Laut einem Memo von CEO Sam Altman plant OpenAI, die Veröffentlichung seines neuen KI-Modells ChatGPT 5.6 zeitlich zu verschieben, beginnend mit staatlich genehmigten Kunden. Die Bundesoberhäupter werden den Zugang für ausgewählte Kunden während dieser Vorschauphase genehmigen, wobei eine allgemeinere Veröffentlichung „ein paar Wochen später“ erwartet wird. Altman erklärte in dem Memo, dass OpenAI es vorzieht, diesem Genehmigungsmodell langfristig nicht zu folgen und in Zusammenarbeit mit der Regierung einen nachhaltigen Ansatz für zukünftige Veröffentlichungen zu etablieren.

Mehrere Bundesbehörden leiten diese Änderung, darunter das Workplace of the Nationwide Cyber ​​Director und das Workplace of Science and Know-how Coverage, sowie die Beteiligung von Handelsminister Howard Lutnick. Das Weiße Haus und das Büro des Nationwide Cyber ​​Director antworteten nicht auf Anfragen nach Kommentaren zu diesen Entwicklungen.

Anfang dieses Monats unterzeichnete Präsident Donald Trump eine Durchführungsverordnung, die KI-Unternehmen verpflichtet, sich vor der Veröffentlichung einer freiwilligen bundesstaatlichen Überprüfung leistungsstarker Modelle zu unterziehen. Die Regierung plant die Schaffung eines Rahmens zur Standardisierung der Bewertungen neuer KI-Modelle. In einer ähnlichen State of affairs sperrte der OpenAI-Konkurrent Anthropic den Zugriff auf zwei seiner jüngsten Modelle aufgrund einer Bundesrichtlinie, die keine Sicherheitsbedenken darlegte, aber den Wunsch zum Ausdruck brachte, Ausländer am Zugriff auf seine Instruments zu hindern.

Diese aktuelle Richtlinie und die angepassten Rollout-Pläne von OpenAI haben zu Verwirrung hinsichtlich des Überprüfungsprozesses und der Artwork der freiwilligen Teilnahme an der bundesstaatlichen Überprüfung von KI-Modellen geführt.

Hervorgehobener Bildnachweis

Sie haben wahrscheinlich bemerkt, dass LLMs bemerkenswert intestine im Denken sind – aber allein können sie nicht das heutige Wetter überprüfen, Ihre Datenbank abfragen oder einen Kundendatensatz nachschlagen. Sie erzeugen Textual content. Funktionsaufrufe schließen diese Lücke.

Mit Funktionsaufrufen (auch Toolaufrufe genannt) können Sie ein LLM mit echten Python-Funktionen verbinden. Das Modell entscheidet, wann eine Funktion benötigt wird, teilt Ihrer Anwendung mit, welche Funktion mit welchen Argumenten aufgerufen werden soll, und verwendet dann das Ergebnis, um die endgültige Antwort zu verfassen. Am Ende dieses Artikels werden Sie genau verstehen, wie diese Schleife funktioniert, und über ein vollständiges, ausführbares Python-Beispiel verfügen, auf dem Sie aufbauen können.

Inhaltsverzeichnis

Was ist Funktionsaufruf?

Funktionsaufrufe sind ein Muster, bei dem ein LLM eine strukturierte Ausgabe zurückgibt – insbesondere ein JSON-Objekt, das einen Funktionsnamen und Argumente beschreibt – anstelle einer Textantwort. Ihre Anwendung liest diese Ausgabe, führt die eigentliche Funktion aus und sendet das Ergebnis zurück an das Modell. Das Modell verwendet dann dieses Ergebnis, um seine endgültige Antwort an den Benutzer zu schreiben.

Das Wichtigste, was Sie verstehen müssen, ist, dass das LLM Ihren Code niemals direkt ausführt. Es begründet, was passieren muss, und gibt eine Beschreibung der Aktion zurück, die ausgeführt werden soll. Ihre Bewerbung ist diejenige, die die eigentliche Arbeit erledigt.

Diese Anfrage-und-Antwort-Schleife sieht folgendermaßen aus:

Die Begriffe „Funktionsaufruf“ und „Toolaufruf“ beziehen sich auf dasselbe. Neuere API-Dokumentationen (einschließlich OpenAIs) verwenden tendenziell „Instrument-Aufrufe“, aber Sie werden feststellen, dass beide austauschbar verwendet werden.

Wie entscheidet das LLM, eine Funktion aufzurufen?

Wenn Sie eine API-Anfrage stellen, übergeben Sie dem Modell zusammen mit der Nachricht des Benutzers eine Liste von Tooldefinitionen. Jede Definition beschreibt eine Funktion: ihren Namen, ihre Funktion und die Argumente, die sie annimmt (utilizing). JSON-Schema).

Das Modell liest die Nachricht des Benutzers und die Werkzeugdefinitionen zusammen. Wenn festgestellt wird, dass die Anfrage des Benutzers eine Aktion erfordert, die Ihre Instruments verarbeiten können, wird anstelle einer Textantwort ein Toolaufruf zurückgegeben. Wenn die Nachricht des Benutzers allein mit dem Trainingswissen des Modells beantwortet werden kann, reagiert es regular.

