Wie man ein KI-Modell trainiert: Schritt-für-Schritt-Anleitung

Das Training eines KI-Modells umfasst das Erlernen von Mustern in Daten für die Entscheidungsfindung. Fine-Tuning ist eine Strategie, die Modelle, die auf großen Datensätzen wie OpenAIs GPT-4 trainiert wurden, durch Fortführung des Trainingsprozesses an kleinere, aufgabenspezifische Datensätze anpasst.

In den folgenden Abschnitten gehen wir tiefer in den Prozess des Trainings eines benutzerdefinierten KI-Modells mit OpenAI Fine-Tuning ein und führen Sie durch jeden Schritt des Fine-Tuning-Prozesses.

KI und Modelltraining verstehen

Künstliche Intelligenz (KI) umfasst die Entwicklung von Systemen, die Aufgaben ausführen können, die typischerweise menschliche Intelligenz erfordern, wie Lernen, Problemlösung und Entscheidungsfindung. Ein KI-Modell ist im Kern ein Satz von Algorithmen, die Vorhersagen auf Basis von Eingabedaten treffen. Maschinelles Lernen (ML), ein Teilbereich der KI, ermöglicht es Maschinen, aus Daten zu lernen und ihre Leistung autonom zu verbessern.

KI-Modelle lernen ähnlich wie ein Kind, das Katzen von Hunden unterscheidet: durch Beobachtung von Merkmalen, Vermutungen, Fehlerkorrektur und erneute Versuche. Dieser Prozess, bekannt als Modelltraining, umfasst die Verarbeitung von Eingabedaten, die Analyse von Mustern und die Nutzung dieses Wissens für Vorhersagen. Die Leistung des Modells wird durch den Vergleich seiner Ausgabe mit dem erwarteten Ergebnis bewertet und Anpassungen werden vorgenommen. Mit ausreichendem Training repräsentiert der Algorithmus einen genauen mathematischen Prädiktor für verschiedene Eingabevariationen.

Das Training eines Modells von Grund auf umfasst das Lehren eines Modells, Muster in den Daten ohne Vorwissen zu erkennen. Dies erfordert eine große Datenmenge und Rechenressourcen, und das Modell kann bei begrenzten Daten schlechter abschneiden.

Fine-Tuning hingegen beginnt mit einem vortrainierten Modell, das allgemeine Muster aus einem großen Datensatz gelernt hat. Das Modell wird dann auf einem kleineren, spezifischen Datensatz weiter trainiert, sodass es sein zuvor erlerntes Wissen auf die neue Aufgabe anwenden kann, was oft zu besserer Leistung mit weniger Daten und Rechenressourcen führt. Fine-Tuning ist besonders nützlich, wenn der aufgabenspezifische Datensatz relativ klein ist.

Vorbereitung auf das Fine-Tuning

Während das Fine-Tuning eines bestehenden Modells mit zusätzlichem Training auf einem kuratierten Datensatz wie eine attraktive Option gegenüber dem Aufbau und Training eines KI-Modells von Grund auf erscheinen mag, hängt der Erfolg des Fine-Tuning-Prozesses von mehreren Schlüsselfaktoren ab.

Das richtige Modell auswählen

Bei der Auswahl eines Basismodells für das Fine-Tuning sollten folgende Punkte berücksichtigt werden:

Aufgabenausrichtung: Es ist wichtig, den Problembereich und die erwartete Modellfunktionalität klar zu definieren. Wählen Sie Modelle, die in ähnlichen Aufgaben wie Ihren hervorragende Ergebnisse erzielen, da Unähnlichkeit zwischen Quell- und Zielaufgaben beim Fine-Tuning zu verringerter Leistung führen kann. Für Textgenerierungsaufgaben könnte beispielsweise GPT-3 geeignet sein, während für Textklassifizierungsaufgaben BERT oder RoBERTa besser geeignet sein könnten.

Modellgröße und Komplexität: Balancieren Sie Leistung und Effizienz nach Bedarf, da größere Modelle zwar komplexere Muster besser erfassen, aber mehr Ressourcen erfordern.

Bewertungsmetriken: Wählen Sie Bewertungsmetriken, die für Ihre Aufgabe relevant sind. Beispielsweise kann Genauigkeit für die Klassifizierung wichtig sein, während BLEU oder ROUGE für Sprachgenerierungsaufgaben vorteilhafter sein könnten.

