Wenn wir ein KI-Tool bitten, Ausschießskripte für pdfToolbox zu erstellen, bitten wir es nicht darum, allgemeines JavaScript zu schreiben. Wir bitten es vielmehr darum, JavaScript zu schreiben, das innerhalb der Ausschießumgebung von pdfToolbox funktioniert.

Das bedeutet, dass die KI bestimmte Konzepte von pdfToolbox verstehen muss: die in den JavaScript-Kontext eingefügten Objekte, die für diese Objekte verfügbaren Hilfsmethoden, die zu verwendenden Konstanten, die erwartete Reihenfolge der Operationen sowie die Produktionslogik, die dem Ausschießen selbst zugrunde liegt.

An dieser Stelle wird es erst richtig interessant.

Öffentlich zugängliche KI-Modelle wurden mit riesigen Mengen an allgemeinem JavaScript trainiert. Sie wurden zudem mit allgemeinen Informationen zur Druckproduktion und zur Ausschießung gefüttert. Es gibt jedoch kaum öffentlich zugängiges Trainingsmaterial, das sich speziell mit der Erstellung von Ausschießskripten für pdfToolbox befasst. Das bedeutet, dass das Modell zwar JavaScript schreiben kann, das plausibel erscheint, dabei jedoch wichtige pdfToolbox-spezifische Details falsch wiedergibt.

Der Schlüssel liegt daher nicht einfach darin, bessere Fragen zu stellen. Der Schlüssel liegt darin, ein besseres Arbeitsumfeld für die KI zu schaffen – eines, das ihr die Dokumentation, Beispiele und den Kontext bereitstellt, die sie benötigt, um zuverlässige Ausschießskripte zu erstellen.

Für das Webinar haben wir eine projektbasierte Struktur in einem KI-Tool verwendet. Das konkrete Tool ist dabei weniger wichtig als der Ansatz: Die KI benötigt einen Ort, an dem sie relevante Unterlagen, Regeln, Beispiele und Anweisungen über mehrere Konversationen hinweg an einem Ort zusammenfassen kann.

Das Projekt umfasste verschiedene Arten von Material.

Zum einen umfasste sie die Dokumentation zu pdfToolbox, insbesondere die Dokumentation zum Ausschießen. Dies bietet der KI eine verlässliche Informationsquelle für die Funktionen, deren Nutzung von ihr erwartet wird.

Zweitens umfasste es ein kleines Rahmenwerk aus Leitfäden. Das

Darin wurden Regeln, der Programmierstil, bevorzugte Muster sowie die Art und Weise beschrieben, wie die KI mit dem Nutzer interagieren sollte. So wurde die KI beispielsweise angewiesen, Klarheit vor Raffinesse zu bevorzugen, lesbaren Code zu verwenden und es zu vermeiden, stillschweigend Annahmen zu treffen, wenn die Anfrage des Nutzers vage ist.

Drittens enthielt sie sorgfältig ausgearbeitete Beispielskripte. Diese Beispiele wurden nicht einfach aus älteren Skripten aus der Praxis kopiert. Dies hätte zu vielen Unstimmigkeiten geführt. Echte Skripte entwickeln sich oft im Laufe der Zeit weiter und spiegeln möglicherweise unterschiedliche Gewohnheiten, Stile oder historische Einschränkungen wider. Für eine KI-Workbench sind konsistente Beispiele nützlicher als eine große Anzahl von Beispielen mit Unregelmäßigkeiten.

Das Ziel dieser Dateien bestand nicht darin, die KI „kreativ“ zu machen. Das Ziel war vielmehr, ihr einen eng gefassten, verlässlichen Bezugsrahmen zu geben.

Eine der wichtigen Erkenntnisse aus diesem Experiment ist, dass mehr Beispiele nicht immer besser sind.

Wenn Sie einer KI fünf verschiedene Beispiele vorlegen, die ähnliche Probleme auf fünf leicht unterschiedliche Weisen lösen, weiß sie möglicherweise nicht, welchem Muster sie folgen soll. Sie könnte Stile vermischen, veraltete Ansätze kopieren oder Annahmen treffen, die in einem Beispiel technisch zutreffend sind, in einem anderen jedoch nicht.

