Entscheidungsfindung vorantreiben. Durch die Beherrschung wesentlicher Abfragen optimieren Analysten nicht nur ihre Arbeitsabläufe, sondern stellen auch Genauigkeit und Skalierbarkeit ihrer Analysen sicher.

Jayita Gulati ist eine Enthusiastin für maschinelles Lernen und technische Redakteurin, angetrieben von ihrer Leidenschaft für die Entwicklung von Modellen für maschinelles Lernen. Sie hat einen Grasp-Abschluss in Informatik von der College of Liverpool.

Lassen Sie uns in die wichtigsten Bibliotheken in R und Python eintauchen, um Daten zu visualisieren und verschiedene Diagramme zu erstellen, und welche Vor- und Nachteile sie haben

Das Ziel eines jeden angehenden Datenprofis ist es, in bestimmten Programmiersprachen ein Profi zu sein. Das Erreichen eines bestimmten Niveaus in einer der unzähligen Sprachen ist für jeden ein entscheidender Meilenstein.

Für Dateningenieure ist SQL wahrscheinlich die wichtigste Sprache. Als Webentwickler müssen Sie im Schlaf JavaScript, HTML, CSS und PHP beherrschen. Für Datenwissenschaftler hingegen sind Python und R die bevorzugten Werkzeuge. Beide Sprachen haben ihre Stärken und Schwächen – und beide bieten leistungsstarke Instruments und eine große Group zur Analyse und Visualisierung von Daten.

Wenn Sie ganz am Anfang Ihrer datenwissenschaftlichen Reise stehen, kann die Wahl zwischen R und Python überwältigend sein. Wer sich aber langfristig in diesem Bereich bewegen möchte, wird ohnehin früher oder später mit beiden Sprachen in Berührung kommen. Wenn Sie bereits an der Universität sind, haben Sie wahrscheinlich auch Kurse in beiden Sprachen.

Aber schauen wir uns die wichtigsten Bibliotheken in R und Python an, um Daten zu visualisieren, wie sich die Erstellung von Diagrammen in R und Python unterscheidet (mit Codebeispielen) und welche Vor- und Nachteile die beiden Sprachen haben.

Inhaltsverzeichnis
1 – Was macht R zu einem Muss? (Und wesentliche Bibliotheken für Visualisierungen)
2 —…

Die Ergebnisse liefern wichtige Erkenntnisse darüber, wie Gründer im GenAI-Zeitalter Startups aufbauen

Costanoa Venturesein Boutique-Unternehmen für B2B-Risikokapital im Frühstadium, veröffentlichte Ergebnisse einer Umfrage unter Gründern, die im KI-Bereich tätig sind: „Aufbau eines KI-nativen Startups„bietet eine Momentaufnahme des KI-nativen Startup-Ökosystems. Die Umfrage enthält Einblicke in die Artwork und Weise, wie Gründer, die auf KI aufbauen, die Einstellung von KI-Talenten angehen, welche Instruments sie verwenden und welche Herausforderungen sie nachts wach halten.

„Die heutigen Startup-Gründer im Frühstadium sind die erste GenAI-native Era“, sagte Martina Lauchengco, Partnerin bei Costanoa Ventures. „GenAI verändert die Artwork und Weise, wie Gründer Produkte entwickeln, wen sie einstellen und wie sie skalieren. Was uns überrascht hat, battle, wie stark die Nutzung von Basismodellen über GPT hinaus zunimmt und wie früh sie sich auf die Markteinführung konzentrieren.“

Ein wichtiger Bereich, den die Umfrage untersuchte, battle die Verwendung grundlegender Modelle. Die Umfrage ergab, dass neun von zehn befragten Gründern (89 %) in ihren Startups irgendeine Model von GPT verwenden, wobei mehr als die Hälfte angab, vier oder mehr Modelle zu verwenden. Dies ist ein starker Indikator für die Rolle, die größere Modelle derzeit im Startup-Ökosystem und bei der Innovation spielen.

Die wichtigsten Ergebnisse der Umfrage zeigen:

Wie Gründer Modelle, Daten und Instruments nutzen, um KI-Produkte zu entwickeln

• Über die Hälfte (54 %) aller Befragten nutzt vier oder mehr Basismodelle; 75 % nutzen mehr als ein Modell.
• Quick neun von zehn Gründern (89 %) verwenden eine Model von GPT, gefolgt von Llama und Claude mit jeweils 40 %.
• Pre-Seed- und Seed-Stage-Unternehmen verwenden Mistral doppelt so häufig wie Unternehmen der Serie A oder höher.
• Knapp 90 % der Befragten verwenden irgendeine Artwork von KI-Instruments, entweder zum Aufbau ihrer Plattform oder zur Verbesserung ihrer eigenen Arbeit, wobei die meisten Instruments Infrastruktur und MLOps unterstützen. Zu den beliebtesten Codierungstools gehören: Cursor.ai, Github Co-Pilot und Supermaven.

