De nombreux volets d’un projet analytique sont répétitifs, chronophages et frustrants. Qui aime vraiment importer des données ou nettoyer des colonnes mal formatées ? Avec le nouvel assistant IA de DataLab, vous passez plus de temps sur ce qui compte : répondre à des questions grâce aux données !
Cet article rassemble 10 astuces pour utiliser l’assistant IA de DataLab afin d’accélérer votre flux de travail et de transformer plus vite vos analyses en insights exploitables. Si vous souhaitez suivre et tester les invites proposées ici, utilisez ce workbook !
Remarque : même si les exemples sont en Python, les mêmes principes s’appliquent aux workbooks R.
1. Gérez automatiquement tous vos imports de packages
Vous avez sans doute vos imports standards à écrire en début de projet. Ensuite, vous remontez régulièrement en haut du notebook pour ajouter d’autres imports avant de reprendre votre travail. Plus perturbant encore : devoir ouvrir la documentation pour retrouver le nom d’un package ou d’une fonction oublié.
Cependant, saviez-vous que vous pouvez utiliser la fonctionnalité Generate pour produire la plupart de vos imports ? Même une invite simple comme « Importe tous les packages nécessaires pour réaliser une tâche de classification en apprentissage automatique. » renvoie pandas, NumPy, ainsi que des imports pour découper vos données, ajuster quelques modèles, puis les évaluer.
Utiliser Generate pour importer des packages utiles
Vous pouvez enrichir l’invite pour inclure d’autres étapes de votre flux. Dans bien des cas, ajoutez « y compris la visualisation » afin d’inclure des packages comme Matplotlib et Seaborn.
Bien sûr, il peut manquer quelques imports, mais vous gagnez déjà du temps sur les bases, et vous pourrez ajuster selon vos besoins.
Astuce : notez les invites qui fonctionnent le mieux pour vous afin d’y revenir rapidement !
2. Créez de superbes visualisations plus vite
Les visualisations en Python ne sont pas difficiles, mais il faut du temps pour se rappeler la syntaxe de chaque package. L’assistant IA vient encore à la rescousse !
Dans l’exemple ci-dessous, nous demandons à l’assistant d’agréger un jeu de données puis de le visualiser avec l’invite : « Crée un diagramme en barres Plotly du DataFrame df, classant les 10 métiers les plus fréquents de la colonne job. »
Utiliser Generate pour une première version du graphique
Le résultat n’est pas mal, mais on peut faire mieux. Vous pouvez relancer Generate pour itérer sur le code produit ! En écrivant « Transforme le graphique en barres horizontales, trié du plus grand au plus petit. Ajoute un titre pertinent et applique un thème blanc épuré. » dans la fenêtre d’invite, on obtient la sortie suivante.
Deuxième itération du graphique
Bien mieux ! En quelques phrases, nous avons produit un graphique propre et informatif, avec titres, libellés et style personnalisé.
Astuce : combinez cette approche avec des ajustements manuels. L’assistant IA vous amènera souvent à 90 %, mais les 10 % restants viendront de vos propres retouches. N’hésitez pas à suivre les cours de visualisation de DataCamp pour maîtriser votre package favori.
3. Accélérez votre SQL
DataLab permet d’alterner facilement entre des requêtes sur des bases SQL et l’analyse des résultats en Python ou R (vous pouvez même utiliser SQL pour interroger des fichiers CSV !). Cependant, rédiger une requête SQL bien formatée peut prendre du temps.
Vous pouvez aussi utiliser Generate dans des cellules SQL pour écrire vos requêtes. Comme l’assistant IA a accès au schéma de la base, il utilisera les colonnes pertinentes.
Dans l’exemple ci-dessous, nous avons simplement demandé le nombre de billets pour les 10 événements les plus populaires sans préciser les noms de tables ou de colonnes. La requête renvoyée a joint les deux tables nécessaires (event et sales), agrégé la colonne qtysold et retourné les 10 événements les plus populaires par ordre décroissant. Elle a même ajouté un alias parlant pour la colonne de résultat !
Requête instantanée !
4. Rédigez une introduction
Utiliser Generate dans une cellule de texte peut vous aider à amorcer les sections rédigées de votre rapport. Une invite comme « Rédige une introduction pour un projet de machine learning visant à identifier des cas de fraude à la carte bancaire. Précise pourquoi c’est important. » fournit déjà une bonne base que vous pourrez adapter à votre contexte.
Introduction instantanée
5. Formatez votre code
En pleine analyse, il est facile de négliger la mise en forme : indentations, espaces en trop, lignes à rallonge… Vous vous y retrouvez peut-être, mais pas forcément les autres. Respecter un formatage standardisé présente de nombreux avantages.
Heureusement, vous n’avez pas à tout reformater à la main ! Une simple invite dans une cellule de texte peut corriger vos problèmes de mise en forme.
Avant de soumettre un rapport, passez en revue chaque cellule de code et lancez une invite du type « Formate ce code selon les normes PEP 8. » Vous pourrez ainsi nettoyer rapidement votre code : ajout/suppression d’espaces où nécessaire, gestion correcte des sauts de ligne, et, au final, un code plus lisible.