Community und Ressourcen: Wählen Sie Modelle mit einer großen Community und ausreichenden Ressourcen für Fehlerbehebung und Implementierung. Priorisieren Sie Modelle mit klaren Fine-Tuning-Richtlinien für Ihre Aufgabe und suchen Sie seriöse Quellen für vortrainierte Modell-Checkpoints.

Datenerhebung und -vorbereitung

Beim Fine-Tuning können Qualität und Vielfalt Ihrer Daten die Leistung Ihres Modells erheblich beeinflussen. Hier sind einige wichtige Überlegungen:

Benötigte Datentypen: Der Datentyp hängt von Ihrer spezifischen Aufgabe und den Daten ab, auf denen das Modell vortrainiert wurde. Für NLP-Aufgaben benötigen Sie typischerweise Textdaten aus Quellen wie Büchern, Artikeln, Social-Media-Beiträgen oder Sprachtranskripten. Verwenden Sie Methoden wie Web-Scraping, Umfragen oder APIs von Social-Media-Plattformen zur Datenerhebung. Zum Beispiel kann Web-Scraping mit KI besonders nützlich sein, wenn Sie eine große Menge vielfältiger und aktueller Daten benötigen.

Datenbereinigung und Annotation: Die Datenbereinigung umfasst das Entfernen irrelevanter Daten, den Umgang mit fehlenden oder inkonsistenten Daten und die Normalisierung. Annotieren bedeutet, die Daten zu beschriften, damit das Modell daraus lernen kann. Der Einsatz automatisierter Tools wie Bright Data kann diese Prozesse rationalisieren und die Effizienz verbessern.

Einbindung eines vielfältigen und repräsentativen Datensatzes: Beim Fine-Tuning eines Modells stellt ein vielfältiger und repräsentativer Datensatz sicher, dass das Modell aus verschiedenen Perspektiven lernt, was zu allgemeineren und zuverlässigeren Vorhersagen führt. Wenn Sie beispielsweise ein Sentiment-Analyse-Modell für Filmkritiken fine-tunen, sollte Ihr Datensatz Kritiken aus einem breiten Spektrum von Filmen, Genres und Stimmungen enthalten, die die reale Klassenverteilung widerspiegeln.

Einrichten der Trainingsumgebung

Stellen Sie sicher, dass Sie über die notwendige Hardware und Software für das gewählte KI-Modell und Framework verfügen. Große Sprachmodelle (LLMs) erfordern beispielsweise oft erhebliche Rechenleistung, die typischerweise durch GPUs bereitgestellt wird.

Frameworks wie TensorFlow oder PyTorch werden häufig für das KI-Modelltraining verwendet. Die Installation relevanter Bibliotheken und Tools sowie zusätzlicher Abhängigkeiten ist für eine nahtlose Integration in den Trainingsworkflow unerlässlich. Beispielsweise können Tools wie die OpenAI-API für das Fine-Tuning spezifischer von OpenAI entwickelter Modelle benötigt werden.

Der Fine-Tuning-Prozess

Nachdem wir die Grundlagen des Fine-Tunings verstanden haben, gehen wir eine Anwendung in der natürlichen Sprachverarbeitung durch.

Ich verwende die OpenAI-API zum Fine-Tuning eines vortrainierten Modells. Fine-Tuning ist derzeit für Modelle wie gpt-3.5-turbo-0125 (empfohlen), gpt-3.5-turbo-1106, gpt-3.5-turbo-0613, babbage-002, davinci-002 und das experimentelle gpt-4-0613 möglich. GPT-4-Fine-Tuning befindet sich in einer experimentellen Phase, und berechtigte Nutzer können den Zugang über die Fine-Tuning-UI beantragen.

1. Datensatzvorbereitung

Laut einer Studie fehlt GPT-3.5 analytisches Denkvermögen. Versuchen wir daher, das gpt-3.5-turbo-Modell zu fine-tunen, um sein analytisches Denkvermögen mithilfe eines Datensatzes analytischer Reasoning-Fragen aus dem Law School Admission Test (AR-LSAT), veröffentlicht 2022, zu verbessern. Den öffentlich zugänglichen Datensatz finden Sie hier.