So sieht eine einzelne Tooldefinition in Python aus:

instruments = (
    {
        "sort": "perform",
        "perform": {
            "title": "get_weather",
            "description": "Get the present climate circumstances for a given metropolis.",
            "parameters": {
                "sort": "object",
                "properties": {
                    "metropolis": {
                        "sort": "string",
                        "description": "Town title, e.g. 'London' or 'Tokyo'"
                    }
                },
                "required": ("metropolis"),
                "additionalProperties": False
            },
            "strict": True
        }
    }
)

Der description Feld ist der wichtigste Teil für die Entscheidungsfindung des Modells. Es verwendet Ihre Beschreibung, um zu verstehen, wann diese Funktion angemessen ist. Vage Beschreibungen führen zu inkonsistentem Verhalten – eine Beschreibung wie "Will get climate" ist viel weniger zuverlässig als "Get the present climate circumstances for a given metropolis." Geben Sie genau an, was die Funktion bewirkt und wann sie verwendet werden soll.

Zwei Antwortfelder verraten Ihnen, was passiert ist. Wenn das Modell eine Funktion aufrufen möchte, erfolgt die Antwort finish_reason wird sein "tool_calls" und die Nachricht enthält a tool_calls Liste. Wenn das Modell über genügend Informationen verfügt, um direkt zu antworten (auch nach Erhalt Ihrer Funktionsergebnisse), finish_reason wird sein "cease" und die Nachricht enthält reinen Textual content content material.

Ein vollständiges Beispiel für einen Python-Funktionsaufruf, Schritt für Schritt

Das folgende Beispiel führt die vollständige Funktionsaufrufschleife mit dem durch OpenAI Python SDK. Wir verwenden eine simulierte Wetterfunktion – deutlich gekennzeichnet als simulierte Daten – sodass Sie diese mit nur einem OpenAI-API-Schlüssel ausführen können.

Installieren Sie zuerst das SDK, falls Sie dies noch nicht getan haben:

pip set up openai

Legen Sie dann Ihren API-Schlüssel als Umgebungsvariable fest:

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

Schritt 1: Definieren Sie das Instrument und die Mock-Funktion

import json
from openai import OpenAI

consumer = OpenAI()

# The device definition — that is what you move to the mannequin
instruments = (
    {
        "sort": "perform",
        "perform": {
            "title": "get_weather",
            "description": "Get the present climate circumstances for a given metropolis.",
            "parameters": {
                "sort": "object",
                "properties": {
                    "metropolis": {
                        "sort": "string",
                        "description": "Town title, e.g. 'London' or 'Tokyo'"
                    }
                },
                "required": ("metropolis"),
                "additionalProperties": False
            },
            "strict": True
        }
    }
)

# Mock perform — in an actual app, this could name a climate API
def get_weather(metropolis: str) -> str:
    mock_data = {
        "London": "Partly cloudy, 15°C",
        "Tokyo": "Sunny, 22°C",
        "New York": "Wet, 10°C"
    }
    return mock_data.get(metropolis, f"No climate knowledge accessible for {metropolis}")

Notiz: Dieser Beitrag verwendet die Chat Completions API, die immer noch funktioniert, aber nicht mehr der von OpenAI empfohlene Endpunkt für Instrument-Aufrufe ist. Die konzeptionelle Schleife (Anfrage → Toolaufruf → Ausführen → Ergebnis → endgültige Antwort) ist in beiden APIs gleich, aber die Anfrage- und Antwortformen unterscheiden sich.

Schritt 2: Senden Sie die erste Anfrage

user_message = "What is the climate like in London proper now?"

messages = (
    {"function": "person", "content material": user_message}
)

response = consumer.chat.completions.create(
    mannequin="gpt-4o-mini",
    messages=messages,
    instruments=instruments
)

print(response.selections(0).finish_reason)
# tool_calls

print(response.selections(0).message.tool_calls)
# (ChatCompletionMessageToolCall(id='call_abc123', perform=Operate(arguments='{"metropolis":"London"}', title='get_weather'), sort='perform'))

Das Modell kam zurück finish_reason: "tool_calls" statt einer Textantwort. Es hat erkannt, dass für die Beantwortung der Frage Stay-Daten erforderlich sind, über die es nicht verfügt, und fordert Ihre Anwendung auf, diese abzurufen.

Beachten Sie das arguments ist eine JSON-codierte Zeichenfolge, kein Python-Dikt. Sie müssen es analysieren, bevor Sie es verwenden können.

Schritt 3: Führen Sie die Funktion aus

# Get the device name from the response
tool_call = response.selections(0).message.tool_calls(0)

# Parse the arguments — they arrive as a JSON string
arguments = json.hundreds(tool_call.arguments)
metropolis = arguments("metropolis")

# Name your precise perform
end result = get_weather(metropolis)
print(end result)
# Partly cloudy, 15°C

Schritt 4: Senden Sie das Ergebnis zurück

Dieser nächste Schritt ist ein häufiger Fallstrick, der Neulinge im Instrument-Calling verwirren kann. Sie müssen ein neues bauen messages Liste, die den gesamten Gesprächsverlauf enthält: die ursprüngliche Benutzernachricht, die Instrument-Name-Nachricht des Assistenten und eine neue device Rollennachricht, die das Ergebnis Ihrer Funktion enthält.

