Führe die kleinste begründete Korrektur durch und vergleiche sie mit der bisherigen Version unter denselben Voraussetzungen. Prüfe auch normale Fälle und Gegenfälle. Bewerte inhaltliche Eigenschaften; schreibe keinen einzigen Wortlaut vor, wenn mehrere Ergebnisse passen.
Zeige mir die Änderung, die tatsächlichen Ergebnisse und die verbleibenden Grenzen. Lass die Sammlung nach jeder Änderung an Prompt, Modell oder Suche erneut laufen.
Kannst du es erklären?
Warum haben die guten Testzahlen bei GPT-4o das Problem nicht gezeigt? Woran erkennst du, ob ein Fehler bei der Suche, beim Modell oder in der Oberfläche liegt? Und was müsstest du sammeln, um herauszufinden, ob confidence in deinem Produkt etwas bedeutet?
Zwei Wochen später ist Mara so weit. Die Sammlung hat zehn Fälle, drei davon zurückgehalten, und die neue Fassung besteht sie besser als die alte. Sie schaltet sie frei.
Am selben Nachmittag stellt sie für eine Theatergruppe eine Auswahl zusammen, für eine Probe im überdachten Innenhof: Akku-Lautsprecher L2, Headset H1, Samstag. Die Akkulaufzeit hat sie mit der Dauer der Probe abgeglichen. Sie klickt auf „Reservieren“. Das Handy im Jugendzentrum hat gerade schlechten Empfang, und nach ein paar Sekunden erscheint eine rote Meldung:
Reservierung fehlgeschlagen. Bitte erneut versuchen.