> ## Documentation Index
> Fetch the complete documentation index at: https://docs.pioneer.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Inferenz-Historie- und Feedback-Endpunkte auf Pioneer

> Listen Sie die Pioneer-Inferenz-Historie auf, filtern Sie nach Modell oder Projekt, rufen Sie einzelne Ergebnisse ab und reichen Sie Korrekturen ein, um Ihr Modell über Adaptive Inference zu verbessern.

Pioneer speichert jeden Inferenzaufruf und lässt Sie Ergebnisse per ID oder gesammelt abrufen. Sie können außerdem Korrektur-Feedback zu einzelnen Inferenzen einreichen. Dieses Feedback signalisiert, was das Modell falsch gemacht hat, und treibt Adaptive Inference an, das Ihr Modell automatisch mit korrigierten Beispielen aus dem Live-Traffic nachtrainiert.

## Endpunkte

| Method | Path                       | Beschreibung                    |
| ------ | -------------------------- | ------------------------------- |
| `GET`  | `/inferences`              | Vergangene Inferenzen auflisten |
| `GET`  | `/inferences/:id`          | Inferenzdetails abrufen         |
| `POST` | `/inferences/:id/feedback` | Feedback einreichen             |
| `GET`  | `/inferences/:id/feedback` | Gespeichertes Feedback abrufen  |

## Vergangene Inferenzen auflisten

`GET /inferences` gibt eine paginierte Liste vergangener Inferenzaufrufe zurück. Verwenden Sie die folgenden Query-Parameter, um die Ergebnisse zu filtern.

### Query-Parameter

<ParamField query="limit" type="number">
  Maximale Anzahl an Ergebnissen, die pro Seite zurückgegeben werden.
</ParamField>

<ParamField query="offset" type="number">
  Anzahl der Ergebnisse, die vor der Rückgabe übersprungen werden. Verwenden Sie diesen Parameter zusammen mit `limit`, um durch die Ergebnisse zu paginieren.
</ParamField>

<ParamField query="model_id" type="string">
  Nach Modell-ID filtern. Akzeptiert eine Trainingsjob-ID oder eine Basismodell-ID.
</ParamField>

<ParamField query="task" type="string">
  Nach Aufgabentyp filtern (z. B. `ner`, `classification`, `generate`).
</ParamField>

<ParamField query="project_id" type="string">
  Nach Projekt-ID filtern, um nur Inferenzen zu sehen, die einem bestimmten Projekt zugeordnet sind.
</ParamField>

<ParamField query="training_job_id" type="string">
  Nach Trainingsjob-ID filtern, um nur Inferenzen zu sehen, die gegen ein bestimmtes feinabgestimmtes Modell ausgeführt wurden.
</ParamField>

<ParamField query="latency_min" type="number">
  Minimale End-to-End-Latenz in Millisekunden (inklusive). Muss >= 0 sein.
</ParamField>

<ParamField query="latency_max" type="number">
  Maximale End-to-End-Latenz in Millisekunden (inklusive). Muss >= 0 sein und >= `latency_min`, wenn beide gesetzt sind.
</ParamField>

<ParamField query="llmaj_score_min" type="number">
  Minimaler LLM-as-Judge-Score (inklusive), im Bereich `0.0`–`1.0`.
</ParamField>

<ParamField query="llmaj_score_max" type="number">
  Maximaler LLM-as-Judge-Score (inklusive), im Bereich `0.0`–`1.0`. Muss >= `llmaj_score_min` sein, wenn beide gesetzt sind.
</ParamField>

<ParamField query="since" type="string">
  Inklusive Untergrenze für `created_at`, als ISO-8601-UTC-Zeitstempel.
</ParamField>

<ParamField query="until" type="string">
  Exklusive Obergrenze für `created_at`, als ISO-8601-UTC-Zeitstempel.
</ParamField>

<Note>
  `latency_min`/`latency_max` und `llmaj_score_min`/`llmaj_score_max` geben jeweils `422` zurück, wenn der `min`-Wert größer als der zugehörige `max`-Wert ist.
</Note>

### Beispiel

<CodeGroup>
  ```bash cURL theme={null}
  curl "https://api.pioneer.ai/inferences?limit=20&offset=0&model_id=job_abc123" \
    -H "X-API-Key: YOUR_API_KEY"
  ```

  ```python Python theme={null}
  import requests

  response = requests.get(
      "https://api.pioneer.ai/inferences",
      headers={"X-API-Key": "YOUR_API_KEY"},
      params={
          "limit": 20,
          "offset": 0,
          "model_id": "job_abc123"
      }
  )

  print(response.json())
  ```
</CodeGroup>

## Inferenzdetails abrufen

`GET /inferences/:id` gibt den vollständigen Record für eine einzelne vergangene Inferenz zurück, einschließlich Eingabetext, Schema, Modellantwort und Zeitstempel.