„Die Landschaft der Stiftungsmodelle verändert sich schnell. Einerseits hat der konvergierende Development bei der Modellleistung dazu geführt, dass Menschen sich für eine Vielzahl von Modellen entscheiden; Andererseits entscheiden sich viele Menschen immer noch für die High-3-Outlets als zukunftssicherere Possibility, da sich die Lage an der Grenze immer weiter weiterentwickelt“, sagte Rebecca Li, Daten- und KI-Investorin bei Costanoa Ventures.

Wie Gründer über Einstellung und KI-Experience denken

• 50 % der Gründer sind in der Bay Space ansässig, wobei die Wahrscheinlichkeit, dass Zweitgründer ihr Unternehmen in der Bay Space gründen, um 33 % höher ist, wobei die Nähe zu Talenten und Investoren als treibende Kraft genannt wird.
• Knapp ein Drittel der nach 2022 gegründeten Unternehmen verspüren den Bedarf an einem Mitgründer mit einem Doktortitel oder Hintergrund in angewandten Modellen. Unternehmen mit einem KI-Mitbegründer stellen deutlich häufiger einen Ingenieur mit akademischer KI- oder KI-Forschungserfahrung ein (90 % bzw. 61 %).
• Quick 54 % der Unternehmen priorisieren bei Früheinstellungen Go-to-Market-Positionen.

„Dies hat bestätigt, was wir sehen: Die Unternehmen, die heute den größten Nutzen aus der KI ziehen, werden oft nicht von Personen mit einem Doktortitel in KI oder jahrelanger Erfahrung in der KI gegründet. Sie bestehen aus unternehmerisch denkenden, schnell lernenden Ingenieuren, die die Neugier und die ‚Simply Construct‘-Mentalität haben, um mit dem neuesten Stand der KI Schritt zu halten“, sagte John Cowgill, Common Associate bei Costanoa Ventures.

Was Gründer nachts den Schlaf raubt

• Bei Stammgründern ist die Wahrscheinlichkeit, dass „Marktlärm“ derzeit der schmerzhafteste Teil beim Aufbau von KI ist, doppelt so hoch.

• Nur 16 % der Pre-Seed- und Seed-Gründer nennen Expertise als große Herausforderung, aber von denen, die dies taten, sind 80 % Wiederholungsgründer.

„Die zentralen Herausforderungen von Startups in der Frühphase sind dieselben, unabhängig davon, ob Sie ein KI-natives Startup sind oder nicht. Diese Probleme sind seit Jahrzehnten die gleichen, aber jetzt fügen wir eine Ebene der Komplexität hinzu, während Groups lernen, wie sie die Leistungsfähigkeit der KI nutzen können“, sagte Amy Cheetham, Partnerin bei Costanoa Ventures.

Lauchengco fügte hinzu: „Es ist faszinierend zu sehen, wie schnell sich die Artwork und Weise verändert, wie Gründer Startups aufbauen. Am interessantesten wird es jedoch sein, zu sehen, wie sich die Reaktionen im Laufe der Zeit entwickeln. Es ist wirklich eine neue Ära.“

Costanoa Ventures befragte 30 Gründer, die gemeinsam 700 Millionen US-Greenback an Risikofinanzierungen aufbrachten, wobei 70 Millionen US-Greenback gemeinsam von den Pre-Seed- und Seed-Unternehmen aufgebracht wurden, die ihre Finanzierung teilten – 21 von ihnen haben ihre Unternehmen in den letzten zwei Jahren aufgebaut. Die Umfrage umfasste Gründer beider Portfoliounternehmen von Costanoa Ventures und viele, die nicht mit dem Unternehmen verbunden waren. Die befragten Unternehmen decken ein breites Spektrum an KI-Anwendungsfällen ab, von der Planung und Buchung von Reisen über die maßgeschneiderte Vertriebsansprache bis hin zur Verbesserung von IT-Workflows. In die Endergebnisse wurden nur Unternehmen mit Fremdfinanzierung einbezogen.

