Möglicherweise bezahlt Ihr Unternehmen bereits einen Anbieter für Informationen, die die Europäische Union täglich kostenlos veröffentlicht. Unternehmensregister, Satellitenbilder, Transportpläne und Wetteraufzeichnungen befinden sich auf öffentlichen Portalen unter einer offenen Lizenz, und die meisten Unternehmen öffnen die Datei nie. Konkurrenten, die es geöffnet haben, verkaufen bereits darauf basierende Produkte.

Was Open Information in der Praxis bedeutet

Offene Daten sind Informationen der Regierung oder des öffentlichen Sektors, die unter einer Lizenz veröffentlicht werden, die jeder kostenlos oder nahezu kostenlos in einem Format wiederverwenden kann, das ein Laptop ohne Konvertierung lesen kann. Ein PDF-Bericht eines Ministeriums ist eine öffentliche Info. Ein strukturierter Datensatz mit einer offenen Lizenz, der nach einem Zeitplan aktualisiert wird und über eine API verfügbar ist, sind offene Daten. Die Europäische Union hat den Rechtsunterschied mit der Open-Information-Richtlinie (2019/1024) geregelt. Die Richtlinie trat 2019 in Kraft und jeder Mitgliedsstaat musste sie bis Juli 2021 in nationales Recht umsetzen. Die Richtlinie ersetzte eine ältere Richtlinie über Informationen des öffentlichen Sektors und verdrängte die Mitgliedsstaaten vom einfachen Zugang zur standardisierten, maschinenlesbaren und kostengünstigen Wiederverwendung.

Eine Nachfolgeverordnung verlieh der Richtlinie Gewicht. Die Durchführungsverordnung zu hochwertigen Datensätzen (EU 2023/138) trat im Februar 2023 in Kraft und wurde im Juni 2024 für die Mitgliedstaaten verbindlich. Die Regel nennt sechs Kategorien, die öffentliche Stellen kostenlos in maschinenlesbarer Type über eine API veröffentlichen müssen: Geodaten, Erdbeobachtungs- und Umweltdaten, meteorologische Daten, Statistiken, Aufzeichnungen über Unternehmen und Unternehmenseigentümer sowie Mobilitätsdaten. Unternehmen, die Produkte in den Bereichen Immobilien, Landwirtschaft, Versicherungen, Logistik oder Finanzen herstellen, haben jetzt einen Rechtsanspruch auf die Rohstoffe ihres Sektors, der durch Vorschriften und nicht durch Goodwill abgesichert ist.

Wo es zu finden ist

Ausgangspunkt ist knowledge.europa.eu, ein zusammengeführtes Portal, das seit April 2021 das alte EU Open Information Portal und das European Information Portal in einem Katalog vereint. Mit Stand Mitte 2026 listet das Portal mehr als 1,7 Millionen Datensätze aus 36 Ländern auf, die alle 27 EU-Mitgliedstaaten sowie die Europäische Freihandelszone und Kandidatenländer umfassen. Der Zähler wird kontinuierlich aktualisiert. Behandeln Sie die genaue Zahl daher als Momentaufnahme und nicht als feste Zahl.

Nationale Portale sind dem Katalog auf EU-Ebene untergeordnet. Frankreich betreibt knowledge.gouv.fr, Deutschland betreibt GovData und das Vereinigte Königreich, das seit dem Brexit außerhalb des EU-Rahmens liegt, betreibt immer noch knowledge.gov.uk. Für Satelliten- und Umweltdaten bietet das Copernicus Information Area Ecosystem kostenlosen Zugriff auf Bilder der Sentinel-Satellitenflotte, die kontinuierlich aktualisiert und für die kommerzielle Wiederverwendung lizenziert werden. Für den Transport betreibt jeder Mitgliedsstaat seit Dezember 2019 einen nationalen Zugangspunkt, der Fahrpläne, Tarife und zunehmend Echtzeitdaten von Taxis, Bike-Sharing- und Carsharing-Flotten in den standardisierten Formaten NeTEx und SIRI veröffentlicht, die Mobilitäts-Apps bereits gelesen haben.

Was die Daten wert sind

Die Studie des Europäischen Datenportals aus dem Jahr 2020 „The Financial Affect of Open Information: Alternatives for Worth Creation in Europe“ beziffert den Open-Information-Markt im Jahr 2019 auf etwa 184 Milliarden Euro und prognostiziert ein Wachstum auf irgendwo zwischen 199,5 und 334,2 Milliarden Euro bis 2025. Keine neuere EU-weite Marktgrößenstudie hat ihn ersetzt: knowledge.europa.eu führt den Bericht immer noch als zentrale Referenz zum Wert offener Daten in aktuellem Schulungsmaterial auf. Betrachten Sie die Zahl für 2025 als eine sechs Jahre alte Prognose und nicht als bestätigtes Ergebnis und achten Sie auf eine aktualisierte Studie, wenn man bedenkt, wie stark sich die EU-Datenregulierung seit 2020 geändert hat.

Copernicus bietet ein klareres Bild, da die Europäische Weltraumorganisation und die EU-Agentur für das Weltraumprogramm es direkt verfolgen. In einer Studie aus dem Jahr 2018 wurde prognostiziert, dass das Programm der europäischen Gesellschaft zwischen 2017 und 2035 einen Nutzen in Höhe von 67 bis 131 Milliarden Euro bringen würde, was einer Rendite entspricht, die dem Zehn- bis Zwanzigfachen seiner Kosten entspricht. Frühere Zahlen beziffern den kumulierten wirtschaftlichen Wert zwischen 2008 und 2020 auf rund 13,5 Milliarden Euro, während im gleichen Zeitraum Investitionen in Höhe von 7,4 Milliarden Euro prognostiziert werden. Der Marktbericht der EUSPA beziffert den weltweiten Umsatz mit Erdbeobachtungsdaten und Mehrwertdiensten auf 3,4 Milliarden Euro im Jahr 2023, auf dem Weg, bis 2033 quick 6 Milliarden Euro zu erreichen. Mehr als ein Zehntel der Einnahmen europäischer Unternehmen, die Erdbeobachtungsdienste weiterverkaufen oder neu verpacken, gehen auf Copernicus-Daten zurück, für deren Erwerb sie nie bezahlt haben.

Auch die Qualität auf Regierungsseite verbessert sich. Die Open Information Maturity-Bewertung 2025, bei der 36 Länder in den Bereichen Politik, Portal, Datenqualität und Wirkung bewertet wurden, ergab, dass der durchschnittliche Reifegrad von 80 % im Jahr 2024 auf 81 % im Jahr 2025 gestiegen ist. Zypern, Estland, Italien, Tschechien, Litauen, Spanien, Irland, die Slowakei, die Ukraine, Polen und Frankreich schnitten in der obersten „Trendsetter“-Kategorie ab. Eine steigende Basislinie bedeutet, dass die Daten, auf denen ein Unternehmen heute aufbaut, mit der Zeit zuverlässiger und nicht weniger werden.

Unternehmen bauen bereits darauf

Spend Community, ein in Großbritannien gegründetes Analyseunternehmen, hat Daten zu öffentlichen Aufträgen, Ausschreibungen und Verträgen aus rund 330 Regierungsquellen im Vereinigten Königreich und in der EU abgerufen und in eine API umgewandelt, die mehr als 30 Millionen Transaktionen im Wert von über 878 Milliarden Pfund abdeckt. Beratungsunternehmen, Lieferanten und öffentliche Einrichtungen zahlen jetzt für die Abfrage des Datensatzes, anstatt 330 Quellen einzeln zu durchsuchen.

Doorda nahm einen engeren Teil der gleichen Idee auf. Das Unternehmen fasst offene Datensätze von Ofsted, dem Grundbuchamt, der Meals Requirements Company, dem NHS und dem Innenministerium in einem einzigen Kartenprodukt zusammen, sodass Immobilienkäufer, Einzelhändler und lokale Unternehmen Schulbewertungen, Kriminalitätsmuster und Hygienewerte für jede britische Adresse in einer Suche sehen können.

Open Meals Details hat aus öffentlichen Kennzeichnungsdaten und Freiwilligenbeiträgen eine Lebensmitteldatenbank erstellt. Der daraus resultierende Datensatz unterstützt nun Ernährungs-Apps und Einzelhändler-Instruments in mehreren europäischen Märkten. In Amsterdam veröffentlicht das Energieatlas-Projekt der Stadt offene Energieverbrauchsdaten auf Gebäudeebene, und Unternehmen, die Gebäudeeffizienz- und Sanierungstools nutzen, nutzen diese, um Gebäude gezielt anzusprechen, ohne zuvor neue Erhebungen in Auftrag geben zu müssen.

Keines der oben genannten Unternehmen hat die zugrunde liegenden Daten erfunden. Jeder von ihnen baute ein Produkt auf der Grundlage von Zugang, Struktur oder Kombination auf, die der öffentlichen Quelle fehlten.

Neue Regeln verändern das Angebot

Zwei weitere Gesetze erweitern den für Unternehmen verfügbaren Rohstoff, wobei keines davon zu den klassischen offenen Daten zählt.

Das EU-Datengesetz ist am 11. Januar 2024 in Kraft getreten, wobei seine wichtigsten Pflichten ab dem 12. September 2025 in Kraft treten und bis zum 12. September 2027 vollständig in Kraft treten werden. Das Gesetz gewährt Nutzern vernetzter Produkte und damit verbundener digitaler Dienste ein Recht auf Zugriff auf Daten, die die Produkte während der Nutzung generieren, und verpflichtet Unternehmen, die die Dienste betreiben, zur Unterstützung des Zugriffs. Ein Hersteller, der eine vernetzte Maschine an einen Geschäftskunden verkauft, schuldet dem Kunden und möglicherweise einem Konkurrenten die Kundennamen, einen Weg zu den Nutzungsdaten, die die Maschine erzeugt. Unternehmen, die vernetzte Produkte entwickeln oder kaufen, sollten die Compliance-Frist jetzt als Planungsvorgabe betrachten und nicht als Gerangel im Jahr 2027.

Das Information Governance Act, das seit Juni 2022 in Kraft ist und seit September 2023 gilt, funktioniert parallel zum Information Act. Es regelt eine neue Kategorie von Datenvermittlern und legt Regeln für den freiwilligen Datenaustausch fest. Damit bildet es die rechtliche Grundlage für die sektoralen Gemeinsamen Europäischen Datenräume, die derzeit in den Bereichen Gesundheit, Mobilität, Energie und Fertigung erprobt werden.

