Agentische Workflows sind auf künstlicher Intelligenz basierende Softwaresysteme, die mehrere Modelle und externe Instruments miteinander verketten, um komplizierte Aufgaben wie die Analyse eines Movies und die Beantwortung von Fragen dazu zu bewältigen.

Doch die Artwork und Weise, wie diese stark fragmentierten Systeme entworfen und eingesetzt werden, führt oft zu Ineffizienzen, die zu Rechen-, Energie- und Kostenverschwendung führen können.

Um die Effizienz zu verbessern, haben Forscher vom MIT und Microsoft ein intelligentes System entwickelt, das den Prozess der Gestaltung von Agenten-Workflows rationalisiert und automatisch optimiert, wie diese Workflows implementiert werden.

Mit dieser neuen Methode kann ein Entwickler im Klartext beschreiben, was der Agent-Workflow tun soll, ohne im Voraus alle Particulars seiner Anwendung angeben zu müssen.

Das System ermittelt automatisch die besten zu verwendenden Modelle und Instruments sowie die ideale Hardwarekonfiguration und Rechenressourcenzuweisung, wenn der Workflow von einem Cloud-Anbieter ausgeführt wird.

Es passt diese Konfigurationen im Handumdrehen an die Prioritäten jedes Benutzers an, z. B. Kostenminimierung oder Geschwindigkeitsmaximierung.

Beim Check auf mehreren Agenten-Workloads reduzierte dieses neue System die Anzahl der für die Bereitstellung erforderlichen Recheneinheiten und senkte so den Energiebedarf und die Kosten im Vergleich zu herkömmlichen Ansätzen erheblich, ohne die Leistung zu beeinträchtigen.

„Agentische Arbeitsabläufe werden immer komplizierter und entwickeln sich schnell zum Rückgrat dessen, was Cloud-Anbieter tun. Der Energieverbrauch ist ein großes Downside, deshalb müssen wir sehr vorsichtig sein, wie effizient diese Arbeitsabläufe sind. Es ist sehr leicht, Ressourcen zu stark zuzuweisen und Energie und Geld zu verschwenden. Einen Cloud-Anbieter in die Lage zu versetzen, diese Arbeitsabläufe auf intelligente Weise ressourcenoptimaler zu gestalten, ist ein Gewinn für alle Beteiligten“, sagt Gohar Chaudhry, ein Doktorand der Elektrotechnik und Informatik (EECS) und Hauptautor von a Papier zu diesem System.

Er wird bei dem Artikel von Adam Belay unterstützt, einem außerordentlichen Professor der EECS und Mitglied des MIT Pc Science and Synthetic Intelligence Laboratory; leitender Autor Ricardo Bianchini, technischer Mitarbeiter und Company Vice President bei Microsoft Azure; und andere bei Microsoft Azure. Das Papier wird auf dem USENIX Symposium on Working Methods Design and Implementation vorgestellt.

Ein Konfigurationsrätsel

Ein Agenten-Workflow ist ein System, das aus mehreren autonomen KI-Agenten besteht, die gemeinsam verschiedene Modelle und Instruments wie Datenbanken oder Python-Programme nutzen, um eine mehrstufige Aufgabe wie Datenverarbeitung oder Codegenerierung dynamisch abzuschließen.

Diese Workflows können als Prozesse hinter den Kulissen dienen, die benutzerorientierte Anwendungen unterstützen.

Normalerweise müssen Entwickler alle technischen Entscheidungen im Voraus fest programmieren. Sie müssen definieren, welche KI-Agenten, Modelle und Instruments verwendet werden sollen und in welcher Reihenfolge sie verwendet werden sollen. Sie müssen auch die {Hardware} angeben, die den Workflow ausführt, und wie Kompromisse wie Geschwindigkeit und Kosten in Einklang gebracht werden können.

Dies stellt eine besondere Herausforderung dar, da Agenten-Workflows mehrere Black-Field-Modelle und verschiedene Instruments mit jeweils eigenen Konfigurationsoptionen vereinen, die möglicherweise von verschiedenen Unternehmen angeboten werden.

Wenn ein neues KI-Modell veröffentlicht wird, das die Genauigkeit oder Effizienz der Anwendung verbessern würde, müsste der Entwickler bei der Implementierung bei Null anfangen.

„Selbst wenn Sie das alles manuell erledigen wollten, ist es unwahrscheinlich, dass Sie den Workflow optimum konfigurieren können, weil der Raum für mögliche Konfigurationen so groß ist“, sagt Chaudhry.

Darüber hinaus hat das Cloud-Rechenzentrum, das die Anwendung für Kunden bereitstellt, keinen Einblick in den Workflow, um seine Hardwareressourcen zum Zeitpunkt der Benutzeranfrage auf die effizienteste Weise zuzuweisen.

Mit diesem neuen System namens Murakkab (ein Urdu-Wort, das eine Zusammensetzung von Dingen bedeutet) versuchten die Forscher, den gesamten Agenten-Workflow-Prozess zu optimieren.

Dynamische Entscheidungsfindung

Erstens ermöglicht Murakkab Entwicklern die Erstellung eines Agenten-Workflows, indem sie ihre Absicht für die Anwendung auf allgemeiner Ebene beschreiben, anstatt detailliert zu beschreiben, wie Die vielen Komponenten dieses Workflows sollten kombiniert werden.

Beispielsweise könnte ein Entwickler eine Video-Q&A-Anwendung beschreiben, die Schlüsselbilder extrahiert, ein Transkript generiert und dann Benutzerfragen zum Video beantwortet.

„Es gibt viele Möglichkeiten, dies zu tun, und all diese unterschiedlichen Modelle und Instruments haben Auswirkungen darauf, wie schnell die Anwendung die Aufgabe erledigen kann“, sagt er.

Murakkab übernimmt die unkomplizierten Spezifikationen des Entwicklers und identifiziert automatisch die besten vorhandenen Modelle und Instruments, die in den Workflow integriert werden sollen.

Außerdem wird bestimmt, welche Komponenten nacheinander ausgeführt werden müssen und welche parallel ausgeführt werden können, um die Leistung zu steigern.

„Die Plattform trifft Konfigurationsentscheidungen dynamisch im Laufe der Zeit. Wenn additionally morgen ein neues Modell oder ein neuer GPU-Beschleuniger herauskommt, muss sich der Entwickler darüber keine Sorgen machen“, sagt er.

Wenn der Cloud-Anbieter diese Anwendung für einen Kunden bereitstellt, optimiert Murakkab den Arbeitsablauf, indem es seine Komponenten so konfiguriert, dass sie den Einschränkungen des Benutzers entsprechen, z. B. der Priorisierung der Genauigkeit bei gleichzeitiger Einhaltung einer Latenzanforderung.

Es identifiziert adaptiv die ideale Hardwarezuteilung und Bereitstellungspläne, um die Effizienz in Echtzeit zu maximieren, und generiert dann einen Workflow, der vom Cloud-Anbieter ausgeführt werden kann.

„Unser System bietet Cloud-Anbietern außerdem Einblick in mehrere Arbeitslasten, sodass der Anbieter Rechenressourcen auf die effizienteste Weise teilen und gleichzeitig den Einschränkungen der Benutzer gerecht werden kann“, sagt er.

Bei Exams mit verschiedenen Agenten-Workflows für Video-Fragen und -Antworten und Codegenerierung erfüllte Murakkab die Benutzeranforderungen und verbrauchte dabei nur etwa 35 Prozent der für andere Methoden erforderlichen Berechnungen. Es verbrauchte nur etwa 27 Prozent so viel Energie bei weniger als 25 Prozent der Kosten.

Die dynamische Natur von Murakkab ermöglicht es Benutzern auch, Kompromisse auszugleichen. In einem Fall senkte das System den Energieverbrauch eines Agenten-Workflows um mehr als eine Größenordnung, wobei die Genauigkeit für den Kunden nur um etwa 2 Prozent sank.

Das System konnte außerdem eine unerwartet ideale Konfiguration für ein Modell identifizieren, das Videobilder auswählt und so die Leistung für eine Video-Frage-und-Antwort-Aufgabe optimiert. Diese Artwork der Optimierung wäre für einen Entwickler manuell nahezu unmöglich, sagt Chaudhry.

Als nächstes planen die Forscher, ihr System auf komplexere Arbeitsabläufe und größere Computercluster zu erweitern und gleichzeitig Möglichkeiten zur Optimierung neuer Agentenanwendungen zu erkunden.

„Es gibt viel Potenzial, diese Arbeitsabläufe ressourcenoptimierter zu gestalten, sodass sie weitaus weniger Energie verbrauchen, aber wir müssen darüber auf der Ebene der großen Cloud-Plattformen nachdenken“, sagt Chaudhry.

Diese Forschung wurde teilweise von der Semiconductor Analysis Company und der US Protection Superior Analysis Initiatives Company unterstützt.

Aktie

Put up


Aktie

In diesem Artikel erfahren Sie, wie ein Reranking die Relevanz von Ergebnissen in RAG-Systemen (Retrieval-Augmented Era) verbessert, indem es über das hinausgeht, was Retriever allein erreichen können.

Zu den Themen, die wir behandeln werden, gehören:

• Wie Reranker Retriever-Ausgaben verfeinern, um bessere Antworten zu liefern
• Fünf High-Reranker-Modelle zum Testen im Jahr 2026
• Abschließende Gedanken zur Auswahl des richtigen Rerankers für Ihr System

Fangen wir an.

Einführung

Wenn Sie mit RAG-Systemen (Retrieval-Augmented Era) gearbeitet haben, ist Ihnen dieses Drawback wahrscheinlich schon einmal aufgefallen. Ihr Retriever bringt „relevante“ Stücke zurück, aber viele davon sind nicht wirklich nützlich. Die endgültige Antwort ist verrauscht, unvollständig oder falsch. Dies geschieht normalerweise, weil der Retriever für optimiert ist Geschwindigkeit und Erinnerungnicht Präzision.

