Lightning Rod: Generate training data

Au lieu de demander aux gens d'étiqueter des exemples à la main, Lightning Rod utilise ce qui s'est réellement passé ensuite comme étiquette. Si une affaire s'est conclue ou qu'un contrat a été reconduit, ce résultat est la vérité de référence pour une question antérieure. Le résultat est un ensemble d'entraînement bâti sur votre historique réel. Les parties désordonnées restent désordonnées, et c'est voulu. C'est aussi ici que la génération de données synthétiques laisse la place à quelque chose de plus ancré, puisque chaque exemple remonte à un résultat réel.

La plateforme ingère des actualités, des documents et des données personnalisées et les fait passer par un pipeline qui génère des jeux de données de prévision étiquetés. Elle couvre toute la boucle, de la génération des questions et réponses jusqu'au fine-tuning et à l'évaluation. Les équipes n'ont pas à bâtir leur propre chaîne de traitement des données pour commencer.

Foresight est une famille de modèles de prévision qui renvoient des probabilités calibrées sur des questions tournées vers l'avenir. Elle est compatible OpenAI, donc vous l'intégrez à du code existant en changeant l'URL de base et le nom du modèle. Deux modèles sont disponibles : foresight-v4 et l'ancien foresight-v3.

Par défaut, les modèles de prévision travaillent uniquement à partir de ce sur quoi ils ont été entraînés. Pour des réponses plus précises, vous fournissez votre propre contexte agrégé ou vous activez le mode recherche, qui puise dans des sources comme Perplexity et Google News. Cette configuration laisse un développeur régler la part de preuves externes qui alimente chaque prédiction.

Les modèles finis peuvent tourner dans votre cloud ou dans celui de Lightning Rod. C'est un vrai différenciateur pour les secteurs réglementés, où l'alternative est souvent un service hébergé qui garde vos données sur les serveurs d'un autre. Les modèles compacts réduisent aussi le coût par appel une fois déployés.

Selon Lightning Rod, ses modèles ont dépassé des systèmes de pointe sur plusieurs tâches de domaine et atteint la fourchette Superforecaster sur ForecastBench, en tournant sur un seul GPU. C'est une affirmation forte. Elle mérite d'être prise avec prudence jusqu'à ce que vous la testiez sur votre propre cas d'usage, mais la direction est claire : plus petit, moins cher et réglé pour un seul problème.

L'API renvoie du texte brut par défaut, ce qui convient à une personne qui lit le résultat. Pour un usage programmatique, une extension answer_type renvoie une sortie structurée, et un SDK Python se charge de l'analyse avec un seul appel lr.predict(). Cela facilite l'intégration des prévisions dans un flux de travail automatisé.