TwelveLabs Pegasus 1.5 w Bedrock wykracza poza streszczenia w analizie wideo

TwelveLabs udostępniło klientom AWS Pegasus 1.5 w Bedrock, dodając ekstrakcję danych wideo ze znacznikami czasu, która wykracza poza odpowiadanie na pytania dotyczące pojedynczych klipów. Amazon Bedrock, zarządzana usługa AWS zapewniająca dostęp do modeli AI, oferuje teraz bardziej bezpośrednią drogę od materiału filmowego do danych aplikacyjnych.

Istotna zmiana dotyczy tego, co dzieje się po obejrzeniu filmu przez model. Streszczenie pomaga komuś zrozumieć nagranie. Zbiór oznaczonych momentów daje aplikacji coś, co może filtrować, wyszukiwać i przedstawiać do przeglądu.

Stawia to wyspecjalizowaną ekstrakcję z wideo obok modeli ogólnego przeznaczenia, takich jak Gemini od Google, który również obsługuje rozumienie wideo. Główne napięcie dotyczy różnicy między wygenerowaniem użytecznej odpowiedzi a tworzeniem rekordów wystarczająco wiarygodnych, by wspierać ciągły proces pracy.

Co faktycznie zmienia Pegasus 1.5 w Bedrock

AWS ogłosiło dostępność 9 października 2026 roku, a następnie opublikowało szczegółowy opis techniczny 19 października. Daty te odróżniają ogłoszenie usługi od nowszego wyjaśnienia jej możliwości. Ogłoszenie dotyczące metadanych wideo ustala harmonogram dostępności.

Kluczowym dodatkiem jest format wyjściowy zorganizowany wokół zdarzeń w całym filmie, a nie pojedyncza odpowiedź dotycząca jego treści.

Metadane to informacje opisowe przypisane do zasobu lub momentu w jego obrębie. W tym przypadku znaczniki czasu łączą te informacje z materiałem źródłowym. Aplikacje mogą wykorzystywać te połączenia do otwarcia odpowiedniego fragmentu zamiast prosić kogoś o jego ręczne odnalezienie.

AWS opisuje podejście, w którym klienci określają zdarzenia, które chcą zidentyfikować. Model następnie zwraca pasujące fragmenty z polami opisowymi i granicami czasowymi. Dzięki temu definicja zdarzenia staje się częścią praktycznej wartości produktu.

Zespół redakcyjny i zespół reklamowy mogą analizować to samo nagranie, szukając różnych informacji. Redaktor potrzebuje przejść między tematami lub fragmentów wywiadu. Reklamodawca chce znaleźć pojawienia się konkretnego produktu. Żaden z nich nie potrzebuje uniwersalnego opisu wszystkiego, co widać.

To rozróżnienie ma znaczenie, ponieważ streszczenie kompresuje informacje zgodnie z ich istotnością. Zadanie ekstrakcji wymaga pokrycia materiału według zdefiniowanej reguły. Cele te częściowo się pokrywają, ale powodzenie w jednym nie oznacza powodzenia w drugim.

Zwięzłe streszczenie może pominąć nieistotne pojawienie się produktu, nie będąc błędnym. Rejestr wystąpień nie może pominąć tego samego fragmentu, jeśli celem klienta jest jego odnalezienie. Format wyjściowy zmienia zatem to, co nabywcy powinni mierzyć.

AWS opisuje również promptowanie z użyciem obrazów referencyjnych, które pozwala klientom pokazać modelowi obiekt zamiast opierać się wyłącznie na opisie tekstowym. Jego opis segmentacji wideo ilustruje dopasowywanie produktów i logo.

Segmentacja oznacza dzielenie materiału filmowego na ograniczone czasowo fragmenty według określonych kryteriów. Nadaje wynikowi lokalizację i zakres. Te granice są istotne, gdy inny system musi wyświetlić klip, zaproponować edycję lub utworzyć kolejkę do przeglądu.

Ogłoszenie należy więc odczytywać jako zmianę w pracy, którą można zlecić modelowi. Nie dowodzi ono, że każde zwrócone zdarzenie jest poprawne. Ustanawia bardziej jednoznaczną strukturę do żądania, sprawdzania i wykorzystywania tych zdarzeń.

Dla nabywców korporacyjnych ta struktura tworzy konkretne pytanie ewaluacyjne. Czy zwrócone rekordy mogą wspierać faktyczne decyzje podejmowane przez ludzi w odniesieniu do ich materiałów filmowych? Sam imponujący opis nie może na to odpowiedzieć.