Die Qualität eines fine-getunten Modells hängt direkt von den für das Fine-Tuning verwendeten Daten ab. Jedes Beispiel im Datensatz sollte ein Gespräch sein, das gemäß der Chat Completions API von OpenAI formatiert ist, mit einer Liste von Nachrichten, bei denen jede Nachricht eine Rolle, Inhalt und optionalen Namen hat, und als JSONL-Datei gespeichert ist.

Das erforderliche Konversations-Chat-Format für das Fine-Tuning von gpt-3.5-turbo ist wie folgt:

{"messages": [{"role": "system", "content": ""}, {"role": "user", "content": ""}, {"role": "assistant", "content": ""}]}

In diesem Format ist "messages" eine Liste von Nachrichten, die ein Gespräch zwischen drei "roles" bilden: system, user und assistant. Der "content" der "system"-Rolle sollte das Verhalten des fine-getunten Systems spezifizieren.

Unten ist ein formatiertes Beispiel aus dem AR-LSAT-Datensatz, das wir in diesem Leitfaden verwenden werden:

Hier sind die wichtigsten Überlegungen bei der Erstellung des Datensatzes:

• OpenAIs Preisseite
• Token-Zähl-Notebook
• Python-Skript

2. API-Schlüssel generieren und die OpenAI-Bibliothek installieren

Um ein OpenAI-Modell zu fine-tunen, ist ein OpenAI-Entwicklerkonto mit ausreichendem Guthaben erforderlich.

Um den API-Schlüssel zu generieren und die OpenAI-Bibliothek zu installieren, folgen Sie diesen Schritten:

1. Registrieren Sie sich auf der offiziellen OpenAI-Website.

2. Um Fine-Tuning zu aktivieren, laden Sie Ihr Guthaben auf der Registerkarte ‘Abrechnung’ unter ‘Einstellungen’ auf.

3. Klicken Sie auf das Benutzerprofilsymbol oben links und wählen Sie ‘API-Schlüssel’, um auf die Schlüsselerstellungsseite zuzugreifen.

4. Generieren Sie einen neuen geheimen Schlüssel, indem Sie einen Namen angeben.

5. Installieren Sie die Python-OpenAI-Bibliothek für das Fine-Tuning.

pip install openai

6. Verwenden Sie die os-Bibliothek, um das Token als Umgebungsvariable zu setzen und die API-Kommunikation herzustellen.

import os
from openai import OpenAI

# Set the OPENAI_API_KEY environment variable
os.environ['OPENAI_API_KEY'] = 'The key generated in step 4'
client = OpenAI(api_key=os.environ['OPENAI_API_KEY'])

3. Hochladen der Trainings- und Validierungsdateien

Nach der Validierung Ihrer Daten laden Sie die Dateien über die Files-API für Fine-Tuning-Jobs hoch.

training_file_id = client.files.create(
  file=open(training_file_name, "rb"),
  purpose="fine-tune"
)
validation_file_id = client.files.create(
  file=open(validation_file_name, "rb"),
  purpose="fine-tune"
)
print(f"Training File ID: {training_file_id}")
print(f"Validation File ID: {validation_file_id}")

Die eindeutigen Kennungen für die Trainings- und Validierungsdaten werden bei erfolgreicher Ausführung angezeigt.

4. Einen Fine-Tuning-Job erstellen

Nach dem Hochladen der Dateien erstellen Sie einen Fine-Tuning-Job entweder über die UI oder programmatisch.

So starten Sie einen Fine-Tuning-Job mit dem OpenAI SDK:

response = client.fine_tuning.jobs.create(
  training_file=training_file_id.id,
  validation_file=validation_file_id.id,
  model="gpt-3.5-turbo",
  hyperparameters={
    "n_epochs": 10,
    "batch_size": 3,
    "learning_rate_multiplier": 0.3
  }
)
job_id = response.id
status = response.status

print(f'Fine-tunning model with jobID: {job_id}.')
print(f"Training Response: {response}")
print(f"Training Status: {status}")

• model: der Name des zu fine-tunenden Modells (gpt-3.5-turbo, babbage-002, davinci-002 oder ein bestehendes fine-getuntes Modell).
• training_file und validation_file: die Datei-IDs, die beim Hochladen der Dateien zurückgegeben wurden.
• n_epochs, batch_size und learning_rate_multiplier: Hyperparameter, die angepasst werden können.

Weitere Fine-Tuning-Parameter finden Sie in der API-Spezifikation für Fine-Tuning.