Hier kommt die Neubewertung ins Spiel.

Das Reranking ist der zweite Schritt in einer RAG-Pipeline. Zuerst ruft Ihr Retriever eine Reihe von Kandidatenblöcken ab. Dann wertet ein Reranker das aus Abfrage und jeden Kandidaten und ordnet sie basierend auf tieferer Relevanz neu.

In einfachen Worten:

• Retriever → bekommt mögliche Übereinstimmungen
• Reranker → wählt die aus beste Übereinstimmungen

Dieser kleine Schritt macht oft einen großen Unterschied. Sie erhalten weniger irrelevante Teile in Ihrer Eingabeaufforderung, was zu besseren Antworten von Ihrem LLM führt. Benchmarks wie MTBB, BEIRUnd WUNDER werden üblicherweise zur Bewertung dieser Modelle verwendet, und die meisten modernen RAG-Systeme basieren auf Rerankern, um Ergebnisse in Produktionsqualität zu erzielen. Es gibt keinen einzigen besten Reranker für jeden Anwendungsfall. Die richtige Wahl hängt von Ihren Daten, Latenz, Kostenbeschränkungen und Anforderungen an die Kontextlänge ab. Wenn Sie im Jahr 2026 neu anfangen, sind dies die Fünf Modelle zum ersten Testen.

1. Qwen3-Reranker-4B

Wenn ich zuerst einen offenen Reranker zum Testen auswählen müsste, wäre es einer Qwen3-Reranker-4B. Das Modell ist Open-Supply unter Apache 2.0unterstützt Über 100 Sprachenund hat eine 32 KB Kontextlänge. Es zeigt sehr starke veröffentlichte Reranking-Ergebnisse (69,76 auf MTBB-R, 75,94 auf CMTEB-R, 72,74 auf MMTEB-R, 69,97 auf MLDRUnd 81,20 auf MTBB-Code). Es funktioniert intestine bei verschiedenen Datentypen, einschließlich mehrerer Sprachen, langer Dokumente und Code.

2. NVIDIA nv-rerankqa-mistral-4b-v3

Für Frage-Antwort-RAG über Textpassagen, nv-rerankqa-mistral-4b-v3 ist eine solide, durch Benchmarks unterstützte Wahl. Es liefert hohe Rating-Genauigkeit über alle ausgewerteten Datensätze hinwegmit einem durchschnittlicher Recall@5 von 75,45 % bei Kombination mit NV-EmbedQA-E5-v5 über NQ, HotpotQA, FiQA und TechQA. Es ist kommerziell bereit. Die Hauptbeschränkung ist die Kontextgröße (512 Token professional Paar), daher funktioniert es am besten mit sauberem Chunking.

3. Cohere rerank-v4.0-pro

Für eine verwaltete, unternehmensfreundliche Choice: rerank-v4.0-pro ist als qualitätsorientierter Reranker mit konzipiert 32k-Kontext, mehrsprachige Unterstützung in über 100 Sprachenund Unterstützung für halbstrukturierte JSON-Dokumente. Es eignet sich für Produktionsdaten wie Tickets, CRM-Datensätze, Tabellen oder metadatenreiche Objekte.

4. jina-reranker-v3

Die meisten Reranker bewerten jedes Dokument einzeln. jina-reranker-v3 verwendet Listenweise NeuordnungVerarbeitung bis zu 64 Dokumente zusammen in einem 131k-Token-Kontextfenstererreichen 61,94 nDCG@10 auf BEIR. Dieser Ansatz ist nützlich für RAGs mit langem Kontext, mehrsprachige Such- und Abrufaufgaben, bei denen die relative Reihenfolge wichtig ist. Es ist unter veröffentlicht CC BY-NC 4.0.

5. BAAI bge-reranker-v2-m3

Nicht jeder starke Reranker muss neu sein. bge-reanker-v2-m3 ist leichtgewichtig, mehrsprachig, einfach bereitzustellen und schnell abzuleiten. Es handelt sich um eine praktische Grundlage. Wenn ein neueres Modell BGE nicht wesentlich übertrifft, sind die zusätzlichen Kosten oder die Latenz möglicherweise nicht gerechtfertigt.

Letzte Gedanken

Reranking ist eine einfache, aber wirkungsvolle Möglichkeit, ein RAG-System zu verbessern. Ein guter Retriever bringt Sie näher. Ein guter Reranker bringt Sie zur richtigen Antwort. Im Jahr 2026 ist die Hinzufügung eines Rerankers unerlässlich. Hier ist eine Auswahlliste mit Empfehlungen:

Besonderheit	Beschreibung
Bestes offenes Modell	Qwen3-Reranker-4B
Am besten für QA-Pipelines geeignet	NVIDIA nv-rerankqa-mistral-4b-v3
Am besten verwaltete Choice	Cohere rerank-v4.0-pro
Am besten für lange Kontexte geeignet	jina-reranker-v3
Beste Grundlinie	BGE-reranker-v2-m3

Diese Auswahl bietet einen starken Ausgangspunkt. Ihr spezifischer Anwendungsfall und Ihre Systembeschränkungen sollten die endgültige Entscheidung leiten.

Aktie

Put up


Aktie

Projekte sind die Brücke zwischen Lernen und Beruf. Während die Theorie Grundlagen vermittelt, legen Personalvermittler Wert auf Kandidaten, die echte Probleme lösen können. Ein starkes, vielfältiges Portfolio zeigt praktische Fähigkeiten, technische Bandbreite und Problemlösungsfähigkeiten.

Dieser Leitfaden stellt zusammen Über 20 gelöste Projekte in allen ML-Domänen, von grundlegender Regression und Prognose bis hin zu NLP und Laptop Imaginative and prescient. Die für ihre Erstellung verwendeten Instruments und Bibliotheken wurden ebenfalls bereitgestellt, um bei der Auswahl des richtigen Projekts zu helfen.

Section 1: Regression und Prognose

Beherrschen Sie die Kunst, kontinuierliche Werte vorherzusagen und das „Warum“ hinter numerischen Datentrends zu verstehen.

1. Amazon-Umsatzprognose

Projektidee: Spiegeln Sie die Nachfrageplanung von Einzelhandelsriesen wider. Nutzen Sie historische Amazon-Verkaufsdaten, um eine Zeitreihenanalyse durchzuführen. In diesem Projekt lernen Sie, Saisonalität, Feiertage und Markttrends zu berücksichtigen, um den zukünftigen Lagerbedarf genau vorherzusagen.

2. Preisprognose für Elektrofahrzeuge (EV).

Projektidee: Analysieren Sie den boomenden EV-Markt. Der Schwerpunkt dieses Projekts liegt auf der Verwendung von Regressionstechniken zur Schätzung des Fahrzeugwerts basierend auf Batteriereichweite, Ladegeschwindigkeiten und Herstellermerkmalen.

• Instruments und Bibliotheken: Python, lineare Regression, Scikit-learn, Numpy.
• Quellcode: EV-Preisvorhersage

3. Vorhersage des Siegs des IPL-Groups

Projektidee: Kombinieren Sie Sportanalysen mit prädiktiver Modellierung, indem Sie eine Engine entwickeln, die IPL-Spielergebnisse vorhersagt. Dieses Projekt führt Sie durch eine komplette ML-Pipeline – von der Bereinigung historischer Spieldaten und der Handhabung von Teamnamensänderungen bis hin zum Coaching eines hochpräzisen Klassifikators, der Wurfentscheidungen und Spielortstatistiken berücksichtigt.

Bonus: Die Lösung dieses Issues mit klassischem maschinellen Lernen im Jahr 2026 ist nicht intestine genug. Mithilfe von KI-Agenten wurden bessere Methoden entwickelt, die wesentlich genauere Vorhersagen ermöglichen: KI-Agent-Cricket-Vorhersage

4. Immobilienpreisvorhersage

Projektidee: Prognostizieren Sie Immobilienmarktwerte mithilfe des berühmten Ames Housing-Datensatzes. Dieses Projekt eignet sich hervorragend zum Üben von fortgeschrittenem Function-Engineering sowie zum Umgang mit Ausreißern und fehlenden Daten.

Section 2: Klassifizierung und Entscheidungsfindung

Übergang von „wie viel“ zu „welches“ durch Beherrschung binärer und Mehrklassen-Klassifizierungsalgorithmen.

5. E-Mail-Spam-Erkennung

Projektidee: Implementieren Sie einen robusten Filter, um Spam zu identifizieren und zu blockieren. Dieses Projekt geht durch den Naive Bayes-Algorithmus, ein grundlegendes Werkzeug zur Textklassifizierung und wahrscheinlichkeitsbasierten Filterung.

• Instruments und Bibliotheken: Python, Scikit-learn, CountVectorizer, Naive Bayes.
• Quellcode: E-Mail-Spam-Erkennung

6. Vorhersage der Mitarbeiterabwanderung

Projektidee: Nutzen Sie HR-Analysen, um kritische Geschäftsprobleme zu lösen. Erstellen Sie ein Modell, das Mitarbeiter identifiziert, bei denen das Risiko einer Kündigung besteht, basierend auf Umgebungsfaktoren, Beschäftigungsverhältnissen und Leistungsdaten.

7. Vorhersage der Schwere von Verkehrsunfällen

Projektidee: Wenden Sie ML auf Daten zur öffentlichen Sicherheit an. Erstellen Sie eine Lösung, um die Schwere von Verkehrsunfällen basierend auf Umweltfaktoren wie Wetter, Beleuchtung und Straßenbedingungen vorherzusagen.

8. Erkennung von Kreditkartenbetrug

Projektidee: Sichern Sie Finanzökosysteme, indem Sie betrügerische Transaktionen in Echtzeit identifizieren. Dieses Projekt geht das Drawback der „Nadel im Heuhaufen“ an: Betrug macht weniger als 0,1 % der Daten aus. Sie gehen über die einfache Klassifizierung hinaus und implementieren Algorithmen zur Anomalieerkennung.

