TL;DR: muss die Arbeit selbst klar definiert werden. Das bedeutet, die Aufgabe zu kennen, der KI den richtigen geschäftlichen Kontext zu geben, zu erklären, wie gute Arbeit aussieht, und zu entscheiden, wann die KI selbstständig vorankommen kann und wann sie menschliches Urteilsvermögen einholen sollte. In diesem Artikel werden fünf wiederverwendbare Property vorgestellt, die Groups beim Aufbau von Arbeitsabläufen unterstützen, die KI konsistent und zuverlässig unterstützen kann.

In meinem letzten Artikel, Entwerfen Sie die Arbeit neu, bevor Sie weitere KI-Agenten hinzufügenIch argumentierte, dass Unternehmen zunächst den Arbeitsablauf neu gestalten sollten, bevor sie weitere KI-Instruments und -Agenten einführen.

Sie fragen sich vielleicht: Wo sollen wir anfangen, wenn die Schaffung weiterer Agenten nicht der erste Schritt ist? Was sollte zuerst passieren, wenn ein Workforce über die individuelle Produktivität, isolierte Pilotprojekte und verstreute Demos hinausgehen und KI zu einem Teil seines Produktlebenszyklus und seiner täglichen Abläufe machen möchte?

Je mehr Projekte zur KI-Workflow-Aktivierung ich arbeite, desto mehr bin ich davon überzeugt, dass das fehlende Teil die Vorbereitung des Workflows selbst ist.

Bevor die KI eine wiederkehrende Arbeit zuverlässig ausführen kann, muss jemand definieren, um welche Arbeit es sich handelt, warum sie existiert, welche Informationen wichtig sind, wie ein erfolgreiches Ergebnis aussieht und wo die KI aufhören und nach menschlichem Urteilsvermögen fragen muss.

Die Realität sieht heute so aus, dass diese Vorbereitung selten dokumentiert wird. Die meisten Groups springen direkt zu Eingabeaufforderungen und Agenten. Viele glauben, dass der Zugang von Groups zu erweiterten Modellen zu besseren Ergebnissen führen wird. Hier ist der kontraintuitive Teil: Je besser das Modell funktioniert, desto kostspieliger können die fehlenden Definitionen werden.

Der Unterschied besteht darin, wie Sie fragen. Eine Chat-Interaktion beginnt mit der Aufforderung: „Analysieren Sie dies.“ „Machen Sie eine Präsentation.“ „Fassen Sie diese Dateien zusammen.“

Ein betrieblicher Arbeitsablauf beginnt mit einem klar definierten Auftrag. Welches Ergebnis ist erforderlich? Welche Quellen sind maßgeblich? Welche Entscheidungen kann KI selbstständig treffen? Wie sieht eine bestandene Ausgabe aus? Wann sollte die KI aufhören und um Hilfe bitten?

In diesem Artikel möchte ich zeigen, was Sie tun können, bevor Sie wiederkehrende Arbeiten einem KI-Assistenten oder Agenten übergeben. Für Ihr Workforce kann die Arbeit mit diesen fünf wiederverwendbaren Property beginnen. Anstatt weiterhin bessere Eingabeaufforderungen zu sammeln, erstellen Sie diese Property, verbessern Sie sie durch praktische Nutzung und übertragen Sie sie im Laufe der Zeit auf die KI-Modelle und -Instruments, die Sie übernehmen.

1. Das wiederholte Arbeitsvermögen

Finden Sie die Aufgaben, die regelmäßig anfallen, viel Zeit in Anspruch nehmen, wiederholbaren Schritten folgen, die gleichen Eingabetypen verwenden oder genügend Wert oder Risiko bergen, um einen wiederverwendbaren KI-Workflow zu rechtfertigen.

Dabei kann es sich um einen wöchentlichen Bericht, einen monatlichen Geschäftsbericht, einen Kundenvorschlag, eine Vertragsprüfung, ein Produkteinführungspaket oder einen vierteljährlichen Planungsprozess handeln.

Sie benötigen eine einfache Bestandsaufnahme darüber, wie Sie und Ihr Workforce Ihre Zeit verbringen, welche Arbeiten sich wiederholen und wo ein wiederverwendbarer Prozess hilfreich sein könnte. Die Liste der wiederholten Arbeiten hilft Ihnen bei der Auswahl von Aufgaben nach Häufigkeit, Aufwand, Risiko und Wert.

You might be my workflow group assistant.

Based mostly on the work description under, determine the recurring duties which are most fitted for AI.

Necessities:

1. Embody duties that:
- Repeat commonly
- Comply with a constant course of
- Eat significant time
- Carry a excessive threat of avoidable errors
- Or rely on repeated evaluation, drafting, evaluation, or coordination

2. For every activity, state:
- The particular motion
- How typically it occurs
- Required enter
- Anticipated output
- Analysis customary
- Time at present required
- Important supply of problem or error

3. Classify every activity as:
- Higher fitted to a one-time AI dialog
- Higher fitted to a reusable workflow or agent
- Higher saved primarily human-led

4. Clarify why you chose every classification.

5. Keep away from basic recommendation. Use particular actions.

My work description:

(Paste your description right here)

2. Das Aufgaben-Asset

Die meisten Leute geben das Thema vor und überlassen den Relaxation der KI. Sie bitten die KI, „die Daten zu analysieren“, „die Präsentation vorzubereiten“ oder „die Dokumente zusammenzufassen“. Das Modell muss dann Zielgruppe, Entscheidung, Format, Quellenpriorität, Detaillierungsgrad und Qualitätsschwelle ableiten.