Die vollständige Umfrage steht zur Ansicht bereit Hier.

Melden Sie sich für die kostenlosen insideAI-Information an E-newsletter.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Im heutigen digitalen Zeitalter ist nahezu jeder Aspekt des modernen Lebens vernetzt und durch Technologie ermöglicht. Wo die Menschen früher geduldig auf Neuigkeiten aus Zeitungen, den Abendnachrichten oder den Klatsch aus der Nachbarschaft warten mussten, ist es heute dank Technologie und sozialen Medien so einfach wie ein Foto, Informationen, Beobachtungen und Meinungen zu teilen. Es gibt viele Plattformen, die der Bevölkerung dies ermöglichen, aber die Konzepte sind dieselben: Gleichgesinnte mit den Ideen und Communities zu verbinden, die sie ansprechen. Das ist die eine Seite der Geschichte, die Seite, die sich direkt an den Kunden richtet.

Intern jedoch haben sich viele Social-Media-Unternehmen auf die Leichtigkeit und Profitabilität gestützt, die mit einer gesättigten Zuschauerschaft auf Social-Media-Plattformen einhergehen.

Die Macht des Potenzials, Zielgruppen zu erreichen, Produkte zu bewerben und Botschaften in verschiedenen Formaten zu verbreiten, wie Social Media Videoproduktion hat Social-Media-Unternehmen zu einigen der einflussreichsten Organisationen der Welt gemacht. Die Verwendung dieser Systemsoftware hat optimistic und möglicherweise auch unfavorable Seiten, von denen die meisten bereits seit Jahren in den Nachrichten sind, sich aber immer auf die folgenden zwei Punkte konzentrieren: Daten- und Datenschutzethik. Glücklicherweise wurde der potenzielle Schaden durch eine Sammlung grundlegender Datenethik- und Datenschutzpraktiken nach und nach begrenzt und reguliert.

Hier ist der Grund Daten und Datenschutz Ethische Praktiken sind für jedes Social-Media-Advertising and marketing-Unternehmen von entscheidender Bedeutung.

Der Sinn der Datenethik

Datenethik als Idee bezieht sich auf die moralischen Prinzipien und Richtlinien, die nach und nach verfeinert und etabliert wurden, um die Erfassung, Verwendung und Weitergabe von Verbraucherdaten besser zu regeln. Im Kontext sozialer Medien ist Datenethik aus vielen Gründen wichtig, insbesondere wenn man bedenkt, wie viele persönliche Daten von (normalerweise) Millionen von Benutzern erfasst werden. Die erfassten Daten können alles umfassen, vom Browserverlauf und Standortdaten bis hin zu Vorlieben und persönlichen Nachrichten.

Für jeden, der aufmerksam ist, sollte dies Anlass zur Sorge geben. Seltsamerweise sind sich die meisten Verbraucher der oft invasiven oder missbräuchlichen Erfassung und Verwendung der Daten eines Benutzers nicht bewusst.

Privatsphäre ist im Allgemeinen ein Grundrecht, das Menschen in der Realität respektieren. Wenn jedoch die persönlichen Erfahrungen und Gedanken eines Benutzers digitalisiert werden, geschieht etwas Seltsames: Privatsphäre scheint zu einer Choice zu werden.

Viele Menschen sind der Meinung, dass Benutzer das Recht haben sollten, zu kontrollieren, wie ihre Daten auf Social-Media-Plattformen gesammelt, verwendet und weitergegeben werden. Die meisten Kunden fragen jedoch nicht nach, ob ihre Informationen angemessen behandelt werden. Erst wenn etwas schief geht oder diese Kunden in eine kompromittierende Lage geraten, werden sie wütend und misstrauisch.

Genau aus diesem Grund haben sich wohlmeinende Männer und Frauen für die Schaffung von Richtlinien auf Landes- und Bundesebene eingesetzt. Ohne die Durchsetzung dieser angemessenen Datenschutzbestimmungen würden sich Benutzer zu Recht verwundbar und bloßgestellt fühlen, wenn sie wüssten oder entdeckten, wie ihre Informationen tatsächlich verwendet werden.

Für jeden Social Media Supervisor ist es von größter Bedeutung, das empfindliche Gleichgewicht zwischen der Erstellung effektiver Marketingkampagnen, der Gewinnung neuer Kunden und der Achtung der Daten- und Datenschutzrechte der Benutzer zu verstehen.