Section 3: Verarbeitung natürlicher Sprache (NLP)

Bringen Sie Maschinen bei, menschliche Sprache und Sprachauslöser zu verstehen, zu interpretieren und zu verarbeiten.

9. „OK Google“ NLP-Implementierung

Projektidee: Lernen Sie die Mechanismen hinter sprachaktivierten Systemen kennen. Dieses Projekt demonstriert die Implementierung von Speech-to-Textual content-Funktionen mit Schwerpunkt auf Audio-Key phrase-Triggern in Echtzeit und Deep Studying.

10. Quora-Identifizierung doppelter Fragen

Projektidee: Lösen Sie ein klassisches semantisches Drawback. Erstellen Sie ein Modell, das bestimmt, ob zwei Fragen in einem Discussion board semantisch identisch sind, und trägt so dazu bei, die Redundanz von Inhalten zu reduzieren und die Benutzererfahrung zu verbessern.

11. Themenmodellierung (mit LDA)

Projektidee: Identifizieren und extrahieren Sie abstrakte Themen aus einer langen Liste von Dokumenten. Dieses Projekt lehrt das effiziente Abrufen und Speichern von Daten sowie die Verwendung von LDA zum Finden von Ähnlichkeiten im Datensatz.

12. Namensbasierte Geschlechtsidentifikation

Projektidee: Erkunden Sie die Grundlagen der Textklassifizierung, indem Sie ein Modell trainieren, um das Geschlecht anhand von Vornamen vorherzusagen. Dieses Projekt stellt NLP-Vorverarbeitungs- und Klassifizierungspipelines vor.

Section 4: Empfehlungssysteme

Bauen Sie die Motoren auf, die das Engagement auf den weltweit größten Content material- und E-Commerce-Plattformen fördern.

13. Sensible Film Recommender

Projektidee: Implementieren Sie kollaborative Filterung, um ein personalisiertes Unterhaltungsvorschlagssystem aufzubauen. Dieses Projekt befasst sich mit den Algorithmen, die zur Vorhersage von Benutzerpräferenzen basierend auf Group-Bewertungen verwendet werden.

14. Spotify Music Advice Engine

Projektidee: Schlagen Sie Titel basierend auf Audiomerkmalen wie Tempo, Tanzbarkeit und Energie vor. Dieses Projekt nutzt Clustering (unüberwachtes Lernen), um „stimmungsähnliche“ Songs für die Playlist eines Benutzers zu finden.

15. Kursempfehlungssystem

Projektidee: Bauen Sie ein System ähnlich wie Coursera oder Udemy auf. Verwenden Sie Python, um eine Engine zu entwickeln, die On-line-Kurse basierend auf dem bisherigen Lernverlauf und den angegebenen Interessen eines Benutzers vorschlägt.

Section 5: Erweiterte Imaginative and prescient und Analyse

Meistern Sie hochwertige Projekte mit Deep Studying, Laptop Imaginative and prescient und komplexer Datenvisualisierung.

16. Google Fotos-Bildabgleich

Projektidee: Erfahren Sie, wie Sie Vektoreinbettungen für die visuelle Suche verwenden. Dieses Projekt verwendet Einbettungen, um visuell ähnliche Bilder innerhalb eines großen Datensatzes zu identifizieren und abzugleichen, und spiegelt dabei die Gruppierungsfunktionen von Google Fotos wider.

17. Open-Supply-Emblem-Detektor

Projektidee: Erstellen Sie ein Laptop-Imaginative and prescient-Modell, das Unternehmenslogos in verschiedenen Umgebungen identifiziert und lokalisiert. Perfekt zum Erlernen von Objekterkennung (YOLO) und Markenüberwachung.

18. Handschriftliche Ziffernerkennung (MNIST)

Projektidee: Die „Hallo Welt“ der Laptop Imaginative and prescient. Bauen Sie ein Convolutional Neural Community (CNN) auf, das mithilfe von Deep Studying handgeschriebene Ziffern mit hoher Genauigkeit identifizieren kann.

19. WhatsApp-Chat-Analyse

Projektidee: Führen Sie eine Finish-to-Finish-Datenanalyse zur persönlichen Kommunikation durch. Extrahieren und visualisieren Sie Chatprotokolle, um Einblicke in Nachrichtenmuster, Benutzeraktivitäten und Stimmungstrends zu erhalten.

20. Kundensegmentierung (Okay-Means)

Projektidee: Helfen Sie Unternehmen, ihre Zielgruppe zu verstehen. Nutzen Sie unüberwachtes Lernen, um Kunden anhand des Kaufverhaltens und der Altersdemografie für gezieltes Advertising and marketing zu gruppieren.

21. Analyse der Aktienkursbewegung

Projektidee: Verwenden Sie Deep Studying, um Zeitreihendaten zu analysieren. Dieses Projekt verwendet LSTMs, um die Bewegung von Aktienkursen auf der Grundlage historischer Abschlussdaten vorherzusagen.

Ihr Weg zur Meisterschaft

Der Aufbau einer Karriere im maschinellen Lernen ist ein Marathonkein Dash. Diese Zusammenfassung von 21 Projekten deckt das gesamte Spektrum ab: von klassische Regression Und Tiefes Lernen Zu NLP. Indem Sie diese gelösten Beispiele durcharbeiten, lernen Sie, das gesamte Ökosystem des maschinellen Lernens zu nutzen.

Der wichtigste Schritt ist, anzufangen. Wählen Sie ein Projekt aus, das Ihren aktuellen Interessen entspricht, und dokumentieren Sie Ihren Prozess GitHubund teilen Sie Ihre Ergebnisse. Jedes Projekt, das Sie abschließen, verleiht Ihrem beruflichen Profil eine erhebliche Glaubwürdigkeit. Viel Erfolg beim Bauen!

Mehr lesen: Über 20 gelöste KI-Projekte zur Erweiterung Ihres Portfolios

Häufig gestellte Fragen

Projekte sind die Brücke zwischen Lernen und Beruf. Während die Theorie Grundlagen vermittelt, legen Personalvermittler Wert auf Kandidaten, die echte Probleme lösen können. Ein starkes, vielfältiges Portfolio zeigt praktische Fähigkeiten, technische Bandbreite und Problemlösungsfähigkeiten.

Dieser Leitfaden stellt zusammen über 20 gelöste Projekte über alle KI-Domänen hinweg, von Primary maschinelles Lernen bis fortgeschritten generative KI Und Agentensysteme. Die für ihre Erstellung verwendeten Instruments und Bibliotheken wurden ebenfalls erwähnt, um bei der Auswahl des richtigen Projekts zu helfen.

Part 1: Generative KI und autonome Agenten

Zeigen Sie Personalvermittlern, dass Sie „Agenten“-Systeme erstellen können, die über einfache Chat-Schnittstellen hinausgehen.

1. IPL Crew Win Predictor (Agentic)

Projektidee: Kombinieren Sie sportliche Leidenschaft mit KI, indem Sie eine Vorhersage-Engine für IPL-Cricket-Spiele entwickeln. In diesem Projekt lernen Sie, wie Sie mit Echtzeit-Spielstatistiken umgehen und KI-Agenten verwenden, um Spielergebnisse vorherzusagen. Ein perfektes Projekt, um Leidenschaft mit Praktikabilität zu verbinden.

Instruments und Bibliotheken: Python, CrewAI, LangChain, BeautifulSoup.
Quellcode: KI-Agent-Cricket-Vorhersage

2. Intelligenter KI-Sprachassistent

Projektidee: Gehen Sie über textbasierte Schnittstellen hinaus, indem Sie Vapi AI integrieren, um einen Echtzeit-Sprachassistenten zu erstellen. Dieses Projekt deckt die wesentlichen Komponenten moderner Sprach-KI ab, einschließlich Speech-to-Textual content (STT), LLM-Verarbeitung und natürlich klingende Textual content-to-Speech (TTS).

Instruments und Bibliotheken: Vapi AI, Deepgram (STT), Play.ht (TTS), Python.
Quellcode: Intelligenter KI-Sprachassistent

3. Autonome KI-Agenten (MaxClaw)

Projektidee: Entdecken Sie die innovativen autonomen Arbeitsabläufe. Dieses Projekt nutzt das MaxClaw-Framework, um KI-Agenten zu entwickeln, die in der Lage sind, cloudbasierte Aufgaben und komplexe Automatisierung ohne menschliches Eingreifen zu verwalten.

Instruments und Bibliotheken: MaxClaw, Python, Cloud-APIs.
Quellcode: MaxClaw Cloud AI Agent

4. YouTube Summarizer Agent

Projektidee: Dieses Projekt nutzt Große Sprachmodelle (LLMs) um den Konsum von Inhalten zu automatisieren. Sie erstellen einen KI-Agenten, der in der Lage ist, Transkripte aus YouTube-Movies zu extrahieren und prägnante, strukturierte Zusammenfassungen zu erstellen, wodurch Benutzern stundenlange manuelle Betrachtung erspart bleibt.

Instruments und Bibliotheken: Python, OpenAI-API, LangChainYouTube-Transkript-API.
Quellcode: YouTube-Zusammenfassungsagent

5. Agent für KI-Studienplaner

Projektidee: Personalisieren Sie Bildung, indem Sie einen Agenten-Workflow erstellen, der ein bestimmtes Thema oder Lernziel als Eingabe verwendet. Der Agent nutzt KI-Argumentation, um komplexe Themen in einen strukturierten, umsetzbaren täglichen Lernplan aufzuschlüsseln.

Instruments und Bibliotheken: Phidata, Groq, FastAPI, Python.
Quellcode: Aufbau eines Studienplaner-Agenten

Part 2: Verarbeitung natürlicher Sprache (NLP)

Beherrschung der Textähnlichkeit, Klassifizierung und Umsetzung von Sprache in Textual content.