Zespoły wideo stoją przed inną decyzją zakupową

Natychmiastowa presja dotyczy zespołów odpowiedzialnych za przekształcanie nagrań w użyteczne rekordy, a także dostawców sprzedających tę pracę jako odrębne etapy.

Rozważmy hipotetyczne archiwum medialne zawierające wywiady, prezentacje i gotowe programy. Jego pracownicy mogą przeszukiwać nazwy plików i istniejące opisy. Mogą też przeszukiwać transkrypcje, gdy są dostępne. Widoczny produkt, gest lub slajd tworzy jednak inny problem wyszukiwania.

Wypowiedziane odniesienie i wizualne pojawienie się to różne rodzaje dowodów. Prowadzący może wspomnieć o produkcie, nie pokazując go. Produkt może pojawić się w tle bez słów prowadzącego. Użyteczne archiwum musi zachować to rozróżnienie, gdy użytkownikom zależy na obecności wizualnej.

W tym miejscu ustrukturyzowana analiza wideo zmienia rozmowę zakupową. Klient ocenia, czy usługa może zasilać katalog operacyjny. Wymaga to czegoś więcej niż oceny, czy jej tekst brzmi trafnie.

Rekord potrzebuje stabilnego znaczenia. Jeśli etykieta „pojawienie się produktu” czasem oznacza wzmiankę słowną, a czasem widoczny obiekt, filtrowanie staje się niewiarygodne. Użytkownicy muszą rozumieć, co rekord deklaruje, zanim będą mogli zaufać jego trafności.

Potencjalną korzyścią jest ograniczenie powtarzalnych wyszukiwań i ręcznego opisywania. Ogłoszenie nie daje jednak podstaw do przypisania uniwersalnej wartości oszczędności pracy. Różne archiwa zawierają różne materiały, a ich obecne procesy pracy nakładają różne obciążenia związane z przeglądem.

Dobrze uporządkowany zbiór ze szczegółowymi etykietami tworzonymi przez ludzi stanowi inną szansę niż nieoznaczona biblioteka wideo. Zautomatyzowana usługa może niewiele dodać do pierwszego, a jednocześnie ułatwić eksplorację drugiego. Nabywcy muszą zacząć od swojego rzeczywistego punktu wyjścia.

Presja dotyczy również wewnętrznych zespołów programistycznych. Gdy model zwraca ustrukturyzowane rekordy, użytkownicy biznesowi mogą zasadnie pytać, dlaczego rekordy te nie mogą pojawić się w istniejących narzędziach. Trudna praca przesuwa się w stronę uprawnień, interfejsów, obsługi korekt i integracji.

Nie eliminuje to roli wyspecjalizowanego oprogramowania dla mediów. Redaktorzy nadal potrzebują narzędzi rozumiejących ich środowisko produkcyjne. Usługa ekstrakcji staje się wartościowsza, gdy takie narzędzia mogą wykorzystywać jej dane wyjściowe bez zmuszania użytkowników do pracy w kolejnym odłączonym interfejsie.

To samo rozumowanie dotyczy nagranej wiedzy w miejscu pracy. Odnalezienie odpowiedniego fragmentu jest użyteczne, ale odbiorcy potrzebują również kontekstu, informacji o odpowiedzialności i dostępnego źródła. Szersza przeszukiwalna baza wiedzy rodzi podobne pytania o wykrywalność i identyfikowalność źródeł.

Pegasus nie zapewnia automatycznie całego tego doświadczenia. Szansa polega na dostarczaniu bardziej użytecznych rekordów źródłowych aplikacjom, które to robią. Granica między ekstrakcją a zarządzaniem wiedzą pozostaje ważna dla nabywców określających zakres projektu.

Praktyczna presja konkurencyjna ma więc charakter architektoniczny. Zespoły powinny ponownie rozważyć, które elementy katalogowania wideo wymagają odrębnych komponentów. Powinny też określić, które obowiązki pozostają konieczne po tym, jak model wygeneruje początkowy wynik.

Rekordy ze znacznikami czasu zmieniają możliwości aplikacji

Znacznik czasu staje się operacyjnie użyteczny, gdy aplikacja potrafi połączyć go ze zdefiniowanym zdarzeniem, zasobem źródłowym i decyzją o przeglądzie.