# Append the assistant's device name message to the historical past
messages.append(response.selections(0).message)

# Append the perform end result as a "device" function message
messages.append({
    "function": "device",
    "tool_call_id": tool_call.id,
    "content material": end result
})

Nach Schritt 4 ist Ihr messages Liste sieht so aus:

Der tool_call_id in Ihrer Ergebnisnachricht muss mit dem übereinstimmen id aus dem ursprünglichen Instrument-Aufruf. Auf diese Weise verfolgt das Modell, welches Ergebnis zu welcher Anfrage gehört – das ist besonders wichtig, wenn Sie mehrere Funktionsaufrufe in einer einzigen Runde haben.

Schritt 5: Erhalten Sie die endgültige Antwort

final_response = consumer.chat.completions.create(
    mannequin="gpt-4o-mini",
    messages=messages,
    instruments=instruments
)

print(final_response.selections(0).finish_reason)
# cease

print(final_response.selections(0).message.content material)
# The climate in London proper now's partly cloudy with a temperature of 15°C.

Diesmal, finish_reason Ist "cease" – Das Modell verfügt über alles, was es benötigt, und hat eine Antwort in natürlicher Sprache zurückgegeben.

Hier ist das vollständige Arbeitsskript:

import json
from openai import OpenAI

consumer = OpenAI()

instruments = (
    {
        "sort": "perform",
        "perform": {
            "title": "get_weather",
            "description": "Get the present climate circumstances for a given metropolis.",
            "parameters": {
                "sort": "object",
                "properties": {
                    "metropolis": {
                        "sort": "string",
                        "description": "Town title, e.g. 'London' or 'Tokyo'"
                    }
                },
                "required": ("metropolis"),
                "additionalProperties": False
            },
            "strict": True
        }
    }
)

def get_weather(metropolis: str) -> str:
    # Mock knowledge — substitute this with an actual climate API name
    mock_data = {
        "London": "Partly cloudy, 15°C",
        "Tokyo": "Sunny, 22°C",
        "New York": "Wet, 10°C"
    }
    return mock_data.get(metropolis, f"No climate knowledge accessible for {metropolis}")

# Step 1: Preliminary request
messages = ({"function": "person", "content material": "What is the climate like in London proper now?"})

response = consumer.chat.completions.create(
    mannequin="gpt-4o-mini",
    messages=messages,
    instruments=instruments
)

# Step 2: Test if the mannequin desires to name a perform
if response.selections(0).finish_reason == "tool_calls":
    tool_call = response.selections(0).message.tool_calls(0)

    # Step 3: Execute the perform
    arguments = json.hundreds(tool_call.arguments)
    end result = get_weather(arguments("metropolis"))

    # Step 4: Add the assistant message and end result to historical past
    messages.append(response.selections(0).message)
    messages.append({
        "function": "device",
        "tool_call_id": tool_call.id,
        "content material": end result
    })

    # Step 5: Get the ultimate response
    final_response = consumer.chat.completions.create(
        mannequin="gpt-4o-mini",
        messages=messages,
        instruments=instruments
    )
    print(final_response.selections(0).message.content material)
else:
    # No device name wanted — the mannequin answered instantly
    print(response.selections(0).message.content material)

Umgang mit mehreren Funktionsaufrufen

Das Modell kann in einer Runde mehr als eine Funktion anfordern. Dies wird als paralleler Instrument-Aufruf bezeichnet und geschieht, wenn das Modell feststellt, dass mehrere unabhängige Suchvorgänge erforderlich sind, um die Frage des Benutzers zu beantworten – beispielsweise wenn jemand gleichzeitig nach dem Wetter in London und Tokio fragt.

Weil tool_calls Da es sich immer um eine Liste handelt, sollten Sie diese durchlaufen, anstatt davon auszugehen, dass es genau einen Aufruf gibt:

if response.selections(0).finish_reason == "tool_calls":
    # Append the assistant's message first
    messages.append(response.selections(0).message)

    # Then loop over all device calls and execute every one
    for tool_call in response.selections(0).message.tool_calls:
        arguments = json.hundreds(tool_call.arguments)
        end result = get_weather(arguments("metropolis"))

        messages.append({
            "function": "device",
            "tool_call_id": tool_call.id,
            "content material": end result
        })

Wenn Sie möchten, dass das Modell Funktionen einzeln und nicht parallel aufruft (z. B. wenn jeder Funktionsaufruf vom Ergebnis des vorherigen abhängt), legen Sie fest parallel_tool_calls=False in Ihrer API-Anfrage. Dadurch wird sichergestellt, dass das Modell höchstens einen Werkzeugaufruf professional Runde ausgibt.

Häufige Fehler beim Funktionsaufruf und wie man sie behebt

Die meisten Funktionsaufruffehler fallen in eine kleine Reihe von Mustern. Wenn etwas nicht funktioniert, überprüfen Sie zuerst diese Tabelle.

