Name: Potato
Author: Potato

Die KI-gestützte Hervorhebung von Schlüsselwörtern lenkt den Blick der Annotierenden auf die Begriffe, Entitäten oder Muster, auf die es in einem Text ankommt. Dieser Leitfaden geht durch Potatos eingebaute KI-Unterstützung und zeigt, wie du sie so einrichtest, dass passende Schlüsselwörter von selbst hervorgehoben werden.

Wozu Schlüsselwörter hervorheben?

Es führt Annotierende zu der Stelle im Text, auf die es wirklich ankommt. Sie finden die entscheidende Information schneller und überlesen einen wichtigen Begriff seltener. Weil die Hervorhebung von einem LLM kommt, richtet sie sich nach dem Kontext des jeweiligen Elements, statt einer festen Wortliste zu folgen.

Wie Potatos Hervorhebung von Optionen und Schlüsselwörtern intern arbeitet, steht in der Quelldokumentation.

KI-gestützte Hervorhebung, einfache Variante

Potato stützt sich für das Finden und Hervorheben wichtiger Schlüsselwörter auf sein KI-Unterstützungssystem. Eine minimale Konfiguration:

yaml

annotation_task_name: "Keyword Highlighted Annotation"
 
data_files:
  - path: "data/reviews.json"
    format: json
 
item_properties:
  id_key: id
  text_key: text
 
annotation_schemes:
  - annotation_type: radio
    name: sentiment
    description: "What is the overall sentiment?"
    labels:
      - Positive
      - Negative
      - Neutral
 
ai_support:
  enabled: true
  endpoint_type: openai
 
  ai_config:
 
  features:

Ist die KI-Hervorhebung von Schlüsselwörtern eingeschaltet, werden passende Begriffe im Annotationstext automatisch markiert:

KI-gestützte Hervorhebung von Schlüsselwörtern in der Annotationsoberfläche Wichtige Schlüsselwörter und Entitäten werden automatisch hervorgehoben, um die Aufmerksamkeit der Annotierenden zu lenken

Verschiedene KI-Anbieter nutzen

OpenAI

yaml

ai_support:
  enabled: true
  endpoint_type: openai
 
  ai_config:
    model: gpt-4o
    api_key: ${OPENAI_API_KEY}
    temperature: 0.3
    max_tokens: 500
 
  features:
    keyword_highlighting:
      enabled: true

Anthropic Claude

yaml

ai_support:
  enabled: true
  endpoint_type: anthropic
 
  ai_config:
    model: claude-3-sonnet-20240229
    api_key: ${ANTHROPIC_API_KEY}
    temperature: 0.3
    max_tokens: 500
 
  features:
    keyword_highlighting:
      enabled: true
      # Highlights are rendered as box overlays on the text

Lokal mit Ollama (keine API-Kosten)

yaml

ai_support:
  enabled: true
  endpoint_type: ollama
 
  ai_config:
    model: llama2
    base_url: http://localhost:11434
 
  features:
    keyword_highlighting:
      enabled: true
      # Highlights are rendered as box overlays on the text

Funktionen kombinieren

Die KI-Funktionen lassen sich stapeln, und gemeinsam bringen sie meist mehr als einzeln:

yaml

ai_support:
  enabled: true
  endpoint_type: openai
 
  ai_config:
    model: gpt-4
    api_key: ${OPENAI_API_KEY}
    temperature: 0.3
    max_tokens: 500
 
  features:
    # Highlight important keywords
    keyword_highlighting:
      enabled: true
      # Highlights are rendered as box overlays on the text
 
    # Show contextual hints
    hints:
      enabled: true
 
    # Suggest labels for consideration
    label_suggestions:
      enabled: true
      show_confidence: true

Vollständiges Konfigurationsbeispiel

Eine komplette Konfiguration für entitätsbewusste Annotation mit KI-Hervorhebung:

yaml

annotation_task_name: "Entity-Aware Annotation"
 
data_files:
  - path: "data/documents.json"
    format: json
 
item_properties:
  id_key: id
  text_key: text
 
annotation_schemes:
  - annotation_type: span
    name: entities
    labels:
      - name: PERSON
        color: "#FECACA"
      - name: ORG
        color: "#BBF7D0"
      - name: LOCATION
        color: "#BFDBFE"
 
ai_support:
  enabled: true
  endpoint_type: openai
 
  ai_config:
 
  features:
 
  cache_config:
 
output_annotation_dir: "output/"
export_annotation_format: json
allow_all_users: true

Caching für mehr Tempo

Schalte das Caching ein, um API-Aufrufe zu sparen und Antworten zu beschleunigen:

yaml

ai_support:
  enabled: true
  endpoint_type: openai
 
  ai_config:
    model: gpt-4
    api_key: ${OPENAI_API_KEY}
 
  features:
    keyword_highlighting:
      enabled: true
 
  cache_config:
    disk_cache:
      enabled: true
      path: "ai_cache/cache.json"
 
    # Pre-generate highlights on startup and prefetch upcoming
    prefetch:
      warm_up_page_count: 100
      on_next: 5
      on_prev: 2

Hinweise

Wähle Farben für die Hervorhebung, die sich mit deinem Annotationsschema vertragen, statt sich damit zu beißen. Lass das Caching an, damit du denselben Inhalt nicht zweimal bezahlst. Annotierst du in großem Umfang, läuft Ollama lokal und die API-Rechnung entfällt komplett. Und denk daran, dass sich die Funktionen stapeln lassen: Hervorhebung von Schlüsselwörtern passt gut zu Hinweisen und Label-Vorschlägen.

Vollständige Dokumentation unter AI-Unterstützung.