Wo die Reibung immer noch sichtbar ist

Die Formatqualität variiert stark je nach Datensatz und Land. Ein klares Beispiel sind die Daten zum wirtschaftlichen Eigentum: Die Europäische Union nennt Unternehmenseigentum als eine der sechs Kategorien mit hohem Wert, doch nur Dänemark und Lettland veröffentlichen die Daten derzeit in einem strukturierten, maschinenlesbaren Format mit API-Zugriff. Die meisten anderen Mitgliedsstaaten geben Eigentumsauszüge immer noch als PDF-Dokumente heraus, was technisch einer Transparenzanforderung entspricht, für ein Unternehmen, das darauf aufbauend automatisierte Kontrollen aufbauen möchte, jedoch wenig bringt.

Fragmentierung verschärft das Formatproblem. Sechsunddreißig nationale Portale, Hunderte lokaler Kataloge und ein breites Spektrum an Veröffentlichungsreife bedeuten, dass ein Unternehmen, das in mehreren EU-Ländern tätig ist, nicht davon ausgehen kann, dass ein einziges Datensatzschema überall funktioniert. Die Open Information Maturity Scores untermauern dies: Albanien, Malta und Deutschland verzeichneten im Jahr 2025 die größten Zuwächse gegenüber dem Vorjahr, was ermutigend ist, aber ein Land, das in einem Jahr um elf oder zwanzig Prozentpunkte kletterte, startete von einer niedrigeren Foundation als die darüber liegenden Trendsetter.

Das Datenschutzrecht fügt eine separate Risikoebene hinzu. Nach der Datenschutz-Grundverordnung fallen nur wirklich anonymisierte Daten nicht unter die Regeln. Anonymisierte Daten können immer noch als personenbezogene Daten gelten, wenn jemand Personen durch Verknüpfung mit einem anderen Datensatz erneut identifizieren könnte und die Kombination zweier öffentlicher Quellen genau die Artwork von Verknüpfung erzeugt, vor der die Aufsichtsbehörden warnen. Ein Unternehmen, das offene Regierungsdaten mit internen Kundendatensätzen zusammenführt, sollte die Kombination als Datenschutzentscheidung und nicht als technische Entscheidung betrachten.

Ein praktischer Weg für Unternehmen

Eine offene Datenpipeline funktioniert als Sequenz besser als als einzelnes Forschungsprojekt.

1. Ordnen Sie die sechs hochwertigen Datensatzkategorien Ihrem Sektor zu und ermitteln Sie, welche davon einen zentralen Enter liefert: unter anderem Unternehmenseigentumsdaten für Due Diligence, Mobilitätsdaten für die Logistik oder Geodaten für die Standortauswahl.
2. Beginnen Sie bei knowledge.europa.eu und gehen Sie dann zum entsprechenden nationalen Portal oder Nationwide Entry Level, um lokale Particulars zu erhalten, die im Katalog auf EU-Ebene nicht enthalten sind.
3. Überprüfen Sie die Lizenzbedingungen und die Aktualisierungshäufigkeit, bevor Sie etwas auf einem Datensatz erstellen. Eine Datei, die einmal im Jahr aktualisiert oder ohne eindeutige Lizenz veröffentlicht wird, kann ein Produkt schneller kaputt machen als gar keine Daten.
4. Koppeln Sie öffentliche Daten mit internen Aufzeichnungen. Offene Daten allein schaffen selten einen dauerhaften Vorsprung; In Kombination mit proprietären Kunden- oder Betriebsdaten ist dies häufig der Fall.
5. Verfolgen Sie die Frist des Information Act, wenn Ihr Unternehmen ein vernetztes Produkt verkauft. Neue Verpflichtungen zur Weitergabe von Nutzungsdaten an Kunden und benannte Dritte gelten bis September 2027.
6. Führen Sie eine Datenschutzprüfung durch, bevor Sie abgeleitete Datensätze veröffentlichen oder kombinieren, die identifizierbare Personen betreffen, auch wenn jede zugrunde liegende Quelle isoliert als anonymisiert gilt.

Das Fenster ist noch offen

Europas offenes Datenangebot wächst weiter, und das Datengesetz fügt bis 2027 einen zweiten Datenstrom hinzu, der Unternehmen, die vernetzte Produkte entwickeln, dazu zwingt, die von ihren Produkten generierten Daten zu teilen. Unternehmen, die das Materials bereits in interne Pipelines leiten, werden zuerst umziehen. Unternehmen, die noch auf eine Lieferantenrechnung warten, zahlen weiterhin für das, was ein Konkurrent auf der Straße bereits kostenlos bekommt.

OpenAI hat am 9. Juli 2026 kein einziges Modell auf den Markt gebracht. Es hat ein dreistufiges Preismenü eingeführt, und das Menü ist wichtiger als jeder einzelne Benchmark-Rating in den Versionshinweisen. Bei Sol, Terra und Luna kann ein Käufer jetzt jede Aufgabe an ein Modell weiterleiten, dessen Preis für die Aufgabe angemessen ist, anstatt jede Anfrage standardmäßig an das Flaggschiff zu richten.

Drei Modelle verteilen die Arbeitslast

GPT-5.6 wurde am 9. Juli 2026 allgemein verfügbar, nachdem Ende Juni eine begrenzte Vorschau angekündigt wurde. Die Familie teilt sich in Sol, das Flaggschiff; Terra, eine ausgewogene Alltagsoption; und Luna, die schnellste und günstigste der drei. Entwickler können alle drei über die API erreichen, und die Commonplace-Brief-Context-Preise professional Million Token sind in der folgenden Tabelle aufgeführt.

Der Zugriff variiert je nach Produkt und Plan und folgt nicht einer einfachen Regel. In Codex können Free- und Go-Benutzer Terra erreichen, während Plus-, Professional-, Enterprise- und Enterprise-Benutzer zwischen Sol, Terra und Luna wählen können. ChatGPT Work bietet alle drei Modelle für Plus- und höhere Pläne an. Commonplace-ChatGPT-Konversationen funktionieren anders: Terra und Luna sind dort nicht auswählbar, und berechtigte zahlende Benutzer erreichen Sol je nach Plan über die Begründungsoptionen „Mittel“, „Hoch“ und „Further Hoch“. Im aktuellen Assist Heart von OpenAI wird Sol Professional, eine höherwertige Variante für die schwierigsten Aufgaben, als verfügbar für Professional-, Enterprise- und Enterprise-Pläne aufgeführt, obwohl in der ursprünglichen Ankündigung zur Markteinführung nur Professional und Enterprise genannt wurden. OpenAI hat GPT-5.6 in berechtigte bestehende ChatGPT-Pläne integriert, anstatt eine neue Abonnementstufe einzuführen, und die Preise für Commonplace-ChatGPT-Abonnements sind mit der Einführung des Modells nicht gestiegen.

Sol behält den Grundpreis von GPT-5.5

Der Commonplace-Brief-Context-Preis für Sol, 5 US-Greenback Enter und 30 US-Greenback Output professional Million Token, entspricht genau den Hauptpreisen von GPT-5.5. OpenAI positioniert Sol als Leistungs- und Effizienzgewinn, ohne den Verkaufspreis seines Topmodells zu erhöhen.

Der Vergleich hört jedoch beim Aufkleber auf. GPT-5.6 fügt Cache-Schreibgebühren hinzu. GPT-5.5 wird nie in Rechnung gestellt. OpenAI meldet bei mehreren Kodierungs- und Computernutzungsbewertungen höhere Werte und eine geringere Verwendung von Ausgabe-Tokens, obwohl der Vergleich vom Benchmark, der Argumentationseinstellung und dem konkurrierenden Modell abhängt. Eine echte Rechnung hängt vom Argumentationsaufwand, den Instrument-Aufrufen, der Kontextlänge und davon ab, wie viel von einer Eingabeaufforderung zwischengespeichert wird, und nicht nur von den beiden Schlagzeilen.

Terra ist möglicherweise das wichtigste Modell für Unternehmenskäufer

Terra kostet die Hälfte von Sol und landet bei der genauen Standardpreisgestaltung von GPT-5.4 bei der Markteinführung: 2,50 $ Enter, 15 $ Output. Für einen Großteil der Unternehmens-Workloads ist die Positionierung wichtiger als die Grenzwerte von Sol, da für den Großteil des Produktionsverkehrs keine Grenzbegründung erforderlich ist.

Notion, zitiert in den Startmaterialien von OpenAI, sagte, dass viele auf GPT-5.5 basierende Agenten auf Terra zum halben Preis und mit 16 % weniger Token genauso intestine funktionieren. Betrachten Sie die Zahl als ein vom Kunden gemeldetes Ergebnis der Arbeitsbelastung eines Unternehmens und nicht als universellen Maßstab, den jedes Group reproduzieren wird. Terra ist einen Migrationstest für bestehende Agenten wert, bevor Sol zur Standardannahme für neue Agenten wird.

Luna erstellt eine kostengünstige Routing-Stufe

Luna kostet ein Fünftel des Enter-Preises von Sol und ein Fünftel seines Output-Preises: 1 $ und 6 $ professional Million Token. Das wahrscheinliche Zuhause für Luna ist Arbeit mit hohem Volumen und geringer Komplexität: Kundensupport-Triage, Inhaltsklassifizierung, -extraktion und einfache Codierungsunterstützung, bei der Durchsatz und Kosten professional Anruf wichtiger sind als die Spitzenqualität der Argumentation.

Luna ist in der Praxis nicht automatisch günstig. Der Output kostet bei Standardtarifen immer noch das Sechsfache des Inputs, sodass eine ausführliche Luna-Bereitstellung die Ausgaben schneller ankurbeln kann als eine prägnante Sol-Bereitstellung, die weniger und kürzere Austauschvorgänge erfordert. Die Ergebnisse von OpenAI zeigen auch bei anspruchsvolleren Auswertungen echte Lücken zwischen Luna und Sol, daher müssen Routing-Entscheidungen neben der Aufgabenschwierigkeit auch das Volumen abwägen.

Caching und langer Kontext verändern die Rechnung

GPT-5.6 führt explizite Cache-Haltepunkte und eine Mindest-Cache-Lebensdauer von 30 Minuten ein. Für zwischengespeicherte Eingabelesevorgänge wird ein Rabatt von 90 % auf die nicht zwischengespeicherte Eingaberate gewährt, während ein Cache-Schreibvorgang das 1,25-fache der nicht zwischengespeicherten Eingaberate kostet. Stabile Systemaufforderungen, Tooldefinitionen und Referenzmaterial können nach dem ersten Schreiben kostengünstig wiederverwendet werden. Eingabeaufforderungen, die sich bei jedem Anruf ändern, können Schreibgebühren in die Höhe treiben, ohne dass die Wiederverwendung ausreichend ist, um diese auszugleichen.

Langkontextanfragen lösen eine höhere Preisstufe aus, sobald eine Eingabeaufforderung 272.000 Eingabetokens überschreitet. OpenAI berechnet das Doppelte der Standardeingaberate und das 1,5-fache der Standardausgaberate für die gesamte Anfrage, nicht nur für den Teil über dem Schwellenwert. Sol steigt daher auf 10 $ professional Million Enter-Tokens und 45 $ professional Million Output-Tokens, Terra steigt auf 5 $ und 22,50 $ und Luna steigt auf 2 $ und 9 $. Die Preise für Cache-Schreibvorgänge verdoppeln sich zusammen mit der Eingaberate.

Ein vereinfachtes Beispiel verdeutlicht die Ausbreitung. Für eine Million nicht zwischengespeicherte Eingabe-Tokens und 250.000 Ausgabe-Tokens zu Brief-Context-Standardpreisen kostet Sol etwa 12,50 US-Greenback, Terra etwa 6,25 US-Greenback und Luna etwa 2,50 US-Greenback. Echte Rechnungen unterscheiden sich, sobald Instruments, Caching, Argumentationsaufwand und regionale Verarbeitung in die Berechnung einfließen.

Batch, Flex und Precedence bilden eine weitere Preisebene

Die Verarbeitungsklasse vervielfacht das Preisraster erneut. Für die Batch- und Flex-Verarbeitung wird in der gesamten GPT-5.6-Familie die Hälfte des Commonplace-Brief-Context-Tarifs berechnet: Sol fällt auf 2,50 US-Greenback professional Million Eingabe-Tokens und 15 US-Greenback professional Million Ausgabe-Tokens, Terra auf 1,25 US-Greenback und 7,50 US-Greenback und Luna auf 0,50 US-Greenback und 3 US-Greenback. Batch und Flex eignen sich für Arbeitslasten wie Klassifizierung, Extraktion und Anreicherung, die eine langsamere oder asynchrone Ausführung tolerieren.

Die Prioritätsverarbeitung verdoppelt die Standardrate für kurze Kontexte: Sol steigt auf 10 $ professional Million Enter-Tokens und 60 $ professional Million Output-Tokens, Terra auf 5 $ und 30 $ und Luna auf 2 $ und 12 $. Auf der Preisseite von OpenAI werden nur Prioritätsstufen für kurze Kontexte angezeigt. Käufer sollten daher nicht davon ausgehen, dass derselbe Multiplikator über 272.000 Eingabe-Tokens hinausgeht, bis OpenAI eine Prioritätsstufe für lange Kontexte dokumentiert. Bei latenzempfindlichen, kundenorientierten Anwendungen magazine Precedence seine Kosten rechtfertigen, aber ein Group, das sich an Standardpreisen orientiert und Precedence standardmäßig einsetzt, kann seine Modell-Token-Ausgaben schnell verdoppeln.

Durch die regionale Abwicklung kommt eine weitere Kostenschicht hinzu. OpenAI berechnet einen Aufschlag von 10 % für berechtigte Datenresidenzmodelle, die am oder nach dem 5. März 2026 veröffentlicht werden. Regionale Speicherverfügbarkeit bedeutet jedoch nicht automatisch, dass die Modellinferenz innerhalb der ausgewählten Area erfolgt.

Die Modellebene ist nur eine Routing-Entscheidung. Sol bietet außerdem Max, das mehr Rechenleistung für tiefere Überlegungen aufwendet als die hohe Einstellung, und Extremely, das standardmäßig vier Agenten koordiniert. Extremely kann schwierige Arbeiten schneller erledigen, aber die parallele Ausführung kann die Gesamt-Token-Nutzung erhöhen. Der Argumentationsmodus von Sol fungiert als eine weitere FinOps-Kontrolle und nicht als einfacher Qualitätsschalter.

Programmatic Instrument Calling fügt einen zweiten Hebel hinzu. Laut OpenAI kann GPT-5.6 leichtgewichtige Programme schreiben und ausführen, die Instruments koordinieren und Zwischenergebnisse filtern, anstatt jede Instrument-Antwort durch das Modell zurückzuleiten. In Instrument-lastigen Workflows meldet OpenAI dadurch weniger Token und weniger Modell-Roundtrips. Die Kostenkontrolle erfolgt jetzt auf mehreren Ebenen und nicht mehr auf einer.

Die Leistung professional Greenback erfordert Workload-Assessments

Anbieter-Benchmarks beschreiben Bedingungen, die OpenAI kontrolliert, nicht den tatsächlichen Datenverkehr eines Käufers. Die Vergleichstabelle von OpenAI meldet 52,7 % für Sol bei Brokers‘ Final Examination und einen Indexwert von 80 beim Synthetic Evaluation Coding Agent Index, wobei Terra und Luna bei schwierigeren Aufgaben mit großem Abstand und bei einfacheren Aufgaben mit geringerem Abstand zurückliegen. In einem separaten Abschnitt auf der Startseite von OpenAI werden 53,6 für Sol bei derselben Prüfung unter verschiedenen Einstellungen angegeben. Zur Erinnerung: Die Argumentationskonfiguration ändert die Punktzahl genauso stark wie das Modell. OpenAI hat die Zahlen mithilfe seines Evaluierungssystems generiert und sie verdienen es, als solche bezeichnet zu werden und nicht als neutraler Beweis behandelt zu werden.

Eine Beschaffungsentscheidung erfordert den internen Bewertungssatz einer Organisation: Aufgabenerfolgsrate, menschliche Korrekturzeit, insgesamt verbrauchte Token, Latenz, Wiederholungsrate und Kosten professional abgeschlossener Aufgabe statt Kosten professional Token. Ein Modell, das mehr professional Token kostet, kann immer noch weniger professional abgeschlossenem Auftrag kosten, wenn weniger Wiederholungsversuche erforderlich sind, und eine Multi-Agent- oder Extremely-Konfiguration, die schneller abschließt, kann insgesamt immer noch mehr Token verbrennen. Unabhängige, unternehmensübergreifende Beweise für einheitliche Kosteneinsparungen, Latenzgewinne oder Verbesserungen der Produktionsleistung gibt es außerhalb der Benchmark-Tabellen von OpenAI und der hier genannten Kundenzitate noch nicht.

Die Routing-Entscheidung ist nun eine FinOps-Entscheidung

Die dreistufige Struktur von GPT-5.6 verlagert die Modellauswahl aus dem rein technischen Bereich in die Budgetplanung. Die Beschaffungsrichtlinie muss nun festlegen, welches Modell welche Datenklasse verarbeitet, welche Argumentationsebene standardmäßig genehmigt wird, wann die Prioritätsverarbeitung zulässig ist und was passiert, wenn die Zuverlässigkeit eines kleineren Modells sinkt. Unternehmen, die vollständige Arbeitsabläufe anhand interner Aufgaben und nicht anhand eines einzelnen Bestenlistenergebnisses vergleichen, werden die bessere Entscheidung treffen, wo Sol seinen Preis verdient und wo Terra oder Luna bereits den Job machen.

Für das Design waren traditionell mehrere Rollen erforderlich, die nacheinander arbeiteten: ein Stratege Definieren Sie das Downsideein Designer zu Gestalten Sie die Lösungund ein Entwickler zu baue es. Das bedeutet, Zeitpläne zu koordinieren, Meinungen abzugleichen und Iterationsrunden zu durchlaufen, bevor etwas Greifbares entsteht.

Claude Design beseitigt einen Großteil dieser Reibung, indem es Ideen direkt in Arbeitsergebnisse umwandelt. Was früher Wochen dauerte, kann jetzt in wenigen Minuten geschehen. In diesem Artikel erläutern wir die Funktionsweise von Claude Design und gehen durch reale Beispiele von der Idee bis zum endgültigen Prototyp.

Was ist Claude Design?

Claude Design ermöglicht es dem Anthropic-System, echte visuelle und funktionale Ergebnisse zu erzeugen, nicht nur Beschreibungen. Die meisten KI-Instruments fungieren wie Berater und bieten Vorschläge an. Claude baut tatsächlich. Es kann animierte Präsentationsexporte generieren, UI-Designs an Canva senden und sogar vollständige React-Apps mit Authentifizierung und Zahlungen erstellen.

Der entscheidende Unterschied liegt in der Denkweise: Claude nähert sich dem Design wie ein leitender Designer und bewertet mehrere Faktoren in einem einzigen Durchgang. Seine Fähigkeiten sind in drei Kernebenen gegliedert:

• Visuelle Gestaltung: Das System erstellt Designelemente, die Layoutkomponenten und Farbsysteme sowie Schriftdesign- und Raumverteilungs- und Komponentendesignelemente umfassen.
• Inhaltsgestaltung: Das System erstellt eine Erzählstruktur, die das Verfassen von Texten und die Gestaltung der Informationshierarchie umfasst.
• Funktionelles Design: Das System verwendet Betriebscode, um interaktive Prototypen zu erstellen, die eine Verbindung zu Again-Finish-Systemen herstellen.

Die meisten Instruments existieren nur auf einer operativen Ebene. Claude arbeitet gleichzeitig auf allen drei operativen Ebenen.

Wie funktioniert es?

Das Verfahren ist unkompliziert und die nächsten Schritte helfen Ihnen zu verstehen, wie die Dinge funktionieren.

1. Beginnen Sie damit, die Idee im Klartext zu erklären. Sogar ein kurzer Satz funktioniert, etwas mehr Kontext hilft jedoch. Claude kann mit minimalem Enter dennoch etwas Nützliches produzieren.
2. Anschließend werden einige kurze, klärende Fragen zu Zielgruppe, Ton, Format und Einschränkungen gestellt. Das dauert ein paar Minuten, erspart aber später stundenlanges Hin und Her.
3. Als nächstes erstellt Claude einen groben Plan, bevor er etwas baut. Es durchdenkt zunächst die Struktur, sodass die Ausgabe nicht zufällig oder verstreut ist.
4. Von dort aus generiert es in einem Rutsch die volle Ausgabe. Das kann bedeuten, Inhalte zu schreiben, Layouts zu entwerfen oder sogar einen funktionierenden Prototyp zu erstellen.
5. Sie können so viel wie nötig iterieren. Geben Sie einfach Suggestions in einfacher Sprache und es wird sich an die gesamte Ausgabe anpassen, einschließlich Markenänderungen.
6. Schließlich wird die Arbeit in das von Ihnen benötigte Format exportiert, sei es eine Präsentation, ein Code, eine Designdatei oder etwas Interaktiveres.

Erste Schritte mit Claude-Design

Ein Benutzer kann über die folgenden Schritte auf das Claude-Design zugreifen:

1. Besuchen https://claude.ai/design Um auf die Plattform zuzugreifen, sind die Modelle dieselben wie im Claude Chat, mit einer anderen Schnittstelle.
2. Danach können Sie wählen, ob Sie einen Prototyp, ein Diadeck oder ein animiertes Design unter Verwendung eines vorhandenen Vorlagendesigns erstellen möchten.
3. Geben Sie Ihrem Projekt nach der Auswahl einen Namen und wählen Sie ein Standarddesign aus. Anschließend können Sie mit Ihrer Eingabeaufforderung beginnen.

Fingers-On 1: „Erklären Sie unser Produkt“ → Animiertes Deck mit Markenlogo

Dies ist kein starrer Schritt-für-Schritt-Prozess. Es ist ein kontinuierlicher Fluss, von der Definition des Ziels über die Gestaltung des Ergebnisses, die Anregungen für Claude bis hin zum Endergebnis.

In den folgenden Abschnitten werden die wichtigsten Elemente erläutert, damit Sie wissen, worauf Sie achten müssen.

1. Definieren Sie das Ziel
Sie erstellen einen Cowork-Kurs, der erklärt, wie Plugins in einem Workflow-Automatisierungssetup für Unternehmen funktionieren.

2. Identifizieren Sie die Lücke
Vorhandene Dokumente sind zu komplex und die Groups verstehen nicht genau, was Plugins sind oder wie sie sich von MCP-Konnektoren und -Abilities unterscheiden.

3. Entwerfen Sie die Ausgabe
Ein 25-minütiges Lehrdeck, das Konzepte, Nutzung, Marktplatzzugang, Berechtigungen und Sicherheit erklärt.

4. Generieren Sie mit Claude
Fordern Sie Claude auf, ein Deck mit ca. 15 Folien im dunklen Modus im Entwicklerstil mit Sprechernotizen zu erstellen.

5. Verfeinern Sie die Struktur
Stellen Sie sicher, dass das Deck wichtige Abschnitte wie Grundelemente, Marktplatzhandbücher, Installationsablauf, Lebenszyklus und Sandbox-Sicherheit enthält.

6. Polnische Konsistenz
Überprüfen Sie Structure, Abstände, Monospace-Schriftart und allgemeine Klarheit auf allen Folien.

7. Branding anwenden
Passen Sie das Deck mithilfe früherer Beispiele an bestehende Markenstile (Farben, Schriftarten, Logos) an.

Sehen Sie sich den gesamten Arbeitsablauf an

Das folgende Video führt diesen gesamten Prozess in einem kontinuierlichen Ablauf durch: vom prompten bis zum raffinierten Deck.

Endgültige Ausgabe

Das folgende Video zeigt den fertigen Prototyp und wie das Endergebnis aussieht.

Fingers-On 2: App-Idee → Structure-Prototyp → Reside in Canva

Dies ist keine strenge Abfolge von Schritten. Es handelt sich um einen geführten Aufbau – von der Idee → Struktur → Design → Verfeinerung, wobei Claude in jeder Part hilft.

Die folgende Aufschlüsselung gibt Ihnen ein klares mentales Modell, bevor Sie es in Aktion sehen.

1. Definieren Sie die Idee
Eine App für Benutzer der Era Z zum Aufzeichnen von Emotionen und psychischer Gesundheit mithilfe von Stimmungsverfolgung, Spracheingabe und KI-generierten wöchentlichen Zusammenfassungen.

2. Identifizieren Sie das Publikum
Junge Erwachsene (ca. 22 Jahre), die ihre psychische Gesundheit in den Griff bekommen möchten, bestehende Therapie-Apps jedoch nicht als hilfreich empfinden.

3. Legen Sie das Ziel fest
Erstellen Sie einen vollständigen, bearbeitbaren Prototyp, der in Instruments wie Canva exportiert und verfeinert werden kann.

4. Generieren Sie den ersten Prototyp
Fordern Sie Claude auf, Kernbildschirme zu erstellen: Onboarding, Startseite, Tagebucheintrag, Stimmungs-Verify-in und wöchentliche Zusammenfassung.

5. Ordnen Sie die Benutzererfahrung zu
Definieren Sie, wie Benutzer in jeder Part denken und fühlen – beim erstmaligen Onboarding im Vergleich zur wiederkehrenden Nutzung.

6. Erstellen Sie Kernbildschirme
Entwickeln Sie ca. 6 Schlüsselbildschirme mit klarem Structure, klaren Abständen und klarer Struktur.

7. Fügen Sie funktionale Particulars hinzu
Beziehen Sie Elemente wie Stimmungsverfolgung (Stimmungsring), Sprachjournal und schriftliche Reflexionen ein.

8. Designentscheidungen dokumentieren
Erstellen Sie ein Protokoll, in dem Sie Layoutoptionen, Typografie, Farbe und allgemeine Benutzerfreundlichkeit erläutern.

9. Bereiten Sie den Export vor
Strukturieren Sie Bildschirme, damit sie einfach als bearbeitbare Rahmen in Canva exportiert werden können.

Sehen Sie sich den gesamten Arbeitsablauf an

Das folgende Video zeigt diesen gesamten Prozess in einem fortlaufenden Construct: Von der Idee bis zum funktionierenden Prototyp.

Endgültige Ausgabe

Das folgende Video zeigt den fertigen Prototyp und wie das Endergebnis aussieht.

Vor- und Nachteile von Claude Design

Bei all dem, was dieses Software bietet, finden Sie hier eine Tabelle mit einer Zusammenfassung seiner Stärken und Schwächen:

Abschluss

Designer, Entwickler und Strategen werden nicht durch Claude Design ersetzt. Es beseitigt die langsamen Teile: bei Null anfangen, erste Wireframes erstellen und tagelang auf Modelle warten. Die routinemäßigen Engpässe verschwinden, sodass Groups viel schneller von der Idee zum greifbaren Ergebnis gelangen können.

Was bleibt, ist die Arbeit, die wirklich zählt: die Entscheidung, ob ein Produkt ein echtes Downside löst, ob eine Marke authentisch wirkt und ob das Erlebnis emotional ankommt. Claude hilft Ihnen, Ideen frühzeitig zu testen und zu präsentieren, sodass Sie, anstatt Konzepte vorzustellen, mit funktionierenden Prototypen in Besprechungen gehen.

Häufig gestellte Fragen

Knowledge Science Trainee bei Analytics Vidhya
Derzeit arbeite ich als Knowledge Science Trainee bei Analytics Vidhya, wo ich mich auf die Entwicklung datengesteuerter Lösungen und die Anwendung von KI/ML-Techniken zur Lösung realer Geschäftsprobleme konzentriere. Meine Arbeit ermöglicht es mir, fortschrittliche Analysen, maschinelles Lernen und KI-Anwendungen zu erforschen, die es Unternehmen ermöglichen, intelligentere, evidenzbasierte Entscheidungen zu treffen.
Mit einem starken Fundament in den Bereichen Informatik, Softwareentwicklung und Datenanalyse ist es mir eine Leidenschaft, KI zu nutzen, um wirkungsvolle, skalierbare Lösungen zu schaffen, die die Lücke zwischen Technologie und Geschäft schließen.
Du kannst mich auch erreichen unter (e-mail protected)

Bild vom Autor

# Einführung

OpenAI-Codex kann viel mehr als nur Codeausschnitte generieren oder kleine Änderungen vornehmen. Mit der richtigen Einrichtung kann es sich eher wie ein starker Softwareentwickler verhalten – einer, der Anweisungen sorgfältig befolgt, den Kontext versteht, Instruments und Befehlszeilenschnittstellen-Workflows (CLI) effektiv nutzt, koordinierte Änderungen an mehreren Dateien vornimmt und seine eigene Arbeit überprüft, bevor er sie zurückgibt.

In diesem Artikel werde ich fünf praktische Möglichkeiten erläutern, um Codex für echte Codierungsarbeiten effektiver zu machen. Anstatt es wie ein einfaches Instrument zur Codegenerierung zu behandeln, besteht das Ziel darin, es eher wie einen Codieragenten mit künstlicher Intelligenz (KI) zu verwenden, der längere Aufgaben durchdenken, mit Ihrem Projekt im Einklang bleiben und zuverlässigere Ergebnisse liefern kann.

Notiz: Dies sind meine eigenen Ansichten, und einige Leute gehen möglicherweise anders an Codex heran. Allerdings basieren die Ideen in diesem Artikel nicht nur auf der persönlichen Meinung. Sie basieren auf aktuellen Forschungsarbeiten, den offiziellen Leitlinien von OpenAI und den umfassenderen Mustern und Praktiken, die sich in der „Vibe-Coding“-Neighborhood herausbilden.

# 1. Verwenden des Planungsmodus, um Codex bei der Bewältigung langfristiger Aufgaben zu unterstützen

OpenAI empfiehlt die Verwendung des Planmodus für Aufgaben, die komplex, mehrdeutig oder schwer intestine zu beschreiben sind, da Codex so den Kontext erfassen, klärende Fragen stellen und einen fundierteren Plan erstellen kann, bevor Änderungen vorgenommen werden. Die aufschlussreichen Anleitungen von OpenAI betonen außerdem, dass die Aufforderung an Codex, einen Plan vorzuschlagen, oft der beste Weg ist, die Arbeit zu strukturieren, wenn eine Aufgabe schwer aufzuschlüsseln ist.