JSON, ustrukturyzowany format tekstowy, który aplikacje mogą analizować, zapewnia powszechny sposób przenoszenia takich rekordów między systemami. Jego użyteczność wynika z przewidywalnej organizacji. Aplikacja niższego poziomu powinna wiedzieć, gdzie znaleźć opis zdarzenia i powiązany z nim zakres czasu.

Taka organizacja zmienia relację między odpowiedzią modelu a interfejsem użytkownika. Akapit zwykle wymaga interpretacji, zanim oprogramowanie będzie mogło na jego podstawie działać. Ustrukturyzowany rekord może stać się elementem osi czasu, katalogu lub kolejki moderacyjnej.

Opis modelu nadal wymaga kontroli. Ustrukturyzowane formatowanie ułatwia przetwarzanie informacji; nie dowodzi ich prawdziwości. Błędna etykieta pozostaje błędna, gdy jest dostarczana w formacie akceptowanym przez oprogramowanie.

Parametry żądań modelu AWS rozróżniają ogólną analizę od generowania metadanych opartych na czasie. Dokumentują obsługę filmów o długości do dwóch godzin, z plikami mniejszymi niż 2 GB.

Limity te mają praktyczne konsekwencje wykraczające poza ich nominalny rozmiar. Czas trwania i rozmiar pliku ograniczają różne właściwości zasobu. Nagranie może mieścić się w limicie czasu trwania, a jednocześnie przekraczać limit rozmiaru pliku, zależnie od kodowania.

Dla nabywcy istotne pytanie brzmi, czy reprezentatywne pliki źródłowe mieszczą się w udokumentowanych wymaganiach wejściowych. Udana demonstracja z użyciem wygodnej próbki niewiele mówi o przygotowaniach wymaganych dla rzeczywistego archiwum organizacji.

Dokumentacja ujawnia również informacje o zakończeniu odpowiedzi i błędy związane z definicjami segmentów. Aplikacje muszą odróżniać pusty wynik od nieudanej operacji. W przeciwnym razie nieudana ekstrakcja może wyglądać tak samo jak wideo niezawierające istotnych zdarzeń.

To rozróżnienie operacyjne, a nie niejasny szczegół implementacyjny. Osoba przeglądająca komunikat „brak dopasowań” musi wiedzieć, czy system zakończył wyszukiwanie. Oprogramowanie powinno zachowywać tę różnicę wszędzie tam, gdzie wynik wpływa na decyzję.

Obrazy referencyjne dodają kolejny wymiar do definicji zdarzeń. Wyobraźmy sobie hipotetyczną recenzję produktu zawierającą podobne urządzenia różnych producentów. Referencja wizualna daje zadaniu bardziej konkretny cel niż ogólna kategoria produktu.

Jednak zamierzona reguła nadal ma znaczenie. Czy osoba dokonująca przeglądu chce znaleźć opakowanie, fizyczne urządzenie czy obraz wyświetlany na ekranie? Czy częściowo zasłonięte pojawienie się powinno się liczyć? Klient musi zdecydować, jakie dowody kwalifikują się do uwzględnienia.

Są to decyzje redakcyjne lub biznesowe wyrażane poprzez konfigurację techniczną. Pozostawienie ich w domyśle utrudnia ocenę, ponieważ osoby dokonujące przeglądu mogą nie zgadzać się co do tego, czy model popełnił błąd. Precyzyjna definicja tworzy wspólną podstawę do oceny.

Użyteczny rekord potrzebuje również kontekstu poza bezpośrednią odpowiedzią modelu. Aplikacje powinny zachowywać tożsamość źródła i wersję definicji ekstrakcji. Bez tej historii porównywanie starych i nowych wyników staje się trudne po zmianie zadania.

W przypadku Pegasus 1.5 w Bedrock szansa produktowa wynika z połączenia tych elementów. Zdefiniowane zdarzenie staje się ograniczonym czasowo rekordem, a ten rekord staje się czymś, co osoba może sprawdzić lub aplikacja może uporządkować.

Zmiana ma największe znaczenie, gdy końcowy interfejs zachowuje drogę powrotu do materiału filmowego. Pewna siebie etykieta bez dostępnych dowodów jedynie przenosi niepewność użytkownika w inne miejsce.

Gemini zapewnia uczciwe porównanie konkurencyjne

TwelveLabs konkuruje użytecznością swojego procesu ekstrakcji wideo, podczas gdy modele ogólnego przeznaczenia już oferują istotne możliwości wideo.

