Implimenta l-Output Ippreditut f'Python
F'din il-paġna
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
predictionsempliċiment jiżdied mas-sejħachat.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