6. „OK Google“ NLP-Implementierung

Projektidee: Lernen Sie die Mechanismen hinter Sprachauslösern kennen. Dieses Projekt demonstriert, wie man Speech-to-Textual content-Funktionen im „OK Google“-Stil mithilfe von Deep Studying in Python implementiert, wobei der Schwerpunkt auf der Echtzeit-Audioverarbeitung liegt.

Instruments und Bibliotheken: Python, PyAudio, Spracherkennung, Deep Studying.
Quellcode: OK Google Speech-to-Textual content

7. E-Mail-Spam-Erkennung

Projektidee: Erstellen Sie einen robusten Filter, um Spam-Nachrichten zu identifizieren und zu blockieren. Dieser Leitfaden führt Sie durch die Implementierung des Naive-Bayes-Algorithmus, einem Grundbestandteil der Textklassifizierung und wahrscheinlichkeitsbasierten Filterung.

Instruments und Bibliotheken: Python, Scikit-learn, CountVectorizer, Naive Bayes.
Quellcode: E-Mail-Spam-Erkennung

8. Quora-Identifizierung doppelter Fragen

Projektidee: Lösen Sie ein klassisches NLP-Drawback, indem Sie ein Modell erstellen, das bestimmt, ob zwei Fragen semantisch identisch sind. Dieses Projekt eignet sich hervorragend zum Erlernen von Textähnlichkeit, Function-Engineering und binärer Klassifizierung.

Instruments und Bibliotheken: Python, Pandas, MatPlotLib, Sklearn.
Quellcode: Identifizierung doppelter Quora-Fragen

9. Namensbasierte Geschlechtsidentifikation

Projektidee: Erkunden Sie die Grundlagen der Textklassifizierung, indem Sie ein Modell trainieren, um das Geschlecht anhand von Vornamen vorherzusagen. Dieses Projekt führt Sie in die NLP-Vorverarbeitung und den Aufbau von Klassifizierungspipelines mit Python ein.

Instruments und Bibliotheken: Python, NLTK, Scikit-learn, Pandas.
Quellcode: Namensbasierte Geschlechtsidentifikation

10. Stimmungsanalyse mit NLP

Projektidee: Klassifizieren Sie Textual content als positiv, negativ oder impartial. Bei diesem Projekt handelt es sich um eine grundlegende NLP-Übung, die Ihnen den Umgang mit Textanalysen beibringt, um die Kundenzufriedenheit und die öffentliche Meinung zu verstehen.

Instruments und Bibliotheken: Python, TextBlob, SpaCy, Matplotlib.
Quellcode: Stimmungsklassifizierung mit NLP

Part 3: Maschinelles Lernen und prädiktive Analysen

Klassische ML-Projekte, die zeigen, dass Sie Regression und Prognose verstehen.

11. Amazon-Umsatzprognose

Projektidee: Meistern Sie prädiktive Analysen mithilfe historischer Amazon-Verkaufsdaten. Dieser Leitfaden führt Sie durch die Verwendung von Python zur Durchführung von Zeitreihenanalysen und zum Erstellen von Modellen, die die zukünftige Nachfrage vorhersagen – eine entscheidende Fähigkeit für die Optimierung von E-Commerce und Lieferkette.

Instruments und Bibliotheken: Python, ARIMA/Prophet, Pandas, Statistikmodelle.
Quellcode: Amazon-Verkaufsdatenprognose

12. Laptop computer-Preisvorhersage

Projektidee: Gewinnen Sie ein praktisches Verständnis des Projektlebenszyklus für maschinelles Lernen. Sie erstellen ein Regressionsmodell, das den Preis eines Laptops anhand seiner Hardwarespezifikationen wie RAM, GPU und Prozessorgeschwindigkeit vorhersagt.

Instruments und Bibliotheken: Python, Random Forest, Seaborn, Scikit-learn.
Quellcode: Laptop computer-Preisvorhersage

13. Preisprognose für Elektrofahrzeuge (EV).

Projektidee: Analysieren Sie den boomenden Elektrofahrzeugmarkt, indem Sie ein Preisvorhersagemodell erstellen. Dieses Projekt konzentriert sich auf Datenanalyse- und Regressionstechniken, um den Wert von Elektrofahrzeugen basierend auf Batteriereichweite und -funktionen abzuschätzen

Instruments und Bibliotheken: Python, lineare Regression, Scikit-learn, Numpy.
Quellcode: EV-Preisvorhersage

14. Vorhersage der Mitarbeiterabwanderung

Projektidee: Nutzen Sie HR-Analysen, um Unternehmen bei der Bindung von Talenten zu unterstützen. Dieser Leitfaden zeigt Ihnen, wie Sie ein Modell erstellen, das Mitarbeiter identifiziert, bei denen das Risiko einer Kündigung besteht, basierend auf Faktoren der Arbeitsplatzumgebung und Leistungsdaten

Instruments und Bibliotheken: Python, Logistische Regression, Pandas, Matplotlib.
Quellcode: Leitfaden zur Vorhersage der Mitarbeiterabwanderung

15. Vorhersage der Schwere von Verkehrsunfällen

Projektidee: Wenden Sie maschinelles Lernen auf reale Sicherheitsdaten an. Bei diesem Projekt geht es um die Entwicklung einer Lösung zur Vorhersage der Schwere von Verkehrsunfällen auf der Grundlage von Umweltfaktoren wie Wetter und Straßenverhältnissen.

Instruments und Bibliotheken: Python, Entscheidungsbäume, Pandas, Scikit-learn.
Quellcode: Vorhersage der Schwere von Verkehrsunfällen

Part 4: Erweiterte Imaginative and prescient, Analyse und Empfehlung

Hochwertige Projekte mit Laptop Imaginative and prescient, Graphen und Empfehlungs-Engines.

16. Bildanpassung (Gemini-Einbettungen)

Projektidee: Erfahren Sie, wie Sie Vektoreinbettungen für Laptop Imaginative and prescient verwenden. Dieses Projekt nutzt Gemini-Einbettungen, um visuell ähnliche Bilder innerhalb eines großen Datensatzes zu identifizieren und abzugleichen, eine Schlüsseltechnologie in visuellen Suchmaschinen.

Instruments und Bibliotheken: Gemini-APIPinecone/ChromaDB, Python, Pillow.
Quellcode: Bildanpassungsprojekt

17. Betrugserkennung (GNN & Neo4j)

Projektidee: Sichere Finanztransaktionen mithilfe fortschrittlicher KI. Dieses Projekt zeigt, wie man Graph Neural Networks (GNNs) und Neo4j verwendet, um verdächtige Muster zu identifizieren und Betrug in Transaktionsnetzwerken zu verhindern.

Instruments und Bibliotheken: Neo4j, PyTorch Geometrisch, Cypher Question Language, GNNs.
Quellcode: Betrugserkennungssystem

18. WhatsApp-Chat-Analyse

Projektidee: Führen Sie eine Finish-to-Finish-Datenanalyse für persönliche Kommunikationsdaten durch. Erfahren Sie, wie Sie WhatsApp-Chatprotokolle extrahieren, bereinigen und visualisieren, um Einblicke in Nachrichtenmuster, Benutzeraktivitäten und Stimmungstrends zu erhalten.

Instruments und Bibliotheken: Python, Regex, Plotly, Streamlit.
Quellcode: WhatsApp-Chat-Analyse

19. Open-Supply-Emblem-Detektor

Projektidee: Erstellen Sie ein Laptop-Imaginative and prescient-Modell, das Unternehmenslogos in verschiedenen Umgebungen identifizieren und lokalisieren kann. Dieses Projekt eignet sich perfekt zum Erlernen von Objekterkennungs- und Markenüberwachungsanwendungen

Instruments und Bibliotheken: Python, YOLO (You Solely Look As soon as), OpenCV, PyTorch.
Quellcode: Erstellen Sie Ihren eigenen Emblem-Detektor

20. Kursempfehlungssystem

Projektidee: Erstellen Sie eine Empfehlungsmaschine, die denen von Netflix oder Coursera ähnelt. Dieses Projekt verwendet Python, um ein System zu entwickeln, das Benutzern basierend auf ihrem bisherigen Lernverlauf und ihren Interessen On-line-Kurse vorschlägt.

Instruments und Bibliotheken: Python, Kosinusähnlichkeit, Pandas, Scikit-learn.
Quellcode: Kursempfehlungssystem

21. Good Film Recommender

Projektidee: Implementieren Sie kollaborative Filterung, um ein hochwertiges Filmempfehlungssystem aufzubauen. Dieses Projekt befasst sich mit den Datenstrukturen und Algorithmen, die zur Bereitstellung personalisierter Unterhaltungsvorschläge erforderlich sind.

Instruments und Bibliotheken: Python, Shock Library, Scikit-learn, Pandas.
Quellcode: Filmempfehlungssystem

Ihr Weg zur Meisterschaft

Der Aufbau einer Karriere in der KI ist ein Marathonkein Dash. Diese Zusammenfassung von 21 Projekten deckt das gesamte Spektrum ab: aus der Vorhersagekraft von klassisches maschinelles Lernen zu den autonomen Fähigkeiten von moderne KI-Agenten. Wenn Sie diese gelösten KI-Projektbeispiele durcharbeiten, kopieren Sie nicht nur Code; Sie lernen, Probleme zu formulieren, verschiedene Datensätze zu verarbeiten und intelligente Lösungen bereitzustellen.

Der wichtigste Schritt ist, anzufangen. Wählen Sie ein Projekt aus, das Ihren aktuellen Interessen entspricht, dokumentieren Sie Ihren Prozess und teilen Sie Ihre Ergebnisse mit der Group. Ob es ein ist einfacher Spamfilter oder ein komplexer GNN-Betrugsdetektor, jedes Projekt, das Sie abschließen, verleiht Ihrem beruflichen Profil eine erhebliche Glaubwürdigkeit. Viel Erfolg beim Bauen!

