Von punktuellen Korrekturen zu messbaren Verbesserungen: Genauere Dokumentenextraktion mit ai_extract und MLflow Prompt Registry
Von KI aus dem englischen Original übersetzt. Auf Englisch ansehen
Die Genauigkeit von ai_extract lässt sich verbessern, wenn die Maßnahme zum Problem passt: Schemabeschreibungen für Regeln auf Feldebene, Prompts für Logik auf Dokumentebene, precision mode bei struktureller Komplexität und Citations zur Fehlerdiagnose. Prompts und Schemas werden in der MLflow Prompt Registry versioniert, per Alias bereitgestellt oder zurückgerollt und vor der Freigabe mit von Menschen geprüften Ground-Truth-Daten verglichen. Genie Code automatisiert einen Großteil dieser Evaluierungs- und Korrekturschleife.
* **Sie müssen nicht alles selbst erledigen:** [Genie Code for document processing](https://docs.databricks.com/aws/en/large-language-models/genie-code-document-processing) automatisiert den Kern dieses Workflows. Es bewertet die Extraktion Feld für Feld anhand Ihrer gelabelten Daten, schlägt Korrekturen an Schema und Anweisungen als überprüfbare Diffs vor und führt die Evaluierung erneut aus, um Ergebnisse vor und nach der Änderung zu zeigen. * **ai_extract mit dem richtigen Hebel verbessern:** Schemabeschreibungen für Regeln auf Feldebene, Prompts für Logik auf Dokumentebene, precision mode für strukturelle Komplexität und Citations zur Fehlerdiagnose. * **Prompts und Schemas mit der MLflow Prompt Registry versionieren:** Extraktionslogik wird als versionierte Artefakte verwaltet, und Änderungen werden per Alias bereitgestellt oder zurückgerollt, statt den Pipeline-Code zu bearbeiten. * **Änderungen vor der Freigabe evaluieren:** Kandidaten werden mit festen, von Menschen geprüften Ground-Truth-Daten verglichen, wobei Genauigkeit, Abdeckung und Schwankungen zwischen Durchläufen verfolgt werden.