Aufbau eines maßgeschneiderten Hindi-Glossar-Systems mit Claude: Von 76 % auf 92 % Genauigkeit in 10 Monaten

Ein Solo-Entwickler in Bangalore hat ein benutzerdefiniertes Glossarsystem für Claude entwickelt, um die Genauigkeit der Hindi-spezifischen Inhaltserstellung zu verbessern. Über 10 Monate sank die Fehlerrate für Fachvokabular von 24 % auf 8 % (Genauigkeit stieg von 76 % auf 92 %). Das Projekt bedient nun 310 Kunden mit einem MRR von 10.800 US-Dollar für Hindi-Kundensupport und Blog-Inhalte.

Das Problem: Allgemeines Hindi für Geschäftsbegriffe

Claudes Standard-Hindi verwendet allgemeine Übersetzungen für Geschäftsbegriffe. Beispielsweise gibt es „bhugtan“ (Zahlung) statt „UPI bhugtan“ (UPI-Zahlung) aus. Diese Lücke im Fachvokabular führte zu einer Fehlerrate von 24 % bei spezialisierten Inhalten.

Die Entwicklung des Glossarsystems

Der Entwickler durchlief über 10 Monate drei Ansätze:

• Monate 1–3: Manuelles Glossar (200 Begriffe). Wurde bei jeder Anfrage als Kontext eingefügt. Genauigkeit stieg von 76 % auf 84 %.
• Monate 4–6: Strukturiertes Glossar mit Kategorien (400 Begriffe). Begriffe in Steuern, Zahlung, Compliance und Geschäftsarten organisiert. Genauigkeit stieg von 84 % auf 88 %.
• Monate 7–10: Beispielbasiertes Glossar (600 Begriffe). Jeder Begriff enthält 2–3 Beispielsätze, die die korrekte Verwendung im Kontext zeigen. Genauigkeit erreichte 92 %.

Wichtige Erkenntnisse für nicht-englische KI-Anwendungen

Der Entwickler betont, dass ein Glossar nicht nur eine Liste ist – es ist ein Lehrmittel. Die reine Erhöhung der Begriffsanzahl half nur geringfügig. Die Kategorisierung brachte Mehrwert, aber Beispielsätze mit Kontext verbesserten die Genauigkeit am stärksten. Die verbleibende Fehlerrate von 8 % konzentriert sich auf regionale Varianten und neu eingeführte regulatorische Begriffe.

Für Entwickler, die nicht-englische KI-Anwendungen bauen, zeigt diese Fallstudie, dass Glossare Beispielsätze enthalten sollten, um dem Modell den Kontext besser beizubringen als nur Definitionen.