Viele Elemente eines Analytics-Projekts sind repetitiv, zeitraubend und frustrierend. Wer hat schon Spaß daran, Daten zu importieren oder chaotische Spalten aufzuräumen? Mit dem neuen AI Assistant in DataLab verbringst du mehr Zeit mit dem, was wirklich zählt: Fragen mit Daten beantworten!
In diesem Artikel findest du 10 Tipps zum DataLab AI Assistant, die deinen Workflow beschleunigen und dir helfen, schneller zu fundierten Insights zu kommen. Wenn du mitlesen und die Prompts aus dem Artikel direkt ausprobieren willst, nutze gerne dieses Workbook!
Hinweis: Die Beispiele sind in Python gezeigt, aber die gleichen Prinzipien gelten auch für R-Workbooks!
1. Alle Paketimporte automatisch erledigen lassen
Wahrscheinlich hast du ein paar Standardimporte, die du zu Projektbeginn immer schreibst. Danach scrollst du regelmäßig an den Notebook-Anfang, fügst noch ein paar Imports hinzu und machst weiter. Noch unterbrechender ist es, externe Dokus zu wälzen, nur um dich an den Namen eines Pakets oder einer vergessen Funktion zu erinnern.
Wusstest du, dass du mit Generate den Großteil deiner Imports erstellen lassen kannst? Selbst ein einfacher Prompt wie „Import all of the packages I will need to perform a machine learning classification task.“ liefert pandas, NumPy und weitere Imports zum Splitten deiner Daten, zum Fitten mehrerer Modelle und zur Bewertung der Ergebnisse.
Mit Generate nützliche Pakete importieren
Du kannst den Prompt um weitere Schritte deines Workflows ergänzen. Häufig lohnt es sich, „including visualization“ anzuhängen, damit Pakete wie Matplotlib und Seaborn enthalten sind.
Natürlich kann es vorkommen, dass noch etwas fehlt. Aber die Basics sind im Handumdrehen drin und lassen sich nach Bedarf anpassen.
Zusatz-Tipp: Notiere dir, welche Prompts für dich am besten funktionieren, damit du sie schnell wiederfindest!
2. Schnellere, schönere Visualisierungen
Visualisierungen in Python sind nicht schwierig, aber die Syntax unterschiedlicher Pakete nachzuschlagen kostet Zeit. Hier springt der AI Assistant wieder ein!
Im folgenden Beispiel lassen wir den Assistant ein Dataset aggregieren und visualisieren – mit dem Prompt: „Create a Plotly bar plot of the DataFrame df, ranking the 10 most common jobs in the job column.“
Die erste Plot-Iteration mit Generate
Das Ergebnis ist okay – aber es geht besser. Du kannst Generate erneut nutzen, um den erzeugten Code zu iterieren! Mit „Make the chart a horizontal bar chart ordered from greatest to smallest. Add a relevant title, and use a simple white theme.“ im Prompt-Fenster erhalten wir Folgendes:
Zweite Generierungsrunde für den Chart
Schon viel besser! Mit ein paar Sätzen entsteht ein aufgeräumtes, informatives Diagramm – inklusive Labels und Custom-Styles.
Zusatz-Tipp: Am effektivsten ist die Kombination mit manuellen Feinschliffen. Der AI Assistant bringt dich oft 90% des Weges, die letzten 10% kommen von dir. Nutze dafür gerne die Visualisierungskurse von DataCamp, um dein bevorzugtes Paket zu meistern.
3. Dein SQL beschleunigen
In DataLab kannst du nahtlos zwischen dem Abfragen von SQL-Datenbanken und der Analyse der Ergebnisse in Python oder R wechseln (du kannst jetzt sogar SQL nutzen, um CSV-Dateien abzufragen!). Allerdings kostet es oft Zeit, eine sauber formatierte SQL-Query zu schreiben.
Du kannst Generate auch in SQL-Zellen verwenden, damit dir die Abfragen geschrieben werden. Da der AI Assistant Zugriff auf das Datenbankschema hat, nutzt er sogar passende Spalten.
Im Beispiel unten haben wir einfach die Ticketanzahl für die 10 beliebtesten Events angefragt – ohne Tabellen- oder Spaltennamen zu nennen. Heraus kam eine Query, die die beiden nötigen Tabellen (event und sales) joined, die Spalte qtysold aggregiert und die 10 beliebtesten Events in absteigender Reihenfolge zurückgibt – inklusive hilfreichem Alias für die Ergebnis-Spalte!
Sofortige Query!
4. Eine Einführung schreiben
Mit Generate in einer Textzelle kommst du schneller in die geschriebenen Teile deines Reports. Ein Prompt wie „Write an introduction for a machine learning project focused on identifying instances of credit card fraud. Be sure to include why this is important.“ liefert eine solide Einleitung, die du auf deinen Kontext zuschneidest.
Einleitung auf Knopfdruck
5. Code formatieren
Mitten in der Analyse wird der Code schnell schlampig: Einrückungen leiden, unnötige Leerzeichen schleichen sich ein, Zeilen werden zu lang. Du kommst vielleicht noch klar, andere nicht. Es gibt viele Vorteile, sich an standardisierte Code-Formate zu halten.
Zum Glück musst du nicht alles per Hand aufräumen! Ein einfacher Prompt in einer Textzelle behebt deine Formatierungsprobleme im Nu.
Bevor du einen Report abgibst, gehe jede Codezelle durch und nutze einen Prompt wie „Format this code according to PEP 8 standards.“ So bringst du schnell Ordnung rein – etwa korrektes (Ent)fernen von Leerzeichen, richtige Zeilenumbrüche und allgemein bessere Lesbarkeit.