Dokumentacja rozumienia wideo Google opisuje przetwarzanie treści audio i wizualnych, odpowiadanie na pytania oraz generowanie opisów ze znacznikami czasu. Dokumentuje także konfigurowalne próbkowanie wideo i ostrzega, że szybkie zmiany mogą prowadzić do utraty szczegółów przy domyślnym próbkowaniu.

To sprawia, że bezwzględne twierdzenie, iż modele ogólnego przeznaczenia nie rozumieją wideo, jest nie do utrzymania. Nabywcy już dysponują alternatywami, które mogą analizować materiał filmowy i opisywać zdarzenia. Porównanie powinno dotyczyć pracy wymaganej do osiągnięcia użytecznego rezultatu.

Dla zespołu, który potrzebuje okazjonalnie wyjaśnić nagranie, dobrym punktem wyjścia może być model ogólnego przeznaczenia. Otaczająca go aplikacja może już wykorzystywać ten model do dokumentów, obrazów i innych zadań. Ponowne wykorzystanie go ma walory organizacyjne.

Dla zespołu, który wielokrotnie wyodrębnia te same kategorie zdarzeń, warto ocenić wyspecjalizowany interfejs. Pytanie brzmi, czy jego struktura zadań ogranicza potrzebę tworzenia własnych rozwiązań i zapewnia rekordy spełniające wymagania zespołu dotyczące jakości.

Żaden z tych wyborów nie wygrywa wyłącznie ze względu na kategorię modelu. Wyspecjalizowany produkt nadal może pomijać zdarzenia lub wyznaczać niejednoznaczne granice. Model ogólnego przeznaczenia może działać dobrze, gdy jego możliwości odpowiadają materiałowi wideo i zadaniu ekstrakcji.

Najuczciwsze porównanie wykorzystuje te same materiały źródłowe i definicje zdarzeń. Utrzymuje też spójność oczekiwanych wyników. Porównanie wyspecjalizowanego zadania ekstrakcji z luźno sformułowaną prośbą o podsumowanie niewiele by ujawniło.

Kupujący powinni odróżniać wykrywanie zdarzeń od jakości opisu. Model może trafnie opisać zidentyfikowany fragment, a jednocześnie pominąć inny istotny fragment. Może również rozpoznać właściwe zdarzenie, ale przypisać mu granice wymagające dodatkowej pracy redakcyjnej.

Różnice te mają znaczenie, ponieważ klienci doświadczają błędów w swoich przepływach pracy. Pominięty fragment utrudnia wyszukiwanie. Zbyt szeroki fragment spowalnia przegląd. Nieprawidłowy opis wprowadza w błąd osobę decydującą, co otworzyć.

Osobną kwestią jest nakład pracy rozwojowej. Model, który dobrze działa w izolacji, może wymagać rozbudowanej logiki wokół niego. Inna usługa może dawać nieco inne wyniki, a jednocześnie łatwiej dopasować się do istniejącej aplikacji klienta.

To sprawia, że wysiłek integracyjny jest częścią porównania, ale nie zastępuje jakości. Wygodny wynik nie zrekompensuje niedopuszczalnych pominięć. Podobnie marginalna poprawa dokładności może nie uzasadniać przebudowy aplikacji wokół niekompatybilnego interfejsu.

Stawka konkurencji obejmuje także sposób, w jaki dostawcy przedstawiają dowody. Kupujący zyskują na ocenach specyficznych dla zadania, które ujawniają materiał wideo, definicje i zasady punktacji. Ogólne twierdzenia o inteligencji wideo ukrywają różnice decydujące o użyteczności operacyjnej.

Właściwą reakcją na tę premierę jest więc dokładniejsze porównanie, a nie ogłoszenie zwycięzcy. TwelveLabs przedstawił wyraźniejszą propozycję produktu do ustrukturyzowanej ekstrakcji z wideo. Modele ogólnego przeznaczenia pozostają istotnymi alternatywami, a o miejscu każdego podejścia powinny decydować materiały wideo klienta.

Dostępność w AWS nie rozstrzyga kwestii niezawodności ani ładu danych

Dostęp przez Bedrock zapewnia ścieżkę wdrożenia; klienci nadal potrzebują dowodów dotyczących jakości ekstrakcji, zachowania operacyjnego i dozwolonego przepływu danych.