KI ergänzt fehlende Informationen oft selbstständig. Wenn diese Annahmen falsch sind, kann die Ausgabe zwar zuversichtlich klingen, aber dennoch in die falsche Richtung weisen.

Ein Aufgaben-Asset hilft dabei, diese versteckten Annahmen zu beseitigen. Es verwandelt eine vage Anfrage in einen Auftrag, den die KI ausführen kann. Definieren Sie das Ziel, die Zielgruppe, die Materialien, die Einschränkungen, die Schritte, wie intestine aussieht und wann das System anhalten und nachfragen soll. Es gibt Ihnen auch etwas Konkretes, das Sie überprüfen können, bevor Sie der KI mehr Verantwortung übertragen.

Convert the obscure request under right into a activity bundle that AI can execute.

Output:

- Goal
- Enterprise function
- Viewers
- Choice or motion this work ought to assist
- Supplies to make use of
- Authoritative sources
- Reference-only sources
- Constraints
- Execution steps
- Required output format
- What an excellent outcome seems like
- Acceptance standards
- Dangers I would like to substantiate
- Info that's nonetheless lacking
- When you need to cease and ask me

My request:

(Paste your request right here)

3. Das Kontext-Asset

Der Kontext hilft der KI zu erkennen, was wichtig ist. Groups können sich neu organisieren, Prioritäten können sich ändern, Ergebnisse werden aktualisiert, Richtlinien werden neu geschrieben und die Informationen, auf die Sie sich vor sechs Monaten verlassen haben, können veraltet sein. Ein nützlicher Kontext teilt der KI mit, was sie weiß und was sie noch überprüfen muss.

Hören Sie auf, Ihre Arbeit in jedem Gespräch neu zu erklären. Ein kurzes Dokument kann darlegen, wer Sie sind, woran Sie arbeiten, welchen Quellen Sie vertrauen können, wie Sie Entscheidungen treffen und welche Artwork von Ergebnis Sie niemals wollen.

Ein nützlicher Kontext sollte nicht zum Spülbecken für alles werden, was jemals passiert ist. Halten Sie es kurz und aktuell. Werfen Sie nicht den monatelangen Chatverlauf in den Kontext, denn veraltete Particulars und nicht zusammenhängende Gespräche können die wertvollen Informationen verdecken.

Create a concise challenge context doc for AI.

I'll reuse it in ongoing AI duties so I don't want to elucidate the identical context every time.

Embody:

1. Who I'm
2. What I'm at present engaged on
3. My present goal
4. My audience
5. The choices I'm attempting to assist
6. How I normally work
7. The instruments and supplies I generally use
8. My most popular output model
9. The forms of output I dislike
10. Issues I can't say, publish, share, or do
11. Which sources are reliable
12. Which sources are for reference solely
13. Essential definitions or enterprise guidelines
14. Information which will expire or change
15. Info that have to be confirmed earlier than use
16. The date this doc was final up to date

Maintain it quick, exact, and related.

Separate steady info from momentary info.

Flag something which will must be up to date throughout the subsequent 30, 60, or 90 days.

My background:

(Paste your info right here)

4. Das Abnahmetest-Asset

Sie müssen wissen, wie ein Fehler aussieht, bevor die KI-Ausgabe an einen Kunden, ein Produktionssystem oder die Öffentlichkeit geht. Testen Sie den KI-Agenten anhand vorhandener Beispiele, bevor Sie ihn für wiederkehrende Arbeiten verwenden. Verwenden Sie Beispiele aus Ihrer eigenen Arbeit, einschließlich derer, die Sie akzeptiert und abgelehnt haben.

Akzeptanztests verwandeln Ihre Erwartungen in etwas, das Sie überprüfen können. Sie zeigen sowohl Ihnen als auch der KI, wie ein gutes Ergebnis aussieht. Beispiele, die Sie akzeptiert und abgelehnt haben, machen es einfacher, den Unterschied zwischen einer Ausgabe, die sicher klingt, aber falsch ist, und einer Ausgabe, die Sie verwenden können, zu erkennen.

I wish to assign this activity to AI on a recurring foundation.

Create an acceptance-test set for it.

Activity:

(Describe the duty)

Accepted examples:

(Paste a number of outputs I authorized and clarify why)

Rejected examples:

(Paste a number of outputs I rejected and clarify why)

Use these examples to determine the standard customary.

Don't invent a top quality customary that's unsupported by the examples.

Establish any customary that I nonetheless have to outline.

Present:

1. 5 check examples
2. The passing standards for every instance
3. The proof required to substantiate that every case handed
4. Widespread errors
5. The way to detect fabrication or unsupported conclusions
6. The way to detect use of outdated or unauthorized sources
7. Conditions that have to be given to an individual for judgment
8. Any unresolved high quality customary that requires my choice

Embody:

- A traditional case
- A missing-information case
- A conflicting-information case
- A tough edge case
- A case requiring human judgment

5. Das Berechtigungs-Asset

Ein Mensch-Agenten-System funktioniert am besten, wenn jeder weiß, wo die Grenzen liegen: Was die KI alleine tun kann, was sie auf Ihre Zustimmung vorbereiten kann und was sie niemals alleine tun sollte. KI kann die manuellen Wiederholungsarbeiten erledigen, Sie genehmigen die wichtigen Empfehlungen und es gibt eine Aufzeichnung darüber, wie das Endergebnis entstanden ist.