Transparenz

Für Social Media Advertising and marketing Supervisor ist es sehr wichtig, Transparenz bei der Datenerfassung und -verwendung zu verstehen. Durch eine klare Kommunikation darüber, wie Informationen erfasst werden, können Benutzer fundiertere Entscheidungen über ihre Privatsphäre treffen. Auf diese Weise können Supervisor optimistic Beziehungen zwischen Marken und Verbrauchern fördern, was zu erhöhter Markentreue und Kundenzufriedenheit führt.

Durch die Offenlegung ihrer Datenschutzpraktiken können Unternehmen jeder Größe ihr Engagement für ethische Requirements unter Beweis stellen.

Einholung der Einwilligung

Es ist von entscheidender Bedeutung, die ausdrückliche Zustimmung der Benutzer einzuholen, bevor ihre Daten im Social-Media-Advertising and marketing verwendet werden. Dies sorgt für Transparenz und Vertrauen zwischen der Marke und dem Verbraucher. Eine klare Darstellung der Verwendung der Daten und die Einholung einer Genehmigung für jeden spezifischen Zweck trägt dazu bei, ethische Requirements einzuhalten und die Privatsphäre der Benutzer zu respektieren.

Absichtliche Einschränkungen bei der Datenerfassung

Die Einhaltung und Betonung der Datenminimierung und die Begrenzung der Datenerfassung in Social-Media-Marketingpraktiken bedeutet, dass Unternehmen der Privatsphäre und Sicherheit der Informationen ihrer Kunden höchste Priorität einräumen sollten. Auf diese Weise wird sichergestellt, dass unabhängig von der Anzahl der beteiligten Parteien nur die unbedingt erforderlichen Daten erfasst und gespeichert werden, und das Risiko potenzieller Datenverletzungen oder -missbrauchs wird verringert. Auf diese Weise können Unternehmen, indem sie die Menge und Artwork der erfassten Daten streng und klar begrenzen, das Vertrauen ihrer Kunden gewinnen und ihr Engagement für ethische Datenpraktiken unter Beweis stellen.

Eine illustrierte Übersicht über die mathematische Logik, die im KI-Coaching verwendet wird

Es ist immer von Vorteil, zu verstehen, wie Dinge funktionieren. In diesem Artikel gebe ich einen sehr einfachen Überblick über die grundlegende mathematische Logik, die beim Trainieren von KI-Modellen verwendet wird. Ich verspreche, dass die folgenden Beispiele verständlich sind, wenn Sie über eine Grundausbildung verfügen, und dass Sie ein etwas besseres Verständnis für den Bereich der künstlichen Intelligenz erlangen werden.

Nehmen wir an, wir möchten ein neues KI-Modell erstellen, um den Umsatz unseres Unternehmens vorherzusagen. Wir verfügen über Daten zum Umsatz der letzten zwei Monate, zu Werbekosten und zu Produktpreisen.

Mit anderen Worten: Wir wollen ein Modell erstellen, das uns sagt, wie unser Verkaufserlös vom Preis unseres Produkts und den Werbeausgaben abhängt. Mithilfe eines solchen Instruments könnte ein Marketingspezialist beispielsweise den zu erwartenden Verkaufserlös berechnen, wenn er 50 € für Werbung ausgibt und den Produktpreis auf 6 € festlegt.

Im Kern ist KI nichts anderes als eine mathematische Formel (oder eine Reihe von Formeln). Unser Beispiel für die Umsatzprognose könnte man als mathematische Formel wie folgt darstellen:

Die Formel existiert, aber wir wissen nicht, welche Werte wir den Modellparametern m und n zuweisen sollen. Mit anderen Worten: Wir wissen nicht, wie stark sich eine Erhöhung der Werbekosten und eine Anpassung des Produktpreises auf unseren Umsatz auswirken.

Wenn wir mit dem Coaching der KI beginnen, können wir den Parametern des Modells zufällige Werte zuweisen. Beispielsweise setzen wir den Werbekostenparameter zunächst auf 2 und den Preisparameter auf -2.

Nun probieren wir es einfach mal aus. Wenn wir die Werbekosten und den Produktpreis mit ihren jeweiligen Parameterwerten multiplizieren, sehen wir, dass unser anfängliches Modell zu optimistisch ist. Im ersten Monat lag der tatsächliche Verkaufserlös bei 5 €, unser Modell prognostizierte jedoch 30 €. Im zweiten Monat lag der tatsächliche Verkaufserlös bei 18 €, unser Modell prognostizierte jedoch 52 €.

