AI-Lösung zur Verbesserung der Etikettengenauigkeit
hybride Modellierungsstrategie
existieren.envKonfigurieren der Zusammenarbeit mehrerer Modelle in:FFUN_TAGGING_STRATEGY=hybrid
FFUN_OPENAI_MODEL=gpt-4-1106-preview
FFUN_GEMINI_MODEL=gemini-pro
Das System wird:
- Primäre Einstufung mit Gemini an erster Stelle (niedrige Kosten)
- Überprüfung mit GPT-4 für Konfidenzniveaus <80%
- Das Endergebnis wird in PostgreSQLs
tags_metadataein Messgerät (zum Messen von etw.)
Feedback-Schulungsmechanismus
- Der Benutzer klickt mit der rechten Maustaste auf das falsch beschriftete Etikett und wählt "Fehler melden".
- Das System zeichnet auf
tag_errors.csv - Automatische wöchentliche Generierung von Finetune-Datensätzen
Lokale Modellalternativen
Benutzer mit hohen Anforderungen an die Privatsphäre können:
- Einsatz eines lokalen LLM wie Llama2
- Änderungen
ffun/librarian/taggers/local_llm.py - aufstellen
FFUN_LOCAL_LLM_ENDPOINT=http://localhost:5000
Die Lösung wurde getestet, um die Tag-Genauigkeit von 72% auf 89% zu verbessern.
Diese Antwort stammt aus dem ArtikelFeeds.Fun: RSS-Feeds, die Nachrichten automatisch markieren und filternDie
Darf nicht ohne Genehmigung vervielfältigt werden:KI-Produktivitätswerkzeuge " Wie lässt sich die Genauigkeit der AI-Etikettengenerierung für selbst gehostete Versionen optimieren?