Es ist auch entscheidend für irreversible Handlungen. Das Löschen einer Datei, das Ändern eines Produktionssystems, die Genehmigung eines Kaufs oder die öffentliche Veröffentlichung von etwas kann Konsequenzen haben, die schwer rückgängig zu machen sind.

Dieser Vermögenswert kann zu Ihrem persönlichen Mensch-Agenten-System werden. Es definiert, was der Agent erledigen kann, was noch Ihrer Zustimmung bedarf, welche Daten er verwenden darf und wo Sie die Verantwortung behalten. Außerdem werden die getroffenen Annahmen, die Änderungen und die Particular person, die das Endergebnis genehmigt hat, aufgezeichnet.

Create a permission coverage for this AI workflow.

My recurring duties:

(Describe the duties)

Divide all actions into three classes:

1. AI might do that straight
2. AI might put together a draft, however I need to approve it
3. AI might by no means do that straight

For every exercise:

- Give one particular instance
- State when AI should cease and ask me
- Establish any irreversible motion
- State which information or methods AI might entry
- State which information or methods AI might by no means entry
- State whether or not the motion have to be logged
- State what proof have to be retained for evaluation
- State who's accountable for the ultimate outcome

Pay specific consideration to:

- Sending emails
- Deleting recordsdata
- Modifying manufacturing methods
- Buying something
- Publishing publicly
- Contacting different folks
- Making last choices for me
- Accessing confidential info
- Utilizing worker, buyer, monetary, or authorized information
- Altering supply information
- Approving transactions
- Creating exterior commitments

Die fünf Vermögenswerte nutzen

Sobald Sie über diese fünf Property verfügen, kann eine Grasp-Eingabeaufforderung sie in einem wiederverwendbaren Workflow zusammenführen.

I wish to use you as an AI assistant that may full advanced work.

Don't execute the duty but.

Based mostly on the supplies I present, create a reusable workflow.

Outline:

1. The usual enter
2. The usual output
3. The steps between enter and output
4. Which steps AI can carry out straight
5. Which steps require my approval
6. Which steps should stay human-led
7. The acceptance customary
8. The permission limits
9. The sources AI might use
10. The proof that have to be retained
11. A minimal working model I can check right this moment
12. The dangers I ought to resolve earlier than growing entry or automation

My activity:

(Describe the duty)

My supplies:

(Record or connect the supplies)

Letzter Gedanke

Entwerfen Sie die Arbeit neu, bevor Sie weitere KI-Agenten hinzufügen legt die fünf Führungsentscheidungen dar, die vor der Skalierung von KI-Agenten getroffen werden müssen. Wenn Sie das, was Ihr Workforce bereits weiß, in wiederverwendbare Property packen, wird diese Strategie in die Tat umgesetzt. Diese fünf Vorteile bieten Ihnen eine praktische Möglichkeit, mit KI Mehrwert zu schaffen.

Bevor Sie KI-Agenten weitere Aufgaben zuweisen, dokumentieren Sie, was sie tun müssen. Beginnen Sie mit einer definierten Aufgabe, einer zuverlässigen Eingabe, einer Standardausgabe und einem Genehmigungspunkt. Führen Sie reale Beispiele durch. Vergleichen Sie die Ausgabe mit Ihren akzeptierten und abgelehnten Fällen. Schließen Sie die Lücken, bevor Sie mehr Zugriff, mehr Schritte oder mehr Autonomie hinzufügen.

Jemand, der nur Eingabeaufforderungen sammelt, bittet das Modell, zu raten. Modelle, Lizenzen und Plattformen werden sich ständig ändern. Der Wert liegt darin, das, was Ihr Workforce bereits weiß, in Arbeit umzuwandeln, die die KI wiederholen, die Leute überprüfen und auf die sich das Unternehmen verlassen kann. Es erfordert einen klar definierten Arbeitsablauf, Qualitätsstandards, die richtigen Quellen und den richtigen Kontext sowie klare Punkte, an denen die KI aufhören muss.

Geben Sie ihm nur „Hilf mir dabei“ und er kann nur raten. Geben Sie der KI die Szene, die Materialien und die Requirements, und sie kann ausführen. Dies ist der Zeitpunkt, an dem die KI-Transformation vom Experiment zum praktischen Geschäftswert übergeht.

* Anmerkung des Autors: Alle Bilder in diesem Artikel wurden vom Autor mit KI-Instruments erstellt.

# Einführung

Python frisst die Welt. Seit seiner Einführung vor über 35 Jahren hat sich Python erfolgreich in die Herzen von Programmierern auf der ganzen Welt gedrängt. Python ist eine leistungsstarke Allzweck-Programmiersprache mit einer einfachen Syntax, einer umfassenden Benutzergemeinschaft und einer Vielzahl unterstützender Bibliotheken in ihrem Ökosystem. Dies hat dazu beigetragen, es zu einer der bevorzugten Sprachen für Datenwissenschaft, maschinelles Lernen und KI zu machen. Darüber hinaus ist Python einfach um damit anzufangen (relativ gesehen). Lassen Sie sich jedoch nicht täuschen; Sie können noch Jahre damit verbringen, Ihre Fähigkeiten zu verbessern und die Kernmechanismen der Sprache zu beherrschen. Deshalb sind wir heute hier.