Mehr lesen: Über 25 Information Science- und KI-Projekte mit Quellcode

Häufig gestellte Fragen

In anspruchsvollen Umgebungen wie der medizinischen Diagnostik möchten Benutzer oft wissen, was ein Laptop-Imaginative and prescient-Modell dazu veranlasst hat, eine bestimmte Vorhersage zu treffen, damit sie entscheiden können, ob sie seiner Ausgabe vertrauen sollen.

Die Modellierung von Konzeptengpässen ist eine Methode, die es Systemen der künstlichen Intelligenz ermöglicht, ihren Entscheidungsprozess zu erklären. Diese Methoden zwingen ein Deep-Studying-Modell dazu, eine Reihe von Konzepten zu verwenden, die für Menschen verständlich sind, um eine Vorhersage zu treffen. In einer neuen Forschung haben MIT-Informatiker eine Methode entwickelt, die das Modell dazu bringt, eine höhere Genauigkeit und klarere, prägnantere Erklärungen zu erzielen.

Die Konzepte, die das Modell verwendet, werden in der Regel im Voraus von menschlichen Experten definiert. Beispielsweise könnte ein Arzt die Verwendung von Konzepten wie „gebündelte braune Punkte“ und „bunte Pigmentierung“ vorschlagen, um vorherzusagen, dass ein medizinisches Bild ein Melanom zeigt.

Allerdings könnten zuvor definierte Konzepte für eine bestimmte Aufgabe irrelevant sein oder nicht genügend Particulars aufweisen, was die Genauigkeit des Modells verringert. Die neue Methode extrahiert Konzepte, die das Modell bereits gelernt hat, während es für die Ausführung dieser bestimmten Aufgabe trainiert wurde, und zwingt das Modell, diese zu verwenden, wodurch bessere Erklärungen als bei herkömmlichen Konzeptengpassmodellen erzielt werden.

Der Ansatz nutzt ein Paar spezialisierter Modelle für maschinelles Lernen, die automatisch Wissen aus einem Zielmodell extrahieren und es in verständliche Konzepte übersetzen. Letztendlich kann ihre Technik jedes vorab trainierte Laptop-Imaginative and prescient-Modell in ein Modell umwandeln, das Konzepte zur Erklärung seiner Argumentation verwenden kann.

„In gewissem Sinne möchten wir in der Lage sein, die Gedanken dieser Laptop-Imaginative and prescient-Modelle zu lesen. Ein Konzept-Engpass-Modell ist eine Möglichkeit für Benutzer, zu erkennen, was das Modell denkt und warum es eine bestimmte Vorhersage getroffen hat. Da unsere Methode bessere Konzepte verwendet, kann sie zu höherer Genauigkeit führen und letztendlich die Verantwortlichkeit von Black-Field-KI-Modellen verbessern“, sagt Hauptautor Antonio De Santis, ein Doktorand an der Polytechnischen Universität Mailand, der diese Forschung als Gaststudent im Laptop Science and Synthetic Intelligence Laboratory (CSAIL) am MIT abgeschlossen hat.

Er ist auf einem verbunden Papier über die Arbeit von Schrasing Tong SM ’20, PhD ’26; Marco Brambilla, Professor für Informatik und Ingenieurwesen an der Polytechnischen Universität Mailand; und die leitende Autorin Lalana Kagal, eine leitende Forschungswissenschaftlerin bei CSAIL. Die Forschung wird auf der Worldwide Convention on Studying Representations vorgestellt.

Einen besseren Engpass schaffen

Konzeptengpassmodelle (CBMs) sind ein beliebter Ansatz zur Verbesserung der KI-Erklärbarkeit. Diese Techniken fügen einen Zwischenschritt hinzu, indem sie ein Laptop-Imaginative and prescient-Modell dazu zwingen, die in einem Bild vorhandenen Konzepte vorherzusagen und diese Konzepte dann zu verwenden, um eine endgültige Vorhersage zu treffen.

Dieser Zwischenschritt oder „Engpass“ hilft Benutzern, die Argumentation des Modells zu verstehen.

Beispielsweise könnte ein Modell zur Identifizierung von Vogelarten Konzepte wie „gelbe Beine“ und „blaue Flügel“ auswählen, bevor es eine Rauchschwalbe vorhersagt.

Da diese Konzepte jedoch häufig im Voraus von Menschen oder großen Sprachmodellen (LLMs) generiert werden, passen sie möglicherweise nicht für die spezifische Aufgabe. Darüber hinaus nutzt das Modell trotz einer Reihe vordefinierter Konzepte manchmal trotzdem unerwünschte gelernte Informationen, was ein Drawback darstellt, das als Informationsleck bekannt ist.

„Diese Modelle sind darauf trainiert, die Leistung zu maximieren, sodass das Modell möglicherweise heimlich Konzepte verwendet, die uns nicht bekannt sind“, erklärt De Santis.

Die MIT-Forscher hatten eine andere Idee: Da das Modell anhand einer großen Datenmenge trainiert wurde, hat es möglicherweise die Konzepte gelernt, die erforderlich sind, um genaue Vorhersagen für die jeweilige Aufgabe zu erstellen. Sie versuchten, ein CBM aufzubauen, indem sie dieses vorhandene Wissen extrahierten und in einen für Menschen verständlichen Textual content umwandelten.

Im ersten Schritt ihrer Methode übernimmt ein spezielles Deep-Studying-Modell, ein sogenannter Sparse-Autoencoder, selektiv die relevantesten Merkmale, die das Modell gelernt hat, und rekonstruiert sie in eine Handvoll Konzepte. Anschließend beschreibt ein multimodales LLM jedes Konzept im Klartext.

Dieses multimodale LLM kommentiert auch Bilder im Datensatz, indem es identifiziert, welche Konzepte in jedem Bild vorhanden sind und welche nicht. Die Forscher verwenden diesen annotierten Datensatz, um ein Konzeptengpassmodul zu trainieren, um die Konzepte zu erkennen.

Sie integrieren dieses Modul in das Zielmodell und zwingen es, Vorhersagen nur anhand der von den Forschern extrahierten erlernten Konzepte zu treffen.

Kontrolle der Konzepte

Bei der Entwicklung dieser Methode haben sie viele Herausforderungen gemeistert, von der Sicherstellung, dass das LLM die Konzepte korrekt annotierte, bis hin zur Feststellung, ob der Sparse-Autoencoder für den Menschen verständliche Konzepte identifiziert hatte.

Um zu verhindern, dass das Modell unbekannte oder unerwünschte Konzepte verwendet, beschränken sie es auf die Verwendung von nur fünf Konzepten für jede Vorhersage. Dies zwingt das Modell auch dazu, die relevantesten Konzepte auszuwählen und macht die Erklärungen verständlicher.

Als sie ihren Ansatz mit modernsten CBMs bei Aufgaben wie der Vorhersage von Vogelarten und der Identifizierung von Hautläsionen in medizinischen Bildern verglichen, erreichte ihre Methode die höchste Genauigkeit und lieferte gleichzeitig präzisere Erklärungen.

Ihr Ansatz führte auch zu Konzepten, die besser auf die Bilder im Datensatz anwendbar waren.

„Wir haben gezeigt, dass das Extrahieren von Konzepten aus dem ursprünglichen Modell andere CBMs übertreffen kann, aber es gibt immer noch einen Kompromiss zwischen Interpretierbarkeit und Genauigkeit, der angegangen werden muss. Black-Field-Modelle, die nicht interpretierbar sind, übertreffen immer noch unsere“, sagt De Santis.

In Zukunft wollen die Forscher mögliche Lösungen für das Informationsleckproblem untersuchen, möglicherweise durch das Hinzufügen zusätzlicher Konzeptengpassmodule, damit unerwünschte Konzepte nicht durchsickern können. Sie planen außerdem, ihre Methode zu erweitern, indem sie ein größeres multimodales LLM verwenden, um einen größeren Trainingsdatensatz zu annotieren, was die Leistung steigern könnte.

„Ich bin von dieser Arbeit begeistert, weil sie interpretierbare KI in eine sehr vielversprechende Richtung treibt und eine natürliche Brücke zu symbolischer KI und Wissensgraphen schlägt“, sagt Andreas Hotho, Professor und Leiter des Lehrstuhls für Information Science an der Universität Würzburg, der nicht an dieser Arbeit beteiligt struggle. „Durch die Ableitung von Konzeptengpässen aus den internen Mechanismen des Modells und nicht nur aus vom Menschen definierten Konzepten bietet es einen Weg zu Erklärungen, die dem Modell treuer sind, und eröffnet viele Möglichkeiten für Folgearbeiten mit strukturiertem Wissen.“

Diese Forschung wurde vom Progetto Rocca Doctoral Fellowship, dem italienischen Ministerium für Universität und Forschung im Rahmen des Nationwide Restoration and Resilience Plan, Thales Alenia Area und der Europäischen Union im Rahmen des NextGenerationEU-Projekts unterstützt.

Strahinja (Strajo) Janjusevic stammt ursprünglich aus dem kleinen Balkanland Montenegro und sagt, sein Leben habe sich auf unerwartete Weise entwickelt, wofür er zutiefst dankbar sei. Nach seinem Excessive-College-Abschluss wurde er ausgewählt, sein Land in den Vereinigten Staaten zu vertreten und studierte Cyberoperationen und Informatik an der US Naval Academy in Annapolis, Maryland. Seitdem hat er sein Cybersicherheitsstudium fortgesetzt und ist derzeit Masterstudent im zweiten Jahr Technologie- und Politikprogramm (TPP)veranstaltet von der MIT-Institut für Daten, Systeme und Gesellschaft (IDSS). Seine Forschungen mit dem MIT-Labor für Informations- und Entscheidungssysteme (LIDS) und die MIT Maritime Consortium Ziel des Groups ist es, die Cybersicherheit kritischer maritimer Infrastruktur mithilfe künstlicher Intelligenz zu verbessern und dabei sowohl die Technologie als auch die politischen Rahmenbedingungen der Lösungen zu berücksichtigen.