Wenn der Fehler 0 istdas Modell ist perfekt und es sind keine Anpassungen erforderlich.

Wenn der Fehler > 0 istlieferte das Modell ein zu optimistisches Ergebnis:

• Verringern Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal (z. B. Werbekosten oder Produktpreis) einen positiven Wert hat.
• Erhöhen Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal einen negativen Wert hat.

Wenn der Fehler < 0 istwarfare das Modell zu pessimistisch:

• Erhöhen Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal einen positiven Wert hat.
• Verringern Sie die Gewichte (Parameter), wenn das entsprechende Eingabemerkmal einen negativen Wert hat.

Nach der Lernregel müssen wir beide Parameter verringern, da sowohl die Werbekosten als auch der Produktpreis einen positiven Wert haben. Beispielsweise reduzieren wir das Werbekostengewicht von 2 auf 1 und den Preisparameter von -2 auf -3.

Wenn wir neu berechnen, sehen wir, dass unser Modell jetzt genaue Vorhersagen macht. Großartig, unser erstes manuell trainiertes KI-Modell ist fertig.

Wenn Sie denken, dass das obige Modell zu intestine ist, um wahr zu sein, haben Sie Recht. Unser Modell funktionierte mit den Trainingsdaten perfekt. Um die Genauigkeit des Modells zu beurteilen, muss es mit Daten getestet werden, die nicht im Trainingsprozess verwendet wurden.

Wir haben unser Modell mit Daten aus Januar und Februar trainiert. Nun prüfen wir, wie intestine das Modell den Umsatz für März und April vorhersagen kann.

Aus der obigen Tabelle können wir ersehen, dass das Modell den Umsatz für März mit 28 € (tatsächlich 24 €) und für April mit 21 € (tatsächlich 18 €) prognostiziert. Im Durchschnitt macht unser Modell bei neuen Daten einen Fehler von 3,5 €, was wir als Genauigkeit unseres Modells bezeichnen können.

Zusammenfassend lässt sich sagen, dass KI im Kern eine mathematische Formel ist. In unserem Beispiel hatte die Formel zwei Parameter; das GPT-4-Modell hat mehr als eine Billion (1 Billion = 1.000.000.000.000) Parameter. Beide werden nach dem gleichen Prinzip trainiert: die Parameter des Modells werden schrittweise angepasst, um den Fehler zu reduzieren.

Außerdem muss man bedenken, dass KI zwar anhand von Trainingsdaten lernt, ihre Genauigkeit jedoch nur anhand von Daten beurteilt werden kann, die beim Coaching nicht verwendet wurden (Testdaten).

Einführung

LLMs verändern die Artwork und Weise, wie wir heute mit Technologie umgehen. Diese KI-Programme sind in der Lage, menschliche Sprache zu verstehen und nachzuahmen. Sie können angewendet werden auf DatenanalyseKundenservice, Inhaltserstellung und andere Bereiche. Aber insbesondere für Neulinge kann es eine Herausforderung sein, zu wissen, wie man sie benutzt. Dieser Artikel führt die Leser durch die 7 wesentlichen Schritte zur Beherrschung großer Sprachmodelle.

Dieser Artikel soll auch ein umfassendes Handbuch zum Erlernen von LLMs bieten, indem er sieben entscheidende Schritte definiert. Selbst Anfänger können die Leistungsfähigkeit von verstehen und effizient nutzen LL.M.-Studiengänge indem das Verfahren in leicht durchzuführende Aktionen zerlegt wird. Nach der Lektüre dieses Artikels sind die Leser in der Lage, LLMs für eine Vielzahl von Zwecken zu verwenden, da sie die Grundlagen kennen und wissen, wie man Modelle anpasst und bewertet.

Überblick

• Verstehen Sie die Grundlagen großer Sprachmodelle und ihre Möglichkeiten.
• Machen Sie sich mit den verschiedenen Arten von LLMs und ihren Anwendungen vertraut.
• Richten Sie eine Entwicklungsumgebung für die Arbeit mit LLMs ein, einschließlich des Zugriffs auf vortrainierte Modelle.
• Betonen Sie, wie wichtig die Datenaufbereitung für das Erreichen genauer und zuverlässiger Ergebnisse ist.
• Erfahren Sie, wie Sie LLMs für bestimmte Aufgaben optimieren, um die Leistung zu verbessern.
• Bewerten Sie Modellausgaben und interpretieren Sie die Ergebnisse, um Genauigkeit und Relevanz einzuschätzen.
• Iterieren und verbessern Sie LLM-Implementierungen kontinuierlich, um bei der Weiterentwicklung der Technologien immer einen Schritt voraus zu sein.