Der letzte Fehler ist besondere Aufmerksamkeit wert, wenn Sie Open-Supply-Modelle verwenden. Modelle wie Llama, die lokal über Ollama ausgeführt werden, halluzinieren eher Funktionsnamen, die nicht existieren. Durch die Validierung des Funktionsnamens vor dem Aufruf werden schwer zu debuggende Abstürze verhindert.

Wann Funktionsaufrufe verwendet werden sollten

Der Funktionsaufruf ist das richtige Muster für eine bestimmte Gruppe von Problemen. Es ist nicht für alles das richtige Werkzeug.

Verwenden Sie es, wenn:

• Sie benötigen Echtzeit- oder dynamische Daten, die das Modell nicht in seinen Trainingsdaten haben kann (Wetter, Aktienkurse, Stay-Inventar, benutzerspezifische Datensätze).
• Sie möchten, dass das Modell Aktionen in Ihrem System auslöst (einen Kalendertermin erstellen, eine Nachricht senden, eine Datenbankzeile aktualisieren).
• Sie erstellen eine Schnittstelle in natürlicher Sprache über eine vorhandene API oder eine Reihe von Diensten
• Sie möchten, dass das Modell mehrere Datenquellen koordiniert, um eine einzelne Frage zu beantworten

Überspringen Sie es, wenn:

• Das Modell kann aus seinem Trainingswissen ohne externe Daten antworten
• Sie möchten lediglich eine strukturierte JSON-Ausgabe von einer Nur-Textual content-Eingabeaufforderung – verwenden Sie dazu strukturierte Ausgaben (Die response_format Parameter), was einfacher ist und keine Funktionsschleife erfordert
• Sie erstellen einen einfachen Chatbot, bei dem das Modell keine Maßnahmen ergreifen muss

Der strukturierte Leistungsvergleich kommt in der Praxis immer wieder vor. Wenn Sie nur möchten, dass das Modell seine Antwort als JSON entsprechend einem Schema formatiert, ist kein Funktionsaufruf erforderlich. Funktionsaufrufe sind für Fälle gedacht, in denen das Modell Informationen abrufen oder darauf reagieren muss, die Ihre Anwendung steuert.

Was Sie hier aufbauen können

Funktionsaufrufe verwandeln einen LLM von einem Textgenerator in einen aktiven Teilnehmer Ihrer Anwendung. Sobald Sie die Schleife verstanden haben – Werkzeuge definieren, einen Werkzeugaufruf empfangen, die Funktion ausführen, das Ergebnis zurückgeben, die endgültige Antwort erhalten – können Sie sie auf quick jede State of affairs anwenden, in der Ihre Benutzer Antworten von Systemen außerhalb der Trainingsdaten des Modells benötigen.

Das hier behandelte Muster ist die Grundlage für komplexere Setups: Verkettung mehrerer Funktionsaufrufe, Koordination zwischen mehreren Agenten oder Aufbau natürlichsprachlicher Schnittstellen über Ihre eigenen APIs. Der beste Weg, es zu verinnerlichen, besteht darin, die Wettersimulationsfunktion durch etwas aus Ihrer eigenen Arbeit auszutauschen.

Wenn Sie mit der Python- und LLM-Entwicklung weitermachen möchten, ist Dataquest’s Python für Knowledge Engineering Und KI-Grundlagen Die Pfade decken die Programmiergrundlagen ab, die Sie zum Erstellen von Pipelines und Anwendungen in Produktionsqualität benötigen. Beginnen Sie mit den Grundlagen und entwickeln Sie dann die Instruments, mit denen Sie arbeiten möchten.

FAQ

Bild vom Herausgeber

# Einführung

Daten stehen im Mittelpunkt der Arbeit eines jeden Datenexperten. Ohne nützliche und valide Datenquellen können wir unserer Verantwortung nicht nachkommen. Darüber hinaus führen minderwertige oder irrelevante Daten nur dazu, dass unsere Arbeit verschwendet wird. Deshalb ist der Zugriff auf zuverlässige Datensätze ein wichtiger Ausgangspunkt für Datenexperten.

Information Commons ist eine Open-Supply-Initiative von Google, um die weltweit verfügbaren Daten zu organisieren und für jedermann zugänglich zu machen. Es ist für jedermann kostenlos, öffentlich verfügbare Daten abzufragen. Der Unterschied zwischen Information Commons und anderen öffentlichen Datensatzprojekten besteht darin, dass die schematische Arbeit bereits ausgeführt wird und die Daten somit viel schneller einsatzbereit sind.

Angesichts des Nutzens von Information Commons für unsere Arbeit wird der Zugriff darauf für viele Datenaufgaben immer wichtiger. Glücklicherweise stellt Information Commons einen neuen Python-API-Consumer für den Zugriff auf diese Datensätze bereit.

# Zugriff auf Information Commons mit Python

Information Commons organisiert Daten in einem abfragbaren Wissensgraphen, der Informationen aus verschiedenen Quellen vereint. Im Kern nutzt es das schemabasierte Modell von schema.org Datendarstellungen zu standardisieren.