Der obige Code generiert folgende Informationen für die jobID (`ftjob-0EVPunnseZ6Xnd0oGcnWBZA7`):

Ein Fine-Tuning-Job kann einige Zeit in Anspruch nehmen. Er könnte hinter anderen Jobs in der Warteschlange stehen, und die Trainingsdauer kann je nach Modell und Datensatzgröße von Minuten bis Stunden variieren.

Sobald das Training abgeschlossen ist, wird eine E-Mail-Bestätigung an den Benutzer gesendet, der den Fine-Tuning-Job initiiert hat.

Sie können den Status Ihres Fine-Tuning-Jobs über die Fine-Tuning-UI überwachen:

5. Analyse des fine-getunten Modells

OpenAI berechnet während des Trainings folgende Metriken:

• Trainingsverlust
• Token-Genauigkeit beim Training
• Validierungsverlust
• Token-Genauigkeit bei der Validierung

Validierungsverlust und Validierungs-Token-Genauigkeit werden auf zwei Arten berechnet: an einem kleinen Datenbatch bei jedem Schritt und am vollständigen Validierungssatz am Ende jeder Epoche. Der vollständige Validierungsverlust und die vollständige Validierungs-Token-Genauigkeit sind die genauesten Metriken zur Verfolgung der Modellleistung und dienen als Plausibilitätsprüfung (Verlust sollte sinken, Token-Genauigkeit sollte steigen).

Während ein Fine-Tuning-Job aktiv ist, können Sie diese Metriken wie folgt einsehen:

1. Über die UI:

2. Über die API:

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ['OPENAI_API_KEY'],)
jobid = 'jobid you want to monitor'

print(f"Streaming events for the fine-tuning job: {jobid}")

# signal.signal(signal.SIGINT, signal_handler)

events = client.fine_tuning.jobs.list_events(fine_tuning_job_id=jobid)
try:
    for event in events:
        print(
            f'{event.data}'
        )
except Exception:
    print("Stream interrupted (client disconnected).")

Der obige Code gibt die Streaming-Ereignisse für den Fine-Tuning-Job aus, einschließlich Schrittnummer, Trainingsverlust, Validierungsverlust, Gesamtschritte und mittlere Token-Genauigkeit für Training und Validierung:

Streaming events for the fine-tuning job: ftjob-0EVPunnseZ6Xnd0oGcnWBZA7
{'step': 67, 'train_loss': 0.30375099182128906, 'valid_loss': 0.49169286092122394, 'total_steps': 67, 'train_mean_token_accuracy': 0.8333333134651184, 'valid_mean_token_accuracy': 0.8888888888888888}

6. Parameter und Datensatz zur Leistungsverbesserung anpassen

Wenn die Ergebnisse eines Fine-Tuning-Jobs nicht Ihren Erwartungen entsprechen, sollten Sie folgende Möglichkeiten zur Leistungsverbesserung in Betracht ziehen:

1. Trainingsdatensatz anpassen:

• Um Ihren Trainingsdatensatz zu verfeinern, fügen Sie Beispiele hinzu, die die Schwächen des Modells adressieren, und stellen Sie sicher, dass die Antwortverteilung in Ihren Daten der erwarteten Verteilung entspricht.
• Es ist auch wichtig, Ihre Daten auf Probleme zu überprüfen, die das Modell repliziert, und sicherzustellen, dass Ihre Beispiele alle notwendigen Informationen für die Antwort enthalten.
• Halten Sie die Konsistenz über Daten aufrecht, die von mehreren Personen erstellt wurden, und standardisieren Sie das Format aller Trainingsbeispiele entsprechend der erwarteten Inferenz.
• Im Allgemeinen sind hochwertige Daten effektiver als eine größere Menge minderwertiger Daten.

2. Hyperparameter anpassen:

• OpenAI ermöglicht die Angabe von drei Hyperparametern: Epochen, Lernraten-Multiplikator und Batch-Größe.
• Beginnen Sie mit den von den integrierten Funktionen basierend auf der Datensatzgröße gewählten Standardwerten und passen Sie diese bei Bedarf an.
• Wenn das Modell den Trainingsdaten nicht wie erwartet folgt, erhöhen Sie die Anzahl der Epochen.
• Wenn das Modell weniger vielfältig als erwartet wird, reduzieren Sie die Anzahl der Epochen um 1 oder 2.
• Wenn das Modell nicht zu konvergieren scheint, erhöhen Sie den Lernraten-Multiplikator.