7 wesentliche Schritte für LLMs

Lassen Sie uns nun 7 wesentliche Schritte zur Beherrschung erkunden große Sprachmodelle.

1. Erfahren Sie, worum es bei LLMs geht

Für jemanden, der sich eingehend mit LLMs befassen möchte, ist es wichtig, zunächst in einfachen Worten zu verstehen, was sie sind. Dabei handelt es sich um Modelle, die anhand riesiger Textdatenmengen trainiert werden, wodurch sie Muster erkennen, Zusammenhänge verstehen und Antworten geben können, genau wie ein Mensch es tun würde. Darüber hinaus können sich diese Modelle bei guter Feinabstimmung auch auf verschiedene Bereiche spezialisieren, beispielsweise auf das Übersetzen von Sprachen oder das Zusammenfassen von Absätzen.

2. Machen Sie sich mit verschiedenen Arten von LLMs vertraut

Es gibt zahlreiche Kategorien von LLMs, von denen jede mit ihren eigenen einzigartigen Funktionen und Fähigkeiten ausgestattet ist. OpenAI hat beispielsweise GPT-3 (Generative Pre-trained Transformer 3), Google hat BERT (Bidirectional Encoder Representations from Transformers) entwickelt, während T5 (Textual content-to-Textual content Switch Transformer) von der Google AI-Abteilung entwickelt wurde. Das bedeutet, dass nicht alle Modelle gleich funktionieren, da sie je nach Aufgabe ihre Stärken und Schwächen haben – daher ist es notwendig, sich vor einer Entscheidung genauer darüber zu informieren.

3. Einrichten der Entwicklungsumgebung

Um mit LLMs arbeiten zu können, benötigen Sie eine geeignete Entwicklungsumgebung. Dazu kann die Set up der erforderlichen Bibliotheken und Frameworks, das Einrichten von Cloud-Diensten oder der Zugriff auf vorab trainierte Modelle gehören. Viele LLM-Anbieter bieten benutzerfreundliche APIs und SDKs (Software program Growth Kits), die die Integration vereinfachen.

Lesen Sie auch: Bereitstellen großer Sprachmodelle in der Produktion

4. Verstehen Sie die Bedeutung der Datenaufbereitung

Die Qualität von LLMs hängt von der Qualität der Daten ab, mit denen sie trainiert werden. Bevor Sie sie verwenden, müssen Sie Ihren Datensatz daher gründlich bereinigen und vorbereiten, wenn Sie genaue und zuverlässige Ergebnisse erzielen möchten. Textvorverarbeitung, Entfernung irrelevanter oder vertraulicher Informationen, Formatierung, damit der Textual content vom LLM verstanden werden kann – dies sind nur einige Beispiele.

5. Passen Sie den LLM an Ihre spezifische Aufgabe an

Auch wenn vorab trainierte Sprachmodelle quick alles können, benötigen sie dennoch etwas Hilfe bei der Spezialisierung. Feinabstimmung von LLMs Durch die Verwendung eines kleineren Datensatzes im Verhältnis zum Hauptdatensatz ermöglichen Sie dem System, die Besonderheiten Ihres individuellen Falls besser zu verstehen und so eine höhere Leistungsgenauigkeit zu erzielen.

6. Ergebnisse auswerten und interpretieren

Nachdem Sie Ihre Daten in das fein abgestimmte LLM eingespeist haben, ist es an der Zeit, zu sehen, was herauskommt. Das bedeutet, dass Sie beurteilen sollten, wie intestine der Textual content zu bekannten Wahrheiten passt, logische Ketten bildet (kohärent ist) und sich auf das Thema bezieht (related ist). Seien Sie auch bereit, mögliche Ausgabebeschränkungen oder Verzerrungen zu erkennen, die durch das Modell selbst eingeführt werden.

Lesen Sie auch: Wie evaluiert man ein großes Sprachmodell (LLM)?

7. Kontinuierlich iterieren und kontinuierlich verbessern

LLMs verändern sich ständig. Ab und zu hört man von einem neuen Modell oder einer neuen Technik, die eine bessere Leistung als ihre Vorgänger verspricht. Angesichts dieser Tatsachen müssen Sie immer einen Schritt voraus sein, indem Sie sich nie mit Ihrer aktuellen LLM-Implementierung zufrieden geben – suchen Sie immer nach neuen Möglichkeiten, sie zu verbessern. Fügen Sie weitere Datenquellen hinzu, probieren Sie verschiedene Feinabstimmungsmethoden aus oder wechseln Sie zu fortgeschritteneren Modellen, sobald diese verfügbar sind.