Mithilfe dieses Schemas kann Information Commons Daten aus verschiedenen Quellen in einem einzigen Diagramm verbinden, in dem Knoten Entitäten (wie Städte, Orte und Personen), Ereignisse und statistische Variablen darstellen. Kanten stellen die Beziehungen zwischen diesen Knoten dar. Jeder Knoten ist einzigartig und durch eine DCID (Information Commons ID) identifizierbar, und viele Knoten enthalten Beobachtungen – Messungen, die mit der Variablen, der Entität und dem Zeitraum verknüpft sind.

Mit der Python-API können wir einfach auf den Wissensgraphen zugreifen, um die erforderlichen Daten zu erfassen. Probieren wir mal aus, wie wir das machen können.

Zuerst müssen wir ein kostenloses erwerben API-Schlüssel um auf Information Commons zuzugreifen. Erstellen Sie ein kostenloses Konto und kopieren Sie den API-Schlüssel an einen sicheren Ort. Sie können auch die verwenden Check-API-Schlüsselaber der Zugang ist eingeschränkter.

Als nächstes installieren Sie die Information Commons Python-Bibliothek. Wir werden den V2-API-Consumer verwenden, da es sich um die aktuellste Model handelt. Führen Sie dazu den folgenden Befehl aus, um den Information Commons-Consumer mit optionaler Unterstützung für zu installieren Pandas Auch DataFrames.

pip set up "datacommons-client(Pandas)"

Wenn die Bibliothek installiert ist, können wir Daten mit dem Information Commons Python-Consumer abrufen.

Führen Sie den folgenden Code aus, um den Consumer zu erstellen, der auf die Daten aus der Cloud zugreift.

from datacommons_client.shopper import DataCommonsClient

shopper = DataCommonsClient(api_key="YOUR-API-KEY")

Eines der wichtigsten Konzepte in Information Commons ist die Entität, die sich auf eine dauerhafte und physische Sache in der realen Welt bezieht, beispielsweise eine Stadt oder ein Land. Es wird zu einem wichtigen Bestandteil beim Abrufen von Daten, da die meisten Datensätze die Angabe der Entität erfordern. Sie können die besuchen Information Commons Place Seite, um mehr über alle verfügbaren Entitäten zu erfahren.

Für die meisten Benutzer sind die Daten, die wir erfassen möchten, spezifischer: die in Information Commons gespeicherten statistischen Variablen. Um die Daten auszuwählen, die wir abrufen möchten, müssen wir die DCID der statistischen Variablen kennen, die Sie über finden können Statistischer Variablen-Explorer.

Sie können Variablen filtern und einen Datensatz aus den oben genannten Optionen auswählen. Wählen Sie beispielsweise den Datensatz der Weltbank für „Geldautomaten professional 100.000 Erwachsene“. In diesem Fall können Sie die DCID erhalten, indem Sie die im Explorer bereitgestellten Informationen überprüfen.

Wenn Sie auf die DCID klicken, können Sie alle Informationen zum Knoten sehen, einschließlich der Verbindung zu anderen Informationen.

Für die statistische Variable DCID müssen wir auch die Entitäts-DCID für die Geografie angeben. Wir können die oben erwähnte Information Commons Place-Seite erkunden oder den folgenden Code verwenden, um die verfügbaren DCIDs für einen bestimmten Ortsnamen anzuzeigen.

# Lookup DCIDs by place identify (returns a number of candidates)
resp = shopper.resolve.fetch_dcids_by_name(names="Indonesia").to_dict()
dcid_list = (c("dcid") for c in resp("entities")(0)("candidates"))
print(dcid_list)

Mit einer Ausgabe ähnlich der folgenden:

('nation/IDN', 'geoId/...' , '...')

Mit dem obigen Code rufen wir die DCID-Kandidaten ab, die für einen bestimmten Ortsnamen verfügbar sind. Unter den Kandidaten für „Indonesien“ können wir beispielsweise auswählen nation/IDN als Länder-DCID.

Alle benötigten Informationen stehen nun bereit und wir müssen nur noch den folgenden Code ausführen:

variable = ("worldBank/GFDD_AI_25")
entity = ("nation/IDN")

df = shopper.observations_dataframe(
    variable_dcids=variable,
    date="all",
    entity_dcids=entity
)

Das Ergebnis ist im folgenden Datensatz dargestellt.

Der aktuelle Code gibt alle verfügbaren Beobachtungen für die ausgewählten Variablen und Entitäten über den gesamten Zeitraum zurück. Im obigen Code werden Sie außerdem feststellen, dass wir Pay attention statt einzelner Strings verwenden.

Dies liegt daran, dass wir mehrere Variablen und Entitäten gleichzeitig übergeben können, um einen kombinierten Datensatz zu erhalten. Der folgende Code ruft beispielsweise zwei unterschiedliche statistische Variablen und zwei Entitäten gleichzeitig ab.

variable = ("worldBank/GFDD_AI_25", "worldBank/SP_DYN_LE60_FE_IN")
entity = ("nation/IDN", "nation/USA")

df = shopper.observations_dataframe(
    variable_dcids=variable,
    date="all",
    entity_dcids=entity
)

Mit einer Ausgabe wie der folgenden:

Sie können sehen, dass der resultierende DataFrame die zuvor festgelegten Variablen und Entitäten kombiniert. Mit dieser Methode können Sie die benötigten Daten erfassen, ohne für jede Kombination separate Abfragen ausführen zu müssen.

