Moving from theory to a tangible, working system that turns AI mistakes into high-quality training data. IN THE 私たちは、AI開発の混乱の真ん中について話し、これは有望な85%のプロトタイプと生産準備が整った99%のシステムとの間の困難なギャップです。 このシリーズの第1部 今日、私たちは私たちの手を汚して、データフライトのコアループを示すシンプルで動作するウェブアプリケーションを構築する予定です。この記事の終わりまでに、あなたはAIのエラーを修正し、あなたの仕事から完璧な、細かい調整準備のデータセットを生成します。 We will be using the オープンソースフレームワークの例として、 この例は自立しており、DockerやRedisのような外部サービスは必要ありませんし、コアパターンがどれほど強力であるかを証明しています。 correction_deck_quickstart Foundry Foundry シナリオ:A Flawed Invoice AI たとえば、我々は請求書から構造化されたデータを抽出するためにAIを構築したとします。我々はそれを請求書の画像として供給し、それがクリーンなJSONオブジェクトを返すことを望んでいます。その最初のパスでは、AIは適切な仕事をしますが、それは完璧ではありません。 {
  "supplier_name": "Lone Star Provisins Inc.", // <-- TYPO!
  "invoice_number": "785670",
  "invoice_date": "2025-08-20",
  "inventory_items": [
    {
      "item_name": "TAVERN HAM WH", 
      "total_quantity": 15.82, 
      "total_unit": "LB", 
      "total_cost": 87.80
    },
    {
      "item_name": "ONIONS YELLOW JBO", 
      "total_quantity": 5, // <-- WRONG QUANTITY! Should be 50.
      "total_unit": "LB", 
      "total_cost": 35.50
    }
  ]
}
 私たちの目標は、人間がこれらの2つのエラーを簡単に修正できるシステムを構築することであり、重要なのは、これらの修正を再訓練するために捕捉することです。 Our Flywheelの3つのコアコンポーネント これを構築するために、私たちのFoundryフレームワークは3つのシンプルで強力なPython抽象に依存しています。 
 
 
 
 仕事:これは、トラッキングシステムのチケットとして考えてください. それは、AIのための単一の作業ユニットを表すデータベースモデルです. それは、 input_data (請求書の画像)、 initial_ai_output (上記の欠陥の JSON) 、そして人間がそれを修正した後、 corrected_output を保存する場所を保持しています。 CorrectionRecord: これはゴールデンチケットです。人間がその訂正を保存すると、私たちは単に仕事を更新するのではありません。私たちは別個の、自己含有の CorrectionRecordを作成します。このレコードは、細かい調節を目的として作られています。それはオリジナルの入力、AIの悪い試み、そして人間の「地上の真実」の訂正のクリーンコピーを格納します。 CorrectionHandler: This is the business logic. It is a simple class that orchestrates the process: it takes the submitted form data from the web UI, validates it, updates the Job, creates the CorrectionRecord, and handles exporting all the records into a training file. これはプロセスをオーケストラする簡単なクラスです。 これらの3つの部分は、私たちのフライトホイールの背骨を形成するために一緒に働きます. Now, let us see them in action. Let's Build It: The Quickstart in Action シングル If you're following along, clone the , Navigate to the ディレクトリを設定し、依存性を設定します。 Foundry Repository examples/correction_deck_quickstart ステップ1:Quickstart Scriptを実行する あなたのターミナルから、単に実行してください: python quickstart.py
 ローカル Web サーバーが起動したというメッセージが表示されます。 . http://localhost:8000 --- Foundry Quickstart Server running at http://localhost:8000 ---
--- Open the URL in your browser to use the Correction Deck. ---
--- Press Ctrl+C to stop the server and complete the flywheel. ---
 ステップ2: Correction Deck UI を使用する あなたのブラウザでその URL を開きます. あなたは単純な Correction Deck UI を見るでしょう. 左にソースの請求書の画像です. 右に、AIの欠陥データで事前に満たされたウェブフォームです。 あなたの仕事は、ループの中の人間になることです。これらの2つの訂正を行う: 
 