In einem früheren Artikelhaben wir unsere ersten fünf unverzichtbaren Python-Konzepte behandelt: Listenverständnisse und Generatorausdrücke; Dekorateure; Kontextmanager (with Aussagen); beherrschen *args Und **kwargs; und Dunder-Methoden (magische Methoden). Werfen wir nun einen Blick auf fünf weitere grundlegende Konzepte, die jeder Python-Entwickler in seinem Toolkit haben sollte.

# 1. Geben Sie Hinting & MyPy ein

Python ist dynamisch typisiert, was bedeutet, dass es nicht notwendig ist, Variablentypen zu deklarieren. Dies erleichtert zwar das Fast Prototyping erheblich, kann jedoch mit der Skalierung Ihrer Codebasis zu einem Wartungsalbtraum werden. Ohne Typsicherheit kann ein einfacher Tippfehler oder ein nicht übereinstimmender Rückgabewert zu Laufzeitabstürzen in der Produktion führen. Die Lösung ist die von Python Schreibmodulmit dem Sie Ihren Code mit Anmerkungen versehen können, und MyPyein statischer Typprüfer, der Ihre Codebasis vor der Ausführung auf Fehler durchsucht.

// Der klobige Weg

Schauen wir uns eine typische, untypisierte Python-Funktion an, bei der wir die erwarteten Typen erraten müssen:

def process_user_profile(user_info):
    # What keys are inside user_info? Is age an int or a string?
    identify = user_info.get("identify", "Visitor")
    age = user_info.get("age", 0)
    tags = user_info.get("tags", ())
    
    # Susceptible to runtime error if tags is just not an iterable of strings
    return f"{identify} is {age} years outdated and tagged with: {', '.be a part of(tags)}"

# A runtime crash ready to occur if we go numbers within the tags record
print(process_user_profile({"identify": "Alice", "age": "twenty", "tags": (1, 2)}))

Ausgabe:

Traceback (most up-to-date name final):
  File "./testing.py", line 11, in 
    print(process_user_profile({"identify": "Alice", "age": "twenty", "tags": (1, 2)}))
          ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
  File "./testing.py", line 8, in process_user_profile
    return f"{identify} is {age} years outdated and tagged with: {', '.be a part of(tags)}"
                                                         ^^^^^^^^^^^^^^^
TypeError: sequence merchandise 0: anticipated str occasion, int discovered

// Der pythonische Weg

Werfen wir nun einen Blick auf die Pythonic-Methode mit expliziten Typanmerkungen und einem strukturierten Schema:

from typing import TypedDict

class UserProfile(TypedDict):
    identify: str
    age: int
    tags: record(str)

def process_user_profile(user_info: UserProfile) -> str:
    identify = user_info.get("identify", "Visitor")
    age = user_info.get("age", 0)
    tags = user_info.get("tags", ())
    return f"{identify} is {age} years outdated and tagged with: {', '.be a part of(tags)}"

# Right name matching the TypedDict schema
print(process_user_profile({"identify": "Alice", "age": 28, "tags": ("Pythonist", "Engineer")}))

# Unhealthy name that shall be caught by static evaluation
process_user_profile({"identify": "Bob", "age": "thirty", "tags": (10, 20)})

Ausgabe beim Ausführen der statischen MyPy-Analyse über mypy <script_name.py>:

testing.py:18: error: Incompatible sorts (expression has kind "str", TypedDict merchandise "age" has kind "int")  (typeddict-item)
testing.py:18: error: Listing merchandise 0 has incompatible kind "int"; anticipated "str"  (list-item)
testing.py:18: error: Listing merchandise 1 has incompatible kind "int"; anticipated "str"  (list-item)
Discovered 3 errors in 1 file (checked 1 supply file)

Durch die Verwendung von Typanmerkungen wird Ihr Code selbstdokumentierend, sodass IDEs eine einwandfreie automatische Vervollständigung ermöglichen und Fehler sofort hervorheben können. Durch die Integration von MyPy in Ihre CI/CD-Pipeline wird sichergestellt, dass Typkonflikte blockiert werden, bevor Ihr Code auch nur annähernd in die Produktion gelangt.

# 2. Funktionale Programmiertools

Während Python in erster Linie objektorientiert ist, verfügt es über starke funktionale Programmierfähigkeiten. Beherrschung von Werkzeugen wie map(), filter()und die Standardbibliotheken itertools-Modul ermöglicht Ihnen die elegante, hocheffiziente Bearbeitung großer Datenmengen und mit minimalem Speicherverbrauch.

// Der klobige Weg

Nehmen wir an, wir haben Transaktionsdaten und möchten diese sortieren, nach Abteilung gruppieren und die Transaktionswerte für jede Abteilung summieren. Die Verwendung grundlegender Schleifen erfordert viel manuelle Wörterbuchverwaltung:

transactions = (
    {"dept": "IT", "quantity": 100},
    {"dept": "HR", "quantity": 50},
    {"dept": "IT", "quantity": 200},
    {"dept": "HR", "quantity": 150},
)

# Guide grouping and summing
grouped_data = {}

for t in transactions:
    dept = t("dept")
    if dept not in grouped_data:
        grouped_data(dept) = 0
    grouped_data(dept) += t("quantity")

print(grouped_data)

// Der pythonische Weg

Mithilfe funktionaler Instruments können wir Gesamtwerte in einer sauberen Pipeline sortieren, gruppieren und berechnen. Wir werden auch verwenden itertools.chain So reduzieren Sie verschachtelte Iterables ohne Kopieraufwand:

from itertools import groupby, chain
from operator import itemgetter

transactions = (
    {"dept": "IT", "quantity": 100},
    {"dept": "HR", "quantity": 50},
    {"dept": "IT", "quantity": 200},
    {"dept": "HR", "quantity": 150},
)

# groupby requires the record to be pre-sorted by the grouping key
sorted_tx = sorted(transactions, key=itemgetter("dept"))

# Group and sum elegantly in a single comprehension
department_totals = {
    dept: sum(t("quantity") for t in group)
    for dept, group in groupby(sorted_tx, key=itemgetter("dept"))
}

print(department_totals)

# The "must-know" twist: Flattening lists immediately with itertools.chain
nested_ids = ((101, 102), (201, 202), (301))
flat_ids = record(chain.from_iterable(nested_ids))

print(f"Flattened: {flat_ids}")

Ausgabe:

{'HR': 200, 'IT': 300}
{'HR': 200, 'IT': 300}
Flattened: (101, 102, 201, 202, 301)

Funktionale Pipelines sind nicht nur sauberer, sondern oft auch schneller, da die Iteration auf hochoptimierte C-Degree-Interna übertragen wird. Darüber hinaus sind Instruments wie chain Verarbeiten Sie Elemente träge und halten Sie so den Speicheraufwand gering.

# 3. Klassen und Vererbung

Python unterstützt die Mehrfachvererbung, sodass eine Klasse von mehreren übergeordneten Klassen erben kann. Dies führt jedoch den Klassiker ein Diamantproblemwobei Python herausfinden muss, welche Methode der übergeordneten Klasse zuerst ausgeführt werden soll. Um diese kooperative Vererbung zu verwalten, verwendet Python einen Algorithmus namens C3-Linearisierung um die zu berechnen Methodenauflösungsreihenfolge (MRO).

// Der klobige Weg

Das Aufrufen von Basiskonstruktoren durch expliziten Verweis auf die Namen der übergeordneten Klassen unterbricht die kooperative Vererbungskette und führt dazu, dass Basisklassen mehrmals initialisiert werden:

class Base:
    def __init__(self):
        print("Base Init")

class A(Base):
    def __init__(self):
        Base.__init__(self)
        print("A Init")

class B(Base):
    def __init__(self):
        Base.__init__(self)
        print("B Init")

class C(A, B):
    def __init__(self):
        A.__init__(self)
        B.__init__(self)
        print("C Init")

# Base init will run twice
c = C()

Ausgabe:

Base Init
A Init
Base Init
B Init
C Init

// Der pythonische Weg

Nutzung der kooperativen Vererbung mit tremendous() stellt sicher, dass jeder Konstruktor in der Vererbungskette genau einmal aufgerufen wird, wobei die berechnete MRO-Liste berücksichtigt wird:

class Base:
    def __init__(self):
        print("Base Init")

class A(Base):
    def __init__(self):
        tremendous().__init__()
        print("A Init")

class B(Base):
    def __init__(self):
        tremendous().__init__()
        print("B Init")

class C(A, B):
    def __init__(self):
        tremendous().__init__()
        print("C Init")

# Base Init runs precisely as soon as
c = C()

# Inspecting the Technique Decision Order (MRO)
print("nMethod Decision Order:")

for cls in C.__mro__:
    print(f" -> {cls}")

Ausgabe:

Base Init
B Init
A Init
C Init

Technique Decision Order:
 -> <class '__main__.C'>
 -> <class '__main__.A'>
 -> <class '__main__.B'>
 -> <class '__main__.Base'>
 -> <class 'object'>

Beachten Sie, dass bei der kooperativen Vererbung tremendous().__init__() innen A ruft tatsächlich den Konstruktor von auf Bnicht Base. Das liegt daran tremendous() sucht im berechneten MRO nach der nächsten Klasse und macht die dynamische Mehrfachvererbung vorhersehbar und sturdy.

# 4. Strukturmusteranpassung

Seit Jahren verlassen sich Python-Entwickler auf umfangreiche if-elif-else Blöcke zum Weiterleiten von Logik basierend auf Datenformen. Dies funktioniert zwar, führt jedoch zu ausführlichem, schwer zu wartendem Code, wenn es um komplexe verschachtelte Strukturen wie JSON-Nutzlasten oder geparste Syntaxbäume geht. Python 3.10 eingeführt Strukturmustervergleich über match/case. Es handelt sich bei weitem nicht um eine einfache Change-Anweisung, sondern um ein leistungsstarkes Dekonstruktionstool, das sowohl die Werte als auch die Type Ihrer Daten anpasst.

// Der klobige Weg

Angenommen, wir verarbeiten eingehende API-Ereignisnachrichten. Wir müssen ihren Typ analysieren, ihre Struktur überprüfen und innere Werte extrahieren:

def handle_event(occasion):
    if not isinstance(occasion, dict):
        return "Invalid occasion format"
    
    event_type = occasion.get("kind")
    
    if event_type == "login":
        consumer = occasion.get("consumer")
        if consumer:
            return f"Person {consumer} logged in"

    elif event_type == "fee":
        quantity = occasion.get("quantity")
        forex = occasion.get("forex", "USD")
        if isinstance(quantity, (int, float)):
            return f"Fee of {quantity} {forex} processed"

    elif event_type == "logout":
        return "Person logged out"
        
    return "Unknown or malformed occasion"