In der Praxis verändert sich dadurch die Qualität der Interaktion. Anstatt direkt mit der Codegenerierung zu beginnen, arbeitet Codex zunächst daran, das Downside zu verstehen, den verfügbaren Kontext zu untersuchen und die Aufgabe in eine klarere Abfolge von Schritten abzubilden. Dadurch eignet es sich viel besser für langfristige Arbeiten, bei denen der Erfolg weniger von der Erstellung eines Codeblocks als vielmehr von der Verwaltung von Sequenzierung, Einschränkungen, Prüfpunkten und Validierung in einem größeren Workflow abhängt.

# 2. Verwenden von AGENTS.md für Projektregeln und Speicherverwaltung

Der AGENTS.md Datei ist nicht nur eine schnelle Übersichtsdatei für Codex. Dies ist eine der besten Möglichkeiten, Projektregeln, Arbeitsabläufe, Werkzeugerwartungen und andere Arbeitsanweisungen zu definieren, die Codex bei der Arbeit innerhalb Ihrer Codebasis verwenden kann. In der Dokumentation von OpenAI heißt es, Codex liest AGENTS.md Dateien, bevor Sie irgendwelche Arbeiten ausführen, und seine CLI kann sogar ein Gerüst damit generieren /init die Sie verfeinern und für zukünftige Sitzungen festlegen können.

Hier ist AGENTS.md wird in der Praxis besonders nützlich. Es hilft Codex zu verstehen, wie Ihr Projekt funktioniert, welche Instruments oder Fähigkeiten verfügbar sind und welchen Requirements es folgen sollte. Es unterstützt auch die Speicherverwaltung, nicht als persönlicher Speicher im ChatGPT-Stil, sondern als leichtgewichtige Projektspeicherebene.

Die Lengthy-Horizon-Anleitung von OpenAI stützt sich explizit auf persistente Markdown-Dateien für Pläne, Ausführungsanweisungen und Dokumentation, und Codex unterstützt auch die Wiederaufnahme gespeicherter Sitzungen. Zusammen bieten diese Funktionen eine dauerhaftere Möglichkeit, den Kontext über längere Aufgaben und verschiedene Sitzungen hinweg zu übertragen.

# 3. Erstellen benutzerdefinierter Codex-Fähigkeiten für wiederverwendbare Codierungsworkflows

Fertigkeiten sind eine der nützlichsten Möglichkeiten, Codex über eine einzelne Eingabeaufforderung hinaus zu erweitern. OpenAI beschreibt sie als wiederverwendbare Bündel von Anweisungen, Skripten und Belongings, die um ein Paket gepackt sind SKILL.md Datei, sodass sie wiederholbare Arbeitsabläufe, Konventionen und domänenspezifische Prozesse kodifizieren können. Codex unterstützt diese Fähigkeiten in der App, der CLI und der IDE-Erweiterung (Built-in Improvement Surroundings).

Codex enthält auch integrierte Systemfähigkeiten wie $skill-creator Und $skill-installerdie es einfacher machen, neue Kompetenzen vor Ort aufzubauen und zu installieren. Dies ist besonders nützlich, wenn Ihr Workflow einzigartig ist. Anstatt sich nur auf generisches integriertes Verhalten zu verlassen, können Sie benutzerdefinierte Fähigkeiten erstellen, die Codex den Umgang mit projektspezifischen Aufgaben, externen Instruments, internen Anwendungsprogrammierschnittstellen (APIs) oder wiederholbaren Veröffentlichungsabläufen beibringen.

Für meine eigenen Web site- und Artikel-Workflows bedeuten diese Fähigkeiten eine enorme Zeitersparnis: Sie ermöglichen es Codex, strukturierte Formatierungen zu befolgen, CLI-Instruments zu verwenden und mit externen Diensten viel zuverlässiger und wiederholbarer zusammenzuarbeiten.

# 4. Codex testen, überprüfen und seine Ausgabe validieren

Dies wird mit GPT-5.4 noch nützlicher. Das neuere Modell ist für eine stärkere Codierung und längere mehrstufige Arbeitsabläufe konzipiert und die offiziellen Leitlinien heben Funktionen wie Verifizierungsschleifen, klare Abschlussprüfungen und eine bessere Werkzeugnutzung bei komplexen Aufgaben hervor. Einfach ausgedrückt ist es besser, nicht bei der ersten Antwort stehen zu bleiben und ist eher bereit, seine Arbeit so lange zu überprüfen, bis das Ergebnis korrekt ist.

In der Praxis bedeutet dies, dass Codex Code schreiben, Checks ausführen, die Webseite und die Benutzeroberfläche (UI) überprüfen, prüfen kann, ob das Ergebnis tatsächlich den Anforderungen entspricht, Korrekturen vornehmen und so lange iterieren kann, bis die Aufgabe ordnungsgemäß erledigt ist. Um die besten Ergebnisse zu erzielen, bitten Sie es ausdrücklich, seine eigene Arbeit zu überprüfen: Weisen Sie es an, Checks auszuführen, die App zu öffnen, die Benutzeroberfläche zu überprüfen, das Verhalten auf der Seite zu überprüfen und die Ausgabe weiter zu verfeinern, bis alles wie erwartet funktioniert.

# 5. Verwenden von Shell-Instruments, um OpenAI Codex in einen echten Codierungsagenten zu verwandeln

Shell-Instruments sind eine der einfachsten Möglichkeiten, Codex wie einen echten Programmieragenten und nicht nur wie einen Codegenerator wirken zu lassen. Die aktuellen CLI- und IDE-Workflows von Codex basieren auf dieser Idee: Codex kann Dateien lesen, Änderungen vornehmen und Befehle in Ihrem Projekt ausführen, und der Eingabeaufforderungsleitfaden empfiehlt sogar das Shell-Instrument für Terminalbefehle. Dies ist wichtig, da eine Menge echter Ingenieursarbeit bereits in CLIs steckt, sei es mit GitHub ghBereitstellungen mit Verceloder andere lokale Instruments, die Ihre Codebasis mit externen Systemen verbinden.

Was mir am besten gefällt, ist, dass dadurch oft die Notwendigkeit entfällt, Dinge mit zusätzlichen Mannequin Context Protocol (MCP)-Servern oder benutzerdefinierten Fähigkeiten zu verkomplizieren. Sie können Codex einfach bitten, die CLI-Instruments zu verwenden, die bereits Teil Ihres Workflows sind. Dies bedeutet normalerweise weniger Token, eine schnellere Ausführung und ein Setup, das viel näher an Ihrer normalen lokalen Entwicklungsumgebung bleibt. Außerdem basiert der Workflow stärker auf Instruments, denen Sie bereits vertrauen, anstatt alles in eine andere Abstraktionsebene zu verlagern.

# Letzte Gedanken

Ich verwende OpenAI Codex in VS Code quick täglich sowohl für persönliche als auch für berufliche Projekte. Es wird mit der Zeit immer besser und manchmal fühle ich mich wirklich wie ein „Betrüger“, wenn ich es bitte, etwas zu reparieren, und es löst es in ein paar Minuten. Ein großer Teil des Erreichens dieses Punktes besteht jedoch darin, Codex nicht nur beiläufig zu verwenden, sondern zu lernen, wie man richtig damit arbeitet.

Was für mich den größten Unterschied gemacht hat, ist die konsequente Befolgung einiger Kernpraktiken: bessere Anweisungen geben, den Kontext sorgfältig verwalten, den Planungsmodus vor größeren Änderungen verwenden und benutzerdefinierte Fähigkeiten für wiederholbare Projektabläufe erstellen. Ich bitte es auch, seine eigene Arbeit zu überprüfen, indem es Checks durchführt und die Web site oder Benutzeroberfläche mit Instruments wie überprüft Dramatikerund die Verwendung von CLI- und Shell-Instruments zur direkten Interaktion mit der lokalen Umgebung und externen Systemen. Dieses Setup reduziert Reibungsverluste, beschleunigt die Arbeit und sorgt dafür, dass sich der gesamte Arbeitsablauf viel näher an die Arbeit mit einem echten Programmieragenten anpasst.

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.

In Einzelhandelsgeschäften gibt es oft Bereiche, die von den Kunden weitaus weniger beachtet werden als andere. Diese verkehrsarmen Zonen können im hinteren Teil des Ladens, neben leistungsschwachen Auslagen oder entlang schlecht gestalteter Wege auftreten. Während diese Bereiche wie einfache Layoutprobleme erscheinen mögen, Datenanalyse offenbart oft tiefere Einblicke in das Kundenverhalten. Einzelhändler, die Filialanalysen sorgfältig auswerten, können Muster erkennen, die erklären, warum bestimmte Bereiche weniger Besucher anziehen, und praktische Schritte zur Verbesserung der Interaktion ergreifen.

Identifizieren von Bereichen mit geringem Verkehrsaufkommen anhand von Daten

Retailer-Analysetools liefern wertvolle Einblicke in die Artwork und Weise, wie sich Kunden in einer Einzelhandelsumgebung bewegen. Technologien wie FußgängerverkehrssensorenLevel-of-Sale-Daten und videobasierte Analysen können zeigen, wo Besucher Zeit verbringen und wohin sie selten gehen. Aus diesen Datenquellen erstellte Heatmaps zeigen Muster in der Kundenbewegung in der Filiale auf.

Durch die Analyse dieser Informationen können Einzelhändler erkennen, ob bestimmte Gänge oder Produktkategorien nur begrenzte Aufmerksamkeit erhalten. Es können auch tageszeitliche Muster auftreten. Beispielsweise kann ein Bereich, der während der Hauptverkehrszeiten ruhig erscheint, zu anderen Tageszeiten eine bessere Leistung erbringen. Diese Erkenntnisse helfen Filialleitern, Möglichkeiten zur Anpassung des Layouts oder der Produktplatzierung zu erkennen.

Auch die Kundenverweildauer liefert nützliche Informationen. Abschnitte, in denen Besucher kurz anhalten oder schnell hindurchgehen, können auf eine unklare Produktpräsentation oder einen schwachen visuellen Reiz hinweisen.

Verbesserung des Layouts basierend auf Verhaltenserkenntnissen

Anpassungen des Einzelhandelslayouts führen häufig zu messbaren Verbesserungen des Verkehrsflusses. Die Daten zeigen möglicherweise, dass Käufer beim Betreten des Ladens dazu neigen, bestimmten Gangmustern zu folgen. Die Platzierung hochinteressanter Artikel entlang dieser natürlichen Routen kann Besucher tiefer in die Verkaufsfläche leiten.