 
 Lone Star Provisins Inc. を Lone Star Provisions Inc. に変更する 量を修正する: ONIONS YELLOW JBO の量を 5 から 50 に変更します。 クリック Save Correction. ステップ3:Full the Flywheel 次に、ターミナルに戻り、サーバーを停止する。 スクリプトは自動的に飛行車の最後のステップを引き起こします:あなたの仕事を輸出します. You will see this output: Ctrl+C --- Server stopped. ---

--- Exporting approved corrections to fine-tuning format... ---
--- Data successfully exported to 'corrected_data.jsonl' ---

--- QUICKSTART COMPLETE ---
 You just completed one full turn of the data flywheel. あなたはちょうどデータの飛行車の1つの完全な回転を完了しました。 タイトル: The Payoff: The Perfect Training File OPEN THE ディレクトリ. 新しいファイルが見つかります: これはあなたの仕事の実質的な結果であり、現代のAIモデルを細かく調整するために完璧にキャプチャされ、フォーマットされています。 examples/correction_deck_quickstart corrected_data.jsonl 内部を見ていきましょう. 構造化された JSON の 1 行を含みます: {"contents": [{"role": "user", "parts": [{"fileData": {"mimeType": "image/jpeg", "fileUri": "/static/example_invoice.jpeg"}}, {"text": "Extract the key business data from the provided input."}]}, {"role": "model", "parts": [{"text": "{\"supplier_name\": \"Lone Star Provisions Inc.\", \"invoice_number\": \"785670\", \"invoice_date\": \"2025-08-20\", \"inventory_items\": [{\"item_name\": \"TAVERN HAM WH\", \"total_quantity\": 15.82, \"total_unit\": \"LB\", \"total_cost\": 87.8}, {\"item_name\": \"ONIONS YELLOW JBO\", \"total_quantity\": 50.0, \"total_unit\": \"LB\", \"total_cost\": 35.5}]}"}]}]}```
 これは複雑に見えるかもしれませんが、GoogleのGeminoやOpenAIのGPTシリーズのようなモデルが予想する正確な会話形式です。 
 
 
 “role”: “user”: This is the prompt. It contains the input image (fileUri) and the instruction we gave the AI. これは、入力画像(fileUri)と私たちがAIに与えた指示が含まれています。 "role": "model": This is the perfect response. It contains the JSON string with your corrections applied. これは、あなたの修正を適用したJSON文字列を含んでいます。 私たちは、人間の努力の数秒を高品質で機械で読み取れるトレーニング例に成功させました。今、100回の修正や1000回の修正でこれを行うことを想像してください。あなたはもはや単にエラーを修正しているのではなく、あなたのモデルの次のバージョンでこのエラーの全クラスを排除するデータセットを積極的に効率的に構築しています。 次は何? Flywheelのコアループを証明しました: Correct -> Capture -> Format for Training. これは強力なスタートですが、オフラインのプロセスです。AIがバッチを完成させるのを待って、その作業を修正しました。しかし、私たちがよりインタラクティブになれたらどうでしょうか? パイプラインが稼働し、理解できないものに遭遇し、スマートに自分自身を休止し、リアルタイムで人間に助けを求めることができますか? このシリーズの次の記事では、我々はまさにそのことを構築します。我々は、トラブルが発生したときを知り、説明を求めることを恐れない、抵抗力のある、人間的なループパイプラインを構築します。

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Connect with me Here

このオーディオは、ストーリーの元の言語で制作されています。

あなたの最初のAIデータフライトホイール in Under 100 Lines of Python

About Author

コメント

ラベル

この記事は

Related Stories

フロキのヴァルハラがインドのスリランカツアーのアソシエイトスポンサーに加わる

Telegram: クリプト島と本土を結ぶ橋

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

ワークフローを10倍に向上させる方法: 必須アプリ17選

フロキのヴァルハラがインドのスリランカツアーのアソシエイトスポンサーに加わる

Telegram: クリプト島と本土を結ぶ橋

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

ワークフローを10倍に向上させる方法: 必須アプリ17選

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps