Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Implimenta l-Output Ippreditut f'Python

Lezzjoni 7 / 16 Aġġornat 2 ta’ Novembru 2026 Avvanzat
F'din il-paġna
  1. Mill-Kunċett għall-Kodiċi tal-Produzzjoni
  2. Implimentazzjoni Bażika
  3. Klassi ta’ Utilità għall-Produzzjoni
  4. Benchmark: Bi vs Mingħajr Predizzjoni
  5. Trattament tal-Iżbalji
  6. Vincoli li Għandek Tkun Taf Biħhom
  7. Punti Ewlenin

Mill-Kunċett għall-Kodiċi tal-Produzzjoni

Int diġà fhimt il-prinċipju wara l-Output Ippreditut (Predicted Outputs) u l-każijiet ta’ użu tiegħu. Din il-lezzjoni tipprovdi kodiċi Python sħiħ, lest biex jiġi integrat fl-applikazzjonijiet tiegħek, inkluż it-trattament tal-iżbalji u l-kejl tal-prestazzjoni.

Implimentazzjoni Bażika

Il-mudell minimu jeħtieġ biss parametru wieħed: prediction, fejn tgħaddi l-kontenut mistenni. Kollox ieħor fis-sejħa jibqa’ l-istess—l-istess mudell, l-istess messaġġi, l-istess trattament tar-risposta. Dan jagħmel il-faċilità faċli biex tiġi adottata u daqstant ieħor faċli biex titneħħa jekk il-metriki ma jikkonfermawx il-gwadann:

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

source_code = """
import pandas as pd

def load_data(filepath):
    df = pd.read_csv(filepath)
    df['date'] = pd.to_datetime(df['date'])
    df = df.dropna(subset=['value'])
    return df

def compute_stats(df):
    return {
        'mean': df['value'].mean(),
        'median': df['value'].median(),
        'std': df['value'].std()
    }
"""

prompt = (
    "Add a 'separator' parameter to the load_data function "
    "(default ',') and use it in read_csv. "
    "Respond only with the complete modified code."
)

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

modified_code = response.choices[0].message.content
print(modified_code)

Klassi ta’ Utilità għall-Produzzjoni

L-inkapsulament hawnhekk joffri benefiċċji lil hinn minn kodiċi nadif: jiċċentralizza d-deċiżjoni li tattivaw jew tiddiżattivaw il-predizzjoni. Dan huwa eżattament it-tip ta’ setting li trid tkun tista’ tbiddel istantanjament. Jekk dispjegament jiżvela predizzjonijiet żbaljati b’mod konsistenti, tista’ tiddiżattivahom f’punt wieħed minflok ma tfittex il-parametru fil-kodiċi kollu tiegħek:

from mistralai.client import Mistral
import time
from dataclasses import dataclass


@dataclass
class PredictionResult:
    content: str
    latency_ms: float
    tokens_input: int
    tokens_output: int
    model: str


class PredictedEditor:
    """Editur tal-kontenut bl-użu ta' Output Ippreditut."""

    def __init__(self, api_key: str, model: str = "mistral-large-latest"):
        self.client = Mistral(api_key=api_key)
        self.model = model

    def edit(
        self,
        original: str,
        instruction: str,
        system_prompt: str | None = None
    ) -> PredictionResult:
        """Jeditja l-kontenut bil-predizzjoni tal-output."""
        messages = []

        if system_prompt:
            messages.append({"role": "system", "content": system_prompt})

        messages.extend([
            {"role": "user", "content": instruction},
            {"role": "user", "content": original}
        ])

        start = time.perf_counter()

        response = self.client.chat.complete(
            model=self.model,
            messages=messages,
            prediction={"type": "content", "content": original}
        )

        latency = (time.perf_counter() - start) * 1000

        choice = response.choices[0]
        return PredictionResult(
            content=choice.message.content,
            latency_ms=round(latency, 1),
            tokens_input=response.usage.prompt_tokens,
            tokens_output=response.usage.completion_tokens,
            model=self.model
        )

    def edit_code(self, code: str, instruction: str) -> PredictionResult:
        """Shortcut għall-editjar tal-kodiċi."""
        return self.edit(
            original=code,
            instruction=instruction,
            system_prompt=(
                "You are a programming assistant. "
                "Respond only with the modified code, "
                "without explanation or markdown."
            )
        )

    def edit_text(self, text: str, instruction: str) -> PredictionResult:
        """Shortcut għall-editjar tat-test."""
        return self.edit(
            original=text,
            instruction=instruction,
            system_prompt=(
                "You are a professional text editor. "
                "Apply the requested modification while preserving "
                "the style and structure of the original text. "
                "Respond only with the modified text."
            )
        )