// Der pythonische Weg

Hier ist der elegante, deklarative Ansatz mit match Und case um Muster abzugleichen und verschachtelte Variablen in einem Schritt zu extrahieren:

def handle_event(occasion: dict) -> str:
    match occasion:
        case {"kind": "login", "consumer": str(consumer)}:
            return f"Person {consumer} logged in"
            
        case  float(amt), "forex": str(curr):
            return f"Fee of {amt} {curr} processed"
            
        case  float(amt):
            # Fallback for fee if forex is lacking (defaulting to USD)
            return f"Fee of {amt} USD processed"
            
        case {"kind": "logout"}:
            return "Person logged out"
            
        case _:
            return "Unknown or malformed occasion"

print(handle_event({"kind": "fee", "quantity": 250, "forex": "EUR"}))
print(handle_event({"kind": "login", "consumer": "Alice"}))
print(handle_event({"kind": "fee", "quantity": "invalid"}))

Ausgabe:

Fee of 250 EUR processed
Person Alice logged in
Unknown or malformed occasion

Struktureller Mustervergleich bindet Variablen (wie consumer oder amt) nur dann im laufenden Betrieb, wenn das Muster erfolgreich übereinstimmt, wodurch die Boilerplate-Extraktion und die Validierungslogik entfallen. Dies ist besonders nützlich beim Erstellen von Compilern, Zustandsmaschinen und komplexen Datenaufnahmepipelines.

# 5. Virtuelle Umgebungen und Abhängigkeitsmanagement

Jeder Python-Entwickler beginnt mit der globalen Set up von Paketen mithilfe von pip set up package_name. Im Laufe der Zeit erfordern verschiedene Projekte widersprüchliche Versionen von Bibliotheken, was zur Abhängigkeitshölle führt. Während standardmäßige virtuelle Umgebungen und grundlegende necessities.txt Dateien bieten eine rudimentäre Isolation, es fehlen ihnen Sperrdateien, um sicherzustellen, dass die transitiven (Unter-)Abhängigkeiten in allen Umgebungen vollständig deterministisch sind. Um robuste, reproduzierbare Systeme aufzubauen, sollten Sie auf moderne Verwaltungstools wie migrieren Poesie oder Conda.

// Der moderne Anwendungsstandard (Poesie)

Poesie Konsolidiert Konfiguration, Paketierung und Abhängigkeiten in einem einzigen, sauberen Paket pyproject.toml Datei und unterhält eine strenge poetry.lock um den gesamten Umgebungsbaum bis auf die Prüfsumme jedes einzelnen Unterpakets einzufrieren:

(device.poetry.dependencies)
python = "^3.10"
requests = "^2.31.0"
pandas = "^2.1.0"

Und hier sind die Befehle zum Erstellen, Sperren und Ausführen von Umgebungen:

$ poetry init
$ poetry set up
$ poetry run python principal.py

// Der moderne Knowledge Science Customary (Conda)

Für moderne Knowledge-Science-Workloads sind Pakete oft auf Nicht-Python-Binärdateien angewiesen (wie C++-Bibliotheken, CUDA-Treiber oder BLAS-Suiten für lineare Algebra). Conda ist ein Umgebungs- und Paketmanager, der diese Binärdateien nahtlos isolieren und bereitstellen kann. Innerhalb eines atmosphere.yaml Datei:

identify: ml_env
channels:
  - conda-forge
dependencies:
  - python=3.10
  - numpy=1.24
  - pytorch-gpu

Hier sind die Befehle zum Erstellen und Aktivieren einer binärsicheren Umgebung:

$ conda env create -f atmosphere.yml
$ conda activate ml_env

Ausgabebeispiel (beim Ausführen poetry):

Resolving dependencies...
Writing lock file...
Efficiently locked 24 dependencies.

Wenn Sie über die Customary-Pip-Set up hinaus auf Poetry oder Conda umsteigen, wird sichergestellt, dass Ihre Anwendungs- oder Knowledge-Science-Pipeline auf dem Laptop Ihres Kollegen und in der Produktions-Cloud genauso funktioniert wie auf Ihrem lokalen Laptop computer.

# Zusammenfassung

Die Beherrschung dieser fünf Konzepte markiert den Übergang vom Schreiben von Skripten zum Erstellen von Software program. Durch die Verwendung von Typhinweisen für die Sicherheit der Codebasis, die Auswahl der richtigen Parallelitätsmodelle für Geschwindigkeit, die Nutzung funktionaler Instruments für elegante Datenflüsse, die Berücksichtigung des MRO in objektorientierten Strukturen und die Einführung moderner Umgebungssysteme für Reproduzierbarkeit heben Sie Ihr Python-Toolkit auf professionelle technische Requirements.

Matthew Mayo (@mattmayo13) hat einen Grasp-Abschluss in Informatik und ein Diplom in Knowledge Mining. Als geschäftsführender Herausgeber von KDnuggets & Statistikund Mitherausgeber bei Beherrschung des maschinellen LernensZiel von Matthew ist es, komplexe datenwissenschaftliche Konzepte zugänglich zu machen. Zu seinen beruflichen Interessen zählen die Verarbeitung natürlicher Sprache, Sprachmodelle, Algorithmen für maschinelles Lernen und die Erforschung neuer KI. Seine Mission ist es, das Wissen in der Datenwissenschaftsgemeinschaft zu demokratisieren. Matthew programmiert seit seinem sechsten Lebensjahr.