Abschluss

Große Sprachmodelle ermöglichen ein menschenähnliches Textverständnis, was die Technologie verändert. Jeder kann LLMs erlernen, indem er diese sieben entscheidenden Schritte durchläuft, die alles vom Verstehen verschiedener Modelle bis zur Optimierung der Effizienz abdecken. Die Kenntnis dieser Prozesse kann Ihnen dabei helfen, neue Chancen zu nutzen und Innovationen in einer Reihe von Branchen voranzutreiben, während sich die LLM-Technologie weiterentwickelt. In diesem Artikel haben wir 7 wesentliche Schritte zur Beherrschung großer Sprachmodelle untersucht.

Wenn Sie diesen Artikel hilfreich finden und LLMs wirklich meistern möchten, dann GenAI Pinnacle-Programm ist das Richtige für Sie. Erfahren Sie alles über LLMs von Branchenführern und den besten Mentoren im Bereich Generative AI. Schauen Sie sich das Programm noch heute an!

Häufig gestellte Fragen

Einführung

Entwicklung Excel Fähigkeiten sind im Berufsleben entscheidend, unabhängig von der Branche. Kenntnisse von Excel-Formeln sind unerlässlich, wenn Sie Methoden verbessern, Informationen zusammenstellen und fundierte Empfehlungen abgeben möchten. Sehen Sie sich nun die Liste der 30 grundlegenden Excel-Formeln an, die jeder kennen sollte.

Überblick:

• Erfahren Sie, was eine Excel-Formel ist und warum sie wichtig ist.
• Machen Sie sich mit den Excel-Formeln vertraut, die jeder kennen sollte.

Was ist eine Excel-Formel?

Eine Excel-Formel ist ein mathematischer Ausdruck, der zum Durchführen von Berechnungen oder zum Arbeiten mit Daten in einer Tabelle verwendet wird. Sie beginnt normalerweise mit einem Gleichheitszeichen (=) und enthält Operanden, Operatoren und Funktionen. Auf diese Weise können Benutzer Berechnungen automatisieren und effektiv Entscheidungen auf der Grundlage von Daten treffen.

Warum sind Excel-Formeln wichtig?

Sie sind aus mehreren Gründen von entscheidender Bedeutung:

• Automatisierung: Sie automatisieren sich wiederholende Berechnungen und sparen den Benutzern so Zeit und Mühe.
• Genauigkeit: Formeln gewährleisten genaue Ergebnisse und verringern das Risiko manueller Berechnungsfehler.
• Konsistenz: Benutzer wahren die Datenintegrität durchgängig, indem sie Formeln auf mehrere Datensätze anwenden.
• Analyse: Durch die logische Zusammenstellung, Anordnung und Analyse von Daten unterstützen Formeln bei der Datenanalyse.
• Entscheidungsfindung: Sie helfen Benutzern dabei, fundierte Urteile auf der Grundlage von geschätzten Ergebnissen zu treffen, wie z. B. Finanz- oder Trendanalysen.
• Produktivität: Sie steigern die Produktivität, indem sie es Benutzern ermöglichen, komplexe Berechnungen schnell und effektiv durchzuführen.

30 grundlegende Excel-Formeln

Hier sind 30 Grundformeln, die jeder kennen sollte.

Arithmetische Funktionen

1. SUMME
   • Syntax: =SUM(number1, (number2), ...)
   • Beispiel: =SUM(A1:A10)
2. DURCHSCHNITT
   • Syntax: =AVERAGE(number1, (number2), ...)
   • Beispiel: =AVERAGE(B1:B10)
3. ZÄHLEN
   • Syntax: =COUNT(value1, (value2), ...)
   • Beispiel: =COUNT(C1:C10)
4. Graf
   • Syntax: =COUNTA(value1, (value2), ...)
   • Beispiel: =COUNTA(D1:D10)
5. SUMMEWENN
   • Syntax: =SUMIF(vary, standards, (sum_range))
   • Beispiel: =SUMIF(F1:F10, ">50")
6. ZÄHLENWENN
   • Syntax: =COUNTIF(vary, standards)
   • Beispiel: =COUNTIF(G1:G10, ">=60")
7. Abs
   • Syntax: =ABS(quantity)
   • Beispiel: =ABS(Z1)
8. RUNDEN
   • Syntax: =ROUND(quantity, num_digits)
   • Beispiel: =ROUND(AA1, 2)