Karta modelu Bedrock wskazuje, że Pegasus 1.5 korzysta z wnioskowania międzyregionowego, które kieruje żądania między regionami AWS. Wymienia amerykańskie profile geograficzne i globalne, a nie wnioskowanie w obrębie jednego regionu.

To rozróżnienie ma znaczenie, gdy kupujący słyszy, że przetwarzanie pozostaje w AWS. Granica dostawcy chmury i geograficzna granica przetwarzania odpowiadają na różne pytania. Organizacje objęte obowiązkami zależnymi od lokalizacji powinny przeanalizować wybrany układ routingu.

Obecność modelu w usłudze zarządzanej nie oznacza też obsługi każdej funkcji dostępnej gdzie indziej w tej usłudze. Kupujący powinni sprawdzać dokumentację konkretnego modelu, zamiast wyciągać wnioski o zgodności na podstawie nazwy platformy.

Taka sama ostrożność dotyczy przenośności. Aplikacja zbudowana dla bezpośredniej usługi dostawcy nie powinna zakładać, że każdy szczegół żądania przeniesie się bez zmian do Bedrock. Zespoły muszą zweryfikować interfejs, który rzeczywiście zamierzają wdrożyć.

Są to możliwe do rozwiązania kwestie integracyjne, ale zasługują na uwagę, zanim pilotaż stanie się zależnością. Wczesna demonstracja często dowodzi jedynie, że żądanie może zakończyć się powodzeniem. Wykorzystanie produkcyjne wymaga wiedzy o tym, jak aplikacja zachowuje się, gdy coś zawiedzie.

Ocena jakości wymaga podobnej dyscypliny. Kompletna na pozór oś czasu nie ujawnia zdarzeń pominiętych przez model. Recenzenci potrzebują zestawu referencyjnego, czyli materiału, w którym istotne zdarzenia zostały już zidentyfikowane według uzgodnionej definicji.

Kluczowymi miarami są precyzja, czyli udział zwróconych zdarzeń, które są poprawne, oraz czułość, czyli udział odnalezionych istotnych zdarzeń. Ich względne znaczenie zależy od decyzji wspieranej przez wynik.

Interfejs odkrywania może tolerować pewne nieistotne sugestie, jeśli użytkownicy mogą szybko je odrzucić. Przepływ pracy, który traktuje brakujące zdarzenia jako dowód ich nieobecności, wymaga większej ostrożności. Konsekwencja biznesowa określa dopuszczalną równowagę.

Jakość granic zasługuje na osobną uwagę. Model może rozpoznać właściwe wystąpienie, ale rozpocząć je zbyt późno lub zakończyć zbyt wcześnie. Powstały klip może pomijać kontekst potrzebny recenzentowi do zrozumienia, co się wydarzyło.

Kontrola człowieka może więc pełnić kilka różnych funkcji. Może korygować etykiety, dostosowywać zakresy czasowe, rozstrzygać niejednoznaczne definicje lub sprawdzać oryginalny fragment. Traktowanie całej kontroli jako jednego obciążenia utrudnia ustalenie, w czym system pomaga.

Ogłoszenie nie przedstawia niezależnych dowodów, że klienci mogą wyeliminować te obowiązki. Opisuje możliwości i zamierzone zastosowania. Twierdzenia o niezawodnej automatyzacji wymagają oceny w warunkach konkretnego klienta.

Wrażliwe nagrania rodzą dodatkowe pytania dotyczące dostępu i retencji. Wygenerowany rekord może ujawniać informacje, nawet gdy oryginalne nagranie jest trudne do odnalezienia. Aplikacje powinny stosować odpowiednie uprawnienia zarówno do opisów pochodnych, jak i plików źródłowych.

Wynika z tego także konsekwencja dla zarządzania wiedzą. Gdy wyodrębnione rekordy zaczynają krążyć, ludzie mogą stracić orientację co do ich pochodzenia lub historii zmian. Rozróżnienie między osobistymi a współdzielonymi bazami wiedzy AI pomaga określić, kto powinien widzieć i utrzymywać te rekordy.

W przypadku Pegasus 1.5 w Bedrock te kwestie określają pracę wdrożeniową wokół modelu. Nie podważają ogłoszenia o dostępności. Ustalają, co przedsiębiorstwo musi zweryfikować, zanim oprze się na jego wynikach.

Trzy sygnały pokażą, dokąd zmierza adopcja

Kolejne istotne dowody będą dotyczyć mierzonej jakości ekstrakcji, wykorzystania w dalszych procesach oraz ilości pracy, którą klienci zachowują wokół modelu.