Utiliser Generate pour mettre en forme un code brouillon
6. Créez des jeux de données d’exemple
Nous nous inspirons ici de notre collègue Richie Cotton, qui en a fait un exemple dans son article sur l’accès à l’API OpenAI en Python. Il y montre comment utiliser l’API pour générer le code produisant un jeu de données d’exemple.
Comme il le souligne, un jeu de données d’exemple est extrêmement utile pour valider du code et s’exercer à différentes techniques. Même s’il passe par l’API d’OpenAI, vous pouvez obtenir le même résultat avec une invite Generate !
Décrivez simplement le type de jeu de données souhaité, en précisant les informations à inclure.
Génération d’un jeu de données marketing d’exemple
Attention : précisez bien le nombre de lignes souhaité. Sans longueur indiquée, l’invite peut ne retourner qu’un échantillon de cinq lignes !
7. Refactorez votre code en fonctions réutilisables
Règle simple : si vous comptez effectuer une tâche plus de deux fois, écrivez une fonction. Avec Generate, vous convertissez rapidement du code « en vrac » en une fonction opérationnelle.
Dans l’exemple ci-dessous, nous prenons du code qui génère et trace une marche aléatoire, puis nous le transformons en fonction. Mieux encore, nous demandons d’inclure des paramètres pour contrôler le nombre d’étapes et la taille des pas.
Code « en vrac »
Après utilisation de Generate
Si vous souhaitez itérer sur la fonction, vous pouvez la peaufiner avec d’autres invites ou intervenir vous-même grâce aux notions vues dans des cours comme Writing Functions in Python ou Introduction to Writing Functions in R.
8. Feature engineering et prétraitement
Initialiser un pipeline de prétraitement peut être long et fastidieux. Generate vous permet de mettre en place ce pipeline très rapidement, avec peu d’ajustements.
De plus, comme l’assistant IA connaît déjà votre DataFrame, il peut configurer le pipeline en tenant compte des variables pertinentes. Ci-dessous, nous avons utilisé l’invite « Prépare un pipeline pour mettre à l’échelle les variables numériques et encoder en one-hot les variables catégorielles. » pour générer l’ensemble du workflow.
Initialiser un pipeline de prétraitement en Python avec Generate
9. Démarrez plus vite le réglage d’hyperparamètres
Le réglage d’hyperparamètres peut améliorer sensiblement les performances de vos modèles d’apprentissage automatique. Mais il demande souvent beaucoup de code, et il n’est pas toujours facile de se rappeler quels paramètres ajuster.
Voilà un autre cas où l’assistant IA vous fait gagner un temps précieux. Indiquez simplement le type de modèle à optimiser, et Generate s’occupe du reste. Dans l’exemple ci-dessous, l’IA tient aussi compte du DataFrame utilisé et configure le réglage en définissant la colonne is_fraud comme variable cible.
Remarque : nous vous conseillons d’avoir déjà des bases en réglage d’hyperparamètres avant d’utiliser cette approche, afin d’évaluer et d’ajuster, par exemple, les paramètres inclus. DataCamp propose deux excellents cours sur le sujet en Python et en R.
Réglage d’hyperparamètres avec l’assistant IA
10. Traduisez et interprétez les résultats de vos modèles
Vous avez ajusté un modèle de machine learning et évalué ses performances. Même si vous interprétez les résultats sans difficulté, les publics non techniques peuvent peiner à suivre.
Utilisez Generate pour vous aider à vulgariser vos résultats pour un public plus large. Dans l’exemple ci-dessous, nous partageons la précision et le rappel d’une tâche de classification et demandons à l’IA d’interpréter ces résultats dans le contexte de la prédiction du churn client.
Vérifiez toujours le résultat en le confrontant à votre propre expertise. Mais le plus souvent, une invite de ce type vous aidera à rendre vos conclusions accessibles à tous les parties prenantes.
Interpréter des métriques de classification
Et ensuite
Les possibilités offertes par les nouveaux outils d’IA dans DataLab sont presque infinies. Expérimentez en continu : vous constituerez peu à peu une boîte à outils d’invites sur lesquelles vous appuyer pour accélérer votre flux de travail. N’hésitez pas à modifier les invites du workbook associé ou à créer un nouveau workbook Python ou R vierge.
Mais attention : n’utilisez pas aveuglément la sortie de l’assistant IA. Le code généré par IA peut être incorrect, de manière évidente ou subtile. Vérifiez toujours vos résultats et ayez une compréhension claire de votre objectif. Par exemple, la requête générée utilise-t-elle les bonnes colonnes ? Le pipeline de prétraitement transforme-t-il les variables voulues, et de la manière prévue ?
L’assistant IA est un outil, pas un substitut au savoir-faire. Même s’il fournit des conseils utiles ou de la syntaxe, le résultat final reste votre responsabilité. C’est pourquoi nous vous recommandons de consolider vos connaissances sur les sujets pour lesquels vous l’utilisez. La bibliothèque de cours de DataCamp est idéale pour rester au meilleur niveau sur les compétences et techniques que vous comptez employer.
Ressources complémentaires
Pour aller plus loin, consultez notre article sur le prompt engineering ainsi que notre Cheat Sheet pour ChatGPT, qui regorgent d’invites à utiliser directement dans DataLab.
