![\"\"](\"https:\/\/launix.de\/launix\/wp-content\/uploads\/2025\/06\/grafik-2.png\")
<\/a><\/figure>\n\n\n\nAlso haben wir unsere lokalen KI-Modelle, genauer gesagt llama3.2 angeschmissen und folgende Prompt ausgef\u00fchrt:<\/p>\n\n\n\n
Du bekommst eine Liste von Namen. Ordne diese einem Geschlecht zu:\nMax\nLaura\nPetra\nOleg\nAnchmaa<\/code><\/pre>\n\n\n\nAnschlie\u00dfend haben wir \u00fcber die lokale OLLAMA-API folgende Anfrage ausgel\u00f6st:<\/p>\n\n\n\n
curl http:\/\/127.0.0.1:11434\/api\/generate -d '{\n \"model\": \"llama3.2\",\n \"prompt\": \"Du bekommst eine Liste von Namen. Ordne diese einem Geschlecht zu:\\nMax\\nLaura\\nPetra\\nOleg\\nAnchmaa\",\n \"stream\": false,\n \"format\": {\n \"type\": \"object\",\n \"properties\": {\n \"people\": {\n \"type\": \"array\",\n \"items\": {\n \"type\": \"object\",\n \"properties\": {\n \"name\": {\n \"type\": \"string\"\n },\n \"isMale\": {\n \"type\": \"boolean\",\n \"required\": true\n }\n }\n }\n }\n }\n }\n}'|jq .response<\/code><\/pre>\n\n\n\nAnschlie\u00dfend gab uns die KI folgende Antwort:<\/p>\n\n\n\n
{\n\"people\": [\n {\n \"name\": \"Max\",\n \"isMale\": true,\n \"isFemale\": false\n}, {\n \"name\": \"Laura\",\n \"isMale\": false,\n \"isFemale\": true\n} ,\n{\n \"name\": \"Petra\",\n \"isMale\": false,\n \"isFemale\": true\n} ,\n{\n \"name\": \"Oleg\",\n \"isMale\": true\n},\n {\n \"name\": \"Anchmaa\",\n \"isMale\": false,\n \"isFemale\": true\n} ]\n}<\/code><\/pre>\n\n\n\nEhrlich gesagt, an der Formatierung muss die KI noch etwas feilen – aber die Daten sind perfekt maschinenlesbar und auch inhaltlich korrekt. Wir mussten nur noch die etwas “wackelige” Ausgabe (manchmal ist isFemale nicht gesetzt) etwas bereinigen und schon hatten wir unsere batch-f\u00e4hige Namens-Geschlechter-Zuweisungs-KI.<\/p>\n\n\n\n
Das verwendete KI-Modell hat eine Gr\u00f6\u00dfe von 2 GiB – manche meinen, es sei Overkill, aber das ist die heutige Zeit.<\/p>\n\n\n\n
Letzendlich haben wir das KI-Modell noch in einen Microservice gepackt, das auch noch bereits erkannte Namen cacht und den Microservice-Aufruf in unser CRM integriert. Ab jetzt k\u00f6nnen alle Kunden mit dem richtigen Geschlecht angesprochen werden.<\/p>\n\n\n\n
Beim Durchlauf \u00fcber alle 30.000 Namen haben wir in etwa 1% Fehlerrate gehabt. Das gr\u00f6\u00dfte Problem war, dass Namen f\u00e4lschlicherweise als weiblich markiert wurden. Bei den als m\u00e4nnlich markierten Namen hatten wir keine Fehler.<\/p>\n\n\n\n
Wollen auch Sie ein CRM, das Aufgaben wie z.B. die Datenextraktion aus dem Impressum oder die Zuordnung von Geschlechtern oder das Zusammenfassen von Notizen per KI erledigt? Kontaktieren Sie uns gerne!<\/p>\n\n\n\n