Kif Tuża l-Klassi

editor = PredictedEditor(api_key="your-api-key", model="codestral-latest")

# Editja l-kodiċi
result = editor.edit_code(
    code=my_python_file,
    instruction="Replace all print() calls with logging.info() calls"
)

print(f"Latency: {result.latency_ms} ms")
print(f"Tokens: {result.tokens_input} in / {result.tokens_output} out")
print(result.content)

Benchmark: Bi vs Mingħajr Predizzjoni

Taqbiżx dan il-pass. Il-gwadann mill-Output Ippreditut jiddependi kompletament fuq il-preċiżjoni tal-predizzjonijiet tiegħek, li tiddependi mid-dejta tiegħek. L-ebda ċifra mid-dokumentazzjoni ma tissostitwixxi l-kejl fuq l-eżempji tiegħek stess. Dan l-iskript iqabbel iż-żewġ modalitajiet fuq l-istess inputs u jagħtiek it-tweġiba f’sekondi:

import statistics

def benchmark_prediction(
    client, model, messages, prediction_content, runs=5
):
    """Jqabbel il-latency bi u mingħajr Output Ippreditut."""
    times_normal = []
    times_predicted = []

    for _ in range(runs):
        # Mingħajr predizzjoni
        start = time.perf_counter()
        client.chat.complete(model=model, messages=messages)
        times_normal.append((time.perf_counter() - start) * 1000)

        # Bil-predizzjoni
        start = time.perf_counter()
        client.chat.complete(
            model=model,
            messages=messages,
            prediction={"type": "content", "content": prediction_content}
        )
        times_predicted.append((time.perf_counter() - start) * 1000)

    avg_normal = statistics.mean(times_normal)
    avg_predicted = statistics.mean(times_predicted)
    gain_pct = (1 - avg_predicted / avg_normal) * 100

    return {
        "without_prediction_ms": round(avg_normal, 1),
        "with_prediction_ms": round(avg_predicted, 1),
        "gain_percentage": round(gain_pct, 1),
        "runs": runs
    }

Trattament tal-Iżbalji

It-trattament tal-iżbalji huwa sempliċi hawnhekk għal raġuni strutturali: predizzjoni mhux korretta mhix żball. Il-mudell jinjoraha u jiġġenera normalment—int titlef il-gwadann fil-latency, qatt mhux il-kwalità. Il-każijiet reali fil-marġni jinsabu band’oħra:

def safe_edit(editor, original, instruction):
    """Editjar b'trattament robust tal-iżbalji."""
    try:
        result = editor.edit(original, instruction)

        # Iċċekkja li r-risposta mhix vojta
        if not result.content or len(result.content.strip()) < 10:
            raise ValueError("Response too short or empty")

        return result

    except Exception as e:
        # Fallback: erġa' pprova mingħajr predizzjoni
        print(f"Predicted Output failed ({e}), falling back to standard...")
        response = editor.client.chat.complete(
            model=editor.model,
            messages=[
                {"role": "user", "content": instruction},
                {"role": "user", "content": original}
            ]
        )
        return PredictionResult(
            content=response.choices[0].message.content,
            latency_ms=0,
            tokens_input=response.usage.prompt_tokens,
            tokens_output=response.usage.completion_tokens,
            model=editor.model
        )

Vincoli li Għandek Tkun Taf Biħhom

Qabel ma tdispjega, integra tliet punti fir-reviżjoni tal-kodiċi tiegħek. L-ewwel, il-parametru n (ġenerazzjonijiet multipli) mhux kompatibbli ma’ prediction. Jekk il-pipeline tiegħek titlob completamenti multipli, trid tagħżel. It-tieni, il-qabbel bejn il-predizzjoni u l-output huwa ġestit mill-mudell irrispettivament mill-pożizzjoni tal-kontenut fir-risposta—m’għandekx bżonn tħejji l-ebda allinjament. Fl-aħħar nett, u dan huwa dak li jagħmel il-faċilità sikura biex tiġi dispjegata: predizzjoni ħażina qatt ma tnaqqas il-kwalità tar-risposta; tiswikek biss il-gwadann fil-latency. L-agħar xenarju possibbli huwa sempliċiment ritorn għall-veloċità normali fuq iż-żewġ mudelli kompatibbli (mistral-large-latest u codestral-latest).

Punti Ewlenin

  • Il-parametru prediction sempliċiment jiżdied mas-sejħa chat.complete()
  • Inkapsula l-loġika f’klassi li tista’ terġa’ tużaha għall-produzzjoni
  • Kejjel sistematikament il-gwadann b’benchmark qabel ma tdispjega
  • Ippjana fallback mingħajr predizzjoni fil-każ ta’ żbalji
  • Predizzjoni ħażina ma tnaqqasx il-kwalità, iżda biss il-latency