Das ist alles, was Sie über den Zugriff auf Information Commons mit dem neuen Python-API-Consumer wissen müssen. Nutzen Sie diese Bibliothek immer dann, wenn Sie für Ihre Arbeit zuverlässige öffentliche Daten benötigen.

# Zusammenfassung

Information Commons ist ein Open-Supply-Projekt von Google mit dem Ziel, den Datenzugriff zu demokratisieren. Das Projekt unterscheidet sich grundsätzlich von vielen öffentlichen Datenprojekten, da die Datensätze auf einem Information-Graph-Schema aufbauen, was die Vereinheitlichung der Daten erleichtert.

In diesem Artikel haben wir untersucht, wie man mit Python auf Datensätze innerhalb des Diagramms zugreift und dabei statistische Variablen und Entitäten nutzt, um Beobachtungen abzurufen.

Ich hoffe, das hat geholfen!

Cornellius Yudha Wijaya ist stellvertretender Supervisor und Datenautor im Bereich Information Science. Während er Vollzeit bei Allianz Indonesia arbeitet, teilt er gerne Python- und Datentipps über soziale Medien und Schreibmedien. Cornellius schreibt über eine Vielzahl von Themen zu KI und maschinellem Lernen.

Das Warten ist vorbei! Das Claude 3.7 -Sonett von Anthropic ist hier – ihre erste große Veröffentlichung von 2025. Dies folgt ihrem letzten Replace, dem im Juli 2024 gestarteten Sonnet 3.5 -Modell (ein Codierungskraftwerk) Nahinstante Antworten oder detaillierte, schrittweise Argumentation, die für Benutzer sichtbar sind. API -Benutzer erhalten eine präzise Kontrolle über die Denkdauer des Modells und passen sie auf ihre Bedürfnisse an. Claude 3.7 Sonett glänzt mit erheblichen Verbesserungen bei der Codierung und der Entrance-Finish-Webentwicklung. Lassen Sie uns seine Leistung ansehen, wie man zugreift und es auch ausprobiert!

Frontier Argumenting machte praktisch

Claude 3.7 Sonett spiegelt einen einheitlichen Ansatz zur Argumentation wider, die schnelle Antworten und eine tiefe Reflexion in einem einzelnen Modell integriert. Es fungiert sowohl als Normal-LLM als auch als Argumentationsmodell mit einem Standardmodus, in dem Claude 3.5-Sonett aufgerüstet wird, und als erweiterter Denkmodus, der sich selbst reflektiert, um die Leistung in Mathematik, Physik, Codierung und mehr zu verbessern.

https://www.youtube.com/watch?v=t3nndxa81hs

API -Benutzer können ein Token -Finances für das Denken, die Ausgleich von Geschwindigkeit und Qualität festlegen. Im Gegensatz zu Wettbewerbern priorisierte Sonnet 3.7 reale Aufgaben für Wettbewerbsprobleme und optimierte für den Geschäftsgebrauch.

Claude Sonnet 3.7 Leistung

Frühe Assessments zeigen Claude Excelling in der Codierung, mit Cursor, Kognition, Vercel, Replit und Canva, die erstklassige Ergebnisse für komplexe Codebasen, Full-Stack-Updates, Agenten-Workflows und produktionsbereitete Code mit weniger Fehlern und besserem Design berichten.

Es liefert eine erstklassige Leistung bei SWE-Bench verifiziert, einem Benchmark-Take a look at-AI-Fashions, der die Fähigkeit der realen Software program-Herausforderungen bewältigt hat. Weitere Informationen zum Gerüst finden Sie im Anhang.

Es zeichnet sich auf Tau-Bench aus, ein Framework, das KI-Agenten bei komplexen realen Aufgaben mit Benutzer- und Instrument-Interaktionen bewertet. Überprüfen Sie den Anhang auf Gerüstdetails.

Claude 3.7 Sonett zeichnet sich in Anweisungen, allgemeinen Denken, multimodalen Funktionen und Agentencodierung aus, wobei erweitertes Denken seine mathematische und naturwissenschaftliche Leistung erheblich verbessert. Über die Normal -Benchmarks hinaus hat es alle früheren Modelle in übertroffen Pokémon -Gameplay -Assessments.

Wie kann ich Claude Sonnet 3.7 zugreifen?

Sie können mit Chatbot und API auf dieses Modell zugreifen. Schauen wir uns beide Ansätze an:

Mit Sonnet 3.7 über Chatbot

1. Gehen Sie zu Claude.ai und melden Sie sich mit Ihrem Google Mail -Konto oder GitHub an.

2. Wählen Sie das richtige Modell aus und beginnen Sie Ihre Konversation!

Zugriff auf Sonett 3.7 über API

Melden Sie sich an und holen Sie sich den API -Schlüssel:

• Besuchen Sie die anthropische Web site (anthropic.com) und melden Sie sich für ein Konto an.
• Navigieren Sie zum API -Abschnitt in Ihrem Konto -Dashboard und generieren Sie eine API -Style. Dieser Schlüssel authentifiziert Ihre Anfragen.