„Meine aktuelle Forschung konzentriert sich auf die Anwendung von KI-Techniken auf Cybersicherheitsprobleme und die Untersuchung der politischen Auswirkungen dieser Fortschritte, insbesondere im Kontext der maritimen Cybersicherheit“, sagt Janjusevic. „Die Vertretung meines Landes auf höchster Bildungs- und Industrieebene hat mir eine einzigartige Perspektive auf die Herausforderungen der Cybersicherheit gegeben.“

Janjusevics Weg von Montenegro nach Maryland wurde durch ein Programm geschaffen, das ausgewählten Studenten aus verbündeten Ländern den Besuch der US Naval Academy ermöglicht. Janjusevic schloss sein Studium mit einem dualen Bachelor-Abschluss in Cyber ​​Operations und Informatik ab. Seine Studienerfahrung bot ihm die Möglichkeit, mit dem US-Militär und der Nationwide Safety Company zusammenzuarbeiten, wodurch er sich mit hochrangigen Cybersicherheitseinsätzen vertraut machte und sein Interesse an der Bewältigung komplexer Cybersicherheitsherausforderungen weckte. Während seines Grundstudiums absolvierte er außerdem ein Praktikum bei Microsoft, wo er Instruments für die Reaktion auf Wolkenvorfälle entwickelte, und bei der NASA, wo er Sonnendaten für Forschungsanwendungen visualisierte.

Nach seinem Abschluss erkannte er, dass er noch mehr Wissen brauchte, insbesondere im Bereich KI und Cybersicherheit. TPP gefiel ihm sofort, da der Schwerpunkt sowohl auf rigorosen technischen Innovationen als auch auf der politischen Analyse liegt, die für deren effektive Umsetzung erforderlich ist. Janjusevics Erfahrungen bei TPP waren eine große Veränderung im Vergleich zu seiner Zeit an der US Naval Academy, mit einem anderen Tempo und einem anderen Umfeld. Er schätzte besonders die Möglichkeit, sein Verständnis über eine Vielzahl von Forschungsbereichen zu erweitern und die Disziplin und das Wissen, das er während seiner Zeit an der Akademie erworben hatte, anzuwenden.

„Meine TPP-Erfahrung battle großartig“, sagt Janjusevic. „Die Kohorte ist wirklich klein, man fühlt sich additionally wie eine Familie, und jeder arbeitet an vielfältigen, wirkungsvollen Problemen.“

Minderung der Risiken neuer Technologien

Janjusevics Dissertation vereint Disziplinen der Cybersicherheit, KI und Deep Studying sowie Kontrolltheorie und -physik und konzentriert sich auf die Sicherung maritimer cyber-physikalischer Systeme – insbesondere großer Altschiffe. Das Hacken der Netzwerke dieser Schiffe kann erhebliche Schäden für die nationale Sicherheit sowie schwerwiegende wirtschaftliche Auswirkungen haben.

„Strajo arbeitet daran, maritimes GPS-Spoofing zu überlisten“, sagt Saurabh Amin, Edmund Okay. Turner-Professor für Bauingenieurwesen. „Solche Angriffe haben bereits Schiffe in umkämpften Gewässern vom Kurs abgebracht. Sein Ansatz kombiniert physikbasierte Flugbahnmodelle mit Deep Studying und erkennt Bedrohungen, die keine einzelne Methode allein erkennen kann. Sein Fachwissen battle sehr hilfreich bei der Weiterentwicklung unserer Arbeit zur Bedrohungsmodellierung und Angriffserkennung.“

Die Forschung nutzt fortschrittliche Bedrohungsmodellierung und Schiffsdynamik, um KI-Systeme darauf zu trainieren, zwischen legitimen Manövern und gefälschten Signalen zu unterscheiden. Dazu gehört der Aufbau eines Frameworks, das einen internen LSTM-Autoencoder (Lengthy Brief-Time period Reminiscence) zur Analyse der Signalintegrität verwendet und gleichzeitig einen physikbasierten Prognostiker nutzt, um die Schiffsbewegung auf der Grundlage von Umweltfaktoren wie Wind und Seegang vorherzusagen. Durch den Vergleich dieser Vorhersagen mit gemeldeten GPS-Positionen kann das System effektiv zwischen natürlichem Sensorrauschen und böswilligen Spoofing-Angriffen unterscheiden. Dieses Hybrid-Framework soll menschliche Bediener stärken und nicht ersetzen und verifizierte Navigationsdaten bereitstellen, die es den Wachleuten ermöglichen, technische Störungen von strategischen Cyberangriffen zu unterscheiden.

Janjusevic konnte seine akademische Forschung durch Branchenerfahrung ergänzen. Im Sommer 2025 absolvierte er ein Praktikum im Community Detection-Crew des KI-Cybersicherheitsunternehmens Vectra AI. Dort untersuchte er potenzielle Bedrohungen, die neue Technologien mit sich bringen können, insbesondere KI-Agenten und das Mannequin Context Protocol (MCP) – den neuen Normal für die Kommunikation von KI-Agenten. Seine Forschung zeigte, wie diese Technologie für autonome Hacking-Operationen und erweiterte Befehls- und Kontrollfunktionen genutzt werden kann. Diese Arbeit zu den Sicherheitsrisiken der Agenten-KI wurde kürzlich im Preprint vorgestellt, „Verstecken im KI-Verkehr: Missbrauch von MCP für LLM-gestütztes Agentic Purple Teaming.“

„Ich konnte praktische Einblicke und praktische Erfahrungen darüber gewinnen, wie ein Information-Science-Crew KI-Modelle nutzt, um Anomalien in einem Netzwerk zu erkennen“, sagt Janjusevic. „Diese Arbeit in der Industrie hat die Modelle zur Anomalieerkennung in meiner Forschung direkt beeinflusst.“

Internationale politische Perspektive

„Strajo bringt nicht nur ein hohes Maß an Intelligenz und Energie in seine Arbeit zur cyber-physischen Sicherheit von Handelsschiffen ein, sondern auch einen starken Instinkt aus seiner Ausbildung bei der Marine, der sich tief in die Forschungsbemühungen einfügt und sie in umsetzbare Richtlinien begründet“, sagt Fotini Christia, Ford Worldwide Professor of the Social Sciences, Direktor des IDSS und Leiter des MIT Maritime Consortium.

Janjusevic beteiligt sich an den Cybersicherheitsbemühungen des Maritime Consortium, einer Zusammenarbeit zwischen Wissenschaft, Industrie und Regulierungsbehörden, die sich auf die Entwicklung technologischer Lösungen, Industriestandards und Richtlinien konzentriert. Das Konsortium umfasst Kooperationen mit einigen internationalen Mitgliedern, unter anderem aus Singapur und Südkorea.

„Bei der KI-Cybersicherheit ist das politische Aspect wirklich wichtig, da das Feld so schnelllebig ist und die Folgen von Hacking so gefährlich sein können“, sagt Janjusevic. „Ich denke, dass in diesem Bereich noch viel politischer Handlungsbedarf besteht.“

Janjusevic hilft derzeit auch bei der Organisation zweier bevorstehender großer Konferenzen: der Europäische Harvard-Konferenz im Februar, zu dem Beamte und Diplomaten aus der ganzen Welt zusammenkommen werden, und die Konferenz über Technologie und nationale Sicherheit im April, eine Zusammenarbeit von Harvard und MIT, die Spitzenführer aus Regierung, Industrie und Wissenschaft zusammenbringt, um kritische Herausforderungen der nationalen Sicherheit anzugehen.

„Ich strebe danach, eine Place zu finden, in der ich den Bereich Cybersicherheit mit KI beeinflussen und vorantreiben und gleichzeitig die Zusammenarbeit und Innovation zwischen den Vereinigten Staaten und Montenegro leiten kann“, sagt Janjusevic. „Mein Ziel ist es, eine Brücke zwischen Europa und den USA in diesem Bereich der nationalen Sicherheit, KI und Cybersicherheit zu sein und mein Wissen beiden Seiten zur Verfügung zu stellen.“

Der Title Google battle schon immer ein Synonym für Technologie, und im Zeitalter der KI ist das nicht anders. Google battle mit einer Vielzahl von Produkten, die überraschenderweise nur wenige Menschen kennen, nonetheless und heimlich der Vorreiter der KI-Revolution. Natürlich waren die Showstopper wie Gemini und NotebookLM beliebt, aber ihre Fähigkeiten wurden von vielen noch nicht vollständig ausgeschöpft. Der Grad der Integration, den Google für diese (und andere) KI-Instruments in seinem gesamten Ökosystem ermöglicht hat, ist unübertroffen. Von Arbeitsabläufen bis hin zu Bildung verändert die KI von Google nach und nach unsere On-line-Gewohnheiten, und das ist diesen Instruments zu verdanken. Hier werden wir alle Vorteile erkunden, die diese KI-Instruments von Google völlig kostenlos bieten.

Beachten Sie, dass es sich bei diesen Instruments lediglich um Erweiterungen eines bestimmten Produkts handelt. Selbst dann stellen sie in der Praxis einen enormen Mehrwert dar. Stellen Sie additionally sicher, dass Sie sie alle erkunden, damit Sie nicht für eines der teuren KI-Instruments bezahlen müssen, die das Gleiche bieten.

Wenn es einen Bereich gibt, in dem Googles KI-Stärke sofort sichtbar wird, dann ist es die Mediengenerierung. Die Bildmodelle von Google, die von Imagen unterstützt werden und im Web liebevoll „Nano Banana“ genannt werden, gehören stillschweigend zu den besten in der Branche. Dennoch kratzen die meisten Benutzer kaum an der Oberfläche.

