Reelle brugstilfælde for forudsagte output
På denne side
Tre familier af brugstilfælde
Den fælles nævner for disse tre familier er enkel: Forudsagte output giver størst gevinst, når det meste af outputtet er kendt på forhånd. Opgavens art – kode, tekst eller skabelon – betyder mindre end den andel af resultatet, du kan levere som en forudsigelse. Ved 90 % uændret indhold er gevinsten dramatisk; ved 30 % bliver den ubetydelig, uanset brugstilfældet.
Hold denne ratio i tankerne, mens du udforsker de tre familier nedenfor. De repræsenterer scenarier, hvor denne ratio naturligt er høj. I denne lektion ser du konkrete eksempler for hver kategori sammen med mønstre, du kan replikere i dine egne applikationer.
Brugstilfælde 1: Redigering af kode
Dette er den mest naturlige anvendelse, fordi kode mekanisk maksimerer ratioen: At omdøbe en variabel i en fil på 500 linjer efterlader 498 linjer strengt identiske. Du starter med en eksisterende kildefil og ønsker at foretage en målrettet ændring. Modellen behøver kun at regenerere de modificerede linjer.
Omdøb en variabel
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}
)
Modellen ved, at kodestrukturen forbliver identisk. Den genberegner kun de tokens, der påvirkes af omdøbningen.
Ændr en import eller afhængighed
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}
)
Brugstilfælde 2: Redigering af tekst
Tekst følger den samme logik som kode, men med en vigtig nuance: Tekstændringer er ofte mindre lokaliserede, end man måske tror. At ændre et tal i en rapport kan udløse omskrivninger af sætningen, der kommenterer det, resuméafsnittet og konklusionen. Gevinsten er reel, men mål den på dine faktiske dokumenter i stedet for at antage, at den svarer til gevinsten, du ser med kode.
Opdater et afsnit i en rapport
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}
)
Brugstilfælde 3: Udfyldning af skabeloner
Når du har en fast skabelon, hvor kun få værdier ændres, er forudsigelsen næsten perfekt:
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}
)
Måling af gevinster i praksis
For at evaluere effektiviteten af forudsagte output til dit brugstilfælde skal du systematisk sammenligne kørsler med og uden forudsigelse:
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}%")
Gevinsten varierer baseret på procentdelen af indhold, der er korrekt forudsagt. For en ændring på 5 % i en fil på 500 linjer kan du forvente en reduktion af ventetiden på 60 % til 80 %.
Vigtige pointer
- Redigering af kode (omdøbning, migration, let refaktorering) er det primære brugstilfælde
- Redigering af tekst (rapporter, dokumenter) drager fordel af en stabil struktur
- Skabeloner med få dynamiske værdier tilbyder det bedste forhold mellem gevinst og indsats
- Mål altid gevinsten i praksis i din kontekst, før du deployer til produktion