7. Verwendung eines Checkpoint-Modells

Derzeit bietet OpenAI Zugang zu den Checkpoints der letzten drei Epochen eines Fine-Tuning-Jobs. Diese Checkpoints sind vollständige Modelle, die für Inferenz und weiteres Fine-Tuning verwendet werden können.

Um auf diese Checkpoints zuzugreifen, warten Sie, bis ein Job erfolgreich abgeschlossen ist, und fragen Sie dann den Checkpoints-Endpunkt mit Ihrer Fine-Tuning-Job-ID ab. Jedes Checkpoint-Objekt enthält das Feld fine_tuned_model_checkpoint mit dem Modell-Checkpoint-Namen. Sie können den Checkpoint-Modellnamen auch über die Fine-Tuning-UI abrufen.

Sie können Checkpoint-Modellergebnisse validieren, indem Sie Abfragen mit einem Prompt und dem Modellnamen über die Funktion openai.chat.completions.create() ausführen:

completion = client.chat.completions.create(
  model="ft:gpt-3.5-turbo-0125:personal::9PWZuZo5",
  messages=[
    {"role": "system", "content": "Instructions: You will be presented with a passage and a question about that passage. There are four options to be chosen from, you need to choose the only correct option to answer that question. If the first option is right, you generate the answer 'A', if the second option is right, you generate the answer 'B', if the third option is right, you generate the answer 'C', if the fourth option is right, you generate the answer 'D', if the fifth option is right, you generate the answer 'E'. Read the question and options thoroughly and select the correct answer from the four answer labels. Read the passage thoroughly to ensure you know what the passage entails"},
    {"role": "user", "content": "Passage: For the school paper, five studentsu2014Jiang, Kramer, Lopez, Megregian, and O'Neillu2014each review one or more of exactly three plays: Sunset, Tamerlane, and Undulation, but do not review any other plays. The following conditions must apply: Kramer and Lopez each review fewer of the plays than Megregian. Neither Lopez nor Megregian reviews any play Jiang reviews. Kramer and O'Neill both review Tamerlane. Exactly two of the students review exactly the same play or plays as each other.Question: Which one of the following could be an accurate and complete list of the students who review only Sunset?nA. LopeznB. O'NeillnC. Jiang, LopeznD. Kramer, O'NeillnE. Lopez, MegregiannAnswer:"}
  ]
)
print(completion.choices[0].message)

Das aus dem Antwort-Dictionary abgerufene Ergebnis ist:

Sie können das fine-getuntes Modell auch mit anderen Modellen im OpenAI-Playground vergleichen, wie unten gezeigt:

Tipps und Best Practices

Für erfolgreiches Fine-Tuning sollten Sie diese Tipps berücksichtigen:

Datenqualität: Stellen Sie sicher, dass Ihre aufgabenspezifischen Daten sauber, vielfältig und repräsentativ sind, um Overfitting zu vermeiden, bei dem das Modell bei Trainingsdaten gut, bei unbekannten Daten jedoch schlecht abschneidet.

Hyperparameter-Auswahl: Wählen Sie geeignete Hyperparameter, um langsame Konvergenz oder suboptimale Leistung zu vermeiden. Dies kann komplex und zeitaufwendig sein, ist jedoch entscheidend für effektives Training.

Ressourcenmanagement: Beachten Sie, dass das Fine-Tuning großer Modelle erhebliche Rechenressourcen und Zeit erfordert.

Fallstricke vermeiden

Overfitting und Underfitting: Balancieren Sie die Komplexität Ihres Modells und den Umfang des Trainings, um Overfitting (hohe Varianz) und Underfitting (hohe Verzerrung) zu vermeiden.

Katastrophales Vergessen: Beim Fine-Tuning kann das Modell zuvor erlerntes allgemeines Wissen vergessen. Bewerten Sie die Leistung Ihres Modells regelmäßig bei verschiedenen Aufgaben, um dies zu minimieren.

Domain-Shift-Empfindlichkeit: Wenn sich Ihre Fine-Tuning-Daten erheblich von den Vortrainingsdaten unterscheiden, können Domain-Shift-Probleme auftreten. Verwenden Sie Domain-Adaptationstechniken, um diese Lücke zu schließen.