Mit Generate unseren unsauberen Code formatieren
6. Beispieldatensätze erstellen
Hier lassen wir uns von unserem Kollegen Richie Cotton inspirieren, der dieses Beispiel in seinem Artikel zum Zugriff auf die OpenAI API mit Python genutzt hat. Richie zeigt darin, wie man sich Code zur Generierung eines Beispieldatensatzes ausgeben lässt.
Wie er betont, sind Beispieldatensätze extrem nützlich – etwa zum Validieren von Code oder zum Üben neuer Techniken. Er nutzt die OpenAI API, aber dasselbe erreichst du in DataLab mit einem Generate-Prompt!
Beschreibe einfach, welchen Datensatz du erzeugen möchtest – inklusive der Informationen, die enthalten sein sollen.
Einen Beispiel-Marketingdatensatz generieren
Warnung: Gib unbedingt die gewünschte Zeilenzahl an. Ohne Längenangabe liefert der Prompt möglicherweise nur fünf Zeilen!
7. Code in wiederverwendbare Funktionen refaktorisieren
Gute Faustregel: Wenn du eine Aufgabe mehr als zweimal ausführen willst, schreibe eine Funktion. Mit Generate wandelst du losen Code blitzschnell in eine funktionierende Funktion um.
Im Beispiel unten nehmen wir Code für eine Random-Walk-Generierung samt Plot und machen daraus eine Funktion. Noch besser: Wir lassen Parameter hinzufügen, mit denen wir Schrittzahl und Schrittweite steuern.
Loser Code
Nach der Nutzung von Generate
Wenn du weiter iterieren willst, verfeinere die Funktion mit zusätzlichen Prompts oder lege selbst Hand an – mit Wissen aus Kursen wie Writing Functions in Python oder Introduction to Writing Functions in R.
8. Feature Engineering und Preprocessing
Der Code zum Initialisieren einer Preprocessing-Pipeline kann lang und mühsam sein. Mit Generate richtest du eine Pipeline in kürzester Zeit ein – oft mit minimalen Anpassungen.
Weil der AI Assistant deinen DataFrame kennt, kann er die Pipeline gleich mit den relevanten Variablen aufsetzen. Unten nutzen wir den Prompt „Prepare a pipeline to scale numeric variables and one-hot encode categorical variables.“ – heraus kommt ein kompletter Workflow.
Mit Generate eine Preprocessing-Pipeline in Python initialisieren
9. Schnellstart fürs Hyperparameter-Tuning
Hyperparameter-Tuning holt oft noch etwas mehr Leistung aus deinen ML-Modellen. Aber der nötige Code ist umfangreich, und es ist leicht, die richtigen Parameter zu vergessen.
Auch hier spart dir der AI Assistant viel Zeit. Gib einfach den gewünschten Modelltyp an, und Generate übernimmt den Rest. Im Beispiel unten bezieht der AI Assistant zudem unseren DataFrame ein und setzt das Tuning mit der Zielvariable is_fraud auf.
Hinweis: Wir empfehlen, bereits Grundwissen im Hyperparameter-Tuning mitzubringen. So kannst du etwa beurteilen, welche Parameter aufgenommen werden sollten. DataCamp hat dazu zwei starke Kurse in Python und R.
Hyperparameter-Tuning mit dem AI Assistant
10. Modellresultate übersetzen und erklären
Du hast ein ML-Modell trainiert und evaluiert. Für dich sind die Ergebnisse klar, aber nicht-technische Stakeholder steigen vielleicht aus.
Mit Generate kannst du Ergebnisse für ein breiteres Publikum aufbereiten. Im Beispiel teilen wir Precision und Recall einer Klassifikationsaufgabe und bitten die KI, die Resultate im Kontext der Vorhersage von Kundenabwanderung zu erklären.
Prüfe das Ergebnis kritisch und vergleiche es mit deinem Fachwissen. Meist hilft dir so ein Prompt jedoch dabei, Ergebnisse für alle Stakeholder auf den Punkt zu bringen.
Klassifikationsmetriken interpretieren
Ausblick
Die Möglichkeiten mit den neuen KI-Tools in DataLab sind nahezu grenzenlos. Probiere kontinuierlich aus – so entsteht mit der Zeit eine Toolbox an Prompts, auf die du dich verlässt, um deinen Workflow zu beschleunigen. Passe die Prompts im begleitenden Workbook an oder starte ein neues leeres Python- oder R-Workbook.
Aber Vorsicht: Nutze die Ausgaben des AI Assistant nicht blind. KI-generierter Code kann offensichtlich oder subtil falsch sein. Überprüfe deine Ergebnisse immer und wisse genau, was du erreichen willst. Nutzt die generierte Query die richtigen Spalten? Transformiert die Preprocessing-Pipeline die gewünschten Variablen – und auf die beabsichtigte Weise?
Der AI Assistant ist ein Werkzeug, kein Ersatz für Praxiserfahrung. Er kann hilfreiche Hinweise oder Syntax liefern, aber das Ergebnis liegt in deiner Verantwortung. Deshalb empfiehlt es sich, dein Wissen in den Bereichen zu festigen, in denen du den Assistant einsetzt. Die Kursbibliothek von DataCamp hilft dir, die Kompetenzen und Techniken aktuell zu halten, die du verwendest.
Weiterführende Ressourcen
Für mehr Inspiration schau dir unseren Artikel über Prompt Engineering an sowie unser ChatGPT-Cheatsheet – beide enthalten viele Prompts, die du direkt in DataLab nutzen kannst.