Logische Funktionen

9. WENN
   • Syntax: =IF(logical_test, value_if_true, value_if_false)
   • Beispiel: =IF(E1>50, "Go", "Fail")
10. UND
    • Syntax: =AND(logical1, (logical2), ...)
    • Beispiel: =AND(S1>10, S2<20)
11. ODER
    • Syntax: =OR(logical1, (logical2), ...)
    • Beispiel: =OR(T1>10, T2<5)
12. NICHT
    • Syntax: =NOT(logical)
    • Beispiel: =NOT(U1>10)

Nachschlage- und Referenzfunktionen

13. SVERWEIS
    • Syntax: =VLOOKUP(lookup_value, table_array, col_index_num, (range_lookup))
    • Beispiel: =VLOOKUP(H1, A1:C10, 3, FALSE)
14. HVERWEIS
    • Syntax: =HLOOKUP(lookup_value, table_array, row_index_num, (range_lookup))
    • Beispiel: =HLOOKUP(I1, A1:E10, 5, FALSE)
15. ÜBEREINSTIMMEN
    • Syntax: =MATCH(lookup_value, lookup_array, (match_type))
    • Beispiel: =MATCH(J1, B1:B10, 0)
16. INDEX
    • Syntax: =INDEX(array, row_num, (col_num))
    • Beispiel: =INDEX(A1:D10, 3, 2)

Textfunktionen

17. VERKETTEN
    • Syntax: =CONCATENATE(text1, (text2), ...)
    • Beispiel: =CONCATENATE("Hi there ", "World")
18. LINKS
    • Syntax: =LEFT(textual content, (num_chars))
    • Beispiel: =LEFT(K1, 3)
19. RECHTS
    • Syntax: =RIGHT(textual content, (num_chars))
    • Beispiel: =RIGHT(L1, 2)
20. MITTE
    • Syntax: =MID(textual content, start_num, num_chars)
    • Beispiel: =MID(M1, 2, 3)
21. LEN
    • Syntax: =LEN(textual content)
    • Beispiel: =LEN(N1)
22. TRIMMEN
    • Syntax: =TRIM(textual content)
    • Beispiel: =TRIM(O1)
23. ERSETZEN
    • Syntax: =REPLACE(old_text, start_num, num_chars, new_text)
    • Beispiel: =REPLACE(P1, 1, 3, "New")
24. ERSATZ
    • Syntax: =SUBSTITUTE(textual content, old_text, new_text, (instance_num))
    • Beispiel: =SUBSTITUTE(Q1, "previous", "new")
25. TEXT
    • Syntax: =TEXT(worth, format_text)
    • Beispiel: =TEXT(R1, "mm/dd/yyyy")

Datums- und Uhrzeitfunktionen

26. JETZT
    • Syntax: =NOW()
    • Beispiel: =NOW()

Informationsfunktionen

27. IST NUMMER
    • Syntax: =ISNUMBER(worth)
    • Beispiel: =ISNUMBER(V1)
28. IST LEER
    • Syntax: =ISBLANK(worth)
    • Beispiel: =ISBLANK(W1)
29. WENNFEHLER
    • Syntax: =IFERROR(worth, value_if_error)
    • Beispiel: =IFERROR(X1/Y1, "Error")

Zufallszahlenfunktionen

30. RANDZWISCHEN
    • Syntax: =RANDBETWEEN(backside, high)
    • Beispiel: =RANDBETWEEN(1, 100)

Abschluss

Die Grundlage für effektives Datenmanagement und -analyse sind Excel-Formeln. Diese dreißig grundlegenden Formeln bieten Ihnen eine solide Arbeitsgrundlage für die Verwendung von Excel für verschiedene Aufgaben, von einfachen Berechnungen bis hin zu komplexen Datenmanipulationen. Sie lernen neue Techniken kennen, um Ihre Arbeitsprozesse zu verbessern, mehr Bedeutung aus Ihren Daten zu ziehen und letztendlich in Ihrer Karriere erfolgreich zu sein, während Sie mit diesen Formeln experimentieren und üben.

Wenn Sie mehr über Excel erfahren möchten, sollten Sie Folgendes tun: Kostenloser Kurs von Analytics Vidhya.