- Einloggen und Tool-Oberfläche kennenlernen:
- Logge dich im Tool für synthetische Daten ein. Du siehst eine Oberfläche mit Eingabefeldern und Konfigurationsoptionen.
- Prompt definieren:
- Gib im Eingabefeld den ersten Prompt ein, der das Szenario beschreibt. Beispiel: “Online-Verkaufsassistent für eine Baumarktkette. Deine Aufgabe ist es, Kunden bei Fragen zu Produkten, Rückgaben, Garantie und Service zu unterstützen.”
- Klicke auf „Generate System Prompt und Sample Dataset“.
- System-Prompt anpassen (optional):
- Überprüfe den generierten System-Prompt und bearbeite ihn bei Bedarf, um sicherzustellen, dass die Antworten den gewünschten Anforderungen entsprechen.
- Datensatz-Parameter festlegen:
- Wähle, ob eine einfache Frage-Antwort-Paarung oder ein mehrstufiger Dialog simuliert werden soll.
- Lege die Anzahl der Zeilen (z. B. 10) für deinen Datensatz fest.
- Datensatz generieren und exportieren:
- Klicke auf „Generate“. Der Datensatz wird erstellt und enthält Kundenanfragen und passende Antworten.
- Optional: Push den Datensatz zu Argilla für kollaborative Bearbeitung oder lade ihn herunter, um ihn lokal zu verwenden.
- Qualität und Anpassbarkeit des Outputs überprüfen:
- Gehe den generierten Datensatz durch und prüfe, ob die Anfragen und Antworten den realen Use-Case widerspiegeln.
- Verstehen, was synthetische Daten sind und warum sie nützlich sind.
- Lernen, wie man ein synthetisches Datenset für den spezifischen Anwendungsfall erstellt.
- Anwendung des Tools zur Generierung synthetischer Daten für Verkaufs- und Service-Bots.
- Vorteile und Grenzen synthetischer Daten im Vergleich zu echten Daten kennenlernen.
Online-Verkaufsassistent für eine Baumarktkette. Deine Aufgabe ist es, Kundenanfragen zu allen Produkten auf unserer Plattform zu beantworten, einschließlich Fragen zu Rückgabe, Garantie und weiteren Customer Service-Themen.
- Softwaretests in der Finanzbranche:
Nutze synthetische Daten, um Banktransaktionen oder Kreditbewertungen zu simulieren, ohne echte Finanzdaten verwenden zu müssen. - KI-Training für medizinische Anwendungen:
Erstelle synthetische Patientendaten, die für das Training von KI-Modellen in der medizinischen Diagnose und Vorhersage genutzt werden können, ohne Datenschutzprobleme. - E-Commerce-Kundenanalyse:
Generiere Datensätze zu fiktiven Kundenkäufen und -präferenzen, um Marketing- oder Recommendation-Systeme zu testen. - Risiko- und Bewertungsmodelle im Versicherungswesen:
Entwickle Testdatensätze für Versicherungsprofile, um Risiken zu analysieren und Bewertungsmodelle zu optimieren, ohne auf echte Kundendaten zugreifen zu müssen. - Produktdemos für CRM-Systeme:
Erstelle realistische Kundendaten für Demonstrationen neuer CRM-Funktionen, um potenziellen Kunden das System realitätsnah vorzuführen.