Grundsätzlich können Sie mit diesen Instruments aus einfachen Textaufforderungen hochwertige Bilder generieren. Ihr wahrer Wert liegt jedoch in der Raffinesse. Sie können Stil, Beleuchtung, Komposition und Stimmung mit überraschender Präzision ändern. Möchten Sie eine saubere Illustration für eine Präsentation? Erledigt. Benötigen Sie ein realistisches visuelles Modell für eine Idee, die Sie vorstellen? Einfach. Versuchen Sie, ein Konzept zu visualisieren, bevor Sie es entwickeln? Hier glänzt es.

Es versteht sich von selbst, dass diese Instruments für jeden, der im Content material-Bereich arbeitet, ein Segen sind. Die Aufgabe erfahrener Grafikdesigner ist jetzt in Sekundenschnelle erledigt. Du musst Probieren Sie diese Nano Banana-Eingabeaufforderungen aus für die Generierung eines Bildes und überzeugen Sie sich selbst.

Lesen Sie auch: Die 7 neuesten KI-Drops von Google machen Sie zu einem Kraftpaket bei der Arbeit

2. Veo für die Videogenerierung

Wenn Sie Veo noch nicht ausprobiert haben, tun Sie es JETZT! Dies ist dasselbe KI-Device, das alle viralen KI-Movies erstellt, die Sie heutzutage on-line sehen. Und wenn Sie kürzlich durch Ihren Instagram- oder Fb-Feed gescrollt haben, wissen Sie, dass Veo dies mit überraschender Präzision erledigt.

Mit Veo können Sie Ideen auf einen Blick in ein visuelles Konzept umwandeln. Erstellen Sie in Sekundenschnelle einen kurzen Filmclip oder animieren Sie eine Szene, für die sonst ein vollständiger Produktionsaufbau erforderlich wäre. Die wahre Stärke liegt in der Geschwindigkeit. Was früher Tage dauerte, kann jetzt in wenigen Minuten erledigt werden, wodurch Video zu einem Denkwerkzeug und nicht nur zu einem Veröffentlichungsformat wird.

Dies ist besonders nützlich für Ideen im Frühstadium. Produktdemos, Erklärausschnitte, visuelles Storytelling oder sogar kreative Experimente, bevor Sie Ressourcen bereitstellen. Sie werden nicht mehr durch Instruments oder Zeitpläne blockiert. Sie können visuell testen, schnell iterieren und weitermachen. Probieren Sie diese aus Holen Sie sich Ideen zu Veo und testen Sie es aus erster Hand.

3. Firebase Studio für Web sites und Apps

Bewegen Sie sich über Bilder und Movies. Die KI von Google kann jetzt in Sekundenschnelle ganze Web sites und Apps erstellen. Hier kommt Firebase Studio ins Spiel. Es hilft Ihnen, Web sites oder Apps mithilfe von KI schneller zu erstellen und zu starten, indem es einen Großteil der üblichen Entwicklungseinstellungen wie Authentifizierung, Datenbanken, Internet hosting und Bereitstellung übernimmt.

Wenn Sie neu in der App-Entwicklung sind, können Sie sich mit Firebase Studio auf die Idee statt auf komplexe Konfigurationen konzentrieren. Wenn Sie bereits programmieren, können Sie schneller Prototypen erstellen und versenden. Es ist besonders nützlich für die Erstellung von MVPs, Studentenprojekten oder internen Instruments, ohne auf kostenpflichtige No-Code-Plattformen angewiesen zu sein.

Du kannst Lesen Sie hier mehr über Firebase.

4. Google AI Studio für Gemini-basierte Apps

Wenn Sie daran interessiert sind, die Gemini-Modelle von Google für Ihre eigene Anwendung zu verwenden, ist Google AI Studio die Plattform dafür. Es handelt sich um eine browserbasierte Plattform zum Prototyping, Erstellen und Testen von Anwendungen mithilfe von Gemini-Modellen. Es unterstützt Textual content-, Bild- und Videoeingaben und ermöglicht das Experimentieren mit Eingabeaufforderungen, Modelleinstellungen und multimodalen Arbeitsabläufen ohne komplexe Einrichtung.

Das Beste daran: Es bietet auch Zugriff auf die Gemini Developer API und kann einsatzbereiten Code generieren. Dies macht es nützlich für Entwickler, Studenten und Forscher, die mithilfe der kostenlosen Google AI-Instruments von der Idee zu einer funktionierenden, gemeinsam nutzbaren KI-App übergehen möchten.

Schauen Sie sich an, wie ich Mit Google AI Studio in wenigen Minuten eine App erstellt.

5. NotebookLM

Wir haben die verschiedenen Funktionen von NotebookLM in unseren Blogs wiederholt ausführlich behandelt. Grund – es ist einfach eines der leistungsstärksten KI-Instruments, mit denen Sie heute arbeiten können. Falls Sie es noch nicht wissen: NotebookLM ist Googles KI-gestützter Forschungs- und Lernassistent. Es funktioniert direkt mit Ihren eigenen Quellen – Dokumenten, PDFs, Hyperlinks, Notizen, Movies usw. – und hilft Ihnen, diese mithilfe von Zusammenfassungen, Mindmaps, Quiz und sogar Übersichten im Audio- oder Videostil durchzugehen.

Das bedeutet, dass Sie nicht nur passiv lesen, sondern aktiv aus Ihrem Stoff lernen können. Nutzen Sie es, um lange Berichte zusammenzufassen, sich auf Prüfungen vorzubereiten, Konzepte zu überarbeiten oder komplexe Themen schneller zu verstehen. Es ist besonders nützlich für Studenten, Forscher und Fachleute, die regelmäßig mit umfangreichen Informationen umgehen. Unter den kostenlosen KI-Instruments von Google zeichnet sich NotebookLM dadurch aus, dass es das Lernen strukturiert, interaktiv und weitaus effizienter macht.

Schauen Sie sich diese an 7 coole NotebookLM-Funktionen, von denen Ihnen niemand erzählt hat.

6. Gemini Ask auf YouTube

Dies ist eine ziemlich neue Ergänzung zur Liste der KI-Instruments und -Funktionen von Google. Da das Unternehmen seine KI-Modelle weiterhin in die Alltagserfahrungen der Nutzer integriert, battle es unvermeidlich, dass YouTube einen Vorgeschmack darauf bekam. Und siehe da, Gemini ist jetzt auf YouTube und ermöglicht Ihnen praktisch das Chatten mit den Movies, die Sie ansehen.

Das bedeutet, dass Sie in Sekundenschnelle schnelle Antworten erhalten, Kapitel durchgehen und Erkenntnisse gewinnen können. Klicken Sie einfach auf das Gemini-Image direkt unter einem Video und es beantwortet alle Ihre Fragen zu diesem Video in Echtzeit. Es handelt sich um eine nette kleine Funktion, die das Kopieren und Einfügen der YouTube-URL in Gemini und das anschließende Abrufen von Informationen überflüssig macht.

Beachten Sie, dass Google es immer noch für Nutzer in bestimmten Ländern einführt, darunter Indien und die USA. Bis die Einführung abgeschlossen ist, wird die Funktion möglicherweise nicht in Ihrem YouTube-Konto angezeigt. Beispielsweise sehe ich Gemini Ask in YouTube auf meinem Telefon, aber nicht auf meinem Laptop computer.

7. Edelsteine ​​in Zwillingen

Mit Gems in Gemini können Sie benutzerdefinierte KI-Assistenten erstellen, die auf bestimmte Aufgaben zugeschnitten sind. Sie können Anweisungen definieren, Dateien oder Daten hochladen und die Reaktion des Assistenten so gestalten, dass er sich wie ein spezialisierter Helfer und nicht wie ein generischer Chatbot verhält.

Sie können ein Gem zum Schreiben, Recherchieren, Programmierhilfe oder sogar zur internen Dokumentation erstellen. Sobald es eingerichtet ist, merkt es sich den Kontext und befolgt Ihre Regeln konsequent. Dies ist besonders nützlich für wiederkehrende Aufgaben, bei denen Sie zuverlässige, wiederholbare Ausgaben wünschen. Unter den kostenlosen KI-Instruments von Google machen Gems persönliche KI-Assistenten praktisch und einfach anzupassen.

8. Gemini Dwell (Stream)

Wenn Sie noch nichts davon gehört haben, ist heute Ihr Glückstag. Gemini Dwell ist ein aktuelles KI-Device aus dem Hause Google, mit dem Sie KI-Interaktionen in Echtzeit mit Bildschirmfreigabe hosten können. Sie können dwell mit der KI sprechen, Dokumente oder Bildschirme zeigen und während Besprechungen oder Präsentationen sofort Erklärungen, Vorschläge oder exemplarische Vorgehensweisen erhalten.

Verwenden Sie es für Dwell-Demos, gemeinsame Problemlösungen, Schulungssitzungen oder die spontane Erläuterung komplexer Inhalte. Es eignet sich intestine für Besprechungen, bei denen Sie schnelle Antworten oder visuelle Anleitung benötigen, ohne das Device wechseln zu müssen. Als kostenlose KI-Instruments von Google eignet sich Gemini Dwell besonders für interaktive Diskussionen und Präsentationen.

Lesen Sie auch: Über 10 kostenlose KI-Kurse von Google

Abschluss

Das KI-Ökosystem von Google hat nonetheless und leise einen Punkt erreicht, an dem keine Kosten mehr für teure Instruments von Drittanbietern anfallen. Von der Medienerstellung und App-Erstellung bis hin zu Recherche, Lernen und Dwell-Zusammenarbeit decken diese kostenlosen Google-KI-Instruments weit mehr Bereiche ab, als den meisten Menschen bewusst ist.