Auch die Produktnachbarschaft spielt eine wichtige Rolle. Durch die Kombination verwandter Produkte werden Kunden dazu ermutigt, Bereiche zu erkunden, die sie sonst vielleicht ignorieren würden. Wenn Sie beispielsweise ergänzende Elemente nahe beieinander platzieren, kann dies die Searching-Zeit verlängern und die Sichtbarkeit von Abschnitten mit geringerer Sichtbarkeit erhöhen.

Breite Gänge, klare Sichtlinien und eine logische Produktgruppierung sorgen für ein reibungsloses Einkaufserlebnis. Einzelhändler, die Verkehrsanalysen verwenden, um Layoutänderungen zu testen, können die Ergebnisse im Laufe der Zeit auswerten und messen, ob Anpassungen die Bewegung im gesamten Geschäft verbessern.

Visuelle Hinweise nutzen, um Aufmerksamkeit zu erregen

Visuelle Elemente helfen dabei, Kunden auf Bereiche zu lenken, die weniger Aufmerksamkeit erhalten. Strategische Beleuchtung, Farbkontraste und Show-Design können Käufer in ruhigere Bereiche des Geschäfts locken.

Digitale Shows sind zu einem gängigen Instrument zur Aufmerksamkeitsgewinnung geworden. Einzelhändler installieren manchmal LED-Beschilderungslösungen in der Nähe von leistungsschwachen Bereichen, um Werbeaktionen, vorgestellte Produkte oder saisonale Botschaften hervorzuheben. Diese Anzeigen können sich im Laufe des Tages ändern, sodass Geschäfte basierend auf Verkehrsdaten verschiedene Messaging-Strategien testen können.

Merchandising-Groups überprüfen häufig Leistungskennzahlen, nachdem sie visuelle Änderungen vorgenommen haben. Wenn Daten eine längere Verweildauer oder Produktinteraktion zeigen, kann die Strategie auf andere Bereiche ausgeweitet werden.

Kontinuierliche Messung und Anpassung

Einzelhandelsumgebungen erzielen die beste Leistung, wenn Format- und Merchandising-Entscheidungen auf fortlaufenden Analysen und nicht auf einmaligen Anpassungen beruhen. Durch die Datenerfassung können Einzelhändler die Auswirkungen von Änderungen verfolgen und feststellen, ob sich die Verkehrsmuster verbessern.

Der Vergleich wöchentlicher oder monatlicher Leistungskennzahlen kann Developments bei der Kundenbewegung und dem Produktengagement aufdecken. Geschäfte können verschiedene Show-Platzierungen, Werbebotschaften oder Gangkonfigurationen testen, um herauszufinden, was am besten funktioniert.

Bereiche mit geringem Verkehrsaufkommen müssen nicht ungenutzt bleiben. Einzelhändler, die Datenanalysen, Verhaltenserkenntnisse und strategische Designentscheidungen anwenden, können diese Bereiche schrittweise in produktive Teile des Geschäfts umwandeln. Eine kontinuierliche Evaluierung stellt sicher, dass sich die Ladengestaltung parallel zum Kundenverhalten weiterentwickelt und hilft Einzelhändlern dabei, fundierte Entscheidungen zu treffen, die die Gesamtleistung verbessern. Weitere Informationen finden Sie in der Infografik unten.

Lange Zeit betrachteten Unternehmen den Standort als Hintergrundvariable. Es struggle etwas, das man auf einer Karte anzeigte oder für die regionale Berichterstattung verwendete, aber selten etwas, das die Kernstrategie prägte.

Das ändert sich schnell.

Da Analysesysteme immer ausgefeilter werden und KI-Modelle Wenn Menschen eine größere Rolle bei der Entscheidungsfindung einnehmen, rückt die Geografie in den Mittelpunkt des Gesprächs.

Bei der Standortintelligenz geht es nicht mehr um die Visualisierung von Daten. Es geht darum zu verstehen, wie der Ort Nachfrage, Infrastruktur, Zugang und letztendlich den Umsatz beeinflusst.

Was Location Intelligence wirklich bedeutet

Im Kern ist Standortintelligenz ist die Praxis, geografische Daten mit Betriebs- und Verhaltensdatensätzen zu kombinieren, um Muster aufzudecken, die andernfalls unbemerkt bleiben würden.

Die meisten Unternehmen verfolgen bereits Leistungskennzahlen, Kundenverhalten und Markttrends. Das Downside besteht darin, dass diese Datensätze oft isoliert analysiert werden. Wenn geografische Ebenen richtig hinzugefügt werden, ergeben sich neue Erkenntnisse.

Beispielsweise sehen Daten zur Kundennachfrage ganz anders aus, wenn sie mit Bevölkerungsdichte, Serviceverfügbarkeit oder Infrastrukturbeschränkungen gepaart werden. Eine leistungsstarke Area könnte tatsächlich unterentwickelt sein. Eine schwache Area könnte eher durch den Zugang als durch mangelndes Interesse eingeschränkt sein.

Geographie fügt Kontext hinzu. Und der Kontext verbessert die Entscheidungsqualität.

Warum es jetzt wichtig ist

Künstliche Intelligenz und prädiktive Analysen hängen stark von der Eingabequalität ab. Große Datenmengen garantieren keine genauen Ergebnisse. Wenn den zugrunde liegenden Daten der ökologische oder regionale Kontext fehlt, können die Schlussfolgerungen irreführend sein.

Einzelhandelsketten nutzen räumliche Analysen, um zu bestimmen, wo neue Geschäfte eröffnet werden sollen. Logistikunternehmen optimieren Liefernetzwerke anhand von Verkehrs- und Dichtemustern. Telekommunikationsanbieter analysieren die Infrastrukturabdeckung, um Ausbaumöglichkeiten zu identifizieren. Immobilieninvestoren bewerten hyperlokale Developments, bevor sie Kapital einsetzen.

In jedem dieser Fälle ist der Standort nicht nur ein Berichtsfilter. Es prägt strategische Entscheidungen.

Die zunehmende Verfügbarkeit öffentlicher Datensätze und cloudbasierter geografischer Instruments hat diese Artwork der Analyse zugänglicher gemacht. Wofür früher spezialisierte GIS-Groups erforderlich waren, kann jetzt direkt in umfassendere Analysepipelines integriert werden.

Über Karten hinausgehen

Viele Organisationen betrachten geografische Daten immer noch als etwas Visuelles. Heatmaps, Abdeckungskarten und regionale Diagramme sind nützlich, aber sie kratzen nur an der Oberfläche.

Der eigentliche Vorteil zeigt sich, wenn geografische Daten für die prädiktive Nutzung strukturiert sind.

Anstatt einfach abzubilden, wo sich die Kunden heute befinden, können Unternehmen modellieren, wo die Nachfrage voraussichtlich steigen wird. Anstatt die vergangene regionale Leistung zu überprüfen, können sie Infrastrukturlücken identifizieren, die das zukünftige Wachstum einschränken könnten.

Dieser Wandel von der Visualisierung zur Modellierung macht Location Intelligence zu einem Wettbewerbsvorteil.

Strategische Auswirkungen

Organisationen, die in strukturierte Geodaten investieren, verzeichnen messbare Verbesserungen bei der Entscheidungsfindung.

Die Expansionsplanung wird präziser. Marketingausgaben können auf hyperlokaler Ebene statt in breit angelegten regionalen Kampagnen eingesetzt werden. Infrastrukturinvestitionen können anhand messbarer Nachfragesignale priorisiert werden.

Es gibt auch eine Risikomanagementkomponente. Von Analyse geografischer Abhängigkeitenkönnen Unternehmen Schwachstellen im Zusammenhang mit Zugang, Überlastung oder regionalen Einschränkungen erkennen, bevor sie zu betrieblichen Problemen führen.

Der Schlüssel liegt in der Integration. Geografische Datensätze müssen bereinigt, standardisiert und mit bestehenden Geschäftskennzahlen verknüpft werden. Wenn Standortinformationen Teil der Kerndatenarchitektur und nicht mehr ein separates Berichtstool sind, beginnt sie, die Strategie auf allen Ebenen zu beeinflussen.

Blick nach vorn

Da Echtzeit-Datenpipelines erweitert werden und KI-Systeme Je weiter fortgeschritten, desto wichtiger wird der geografische Kontext.

Durch öffentliche Aufzeichnungen, Satellitenbilder und Infrastrukturberichte werden detailliertere Daten verfügbar. Die Herausforderung wird nicht darin bestehen, mehr Daten zu sammeln, sondern sie so zu strukturieren, dass sie die Übersichtlichkeit verbessern und nicht zu unnötigem Rauschen führen.

Unternehmen, die den Standort als grundlegende Datenschicht betrachten, sind im Vorteil gegenüber Unternehmen, die sich ausschließlich auf das Volumen verlassen.

In der Analyse bestimmt der Kontext die Genauigkeit. In vielen Branchen beginnt der Kontext mit der Geografie.

Von Lee McClendon, Chief Digital and Know-how Officer, Tricentis

KI verändert die Artwork und Weise, wie Software program entwickelt, getestet und veröffentlicht wird – dennoch arbeiten viele Groups daran, Versprechen in messbare Ergebnisse umzusetzen. Über den gesamten Software program Growth Lifecycle (SDLC) hinweg führt KI leistungsstarke Funktionen ein. Von der Beschleunigung der Codierung über die Generierung von Software program-Qualitätsprüfungen bis hin zur Aufzeichnung – generative KI-Instruments helfen Softwareentwicklungsteams, die unter enormem Druck stehen, schneller zu liefern, ohne die Qualität zu beeinträchtigen.

Allerdings unsere Forschung zeigt, dass die überwiegende Mehrheit (90 Prozent) der heutigen CIOs und CTOs der KI bei kritischen Software program-Launch-Entscheidungen vertrauen, zwei Drittel jedoch davon ausgehen, dass es drei Jahre dauern wird, bis KI einen nennenswerten Einfluss auf die Geschäftsleistung und die Kosten hat.