Pierwszym sygnałem jest odtwarzalna ocena na reprezentatywnych długich materiałach wideo. Powinna ujawniać definicje zdarzeń, oczekiwane wyniki oraz metodę punktowania zwróconych fragmentów. Bez tych szczegółów nagłówkowe twierdzenie o dokładności oferuje ograniczone wskazówki.

Ocena powinna także ujawniać trudne przypadki, zamiast opierać się wyłącznie na czystych demonstracjach. Niejednoznaczne pojawienia się, nakładające się zdarzenia i zmieniające się warunki wizualne pomagają pokazać, gdzie ludzka ocena pozostaje konieczna. Kupujący muszą rozumieć wzorce błędów, a nie tylko średnią skuteczność.

Dowody, że Pegasus konsekwentnie odnajduje istotne fragmenty z użytecznymi granicami, wzmocniłyby jego wyspecjalizowaną propozycję. Dowody, że nadal konieczna jest rozległa ręczna korekta, zawęziłyby zakres zadań, dla których automatyzacja daje praktyczną przewagę.

Drugim sygnałem jest wdrożenie w istniejących narzędziach pracy. Katalog, który otwiera właściwy fragment źródłowy, pokazuje inny poziom użyteczności niż samodzielna przeglądarka odpowiedzi. Łączy ekstrakcję z czymś, co użytkownicy już muszą wykonać.

Najmocniejsze dowody adopcji opisywałyby, jak rekordy trafiają do przepływu pracy i jak ludzie je korygują. Wyjaśniałyby, czy korekty te pozostają dostępne, gdy zmieniają się definicje lub modele. To bardziej informacyjne niż stwierdzenie, że pilotaż pomyślnie przetworzył wideo.

Opublikowane doświadczenia klientów wzmocniłyby argumentację, gdyby pokazywały mniej powtarzalnych przeglądów bez ukrywania nowej pracy administracyjnej. Wyniki ograniczone do demonstracji pozostawiłyby szerszą kwestię adopcji otwartą.

Trzecim sygnałem jest reakcja otaczającego produktu i interfejsu. Warto obserwować jaśniejszą dokumentację, wygodniejsze integracje i konkurencyjne ulepszenia, które ograniczają pracę potrzebną do tworzenia niezawodnych rekordów zdarzeń. Te zmiany określają, ile wyspecjalizowanej inżynierii klienci nadal potrzebują.

Konkurencyjny model nie musi kopiować tego samego interfejsu, aby zmienić decyzję. Lepsza skuteczność w zadaniu lub łatwiejsza integracja mogą wpłynąć na porównanie. Podobnie silniejsze wsparcie wokół Pegasus może ułatwić wdrożenie jego obecnych możliwości.

Sygnały te należy rozpatrywać łącznie. Lepsza ekstrakcja bez użytecznej integracji pozostawia pracę niedokończoną. Wygodna integracja bez odpowiedniej jakości tworzy kolejne obciążenie związane z kontrolą. Trwały produkt potrzebuje obu tych elementów, wspieranych przez zachowanie operacyjne, które klienci mogą zrozumieć.

Dla deweloperów bezpośrednią szansą jest zdefiniowanie wąskiego zadania, którego powodzenie można sprawdzić. Dla nabywców korporacyjnych jest nią połączenie tego zadania z decyzją biznesową. Dla pracowników wiedzy oznacza to łatwiejszy dostęp do dowodów zawartych w nagraniach.

Zacznij od nagrania, które Twój zespół już rozumie, oraz kategorii zdarzeń, które ludzie obecnie lokalizują ręcznie. Przed porównaniem wyników modeli zapisz, co się kwalifikuje, w tym przypadki niejednoznaczne. Przeanalizuj pominięte fragmenty obok zwróconych dopasowań i uwzględnij wysiłek potrzebny do poprawienia obu. Następnie prześledź rekord w aplikacji, w której ktoś faktycznie miałby go użyć. Czy użytkownik może sprawdzić źródło, zrozumieć etykietę i poprawić błąd bez utraty kontekstu? Pegasus 1.5 w Bedrock sprawia, że ten eksperyment jest bardziej dostępny dla klientów AWS. Wykorzystaj go do przetestowania konkretnego przepływu pracy i oceń wynik według tego, czy ludzie mogą znaleźć i zweryfikować potrzebne im momenty.