Der eigentliche Vorteil liegt jedoch nicht im Zugang, sondern in der Nutzung. Bei bewusster Nutzung können diese Instruments mehrere Abonnements ersetzen, Arbeitsabläufe beschleunigen und Ihnen dabei helfen, im Jahr 2026 schneller zu erstellen, zu lernen und zu experimentieren. Eine Erkenntnis ist diese: Bevor Sie Geld für KI ausgeben, stellen Sie sicher, dass Sie vollständig erkundet haben, was Google bereits kostenlos anbietet.

Da die KI-Welt immer weiter wächst und neue generative Modelle eingeführt und verbessert werden, wie zum Beispiel am 11. Dezember, als ChatGPT 5.2 veröffentlicht wurde, 29 Tage nach der Veröffentlichung von ChatGPT 5.1 und Gemini 3.0 23 Tage vor diesem Datum, müssen Benutzer ständig lernen, wie sie am besten mit diesen Modellen interagieren.

In diesem Artikel sprechen wir über drei Möglichkeiten, mit denen Sie Ihre KI-Eingabefähigkeiten für 2026 verbessern können:

Da die KI-Landschaft weiter wächst, beispielsweise durch die Veröffentlichung von ChatGPT 5.2 am 11. Dezember 2025, nur 29 Tage nach ChatGPT 5.1 und nur etwa 3 Wochen nach Gemini 3.0, werden Benutzer zunehmend vor die Herausforderung gestellt, Schritt zu halten. Neue Modelle bringen neue Fähigkeiten mit sich, und damit einher geht die Notwendigkeit, die Artwork und Weise zu verfeinern, wie wir mit ihnen interagieren. Beim Auffordern geht es nicht mehr nur darum, das aufzuschreiben, was Ihnen in den Sinn kommt, sondern etwas, das ein wenig Strategie erfordert, um Ihre Aufforderungsfähigkeiten zu verbessern.

In diesem Artikel untersuchen wir Drei Methoden, um Ihre KI-Eingabefähigkeiten für 2026 zu verbessern.

Metaprompting

Beim Metaprompting handelt es sich um das Konzept der Bereitstellung von Anweisungen innerhalb einer Eingabeaufforderung, um dem Modell dabei zu helfen, eine Ausgabe zu formulieren, die den Wünschen des Benutzers entspricht und dabei hilft, den Umfang oder die Zufälligkeit zu kontrollieren, die die Modelle generieren können.

Zu diesem Zweck kann der Benutzer detaillierte Anweisungen erstellen und sich diese wie eine Bedienungsanleitung vorstellen, wie im Beispiel unten, wo das Modell zunächst auf das Gesamtziel der Ausführung ausgerichtet wird (Marketingstrategie umsetzen, Effizienz verbessern), gefolgt von einem spezifischen Ziel der Ausgabe (objektiv, umsetzbar, prägnant sein), einen konkreten Umfang für das Projekt festlegen (auf Fragen zur Marketingstrategie antworten und bei Bedarf den Kontext erweitern) und dann einen spezifischen Tonfall und eine bevorzugte Struktur festlegen.

Beispiel für eine Metaprompting-Eingabeaufforderung:

• Sie sind „MarketingMind“, ein selbstständiger, marketingerfahrener Agent. Sie helfen Benutzern zu verstehen, wie sie eine Marketingstrategie umsetzen können, und verbessern gleichzeitig die Effizienz der Methoden.
  • Hauptziel
    • Ihr Ziel ist es, prägnante, sofort umsetzbare Antworten zu liefern, die in einen schnellen Chat-Kontext passen. Die meisten Antworten sollten insgesamt etwa 10–12 Sätze umfassen. Der Nutzer soll in der Lage sein, einmal zu überfliegen und genau zu wissen, was als nächstes zu tun ist, ohne dass es einer Nachklärung bedarf.
  • Umfang
    • Schwerpunkte: Advertising and marketing-Combine-Optimierung, Kampagnenstrategie, Content material-Produktion
    • Sie können Vorschläge so formulieren, als ob der Benutzer ihnen direkt folgen kann („Schreiben Sie X und implementieren Sie es dann in Y“).
    • Um falsche Annahmen zu vermeiden, sollten Sie, wenn wichtige Informationen (Finances, Regionen, Ziele) fehlen, eine Pause einlegen und ein bis drei kurze klärende Fragen stellen, bevor Sie einen detaillierten Plan erstellen.
  • Ton und Stil
    • Klang ruhig, professionell, impartial, geeignet für Firmen- und Agenturvermarkter, aber auch für Kleinunternehmer. Vermeiden Sie Emojis und ausdrucksstarke Zeichensetzung.
    • Seien Sie warmherzig und zugänglich.
  • Struktur
    • Bevorzugen Sie kurze Absätze, keine Aufzählungslisten
    • Verwenden Sie Aufzählungszeichen nur, wenn der Benutzer ausdrücklich nach Optionen, Hear oder Checklisten fragt

Beenden Sie jede Antwort mit einem subtilen nächsten Schritt, den der Benutzer unternehmen könnte, formuliert als Vorschlag und nicht als Frage.

Testen Sie es selbst und sehen Sie, wie ChatGPT auf diese Aufforderung im Vergleich zu einer einfachen Standardabfrage antwortet:

Ich bin Marketeer und arbeite für ein B2B-SaaS-Unternehmen. Ich muss in den nächsten Wochen über 20.000 € investieren, weiß aber nicht, womit ich das anfangen soll. Mein Rentabilitätsziel ist es, einen ROAS von etwa 120 % zu erreichen, aber ich habe nicht viel Erfahrung im Advertising and marketing – was soll ich tun?

Schnelle Verkettung

Rekursive Eingabeaufforderung oder Eingabeaufforderungsverkettung ist die Aktion zum Erstellen eines Workflows, bei der

Das Modell baut auf früheren Ausgaben auf. Beispielsweise können Sie ein Massive Language Mannequin verwenden, um Ihnen mitzuteilen, was die relevanten Dinge sind, die Sie über ein bestimmtes Thema wissen sollten, und dann basierend auf der gegebenen Antwort das Modell bitten, Ihnen die Antworten auf die erwähnten Themen bereitzustellen, über die es wichtig ist, etwas zu wissen.

Ein interessantes Beispiel ist die Verwendung von livebench.ai und verstehen Sie, welches Modell für welche Arten von Aufgaben am besten geeignet ist, und verwenden Sie zum Beispiel GPT-5 Professional, das zum Zeitpunkt des Verfassens dieses Artikels die beste Argumentation darstellt, um Ihre Eingabeaufforderung zu verbessern. Wenn Sie dann mit einem Codierungsproblem zu kämpfen haben, nehmen Sie diese intestine entwickelte Eingabeaufforderung und verwenden Sie sie auf Claude 4 Sonnet, das zum Zeitpunkt der Erstellung dieses Artikels ebenfalls zu den besten in der Codierung zählt.

Kreuzvalidierung

Bei der Kreuzvalidierung fordert der Benutzer ein LLM auf, etwas auszuführen, beispielsweise um eine Antwort auf ein Drawback zu geben, mit dem er möglicherweise konfrontiert ist. Anschließend nehmen Sie die genaue Antwort, die Ihnen von diesem LLM bereitgestellt wurde, stellen sie zusammen mit Ihrer ursprünglichen Eingabe einem anderen LLM zur Verfügung und fragen, ob das Modell etwas anderes tun würde.

Stellen Sie sich vor, Sie sind im Zwilling:

Hier ist die Lösung von DeepSeek für den Fehler, den ich im Code gefunden habe. Bewerten Sie die Richtigkeit und notieren Sie alle potenziellen Grenzfälle, die DeepSeek möglicherweise nicht berücksichtigt: Hier ist der Fehler (geben Sie den Fehler an, den Sie gefunden haben) und hier ist die bereitgestellte Antwort (DeepSeek-Antwort).

Sie können es sich als einen Peer-Evaluation-Prozess vorstellen, um die Genauigkeit der Lösung zu verbessern.

Da sich die KI mit hoher Geschwindigkeit weiterentwickelt, wird unsere Fähigkeit, diese Systeme effizient zu steuern, genauso wichtig wie die Systeme selbst. Die Beherrschung von Metaprompting, Immediate Chaining und Kreuzvalidierung stellt sicher, dass Sie im Jahr 2026 nicht nur KI nutzen, sondern gezielt, strategisch und effektiv mit ihr zusammenarbeiten.

---

Hervorgehobener Bildnachweis

Sinkronisasi-Daten

Nutzen Sie die Samsung Cloud-Plattform, um die Daten des XCover 7 Professional und des Tab Lively 5 Professional zu erweitern. In diesem Fall werden Katalanen, Dokumente und Fotos in Echtzeit aufgezeichnet.

Gunakan Sesuai Kelebihan

Das XCover 7 Professional ist very best für die Kommunikation, das Herunterladen von Bildern und die App. Das Tab Lively 5 Professional ist für die Analyse von Daten, die Dokumentation und die Zusammenarbeit mit anderen Benutzern erforderlich. Sie können Ihre Produktivität steigern.

Manajemen Baterai

Der Grund dafür ist, dass die Batterie nicht austrocknet. Misalnya, das XCover 7 Professional für die Kommunikation und das Tab Lively 5 Professional für den Intensiv-Check. Der Aktifkan-Modus schaltet sich automatisch aus.

Keamanan Bersama

Samsung Knox bietet Ihnen die Möglichkeit, Daten zu speichern und zu speichern. Bitte achten Sie darauf, dass Sie keine Informationen zur Sensibilisierung des Geräts benötigen.

Dokumentasi Efektif

Ambil Foto zu katalanisch mit XCover 7 Professional, eine lange Analyse bei der Bearbeitung von Tab Lively 5 Professional. Ich habe mich darum gekümmert, dass ich mich nicht mehr umdrehen und mich auf ein Minimal beschränken muss.