<CodeGroup>
  ```bash cURL theme={null}
  curl https://api.pioneer.ai/inferences/INFERENCE_ID \
    -H "X-API-Key: YOUR_API_KEY"
  ```

  ```python Python theme={null}
  import requests

  response = requests.get(
      "https://api.pioneer.ai/inferences/INFERENCE_ID",
      headers={"X-API-Key": "YOUR_API_KEY"}
  )

  print(response.json())
  ```
</CodeGroup>

## Feedback einreichen

Mit `POST /inferences/:id/feedback` können Sie eine vergangene Inferenz als korrekt oder inkorrekt markieren und optional die korrigierte Ausgabe anhängen. Inkorrekt-Verdicts mit einer Korrektur werden als gelabelte Trainingsbeispiele für Adaptive Inference verwendet.

<Note>
  Das hier eingereichte Feedback treibt Adaptive Inference an. Das ist Pioneers kontinuierliche Verbesserungsschleife, die Ihr Modell automatisch mit Korrekturen nachtrainiert, die aus dem Live-Traffic gesammelt wurden. Details zur Funktionsweise finden Sie im [Adaptive-Inference-Leitfaden](/guides/adaptive-inference).
</Note>

### Request-Parameter

<ParamField body="verdict" type="string" required>
  Menschliches Urteil über die Inferenz: `correct` oder `incorrect`.
</ParamField>

<ParamField body="corrected_output" type="object">
  Die erwartete Ausgabe, in derselben Form wie die Ausgabe der ursprünglichen Inferenz (zum Beispiel eine korrigierte `entities`-Liste für eine NER-Inferenz). **Erforderlich**, wenn `verdict` `incorrect` ist; muss weggelassen oder `null` sein, wenn `verdict` `correct` ist. Das Senden einer inkorrekten Kombination gibt `422` zurück.
</ParamField>

<ParamField body="notes" type="string">
  Optionale Freitext-Notizen des Reviewers. Maximal 5000 Zeichen.
</ParamField>

### Beispiel

<CodeGroup>
  ```bash cURL theme={null}
  curl -X POST https://api.pioneer.ai/inferences/INFERENCE_ID/feedback \
    -H "X-API-Key: YOUR_API_KEY" \
    -H "Content-Type: application/json" \
    -d '{
      "verdict": "incorrect",
      "corrected_output": {
        "entities": [
          {"text": "Apple", "label": "organization", "start": 0, "end": 5},
          {"text": "iPhone", "label": "product", "start": 18, "end": 24}
        ]
      },
      "notes": "Missed the product entity."
    }'
  ```

  ```python Python theme={null}
  import requests

  response = requests.post(
      "https://api.pioneer.ai/inferences/INFERENCE_ID/feedback",
      headers={
          "X-API-Key": "YOUR_API_KEY",
          "Content-Type": "application/json"
      },
      json={
          "verdict": "incorrect",
          "corrected_output": {
              "entities": [
                  {"text": "Apple", "label": "organization", "start": 0, "end": 5},
                  {"text": "iPhone", "label": "product", "start": 18, "end": 24}
              ]
          },
          "notes": "Missed the product entity."
      }
  )

  print(response.json())
  ```
</CodeGroup>

**Antwort**

<ResponseField name="inference_id" type="string">
  Die Inferenz, die annotiert wurde.
</ResponseField>

<ResponseField name="human_verdict" type="string">
  Das gespeicherte Verdict.
</ResponseField>

<ResponseField name="human_feedback_at" type="string">
  ISO-8601-Zeitstempel des Zeitpunkts, zu dem das Feedback eingereicht wurde.
</ResponseField>

## Feedback abrufen

`GET /inferences/:id/feedback` gibt das Feedback zurück, das zuvor für eine bestimmte Inferenz eingereicht wurde. Gibt `404` zurück, wenn noch kein Feedback eingereicht wurde.

<CodeGroup>
  ```bash cURL theme={null}
  curl https://api.pioneer.ai/inferences/INFERENCE_ID/feedback \
    -H "X-API-Key: YOUR_API_KEY"
  ```

  ```python Python theme={null}
  import requests

  response = requests.get(
      "https://api.pioneer.ai/inferences/INFERENCE_ID/feedback",
      headers={"X-API-Key": "YOUR_API_KEY"}
  )

  print(response.json())
  ```
</CodeGroup>

**Antwort**: dieselbe Form wie die oben beschriebene Antwort von [Feedback einreichen](#feedback-einreichen).

## Verwandte Themen

* [Pioneer native Inferenz](/api-reference/inference/pioneer): neue Inferenzen ausführen
* [Adaptive-Inference-Leitfaden](/guides/adaptive-inference): kontinuierliche Modellverbesserung aus Live-Traffic