Die Herausforderungen, vor denen die heutigen Softwareentwicklungsteams stehen, liegen nicht mehr in der technischen Bereitschaft, sondern vielmehr in der strategischen Integration von KI in aktuelle SDLCs. Ein echter ROI entsteht, wenn KI als Teil intelligenter Automatisierungs-Frameworks in Lieferprozesse integriert wird. Dabei handelt es sich um strukturierte Systeme, die KI mit Automatisierung integrieren, um Prozesse anpassungsfähig und messbar sowohl hinsichtlich der Softwaregeschwindigkeit als auch der Qualitätsziele zu machen. Damit Software program-Führungskräfte das Potenzial von KI voll ausschöpfen können, müssen sie über Pilotprojekte hinausgehen und KI schließlich als wesentlichen Treiber für eine konsistente, vertrauenswürdige und leistungsstarke Softwarebereitstellung in großem Maßstab positionieren.

KI abgestimmt auf Lieferprioritäten

Die Einführung von KI wird bei quick allen Bestand haben (99,6 Prozent) Unternehmen nutzen bereits irgendeine Type von KI beim Softwaretesten, und 96 Prozent planen, ihren Einsatz in der Zukunft zu verstärken. Angesichts dieser allgemeinen Akzeptanz konzentrieren sich die erfolgreichsten KI-Initiativen auf die Beschleunigung von Launch-Zyklen bei gleichzeitiger Sicherstellung der Qualität – und nicht nur auf Automatisierung um der Automatisierung willen. In der Softwareentwicklung und Qualitätstechnik steigert KI die Ergebnisse, wenn sie auf Aktivitäten wie Testfallerstellung und -wartung, Dokumentationsautomatisierung und Entwickler-Onboarding angewendet wird.

Bei der Integration in kontinuierliche Take a look at- und Launch-Zyklen reduziert KI die manuelle Arbeit, verbessert die Konsistenz und ermöglicht es Entwicklungs- und Qualitätssicherungsteams, sich auf die Lösung komplexer Herausforderungen und die Weiterentwicklung von Produktinnovationen zu konzentrieren. Dieser Wandel macht KI von einem hilfreichen Werkzeug zu einem strategischen Vorteil.

Vertrauen und Kontrolle entfalten das volle Potenzial der KI

Da KI-generierte Ergebnisse zunehmend Einfluss auf Launch-Entscheidungen haben, ist es wichtig, auf deren Genauigkeit und Zuverlässigkeit vertrauen zu können. Während das Vertrauen in KI zunimmt und quick 90 Prozent der Unternehmen behaupten, dass sie den GenAI-ROI effektiv messen können, wird der Erfolg letztendlich von der Aufsicht und Validierung abhängen.

Wie sieht das in der Praxis aus? Unternehmen müssen Sicherheitsvorkehrungen treffen, wie z. B. Human-in-the-Loop-Überprüfungen, Erklärbarkeits- und Dokumentationsstandards, Integration in CI/CD-Pipelines und eine kontinuierliche Entwicklung der KI-Kompetenz.

Der größte ROI entsteht, wenn Geschwindigkeit und Qualität Hand in Hand gehen. Vorausschauende Groups integrieren KI nicht nur in die Codierungs- und Launch-Phasen, sondern auch in Assessments, Validierung und Fehlervermeidung – und erreichen so eine höhere Konsistenz und langfristige Belastbarkeit.

Unsere Forschung unterstreicht dieses Gleichgewicht. Softwareentwickler und Technologieführer gehen davon aus, dass KI eine wichtige Rolle bei der Rationalisierung von Qualitätssicherungsprozessen spielen wird 70 Prozent Wir sind davon überzeugt, dass KI dazu beitragen wird, Fehlerlecks, Testabdeckung und Wartbarkeit zu verbessern. Infolgedessen können Groups, die KI sowohl auf Geschwindigkeit als auch auf Qualität ausrichten, mit einer höheren Kundenzufriedenheit und einem stärkeren Vertrauen in ihre Launch-Prozesse rechnen.

Die organisatorische Bereitschaft prägt die Wirkung von KI im großen Maßstab

Technologie allein erschließt keinen ROI. Um wiederholbare Erfolge zu erzielen, sind operative Disziplin und kulturelle Ausrichtung erforderlich. Wir sehen, dass immer mehr Unternehmen klare Richtlinien festlegen, wenn es darum geht, bestimmte KI-Instruments zu verwenden, die KI-Kenntnisse in allen Entwicklungs- und Qualitätssicherungsteams zu verbessern und funktionsübergreifende Feedbackschleifen zu implementieren, um zu verfeinern, wie KI die Bereitstellung unterstützt. Unsere Forschung spiegelt diese Realität wider: zwei Drittel aller Unternehmen rechnen im nächsten Jahr mit einem Ausfall oder einer größeren Störung. Angesichts der Tatsache, dass es mehrere Jahre dauern kann, bis der KI-ROI vollständig erreicht ist, betont dieser Zeitplan, wie wichtig es ist, Menschen, Prozesse und Prioritäten aufeinander abzustimmen, um nicht nur die Rendite zu maximieren, sondern auch den SDLC des Unternehmens positiv zu beeinflussen.

Der KI-ROI ist in greifbarer Nähe – und er beschleunigt sich

KI ist nicht mehr experimentell. Für viele Groups hat die intelligente Automatisierung bereits die Effizienz, Geschwindigkeit und Entscheidungsfindung verbessert. Der Unterschied zwischen isoliertem Erfolg und unternehmensweiter Wirkung liegt in der Umsetzung. Softwareentwicklungsteams, die KI durchdacht in kontinuierliche Take a look at- und Qualitätssicherungsabläufe integrieren, ihren Einsatz auf messbare Ergebnisse ausrichten und durch klare Kontrolle das Vertrauen stärken, erzielen bereits einen bedeutenden ROI. Wer KI als peripheres Werkzeug betrachtet oder sich nur auf Geschwindigkeit konzentriert, riskiert, ihr umfassenderes Potenzial zu verpassen.

Für Technologieführer ist der Auftrag klar: KI als vertrauenswürdige Kraft in der gesamten Softwarebereitstellung zu verankern und schnelle Veröffentlichungen mit strenger Qualität in Einklang zu bringen, um nachhaltige geschäftliche Auswirkungen zu erzielen. Die Organisationen, die dieses Gleichgewicht erreichen, werden die Zukunft der Softwareinnovation prägen.

Lee McClendon ist Chief Digital and Know-how Officer beim Unternehmen für KI-Testplattformen Tricentis.

Gesponserte Inhalte

In der heutigen datengesteuerten Welt sind Unternehmen aller Branchen auf qualifizierte Fachkräfte angewiesen, die komplexe Daten in aussagekräftige Erkenntnisse umwandeln können. Bay Path College On-line-Grasp in Angewandter Datenwissenschaft Das Programm ermöglicht es Ihnen, genau das zu tun: Rohdaten in echte, messbare Auswirkungen umzuwandeln.

Dieses für Berufstätige konzipierte Programm geht über die Theorie hinaus und konzentriert sich auf praktische, praktische Anwendungen der Datenwissenschaft. Durch versatile On-line-Kurse In den Kursen, die in Ihren Zeitplan passen, lernen Sie, wie Sie riesige Datenmengen analysieren, Techniken des maschinellen Lernens anwenden und Erkenntnisse kommunizieren, die strategische Entscheidungen vorantreiben.

Was dieses Programm auszeichnet, ist sein Fokus auf Lösung realer Probleme. Der Schwerpunkt der Kursarbeit liegt auf Fallstudien und Projekten, die die Herausforderungen widerspiegeln, mit denen Sie bei der Arbeit konfrontiert sind. Sie arbeiten mit Instruments und Techniken, die von den besten Datenwissenschaftlern von heute verwendet werden, z. B. lernen, Daten zu bereinigen und zu interpretieren, Erkenntnisse effektiv zu visualisieren und Empfehlungen souverän zu präsentieren.

Der Lehrplan soll Ihnen helfen:

• Überbrücken Sie die Lücke zwischen Daten und Entscheidungsfindung durch angewandte Analyse und prädiktive Modellierung.
• Stärken Sie Ihr technisches Fachwissen in Python, R, SQL und neuen Datentechnologien.
• Erwerben Sie Fachwissen über generative KI indem Sie Kernarchitekturen, reale Anwendungen und ethische Überlegungen erkunden und gleichzeitig praktische Erfahrungen beim Aufbau und der Feinabstimmung von Modellen wie LLMs und Bildgeneratoren sammeln.
• Entwickeln Sie Enterprise-Intelligence-Fähigkeiten komplexe Ergebnisse den Stakeholdern klar und überzeugend zu kommunizieren.
• Bringen Sie Ihre Karriere voran in Führungspositionen, in denen Daten Innovation und Wachstum beeinflussen.

Mit dem nächste Kohorte ab 2. Märzjetzt ist der perfekte Zeitpunkt, den nächsten Schritt zu tun. Sie werden Teil einer Gemeinschaft von Fachleuten, die sich leidenschaftlich dafür einsetzen, Daten zur Lösung realer Probleme zu nutzen, unterstützt von fachkundigen Dozenten, die Branchenerfahrung in jede Lektion einbringen.

Wenn Sie bereit sind, von der bloßen Verwaltung von Daten zu einer positiven Wirkung überzugehen, erhalten Sie mit diesem Programm die Werkzeuge, das Selbstvertrauen und die Imaginative and prescient, um in der sich entwickelnden Welt der Datenwissenschaft führend zu sein.

Werden Sie aktiv und bewerben Sie sich noch heute

Langextrakt ist ein von Entwickler bei Google Dadurch wird es einfach, unordentliche, unstrukturierte Textual content in saubere, strukturierte Daten zu verwandeln, indem Sie LLMs nutzen. Benutzer können einige wenige Beispiele zusammen mit einem benutzerdefinierten Schema angeben und darauf basieren. Es funktioniert sowohl mit proprietärer als auch mit lokaler LLMs (über Ollama).

Eine erhebliche Menge an Daten im Gesundheitswesen ist unstrukturiert, was es zu einem idealen Bereich macht, in dem ein Device wie dieses von Vorteil sein kann. Klinische Notizen sind lang und voller Abkürzungen und Inkonsistenzen. Wichtige Particulars wie Drogennamen, Dosierungen und insbesondere unerwünschte Arzneimittelreaktionen (ADRs) werden im Textual content begraben. Daher wollte ich für diesen Artikel sehen, ob Langextract in klinischen Notizen eine nachteilige Erkennung von Arzneimittelreaktion (ADR) bewältigen könnte. Noch wichtiger ist, ist es effektiv? Lassen Sie uns in diesem Artikel herausfinden. Beachten Sie, dass Langextract zwar ein Open-Supply-Projekt von Entwicklern bei Google ist, es jedoch kein offiziell unterstütztes Google-Produkt ist.

