Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Příklady využití předpovězených výstupů v praxi

Lekce 6 z 16 Aktualizováno 29. července 2026 Pokročilý
Na této stránce
  1. Tři rodiny případů využití
  2. Případ využití 1: Úprava kódu
  3. Případ využití 2: Úprava textu
  4. Případ využití 3: Vyplňování šablon
  5. Měření zisků v reálném provozu
  6. Klíčové poznatky

Tři rodiny případů využití

Společným jmenovatelem těchto tří rodin je jednoduchá skutečnost: Předpovězené výstupy se vyplatí, když je většina výstupu známá předem. Na povaze úkolu – zda jde o kód, text nebo šablonu – záleží méně než na podílu výsledku, který dokážeš poskytnout jako předpověď. Při 90 % nezměněného obsahu je zisk dramatický; při 30 % se stává zanedbatelným, bez ohledu na konkrétní případ využití.

Měj tento poměr na paměti, až budeš procházet níže uvedené tři rodiny. Představují scénáře, kde je tento poměr přirozeně vysoký. V této lekci uvidíš konkrétní příklady pro každou kategorii spolu se vzory, které můžeš replikovat ve svých vlastních aplikacích.

Případ využití 1: Úprava kódu

Toto je nej přirozenější volba, protože kód mechanicky maximalizuje daný poměr: přejmenování proměnné v souboru o 500 řádcích ponechá 498 řádků zcela identických. Začínáš s existujícím zdrojovým souborem a chceš provést cílenou změnu. Model potřebuje pouze regenerovat upravené řádky.

Přejmenování proměnné

existing_code = """
def calculate_total(items):
    tax_rate = 0.20
    subtotal = sum(item.price for item in items)
    tax = subtotal * tax_rate
    total = subtotal + tax
    return total
"""

prompt = (
    "Rename the variable 'tax_rate' to 'vat_rate' throughout this code. "
    "Reply with only the modified code."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

Model ví, že struktura kódu zůstává identická. Přepočítává pouze tokeny dotčené přejmenováním.

Změna importu nebo závislosti

existing_code = """
from flask import Flask, request, jsonify
from flask_cors import CORS

app = Flask(__name__)
CORS(app)

@app.route('/api/predict', methods=['POST'])
def predict():
    data = request.get_json()
    result = model.predict(data['input'])
    return jsonify({'prediction': result})
"""

prompt = (
    "Migrate this code from Flask to FastAPI. "
    "Keep the same business logic. "
    "Reply with only the code."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

Případ využití 2: Úprava textu

Text se řídí stejnou logikou jako kód, s jedním důležitým nuancí: změny v textu jsou často méně lokalizované, než bys mohl očekávat. Změna čísla ve zprávě může spustit přepis věty, která se k němu vyjadřuje, odstavce shrnutí i závěru. Zisk je reálný, ale měř jej na svých skutečných dokumentech, místo abys předpokládal, že se rovná zisku, který vidíš u kódu.

Aktualizace sekce ve zprávě

report = """
# Q4 2025 Quarterly Report

## Executive Summary
Revenue reached €2.3M in Q4 2025, up 15%
from Q3. Operating margin stands at 22%.

## Sales Performance
The sales team signed 47 new contracts, including 12 key accounts.
Average deal size grew 8% to €49,000.

## Q1 2026 Outlook
We anticipate 10% growth driven by the launch of the
Enterprise product and expansion into the German market.
"""

prompt = (
    "Update this report for Q1 2026 with the following data: "
    "Revenue = €2.7M (+17%), margin = 24%, 53 new contracts, "
    "average deal size = €51,000 (+4%). "
    "For the Q2 outlook, mention expansion into the Benelux region. "
    "Keep the exact same structure."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": report}
    ],
    prediction={"type": "content", "content": report}
)

Případ využití 3: Vyplňování šablon

Pokud máš pevnou šablonu, kde se mění jen několik hodnot, je předpověď téměř dokonalá:

email_template = """
Hello {name},

Following up on our conversation on {date}, I confirm the following points:

1. The {project} project will start on {start_date}
2. The team will consist of {num_people} people
3. The estimated budget is €{budget} (excl. tax)

I remain at your disposal for any questions.

Best regards,
{signatory}
"""

# Partially fill the template for prediction
prediction = email_template.replace("{name}", "Mr. Dupont")
prediction = prediction.replace("{signatory}", "Marie Martin")

prompt = (
    "Complete this email with the following information: "
    "date = March 28, 2026, project = Cloud Migration, "
    "start_date = April 15, 2026, num_people = 5, "
    "budget = 85,000."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": prediction}
    ],
    prediction={"type": "content", "content": prediction}
)

Měření zisků v reálném provozu

Chcete-li vyhodnotit efektivitu předpovězených výstupů pro svůj případ využití, systematicky porovnávejte běhy s předpovědí a bez ní:

import time

# Without prediction
start = time.time()
resp_normal = client.chat.complete(
    model="mistral-large-latest",
    messages=messages
)
time_normal = time.time() - start

# With prediction
start = time.time()
resp_predicted = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    prediction={"type": "content", "content": predicted_content}
)
time_predicted = time.time() - start

gain = (1 - time_predicted / time_normal) * 100
print(f"Without prediction: {time_normal:.2f}s")
print(f"With prediction: {time_predicted:.2f}s")
print(f"Latency gain     : {gain:.1f}%")

Zisk se liší v závislosti na procentu obsahu, který byl správně předpovězen. Při 5% změně v souboru o 500 řádcích očekávej snížení latence o 60 % až 80 %.

Klíčové poznatky

  • Úprava kódu (přejmenování, migrace, lehký refaktoring) je hlavním případem využití
  • Úprava textu (zprávy, dokumenty) těží ze stabilní struktury
  • Šablony s několika dynamickými hodnotami nabízejí nejlepší poměr zisku k vynaložené námaze
  • Před nasazením do produkce vždy změř skutečný zisk ve svém konkrétním kontextu