Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Praxisnahe Anwendungsfälle für vorhergesagte Ausgaben

Lektion 6 von 16 Aktualisiert am 29. Juli 2026 Fortgeschritten
Auf dieser Seite
  1. Drei Familien von Anwendungsfällen
  2. Anwendungsfall 1: Code-Editierung
  3. Anwendungsfall 2: Text-Editierung
  4. Anwendungsfall 3: Vorlagenfüllung
  5. Messung realer Gewinne
  6. Kernaussagen

Drei Familien von Anwendungsfällen

Der gemeinsame Nenner dieser drei Familien ist einfach: Vorhergesagte Ausgaben lohnen sich, wenn der Großteil der Ausgabe im Voraus bekannt ist. Die Art der Aufgabe – Code, Text oder Vorlage – ist weniger entscheidend als der Anteil des Ergebnisses, den Sie als Vorhersage bereitstellen können. Bei 90 % unverändertem Inhalt ist der Gewinn dramatisch; bei 30 % wird er vernachlässigbar, unabhängig vom Anwendungsfall.

Halten Sie dieses Verhältnis im Sinn, während Sie die drei Familien unten erkunden. Sie repräsentieren Szenarien, in denen dieses Verhältnis von Natur aus hoch ist. In dieser Lektion sehen Sie konkrete Beispiele für jede Kategorie sowie Muster, die Sie in Ihren eigenen Anwendungen nachbauen können.

Anwendungsfall 1: Code-Editierung

Dies ist die natürlichste Passform, da Code das Verhältnis mechanisch maximiert: Das Umbenennen einer Variable in einer 500-Zeilen-Datei lässt 498 Zeilen strikt unverändert. Sie beginnen mit einer bestehenden Quelldatei und möchten eine gezielte Änderung vornehmen. Das Modell muss lediglich die modifizierten Zeilen neu generieren.

Variable umbenennen

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 = (
    "Benennen Sie die Variable 'tax_rate' in diesem Code in 'vat_rate' um. "
    "Antworten Sie nur mit dem modifizierten Code."
)

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

Das Modell weiß, dass die Code-Struktur unverändert bleibt. Es berechnet lediglich die durch die Umbenennung betroffenen Tokens neu.

Import oder Abhängigkeit ändern

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 = (
    "Migrieren Sie diesen Code von Flask zu FastAPI. "
    "Behalten Sie die gleiche Geschäftslogik bei. "
    "Antworten Sie nur mit dem Code."
)

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

Anwendungsfall 2: Text-Editierung

Text folgt der gleichen Logik wie Code, mit einer wichtigen Nuance: Textänderungen sind oft weniger lokalisiert, als man denkt. Die Änderung einer Zahl in einem Bericht kann Umschreibungen des kommentierenden Satzes, des Zusammenfassungsabsatzes und des Schlusses auslösen. Der Gewinn ist real, aber messen Sie ihn an Ihren tatsächlichen Dokumenten, anstatt davon auszugehen, dass er dem Gewinn entspricht, den Sie bei Code sehen.

Einen Abschnitt in einem Bericht aktualisieren

report = """
# Q4 2025 Quartalsbericht

## Zusammenfassung des Vorstands
Der Umsatz erreichte im Q4 2025 2,3 Mio. €, ein Anstieg von 15 %
gegenüber Q3. Die operative Marge liegt bei 22 %.

## Verkaufsleistung
Das Vertriebsteam schloss 47 neue Verträge ab, darunter 12 Schlüsselkonten.
Die durchschnittliche Transaktionsgröße wuchs um 8 % auf 49.000 €.

## Ausblick Q1 2026
Wir erwarten ein Wachstum von 10 %, angetrieben durch die Einführung des
Enterprise-Produkts und die Expansion auf den deutschen Markt.
"""

prompt = (
    "Aktualisieren Sie diesen Bericht für Q1 2026 mit folgenden Daten: "
    "Umsatz = 2,7 Mio. € (+17 %), Marge = 24 %, 53 neue Verträge, "
    "durchschnittliche Transaktionsgröße = 51.000 € (+4 %). "
    "Nennen Sie im Ausblick für Q2 die Expansion in die Benelux-Region. "
    "Behalten Sie die exakt gleiche Struktur bei."
)

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

Anwendungsfall 3: Vorlagenfüllung

Wenn Sie eine feste Vorlage haben, bei der nur wenige Werte geändert werden, ist die Vorhersage nahezu perfekt:

email_template = """
Hallo {name},

Anknüpfend an unser Gespräch am {date} bestätige ich folgende Punkte:

1. Das Projekt {project} startet am {start_date}
2. Das Team besteht aus {num_people} Personen
3. Das geschätzte Budget beträgt {budget} € (exkl. MwSt.)

Ich stehe Ihnen für Rückfragen zur Verfügung.

Mit freundlichen Grüßen,
{signatory}
"""

# Vorlage teilweise füllen für die Vorhersage
prediction = email_template.replace("{name}", "Herr Dupont")
prediction = prediction.replace("{signatory}", "Marie Martin")

prompt = (
    "Erfassen Sie diese E-Mail mit folgenden Informationen: "
    "Datum = 28. März 2026, Projekt = Cloud-Migration, "
    "Startdatum = 15. April 2026, Anzahl Personen = 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}
)

Messung realer Gewinne

Um die Wirksamkeit von vorhergesagten Ausgaben für Ihren Anwendungsfall zu bewerten, vergleichen Sie systematisch Ausführungen mit und ohne Vorhersage:

import time

# Ohne Vorhersage
start = time.time()
resp_normal = client.chat.complete(
    model="mistral-large-latest",
    messages=messages
)
time_normal = time.time() - start

# Mit Vorhersage
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"Ohne Vorhersage: {time_normal:.2f}s")
print(f"Mit Vorhersage: {time_predicted:.2f}s")
print(f"Verzögerungsgewinn     : {gain:.1f}%")

Der Gewinn variiert je nach dem prozentualen Anteil des korrekt vorhergesagten Inhalts. Bei einer Änderung von 5 % in einer 500-Zeilen-Datei sind Sie mit einer Reduzierung der Latenz von 60 % bis 80 % zu rechnen.

Kernaussagen

  • Code-Editierung (Umbenennen, Migration, leichte Refaktorierung) ist der primäre Anwendungsfall
  • Text-Editierung (Berichte, Dokumente) profitiert von einer stabilen Struktur
  • Vorlagen mit wenigen dynamischen Werten bieten das beste Verhältnis von Gewinn zu Aufwand
  • Messen Sie den realen Gewinn in Ihrem Kontext immer vor dem Einsatz in der Produktion