Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Valós esetek a megjósolt kimenetekhez

6. lecke 16 közül Frissítve 2026. július 29. Haladó
Ezen az oldalon
  1. A felhasználási esetek három családja
  2. 1. felhasználási eset: Kódszerkesztés
  3. 2. felhasználási eset: Szövegszerkesztés
  4. 3. felhasználási eset: Sablonkitöltés
  5. Valós nyereség mérése
  6. Főbb megállapítások

A felhasználási esetek három családja

Ennél a három családnál a közös szál egyszerű: a megjósolt kimenetek (Predicted Outputs) akkor térülnek meg, ha a kimenet nagy része előre ismert. A feladat jellege – legyen az kód, szöveg vagy sablon – kevésbé számít, mint az eredménynek az a hányada, amelyet jóslatként megadhatsz. Ha a tartalom 90%-a változatlan, a nyereség drámai; ha csak 30%, akkor elhanyagolhatóvá válik, függetlenül a konkrét esettől.

Tartsd észben ezt az arányt, miközben áttekinted az alábbi három családot. Ezek olyan forgatókönyveket képviselnek, ahol ez az arány természetesen magas. Ebben a leckében konkrét példákat látsz minden kategóriára, valamint olyan mintázatokat, amelyeket saját alkalmazásaiddal is reprodukálhatsz.

1. felhasználási eset: Kódszerkesztés

Ez a legkézenfekvőbb megoldás, mert a kód mechanikusan maximalizálja az arányt: egy változó átnevezése egy 500 soros fájlban 498 sort változatlanul hagy. Egy meglévő forrásfájlból indulsz ki, és egy célzott módosítást szeretnél végrehajtani. A modellnek csak a módosított sorokat kell újragenerálnia.

Változó átnevezése

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}
)

A modell tudja, hogy a kód szerkezete változatlan marad. Csak az átnevezés által érintett tokeneket számolja újra.

Import vagy függőség módosítása

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}
)

2. felhasználási eset: Szövegszerkesztés

A szövegeknél ugyanaz a logika érvényes, mint a kódnál, egy fontos árnyalattal: a szövegmódosítások gyakran kevésbé lokalizáltak, mint gondolnád. Egy szám módosítása egy jelentésben újraírathatja a rá vonatkozó mondatot, az összefoglaló bekezdést és a következtetést is. A nyereség valós, de a saját dokumentumaidon mérd le, ne feltételezd, hogy ugyanakkora, mint a kód esetén tapasztalt gains.

Egy szakasz frissítése egy jelentésben

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}
)

3. felhasználási eset: Sablonkitöltés

Ha van egy rögzített sablonod, ahol csak néhány érték változik, a jóslat szinte tökéletes:

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}
)

Valós nyereség mérése

A megjósolt kimenetek hatékonyságának értékeléséhez a saját esetedben rendszeresen hasonlítsd össze a jóslással és anélkül futtatott kísérleteket:

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}%")

A nyereség a helyesen megjósolt tartalom százalékos aránya alapján változik. Egy 500 soros fájl 5%-os módosítása esetén 60% és 80% közötti késleltetés-csökkenésre számíthatsz.

Főbb megállapítások

  • A kódszerkesztés (átnevezés, migráció, könnyű refaktorálás) az elsődleges felhasználási eset
  • A szövegszerkesztés (jelentések, dokumentumok) előnyös, ha a szerkezet stabil
  • A néhány dinamikus értéket tartalmazó sablonok kínálják a legjobb nyereség/ráfordítás arányt
  • Mielőtt éles környezetbe telepítenéd, mindig mérd le a valós nyereséget a saját kontextusodban