Lightning Rod: Generate training data

Statt Menschen Beispiele per Hand etikettieren zu lassen, nutzt Lightning Rod, was später tatsächlich passiert ist, als Etikett. Ob ein Abschluss zustande kam oder ein Vertrag verlängert wurde, dieses Ergebnis ist die Grundwahrheit für eine frühere Frage. Das Ergebnis ist ein Trainingssatz aus Ihrer echten Historie. Die unordentlichen Teile bleiben unordentlich, und das ist Absicht. Hier weicht auch die Erzeugung synthetischer Daten etwas Bodenständigerem, denn jedes Beispiel lässt sich auf ein echtes Ergebnis zurückführen.

Die Plattform nimmt Nachrichten, Dokumente und eigene Daten auf und schickt sie durch eine Pipeline, die etikettierte Prognosedatensätze erzeugt. Sie deckt den ganzen Kreislauf ab, vom Erzeugen von Fragen und Antworten bis zum Fine-Tuning und zur Bewertung. Teams müssen für den Start keine eigene Aufbereitungskette bauen.

Foresight ist eine Familie von Prognosemodellen, die kalibrierte Wahrscheinlichkeiten zu vorausschauenden Fragen liefern. Sie ist OpenAI-kompatibel, sodass Sie sie mit geänderter Basis-URL und Modellnamen in bestehenden Code einfügen. Zwei Modelle stehen bereit: foresight-v4 und das ältere foresight-v3.

Standardmäßig arbeiten die Prognosemodelle nur mit dem, worauf sie trainiert wurden. Für schärfere Antworten liefern Sie eigenen aggregierten Kontext oder schalten den Recherchemodus ein, der Quellen wie Perplexity und Google News heranzieht. Diese Einrichtung lässt Entwickler steuern, wie viele externe Belege in jede Vorhersage einfließen.

Fertige Modelle können in Ihrer Cloud oder in der von Lightning Rod laufen. Das ist ein echtes Unterscheidungsmerkmal für regulierte Branchen, wo die Alternative oft ein gehosteter Dienst ist, der Ihre Daten auf fremden Servern hält. Kompakte Modelle senken zudem die Kosten pro Aufruf nach der Bereitstellung.

Laut Lightning Rod haben seine Modelle auf mehreren Domänenaufgaben Frontier-Systeme übertroffen und im ForecastBench den Superforecaster-Bereich erreicht, und das auf einer einzigen GPU. Das ist eine große Behauptung. Sie sollten sie mit Vorsicht behandeln, bis Sie sie an Ihrem eigenen Anwendungsfall testen, doch die Richtung ist klar: kleiner, günstiger und auf ein Problem zugeschnitten.

Die API liefert standardmäßig reinen Text, was für einen Menschen passt, der das Ergebnis liest. Für programmatische Arbeit liefert eine answer_type-Erweiterung strukturierte Ausgabe, und ein Python-SDK übernimmt das Auslesen mit einem einzigen Aufruf lr.predict(). So lassen sich Prognosen leichter in einen automatisierten Ablauf einbinden.