Warum ist ein multimilitärischer Tech-Företag wie Apple nach der KI-Erfahrung?

2026 markiert das 50-jährige Jubiläum von Apples und beginnt mit der Planung. Mindestens 15 Jahre nach der Produkteinführung wurde mir eines der intensivsten Produkte in der modernen Apples-Geschichte zuteil.

Apple hat tatsächlich einen Fehler gemacht egna spåkmodeller – Sie benötigen ein 3-Millionen-Parameter-Modell, das Sie direkt auf den Server bringen und ein serverbasiertes Modell für Ihr Unternehmen erstellen können. Männer trots att the tekniskt sett har egen AI-teknik ligger de fortfarande rejält after konkurrenterna.

Varför Apple nutzt KI-Momentum

Sen molnsatsning och integritet-först: Apple priorisiert On-Gadget-AI und Personal Cloud Compute und wird daher für die Integration in den gesamten LLM-Bereich als konkurrenzfähiger Treiber verwendet. Dies bedeutet, dass das Modell nicht mehr benötigt wird und dass die erforderliche Leistung nicht gewährleistet ist.​

Bitte beachten Sie, dass die Anfangsbuchstaben folgender sind: Apple Intelligence verkaufte das A17 Professional oder die M-Serie, hat den verfügbaren Speicherplatz verloren und verfügt über einen „Marknadssynlig-Effekt“, der mit dem nächsten Konto verbunden ist. Um bis zum Jahr 2025 erfolgreich zu sein, wird die weltweite Einführung nicht mehr möglich sein.​

Externer Betreff: Apple unterstützt und unterstützt OpenAI, Anthropic und Google, um den Siri-Förderer anzusteuern und ihn auf einem neuen Modell zu präsentieren. Der Berichterstatter bemerkte, dass Google-Mitglieder Gemini mit der Planung beschäftigt haben und sich in den nächsten Generationen von Siri ernähren.

Ledarskap, omorganisationer och kvalitet: Sie erhalten eine Beschreibung innerhalb des Siri-Groups, die Organisation und die Bereitstellung von Hebeln, damit der Chefkoch sie erreichen kann.

Apple hat seine KI-Strategie im Jahr 2025 angekündigt, und Tim Prepare dinner hat gesagt, dass es sich bei Apple um eine radikale Herausforderung für die reguläre M&A-Strategie von Apple handelt. Darüber hinaus ist es wichtig, dass Sie eine interne Fortführungskonkurrenz durchführen, um dies zu verhindern.

Apples AI-Framtid: Kommandiert AI-bezogene Produkte und Produkte

Apple Intelligence blir kraftfullare

Äpfel sitzen auf künstlicher Intelligenz, sozusagen Apple Intelligence fortsätter att utvecklas snabbt. Im Laufe der Zeit im Jahr 2025 werden wir viele weitere Aktualisierungen vornehmen, damit das System nicht mehr verfügbar und verfügbar ist.

Bei der meisten verfügbaren Funktion handelt es sich um Visible Intelligence, die nicht identifiziert werden kann oder nicht, um sogar einen Kalender von einem Accomplice zu erhalten und Informationen über die Kamera zu erhalten. Für das iPhone 16 müssen Sie die Funktion aktivieren, indem Sie die Kamerasteuerung aktivieren.

Die neue Siri: Ein Recreation Changer im Jahr 2026

Der Grund dafür ist, dass es sich um eine neue Model von Siri handelt, die im Jahr 2026 veröffentlicht wurde. Es ist nur noch eine kurze Aktualisierung erforderlich, und es handelt sich um eine vollständige Transformation durch den Röstassistenten, die Apple mit der Zeit abgeschlossen hat.​

Bloomberg hat Apple gebeten, ein Produkt mit Google zu kaufen, das etwa 1 Million US-Greenback professional Jahr kostet, um eine Passversion des Gemini-Modells von Google zu erwerben. Denn das Modell hat 1,2 Milliarden Parameter und ist damit mehr als 150 Millionen Parameter wert.

Good Dwelling Show: Äpfel neue Kategorien

Mittlerweile sind die meisten neuen Produkte verfügbar Äpfel werden auf dem Show angezeigtwie geplant im Jahr 2026. Diese Apples sind auf Amazon Echo Present und Google Nest Hub verfügbar und werden in den nächsten zehn Jahren als Marktführer eingesetzt.​

Apple Imaginative and prescient Professional wird voraussichtlich im Jahr 2025 mit dem M5-Chip aufgerüstet. Der neue Prozessor verfügt über 50 Prozent sichere KI-Unterstützung und ermöglicht die Darstellung von Augmented-Actuality-Inhalten im Inneren.​

Apple hat für das Jahr 2026 eine KI-aktive intelligente Glasscheibe entwickelt. Diese Glasscheibe kommt mit einer Kamera, einem Mikrofon und einer Halterung, ähnlich wie Metas Ray-Ban-Glasscheibe, mit Unterstützung für den Siri-Assistenten.​

Es gibt Spekulationen darüber, ob Apple in eine Kamera integriert werden kann Apple TV Für FaceTime oder AI-Funktionen als Benutzeroberfläche.

MacBook-Serie mit KI-Enhance

Im Jahr 2026 kaufte Apple ein MacBook Air mit M5-Chip, ein MacBook Professional mit M5 Professional und M5 Max-Chip. Empfohlenes MacBook Professional-Modell mit M6 Professional- und M6 Max-Chip, integriertem Gehäuse, Show und OLED-Show.

