Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Πραγματικές περιπτώσεις χρήσης για προβλεπόμενες εξόδους

Μάθημα 6 / 16 Ενημερώθηκε 29 Ιουλίου 2026 Προχωρημένος
Σε αυτήν τη σελίδα
  1. Τρεις οικογένειες περιπτώσεων χρήσης
  2. Περίπτωση χρήσης 1: Επεξεργασία κώδικα
  3. Περίπτωση χρήσης 2: Επεξεργασία κειμένου
  4. Περίπτωση χρήσης 3: Συμπλήρωση προτύπων
  5. Μέτρηση των οφελών στον πραγματικό κόσμο
  6. Βασικά σημεία

Τρεις οικογένειες περιπτώσεων χρήσης

Ο κοινός παρονομαστής αυτών των τριών οικογενειών είναι απλός: οι προβλεπόμενες έξοδοι αποδίδουν καρπούς όταν το μεγαλύτερο μέρος της εξόδου είναι γνωστό εκ των προτέρων. Η φύση της εργασίας—κώδικας, κείμενο ή πρότυπο—έχει μικρότερη σημασία από την αναλογία του αποτελέσματος που μπορείτε να παρέχετε ως πρόβλεψη. Στο 90% αμετάβλητου περιεχομένου, το όφελος είναι δραματικό· στο 30%, γίνεται αμελητέο, ανεξάρτητα από την περίπτωση χρήσης.

Κρατήστε αυτή την αναλογία στο μυαλό σας καθώς εξερευνάτε τις τρεις οικογένειες παρακάτω. Αντιπροσωπεύουν σενάρια όπου αυτή η αναλογία είναι φυσικά υψηλή. Σε αυτό το μάθημα, θα δείτε συγκεκριμένα παραδείγματα για κάθε κατηγορία, μαζί με μοτίβα που μπορείτε να αναπαράγετε στις δικές σας εφαρμογές.

Περίπτωση χρήσης 1: Επεξεργασία κώδικα

Αυτή είναι η πιο φυσική εφαρμογή, καθώς ο κώδικας μεγιστοποιεί μηχανικά την αναλογία: η μετονομασία μιας μεταβλητής σε ένα αρχείο 500 γραμμών αφήνει 498 γραμμές αυστηρά ίδιες. Ξεκινάτε με ένα υπάρχον αρχείο πηγής και θέλετε να κάνετε μια στοχευμένη αλλαγή. Το μοντέλο χρειάζεται μόνο να αναγεννήσει τις τροποποιημένες γραμμές.

Μετονομασία μιας μεταβλητής

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}
)

Το μοντέλο γνωρίζει ότι η δομή του κώδικα παραμένει ίδια. Υπολογίζει εκ νέου μόνο τα tokens που επηρεάζονται από τη μετονομασία.

Αλλαγή μιας εισαγωγής ή εξάρτησης

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}
)

Περίπτωση χρήσης 2: Επεξεργασία κειμένου

Το κείμενο ακολουθεί την ίδια λογική με τον κώδικα, με μια σημαντική λεπτομέρεια: οι αλλαγές στο κείμενο είναι συχνά λιγότερο εντοπισμένες από ό,τι θα νομίζατε. Η αλλαγή ενός αριθμού σε μια αναφορά μπορεί να πυροδοτήσει ξαναγραψίματα της πρότασης που το σχολιάζει, της παραγράφου περίληψης και του συμπεράσματος. Το όφελος είναι υπαρκτό, αλλά μετρήστε το στα πραγματικά σας έγγραφα αντί να υποθέτετε ότι ισούται με το όφελος που βλέπετε στον κώδικα.

Ενημέρωση μιας ενότητας σε μια αναφορά

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}
)

Περίπτωση χρήσης 3: Συμπλήρωση προτύπων

Όταν έχετε ένα σταθερό πρότυπο όπου αλλάζουν μόνο λίγες τιμές, η πρόβλεψη είναι σχεδόν τέλεια:

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}
)

Μέτρηση των οφελών στον πραγματικό κόσμο

Για να αξιολογήσετε την αποτελεσματικότητα των προβλεπόμενων εξόδων για την περίπτωσή σας, συγκρίνετε συστηματικά εκτελέσεις με και χωρίς πρόβλεψη:

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}%")

Το όφελος varies ανάλογα με το ποσοστό του περιεχομένου που προβλέφθηκε σωστά. Για μια αλλαγή 5% σε ένα αρχείο 500 γραμμών, αναμένετε μείωση της καθυστέρησης κατά 60% έως 80%.

Βασικά σημεία

  • Η επεξεργασία κώδικα (μετονομασία, μετανάστευση, ελαφριά αναδιάρθρωση) είναι η κύρια περίπτωση χρήσης
  • Η επεξεργασία κειμένου (αναφορές, έγγραφα) ωφελείται από τη σταθερή δομή
  • Τα πρότυπα με λίγες δυναμικές τιμές προσφέρουν την καλύτερη αναλογία οφέλους προς προσπάθεια
  • Να μετράτε πάντα το πραγματικό όφελος στο δικό σας πλαίσιο πριν από την ανάπτυξη σε παραγωγή