I detta projekt använde jag no-code AI i BigML för att utforska hur ett försäkringsbolag kan dra nytta av maskininlärning för att identifiera bilskador. Vi hade en mapp med 1512 bilder på bilskador och skapade en CSV-fil för att kategorisera dem i olika grupper för multi-label data. För att förbättra modellens precision använde vi data augmentation genom att rotera bilderna i olika grader, vilket ökade tränings- och testdatamängden.

För att implementera prompt engineering inom LLM, skapade vi en chatbot för försäkringsbolaget med few-shot learning och role prompting. Fokus låg på intent och classification för att få vår LLM att interagera på ett önskat sätt. Vi använde samma zip-fil som innehöll bilderna och CSV-filen från BigML-projektet för att även träna modellen att kategorisera bildskador i denna kontext. Målet var att underlätta registreringen av bildskador för försäkringsärenden genom användarvänlig interaktion med chatboten.