Nur ein kurzer Hinweis: Ich zeige nur, wie Lanextraden funktioniert. Ich bin kein Arzt, und das ist kein medizinischer Rat.

hier ist detailliert Kaggle Pocket book mit folgen.

Warum ADR Extraktion wichtig ist

Ein Unerwünschte Arzneimittelreaktion (ADR) ist ein schädliches, unbeabsichtigtes Ergebnis, das durch Einnahme eines Medikaments verursacht wird. Diese können von leichten Nebenwirkungen wie Übelkeit oder Schwindel bis hin zu schwerwiegenden Ergebnissen reichen, die möglicherweise medizinische Hilfe erfordern.

Es ist entscheidend für die Patientensicherheit und die schnelle Erkennung von entscheidender Bedeutung und Pharmakovigilanz. Die Herausforderung besteht darin, dass in klinischen Notizen ADRs zusammen mit früheren Bedingungen, Laborergebnissen und einem anderen Kontext begraben werden. Infolgedessen ist es schwierig, sie zu erkennen. Die Verwendung von LLMs zur Erkennung von ADRs ist ein fortlaufender Forschungsbereich. Manche Neuere Arbeiten haben gezeigt, dass LLMs intestine darin sind, rote Fahnen zu heben, aber nicht zuverlässig. Die ADR -Extraktion ist additionally ein guter Stresstest für Langextract, da das Ziel hier darin besteht, festzustellen, ob diese Bibliothek die nachteiligen Reaktionen unter anderen Einheiten in klinischen Notizen wie Medikamenten, Dosierungen, Schweregrad usw. erkennen kann.

Wie Langextract funktioniert

Bevor wir in die Verwendung einsteigen, lasst uns Langextracts Workflow aufschlüsseln. Es ist ein einfacher dreistufiger Prozess:

1. Definieren Sie Ihre Extraktionsaufgabe Durch das Schreiben einer klaren Eingabeaufforderung, die genau angibt, was Sie extrahieren möchten.
2. Bieten Sie einige hochwertige Beispiele an Um das Modell in Richtung des von Ihnen erwarteten Codecs und Detaillierungsgrades zu führen.
3. Senden Sie Ihren Eingangstext, wählen Sie das Modell und lassen Sie es Langextract verarbeiten. Benutzer können Überprüfen Sie dann die Ergebnisse, visualisieren Sie sie oder geben Sie sie direkt in ihre nachgelagerte Pipeline ein.

Der Beamte Github -Repository des Instruments enthält detaillierte Beispiele, die mehrere Domänen umfassen, von der Entitätsextraktion in Shakespeares Romeo & Julia bis hin zu Medikamentenidennings in klinischen Notizen und Strukturierung der Radiologieberichte. Schau sie dir an.

Set up

Zuerst müssen wir die installieren LangExtract Bibliothek. Es ist immer eine gute Idee, dies innerhalb eines zu tun Virtuelle Umgebung um Ihre Projektabhängigkeiten isoliert zu halten.

pip set up langextract

Identifizierung unerwünschter Arzneimittelreaktionen in klinischen Notizen mit Langextract & Gemini

Kommen wir nun zu unserem Anwendungsfall. Für diesen Vorgang werde ich Google verwenden Gemini 2.5 Flash Modell. Sie könnten auch verwenden Gemini Professional Für komplexere Argumentationsaufgaben. Sie müssen zuerst Ihren API -Schlüssel einstellen:

export LANGEXTRACT_API_KEY="your-api-key-here"

hier ist detailliert Kaggle Pocket book mit folgen.

Schritt 1: Definieren Sie die Extraktionsaufgabe

Lassen Sie uns unsere Aufforderung zum Extrahieren von Medikamenten, Dosierungen, nachteiligen Reaktionen und Maßnahmen erstellen. Wir können auch nach Erwähnung um Schweregrad bitten.

immediate = textwrap.dedent("""
Extract medicine, dosage, hostile response, and motion taken from the textual content.
For every hostile response, embrace its severity as an attribute if talked about.
Use actual textual content spans from the unique textual content. Don't paraphrase.
Return entities within the order they seem.""")

Lassen Sie uns als nächstes ein Beispiel geben, um das Modell zum richtigen Format zu führen:

# 1) Outline the immediate
immediate = textwrap.dedent("""
Extract situation, medicine, dosage, hostile response, and motion taken from the textual content.
For every hostile response, embrace its severity as an attribute if talked about.
Use actual textual content spans from the unique textual content. Don't paraphrase.
Return entities within the order they seem.""")

# 2) Instance 
examples = (
    lx.information.ExampleData(
        textual content=(
            "After taking ibuprofen 400 mg for a headache, "
            "the affected person developed delicate abdomen ache. "
            "They stopped taking the medication."
        ),
        extractions=(
            
            lx.information.Extraction(
                extraction_class="situation",
                extraction_text="headache"
            ),
        
            lx.information.Extraction(
                extraction_class="medicine",
                extraction_text="ibuprofen"
            ),
            lx.information.Extraction(
                extraction_class="dosage",
                extraction_text="400 mg"
            ),
            lx.information.Extraction(
                extraction_class="adverse_reaction",
                extraction_text="delicate abdomen ache",
                attributes={"severity": "delicate"}
            ),
            lx.information.Extraction(
                extraction_class="action_taken",
                extraction_text="They stopped taking the medication"
            )
        )
    )
)

Schritt 2: Geben Sie die Eingabe an und führen Sie die Extraktion aus

Für die Eingabe verwende ich einen echten klinischen Satz aus dem Ade Corpus v2 Datensatz zum Umarmungsgesicht.

input_text = (
    "A 27-year-old man who had a historical past of bronchial bronchial asthma, "
    "eosinophilic enteritis, and eosinophilic pneumonia introduced with "
    "fever, pores and skin eruptions, cervical lymphadenopathy, hepatosplenomegaly, "
    "atypical lymphocytosis, and eosinophilia two weeks after receiving "
    "trimethoprim (TMP)-sulfamethoxazole (SMX) remedy."
)

Lassen Sie uns als nächstes Langextract mit dem Gemini-2,5-Flash-Modell ausführen.

end result = lx.extract(
    text_or_documents=input_text,
    prompt_description=immediate,
    examples=examples,
    model_id="gemini-2.5-flash",
    api_key=LANGEXTRACT_API_KEY 
)

Schritt 3: Zeigen Sie die Ergebnisse an

Sie können die extrahierten Einheiten mit Positionen anzeigen

print(f"Enter: {input_text}n")
print("Extracted entities:")
for entity in end result.extractions:
    position_info = ""
    if entity.char_interval:
        begin, finish = entity.char_interval.start_pos, entity.char_interval.end_pos
        position_info = f" (pos: {begin}-{finish})"
    print(f"• {entity.extraction_class.capitalize()}: {entity.extraction_text}{position_info}")

Langextract identifiziert die korrekt die unerwünschte Arzneimittelreaktion Ohne es mit den bereits bestehenden Bedingungen des Patienten zu verwechseln, was bei dieser Artwork von Aufgabe eine zentrale Herausforderung darstellt.

Wenn Sie es visualisieren möchten, wird dies erstellen .jsonl Datei. Sie können das laden .jsonl Datei durch Aufrufen der Visualisierungsfunktion und erstellt eine HTML -Datei für Sie.

lx.io.save_annotated_documents(
    (end result),
    output_name="adr_extraction.jsonl",
    output_dir="."
)

html_content = lx.visualize("adr_extraction.jsonl")

# Show the HTML content material straight
show((html_content))

Arbeiten mit längeren klinischen Notizen

Echte klinische Notizen sind oft viel länger als das oben gezeigte Beispiel. Zum Beispiel finden Sie hier eine tatsächliche Notiz aus der Ade-Corpus-V2 Datensatz unter dem MIT -Lizenz. Sie können darauf zugreifen Umarmtes Gesicht oder Zenodo.

Um längere Texte mit Langextract zu verarbeiten, führen Sie den gleichen Workflow bei, fügen jedoch drei Parameter hinzu:

Extraction_Passe Führen Sie mehrere Pässe über den Textual content aus, um weitere Particulars zu erhalten und den Rückruf zu verbessern.

Max_worker Steuerelemente parallele Verarbeitung, sodass größere Dokumente schneller behandelt werden können.

max_char_buffer Teilen den Textual content in kleinere Stücke auf, was dem Modell hilft, auch dann genau zu bleiben, wenn die Eingabe sehr lang ist.

end result = lx.extract(
    text_or_documents=input_text,
    prompt_description=immediate,
    examples=examples,
    model_id="gemini-2.5-flash",
    extraction_passes=3,    
    max_workers=20,         
    max_char_buffer=1000   
)

Hier ist die Ausgabe. Für die Kürze zeige ich hier nur einen Teil der Ausgabe.

Wenn Sie möchten, können Sie auch die URL eines Dokuments direkt an die übergeben text_or_documents Parameter.

Verwenden von Langextract mit lokalen Modellen über Ollama

Langextract ist nicht auf proprietäre APIs beschränkt. Sie können es auch mit lokalen Modellen durchführen Ollama. Dies ist besonders nützlich, wenn Sie mit Datenschutz-sensitiven klinischen Daten arbeiten, die Ihre sichere Umgebung nicht verlassen können. Sie können Ollama lokal einrichten, Ihr bevorzugtes Modell ziehen und Langextract darauf hinweisen. Vollständige Anweisungen finden Sie in der offizielle Dokumente.

Abschluss

Wenn Sie ein Informationsabrufsystem oder eine Anwendung mit Metadatenextraktion erstellen, kann Langextract Ihnen eine erhebliche Menge an Vorverarbeitungsaufwand ersparen. In meinen ADR -Experimenten führte Langextract intestine ab und identifizierte Medikamente, Dosierungen und Reaktionen korrekt. Ich habe festgestellt, dass die Ausgabe direkt von der Qualität der wenigen Schussbeispiele des Benutzers abhängt, was bedeutet, dass LLMs das schwere Heben durchführen, aber immer noch ein wichtiger Teil der Schleife bleiben. Die Ergebnisse waren ermutigend, aber da klinische Daten ein hohes Risiko sind, sind weiterhin breitere und strengere Exams in verschiedenen Datensätzen erforderlich, bevor sie zur Produktionsanwendung bewegt werden.