Installieren Sie die anthropische Python -Bibliothek:

Sie benötigen das anthropische Python -Paket, um mit der API zu interagieren. Installieren Sie es mit PIP:

pip set up anthropic

Richten Sie Ihre Umgebung ein:

Speichern Sie Ihren API -Schlüssel sicher, idealerweise als Umgebungsvariable, um sie in Ihrem Skript zu vermeiden. Zum Beispiel:

export ANTHROPIC_API_KEY='your-api-key-here'

Beispielpython -Code für Claude 3.7 Sonnet API

Hier ist ein einfaches Beispiel, damit Sie mit dem Claude 3.7 -Sonnet -Modell beginnen:

import anthropic
import os

# Initialize the Anthropic shopper along with your API key
shopper = anthropic.Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))

# Ship a message to Claude 3.7 Sonnet
response = shopper.messages.create(
    mannequin="claude-3-7-sonnet-20250225",  # Mannequin title for Claude 3.7 Sonnet
    max_tokens=1000,  # Most output tokens (regulate as wanted)
    messages=(
        {
            "position": "consumer",
            "content material": "Good day! Are you able to inform me in regards to the climate as we speak?"
        }
    )
)

# Print the response
print(response.content material(0).textual content)

Probieren wir es aus!

Immediate: “Analysieren Sie diese Schachbrettposition. Schlagen Sie den besten Schritt für den aktuellen Spieler (Weiß) vor, um schwarz zu checkmatern und die Argumentation zu erklären“



Claude Sonnet 3.7 Ausgabe:



Grok, Deepseek, O3-Mini und O1 Ausgang:





Beobachtung:

Ich habe diese Bildanalyseaufgabe mit GROK 3, Deepseek R1, OpenAIs O1 und O3-Mini getestet, und jeder von ihnen hat nicht die richtige Antwort gegeben. Ich bin fassungslos, dass Claude 3.7 Sonett nicht nur schnell reagierte, sondern die Antwort genagelt hat!

Beispiele von anderen Benutzern

Anthropic ist gerade Claude 3.7 Sonett fallen, das beste KI -Modell der Welt.

Ich conflict ein früher Tester und es hat mich umgehauen.

Es schuf diesen Minecraft -Klon in einer Eingabeaufforderung und machte ihn in Artefakten sofort spielbar: pic.twitter.com/xobmbkhwxl

– Rowan Cheung (@rowancheung) 24. Februar 2025

Früher Vibe -Take a look at für Claude 3.7 Sonett (erweitertes Denken)

Es magazine nicht, lange nachzudenken (~ 5s Durchschnitt)

Aber ich konnte einen Flüssigkeitsimulator in nur 3 Eingabeaufforderungen in Gang bringen

Und nein, das ist kein Python. Dies ist C mit SDL2.

Code als Antwort pic.twitter.com/dnllrirq6w

– Ronin (@seatedro) 24. Februar 2025

Endnote

Die Ankunft von Claude 3.7 Sonnet bringt hybride Argumentation in den Vordergrund und verschmelzen schnelle Reaktionen mit tiefem, sichtbarem Problemlösung. Seine Exzellenz in Codierung, realen Aufgaben und sogar Nischentests wie Pokémon-Gameplay positioniert es als beeindruckende Konkurrent.

Als nächstes werden wir seine Grenzen durch detaillierte Artikel über untersuchen Analytics Vidhya Weblogherausfordern es gegen aktuelle Argumentationsführer: Deepseek R1, Grok 3, Openais O1 und O3-Mini. Frühe Ergebnisse, wie die Spot-on-Chessboard-Analyse, bei der Rivalen stolperten, deuten darauf hin, dass sie sie übertreffen könnte. Mit der API -Flexibilität und einem praktischen Vorteil ist es hier, um den Wettbewerb zu stören.




Hallo, ich bin Nitika, ein technisch versierter Content material-Ersteller und Vermarkter. Kreativität und neue Dinge lernen natürlich für mich. Ich habe Fachkenntnisse bei der Erstellung von ergebnisgesteuerten Inhaltsstrategien. Ich bin mit website positioning -Administration, Key phrase -Operationen, Webinhalten, Kommunikation, Inhaltsstrategie, Bearbeitung und Schreiben intestine vertraut.

S3-Anwendungen können sich jetzt mit der globalen Datenplattform von Hammerspace verbinden, sodass Objektdaten zusammen mit vorhandenen Dateidaten automatisch auf GPU-Ressourcen orchestriert werden können

Hammerspacedas Unternehmen, das den nächsten Datenzyklus orchestriert, gab heute die Erweiterung seiner World Information Platform um die S3-Schnittstelle bekannt, die die Orchestrierung vorhandener Datensätze auf verfügbare Rechenressourcen vorantreibt. Mit der heutigen Ankündigung bietet Hammerspace Unternehmen weiterhin neue, vorteilhafte Möglichkeiten zur Verwaltung und Nutzung von Daten. Durch die Ergänzung aller anderen Standardprotokolle zur Datenaufnahme um S3 gewährleistet die Hammerspace-Plattform eine nahtlose und effiziente Übertragung vorhandener Daten in ein globales Dateisystem, das von ihrem automatisierten Orchestrierungssystem angetrieben wird. Diese Erweiterung verbessert die Zugänglichkeit zu vorhandenen Datensätzen im Objektspeicher und optimiert die Pipeline über alle Speichertypen hinweg, sodass sich Infrastrukturteams auf das Ableiten von Erkenntnissen und das Vorantreiben von Innovationen konzentrieren können.