Aus diesem Grund wurden die im Webinar verwendeten Beispieldateien bewusst so erstellt, dass sie wichtige Konzepte der Seitenausgabe in pdfToolbox in einem einheitlichen Stil abdecken. Es handelt sich zwar um künstliche Beispiele, doch gerade das ist in diesem Zusammenhang ein Vorteil. Sie vermitteln dem Modell die Muster, denen es folgen soll.

Dies ist dem Einarbeiten eines Nachwuchsentwicklers sehr ähnlich. Man übergibt nicht einfach Skripte aus zehn Jahren und hofft auf das Beste. Man stellt Dokumentation zur Verfügung, erläutert Konventionen, gibt gute Beispiele und definiert, wie „gut“ aussieht.

Ein wesentlicher Bestandteil der Vorgehensweise bestand darin, die KI anzuweisen, vor dem Schreiben von Code Fragen zu stellen.

Dies ist von Bedeutung, da Produktionsabläufe voller versteckter Annahmen sind. Welcher Seitenrahmen sollte verwendet werden? Soll ein Beschnitt berücksichtigt werden? Welche Abstände und Ränder sind erforderlich? Sollten Seiten gedreht werden, wenn sich dadurch die Bogenausnutzung verbessert? Handelt es sich bei der eingehenden Datei immer um eine einzelne Seite oder kann sie auch mehrseitig sein?

Sollten diese Angaben fehlen, sollte die KI nicht einfach raten. Sie sollte nachfragen.

Während der Webinar-Demo wurde dies in der Praxis deutlich. Als die KI gebeten wurde, eine einfache „Step-and-Repeat“-Ausschießung zu erstellen, fragte sie nach fehlenden Informationen, bevor sie das Skript generierte. Sobald die fehlenden Angaben bereitgestellt worden waren, erzeugte sie JavaScript-Code, der in pdfToolbox kopiert und getestet werden konnte.

Das bedeutet nicht, dass jedes generierte Skript automatisch korrekt ist. Es bedeutet vielmehr, dass der Prozess wesentlich sicherer wird als eine einzelne, vage Eingabeaufforderung, auf die ungeprüfter Code folgt.

Von einer KI generierter Code sollte stets getestet werden.

Im Webinar funktionierte die generierte „Step-and-Repeat“-Konfiguration in pdfToolbox. In früheren Versuchen wiesen die generierten Skripte jedoch Fehler auf. In einem Fall deckte der Algorithmus für die Musterwiederholung den erwarteten Seitenbereich nicht vollständig ab. Positiv war, dass die KI auch bei der Korrektur helfen konnte: Durch die Beschreibung des sichtbaren Problems war das Modell in der Lage, das Skript anzupassen und das Ergebnis zu verbessern.

Dies ist einer der vielversprechendsten Aspekte des Arbeitsablaufs. Sie müssen die Antwort der KI nicht als endgültiges Ergebnis betrachten. Sie können das Ergebnis überprüfen, beschreiben, was schiefgelaufen ist, Screenshots oder Ausgabedateien bereitstellen und die KI bitten, das Skript zu überarbeiten.

Das richtige Denkmodell lautet nicht : „KI ersetzt das Testen“. Das richtige Denkmodell lautet: „KI trägt dazu bei, den Zyklus aus Entwurf, Test, Korrektur und Verfeinerung zu beschleunigen“.

Eine der Fragen, die während des Webinars gestellt wurden, war, ob dieselbe Eingabeaufforderung nächste Woche dasselbe Skript erzeugen würde.

Die ehrliche Antwort lautet: nicht unbedingt.

KI-Systeme sind nicht in derselben Weise vollständig deterministisch wie herkömmliche Software. Das Modell kann Fragen anders formulieren, leicht abweichenden Code generieren oder einen anderen Weg zum gleichen Ergebnis einschlagen. Zudem ändern sich die Tools selbst rasch. Das heute verfügbare Modell verhält sich möglicherweise nicht genau wie das Modell, das im nächsten Monat verfügbar sein wird.