Modelle speichern und wiederverwenden

Speichern Sie nach dem Training den Zustand Ihres Modells zur späteren Wiederverwendung. Dies umfasst die Modellparameter und den Zustand des verwendeten Optimierers. So können Sie das Training später vom gleichen Zustand aus fortsetzen.

Ethische Überlegungen

Bias-Verstärkung: Vortrainierte Modelle können Verzerrungen erben, die beim Fine-Tuning verstärkt werden können. Bevorzugen Sie bei Bedarf vortrainierte Modelle, die auf Verzerrungen und Fairness getestet wurden, wenn unvoreingenommene Vorhersagen erforderlich sind.

Unbeabsichtigte Ausgaben: Fine-getunte Modelle können plausible, aber falsche Ausgaben erzeugen. Implementieren Sie robuste Nachverarbeitungs- und Validierungsmechanismen, um damit umzugehen.

Modell-Drift: Die Leistung eines Modells kann sich im Laufe der Zeit aufgrund von Änderungen in der Umgebung oder Datenverteilung verschlechtern. Überwachen Sie die Leistung Ihres Modells regelmäßig und führen Sie bei Bedarf erneutes Fine-Tuning durch.

Fortgeschrittene Techniken und weiterführendes Lernen

Fortgeschrittene Techniken beim Fine-Tuning von LLMs umfassen Low Ranking Adaptation (LoRA) und Quantized LoRA (QLoRA), die Rechen- und Finanzkosten reduzieren und dabei die Leistung erhalten. Parameter Efficient Fine Tuning (PEFT) passt Modelle effizient mit minimalen trainierbaren Parametern an. DeepSpeed und ZeRO optimieren die Speichernutzung für groß angelegtes Training. Diese Techniken adressieren Herausforderungen wie Overfitting, katastrophales Vergessen und Domain-Shift-Empfindlichkeit und verbessern die Effizienz und Wirksamkeit des LLM-Fine-Tunings.

Neben Fine-Tuning gibt es weitere fortgeschrittene Trainingstechniken wie Transfer Learning und Reinforcement Learning. Transfer Learning umfasst die Anwendung von Wissen, das aus einem Problem auf ein anderes verwandtes Problem gelernt wurde, während Reinforcement Learning eine Art maschinelles Lernen ist, bei dem ein Agent lernt, Entscheidungen zu treffen, indem er Aktionen in einer Umgebung ausführt, um eine Belohnung zu maximieren.

Für diejenigen, die tiefer in das KI-Modelltraining eintauchen möchten, könnten folgende Ressourcen hilfreich sein:

• Attention is all you need von Ashish Vaswani et al.
• Das Buch ‘Deep Learning’ von Ian Goodfellow, Yoshua Bengio und Aaron Courville
• Das Buch ‘Speech and Language Processing’ von Daniel Jurafsky und James H. Martin
• Verschiedene Wege zum Training von LLMs
• LLM-Techniken meistern: Training
• NLP-Kurs von Hugging Face

Fazit

Das Training eines KI-Modells ist ein Prozess, der eine erhebliche Menge hochwertiger Daten erfordert. Während die Definition des Problems, die Auswahl eines Modells und die Verfeinerung durch Iterationen wesentlich sind, ist die eigentliche Differenzierung die Qualität und Menge der verwendeten Daten. Anstatt Web-Scraper zu erstellen und zu warten, können Sie die Datenerhebung vereinfachen, indem Sie vorgefertigte oder benutzerdefinierte Datensätze nutzen, die auf der Infrastruktur von Bright Data verfügbar sind.

Mit dem Dataset Marketplace können Sie validierte, fertige Datensätze von beliebten Websites abrufen oder benutzerdefinierte Datensätze zur Erfüllung Ihrer spezifischen Anforderungen mithilfe der automatisierten Infrastruktur generieren. So können Sie sich auf das effiziente Training Ihrer Modelle mit genauen und konformen Daten konzentrieren und schnellere, zuverlässigere Ergebnisse in verschiedenen Branchen erzielen.

Entdecken Sie die Datensatzlösungen von Bright Data und integrieren Sie diese nahtlos in Ihren Workflow für eine reibungslose Datenerhebung.

Registrieren Sie sich jetzt und starten Sie Ihre kostenlose Testversion der Scraping-Infrastruktur von Bright Data, einschließlich kostenloser Datensatzproben.