„Der Zugriff auf verfügbare GPUs in den eigenen Rechenzentren eines Unternehmens oder in der Cloud ist eine Herausforderung. Noch schwieriger kann es sein, nützliche Datensätze zu identifizieren und diese Daten lokal in den verfügbaren Rechenressourcen zu platzieren“, sagte Molly Presley, SVP of World Advertising bei Hammerspace. „HPC-Zentren und Enterprise Infrastructure Architects suchen dringend nach Lösungen, um große Datensätze zu organisieren und sie dorthin zu bringen, wo sich die GPUs befinden. Mit der zusätzlichen S3-Schnittstelle können HPC-Zentren und Enterprise Infrastructure Architects große Datensätze schnell und standortunabhängig organisieren und dorthin bringen, wo sich die GPUs befinden.“

Unternehmen benötigen automatisierte Instruments, um isolierte Daten aus mehreren Speicherorten zu übernehmen, zu kombinieren und zu organisieren und sie dann lokal auf dem Pc zur Verarbeitung und Analyse bereitzustellen. Die Hammerspace World Information Platform vereint die beiden Hauptkomponenten, die für die Datenpipeline und den Speicher für GPU-Computing erforderlich sind. Sie bietet:

1. Die Leistung eines parallelen Dateisystems, um die Produktivität der GPUs aufrechtzuerhalten.
2. Der standardbasierte Ansatz, der für die Einführung in Unternehmen erforderlich ist.
3. Automatisierte Datenorchestrierung, um Daten lokal auf dem Pc zu platzieren.

Die Datenorchestrierungslösung von Hammerspace verschiebt Daten clever und unterbrechungsfrei von jedem Silo oder Standort zu Rechenressourcen an jedem beliebigen Ort und stellt sicher, dass die richtigen Daten zur richtigen Zeit am richtigen Ort sind. Diese dynamische Funktion minimiert die Latenz und maximiert die Rechenleistung, sodass Unternehmen große Datensätze schneller und kostengünstiger verarbeiten können. Durch die Automatisierung der Datenbewegung eliminiert Hammerspace die Komplexitäten und manuellen Eingriffe, die normalerweise mit der Datenverarbeitung und dem Kopiermanagement verbunden sind, und ermöglicht es Unternehmen, Abläufe zu optimieren und die Markteinführungszeit zu verkürzen.

Die Integration der Datenorchestrierung in das globale Dateisystem von Hammerspace nutzt fortschrittliche Techniken wie metadatengesteuerte Datenplatzierung und richtlinienbasierte Verwaltung. Daten werden dynamisch verschoben und basierend auf Zugriffsmustern und Rechenleistungsanforderungen zwischengespeichert. Dabei kommt eine verteilte Architektur zum Einsatz, die hohe Verfügbarkeit und Fehlertoleranz gewährleistet. Das globale Dateisystem erstellt einen einheitlichen Namensraum, sodass unterschiedliche Speichersysteme, sogar über mehrere Standorte und Clouds hinweg, nahtlos als eine einzige logische Einheit aufgerufen werden können. Dieses System unterstützt standardbasierten Multiprotokollzugriff, darunter pNFS, NFS, SMB, NVIDIA GPUDirect und jetzt S3, wodurch die Interoperabilität zwischen verschiedenen Umgebungen ermöglicht und die Datenverwaltung über geografisch verteilte Standorte hinweg vereinfacht wird. Es ist keine Consumer-Software program oder Änderung vorhandener Speicherressourcen erforderlich. Durch die Aufrechterhaltung der Datenkonsistenz und -integrität durch zielbasierte automatisierte Richtlinien können Datensätze durch die Softwareautomatisierung identifiziert, verschoben und verwaltet werden, ohne dass der Benutzerzugriff unterbrochen wird, selbst bei Stay-Daten.

Eine globale Datenplattform ermöglicht eine beispiellose Datenvereinheitlichung über verschiedene Speichersysteme und geografische Standorte hinweg und schafft eine einheitliche, zusammenhängende Datenansicht, unabhängig davon, wo sie gespeichert sind. Dadurch werden Silos aufgebrochen und die Zusammenarbeit zwischen Groups und Regionen gefördert. Dieser ganzheitliche Ansatz verbessert die Datenkonsistenz und -zuverlässigkeit und stellt sicher, dass alle Beteiligten Zugriff auf die aktuellsten Informationen haben – und fördert so eine globale Datenstrategie zur Unterstützung von KI- und Datenanalyseinitiativen.

Melden Sie sich für den kostenlosen insideBIGDATA-Publication an Publication.

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

Folgen Sie uns auf LinkedIn: https://www.linkedin.com/firm/insidebigdata/

Folge uns auf Fb: https://www.fb.com/insideBIGDATANOW