Der Ansatz der kontrollierten Arbeitsumgebung verbessert jedoch die Wiederholbarkeit. Indem wir der KI Dokumentation, Stilregeln, kanonische Beispiele und explizite Interaktionsanweisungen zur Verfügung stellen, reduzieren wir den Umfang unkontrollierter Vermutungen. Die Ausgabe ist zwar möglicherweise nicht jedes Mal identisch, es ist jedoch wahrscheinlicher, dass sie funktional ähnlich, lesbar und mit den erwarteten pdfToolbox-Mustern übereinstimmt.

Im produktiven Einsatz ist diese Unterscheidung von Bedeutung. Das Ziel ist nicht blindes Vertrauen. Das Ziel ist ein besserer Ausgangspunkt und ein effizienterer Entwicklungsprozess.

Eine weitere interessante Frage aus dem Webinar war, ob diese Art von KI-gestütztem Arbeitsablauf letztendlich direkt in pdfToolbox integriert werden sollte.

Das ist eine wichtige Frage, aber keine einfache.

Heutzutage stammen die besten Ergebnisse häufig aus aktuellen Online-KI-Modellen, und diese Modelle ändern sich rasch. Verschiedene Nutzer können zudem unterschiedliche Vorlieben hinsichtlich des Programmierstils, der Annahmen und des Verhaltens in der Produktion haben. Einige der im Webinar verwendeten Framework-Dateien spiegeln persönliche Vorlieben wider und stellen keine allgemeingültigen Regeln dar.

Dies lässt darauf schließen, dass es vorerst am sinnvollsten sein könnte, KI-taugliches Material rund um pdfToolbox bereitzustellen: Auszüge aus der Dokumentation, sorgfältig ausgewählte Beispiele, Vorlagen für Eingabeaufforderungen sowie Anleitungen, die die Nutzer an ihre eigenen Bedürfnisse anpassen können.

In Zukunft könnte eine tiefgreifendere Integration interessant werden. Jede produktionsorientierte KI-Funktion müsste jedoch dieselben Grundsätze beachten, die in diesem Experiment aufgezeigt wurden: klarer Kontext, explizite Annahmen, Kontrolle durch den Nutzer und ordnungsgemäße Validierung.

Diese Materialien sind als Ausgangspunkt gedacht. Sie sollten nicht als die einzig richtige Vorgehensweise betrachtet werden. Prüfen Sie sie, passen Sie sie an, ändern Sie die Stilregeln bei Bedarf, fügen Sie eigene Beispiele hinzu und verfeinern Sie die Eingabeaufforderungen entsprechend Ihren eigenen Produktionsanforderungen.

Und sollten Sie nützliche Verbesserungsvorschläge haben, teilen Sie diese bitte mit uns. Je mehr praktische Erfahrungen wir sammeln, desto besser können diese KI-gestützten Arbeitsabläufe werden.

Der gleiche Ansatz kann auch in anderen Bereichen von pdfToolbox nützlich sein.

So unterstützt pdfToolbox beispielsweise auch das Einfügen von Inhalten mithilfe von HTML-Vorlagen, JavaScript, CSS und pdfToolbox-spezifischen Funktionen. Dies weist eine ähnliche Struktur auf: weithin bekannte Basistechnologien in Kombination mit produktspezifischen Regeln und produktionsspezifischen Anforderungen.

Dies macht es zu einem guten Kandidaten für ein zukünftiges Experiment.

KI kann bei der Erstellung von PDFToolbox-Ausschießskripten tatsächlich von großem Nutzen sein. Doch der nützliche Teil daran ist keine Zauberei und beschränkt sich nicht nur auf das Verfassen von Eingabeaufforderungen.

Der nützliche Aspekt besteht darin, eine strukturierte Arbeitsumgebung aufzubauen: Dokumentation, Regeln, Beispiele, Erläuterungen, Tests und Iterationen.

Auf diese Weise genutzt, wird KI weniger zu einer mysteriösen Black Box als vielmehr zu einem praktischen Assistenten: kein Ersatz für Produktionswissen, sondern eine Möglichkeit, dieses Wissen leichter anzuwenden.