Die Schlampe im Jahr 2025 und im Jahr 2026 conflict eine äußerst spannende Zeit für Apple-Followers und Technik-Enthusiasten. Wir können unsere leistungsstarken KI-Funktionen in allen Betriebssystemen mit dem M5-Chip und der Unterstützung von Apple Intelligence, der Siri-Steuerung durch das Gemini-Modell von Google, Apples intelligentem Show, dem iPhone, einem KI-aktivierten Glas und mehr nutzen.

Weitere Informationen:

1. MacRumors – Apple wird diese neuen Produkte im Jahr 2026 auf den Markt bringen
2. Wikipedia – Apple Intelligence

Canva, der visuelle Design-Riese, hat seine KI-Kapazitäten strategisch erweitert, indem er Leonardo.ai übernommen hat, ein bahnbrechendes Startup für generative KI-Inhalte und -Forschung. Die finanziellen Particulars bleiben zwar geheim, aber laut Cameron Adams, Mitbegründer und Chief Product Officer von Canva, handelte es sich bei der Transaktion um eine Kombination aus Bargeld und Aktien. Diese Übernahme ist nicht nur eine Fusion von Technologie, sondern auch von Talenten, da alle 120 Mitarbeiter von Leonardo.ai, einschließlich des Führungsteams, in den Betrieb von Canva integriert werden.

Ursprünglich 2022 in Sydney mit dem Schwerpunkt auf der Entwicklung von Property für Videospiele gegründet – ein Sektor, in dem die Gründer ihre anfängliche Experience erworben hatten –, hat Leonardo.ai schnell eine breitere Imaginative and prescient entwickelt. Das Startup hat seine Plattform weiterentwickelt, um eine Vielzahl von Branchen, darunter Mode, Werbung und Architektur, zu unterstützen, indem es KI-Modelle erstellt und trainiert, die auf die Bildgenerierung zugeschnitten sind. Heute zeichnet sich Leonardo.ai durch seine robusten Angebote aus, die kollaborative Instruments, eine speziell für Modelle entwickelte personal Cloud und Zugriff auf APIs umfassen, die es Kunden ermöglichen, ihre eigenen technologischen Frameworks auf der innovativen Plattform von Leonardo.ai aufzubauen.

Warum Canva sich für Leonardo.ai entschieden hat

Leonardo.ai hebt sich von der Masse der generativen KI-Kunstplattformen durch seinen einzigartigen Ansatz zur Benutzerermächtigung ab. Eine herausragende Funktion, Leonardo.ais Reside Canvas, ermöglicht es Benutzern, eine Texteingabeaufforderung mit einer schnellen Skizze zu kombinieren, um ihr gewünschtes Ergebnis zu skizzieren. Während der Benutzer skizziert, generiert Leonardo.ai dynamisch ein fotorealistisches Bild, das Eingaben sowohl aus dem Textual content als auch aus der Skizze integriert und visuelle Elemente in Echtzeit erstellt – ein Beweis für seine fortschrittlichen KI-Fähigkeiten.

Die Einzelheiten, wie Leonardo.ai seine eigenen generativen Modelle wie das Flaggschiff Phoenix trainiert, bleiben jedoch weiterhin ein Geheimnis. Dies ist ein kritischer Untersuchungspunkt im Bereich der generativen KI, wo die Rechtmäßigkeit von Trainingsdaten – ob sie ohne Erlaubnis urheberrechtlich geschütztes Materials verletzen – ein heikles Thema ist. Als das PR-Crew von Leonardo.ai nach Einzelheiten gefragt wurde, gab es nur eine vage Erklärung und erklärte, dass ihre Modelle mit einer Mischung aus „lizenzierten, synthetischen und öffentlich verfügbaren/Open-Supply-Daten“ trainiert würden, ohne tiefer in die Einzelheiten einzudringen. Dieser Mangel an Transparenz wirft interessante Fragen über die Methoden hinter den Kulissen von Leonardo.ai auf.

Leonardo.ai ist nicht nur ein weiteres Zahnrad in der KI-Maschine; es ist ein Kraftpaket mit über 19 Millionen registrierten Benutzern, die seine Instruments genutzt haben, um über eine Milliarde Bilder zu erstellen. Diese robuste Plattform soll Canvas Magic Studio erweitern, eine Suite generativer KI-Instruments, die die digitale Kreativität revolutionieren sollen.

Canva, seit seiner Gründung im Jahr 2012 ein Gigant in der Designwelt, hat sein KI-Arsenal aktiv ausgebaut. Beginnend mit Magic Write, einem im letzten Jahr eingeführten Texterassistenten, hat Canva seine Entwicklungsoffensive intensiviert, insbesondere da es einen Börsengang im Auge hat. Dieser Ehrgeiz hat zu strategischen Übernahmen wie Kaleido geführt, das für seine Drag-and-Drop-Hintergrundentfernungsdienste für Bilder und Movies bekannt ist und Canvas technologisches Angebot weiter bereichert.

Mit einem Finanzierungstopf, der auf über 560 Millionen Greenback angewachsen ist und in einer Bewertung von satten 26 Milliarden Greenback gipfelt, ist die finanzielle Entwicklung von Canva beeindruckend. Das Unternehmen verfügt nun über einen Umsatz von quick 2 Milliarden Greenback und genießt die Loyalität von über 180 Millionen monatlichen Nutzern weltweit.

Bildnachweis: Leinwand