10 Cara Mempercepat Analisis Anda dengan DataLab AI Assistant

Banyak elemen dalam proyek analitik yang bersifat repetitif, memakan waktu, dan membuat frustrasi. Siapa yang benar-benar menikmati mengimpor data atau merapikan kolom berantakan? Dengan AI Assistant baru dari DataLab, Anda bisa menghabiskan lebih banyak waktu untuk hal yang Anda sukai: menjawab pertanyaan dengan data!

Artikel ini membahas 10 kiat DataLab AI Assistant yang dapat mempercepat alur kerja Anda dan membantu Anda menggali insight dengan efisien. Jika Anda ingin mengikuti dan bereksperimen dengan prompt yang ada di artikel ini, Anda dapat menggunakan buku kerja ini!

Catatan: Meskipun contoh di sini ditampilkan dalam Python, prinsip yang sama berlaku untuk workbook R!

1. Tangani Semua Import Package Secara Otomatis

Kemungkinan besar Anda memiliki beberapa import package standar yang biasa Anda tulis saat memulai proyek. Setelah itu, Anda sesekali menggulir ke bagian atas notebook, menambahkan beberapa baris import lagi, lalu melanjutkan pekerjaan Anda. Yang lebih mengganggu adalah saat Anda harus membuka dokumentasi eksternal untuk mengingat nama package atau fungsi yang terlupa.

Namun, tahukah Anda bahwa Anda dapat menggunakan fitur Generate untuk membuat sebagian besar import Anda? Bahkan prompt sederhana seperti “Import semua package yang saya perlukan untuk melakukan tugas klasifikasi machine learning.” akan mengembalikan pandas, NumPy, serta beberapa import untuk membagi data, menyesuaikannya ke beberapa model, lalu mengevaluasinya.

Menggunakan Generate untuk mengimpor package yang berguna

Anda juga dapat menambahkan tahap-tahap lain dari alur kerja Anda ke prompt. Dalam banyak kasus, Anda mungkin ingin menambahkan “termasuk visualisasi” agar package seperti Matplotlib dan Seaborn ikut disertakan.

Tentu saja, mungkin masih ada import yang belum tercantum, tetapi ini sudah menghemat waktu untuk mengimpor hal-hal dasar dan dapat diperbarui sesuai kebutuhan Anda.

Kiat tambahan: Sering kali bermanfaat untuk mencatat prompt yang paling efektif bagi Anda sehingga dapat dengan cepat dirujuk kembali!

2. Bangun Visualisasi yang Indah dengan Lebih Cepat

Membuat visualisasi di Python tidaklah sulit, tetapi mengingat sintaks untuk berbagai package bisa memakan waktu. AI Assistant kembali menjadi penyelamat!

Pada contoh di bawah, kita menginstruksikan asisten untuk melakukan agregasi dataset lalu memvisualisasikannya dengan prompt “Buat plot batang Plotly dari DataFrame df, memberi peringkat 10 pekerjaan paling umum pada kolom job.”

Menggunakan Generate untuk iterasi pertama plot

Hasilnya tidak buruk, tetapi kita bisa membuatnya lebih baik. Anda dapat menggunakan Generate lagi untuk mengiterasi kode yang telah dihasilkan! Dengan menulis “Jadikan chart batang horizontal yang diurutkan dari terbesar ke terkecil. Tambahkan judul yang relevan, dan gunakan tema putih sederhana.” di jendela prompt dan menjalankannya kembali, kita mendapatkan keluaran berikut.

Putaran kedua pembuatan chart!

Jauh lebih baik! Hanya dengan beberapa kalimat, kita menghasilkan chart yang bersih dan informatif, lengkap dengan label dan gaya kustom.

Kiat tambahan: Ini paling efektif bila digabungkan dengan penyesuaian manual pada plot. AI Assistant sering kali membawa Anda 90% menuju hasil akhir, tetapi 10% terakhir kemungkinan berasal dari modifikasi Anda sendiri! Pastikan untuk menggunakan kursus visualisasi DataCamp untuk mempelajari package visualisasi pilihan Anda.

3. Percepat SQL Anda

DataLab memungkinkan Anda beralih dengan mulus antara men-query basis data SQL dan menganalisis hasilnya di Python atau R (sekarang Anda bahkan dapat menggunakan SQL untuk men-query file CSV!). Namun, menulis query SQL yang terformat baik bisa memakan waktu.

Anda juga dapat menggunakan Generate pada sel SQL untuk menuliskan query Anda. Karena AI Assistant memiliki akses ke skema basis data, ia bahkan akan menggunakan kolom yang relevan.

Pada contoh di bawah, kami hanya meminta jumlah tiket untuk 10 acara terpopuler tanpa menentukan nama tabel atau kolom. Ini menghasilkan query yang menggabungkan dua tabel yang diperlukan (event dan sales), mengagregasi kolom qtysold, dan mengembalikan 10 acara terpopuler dalam urutan menurun. Bahkan disertakan alias yang membantu untuk kolom hasil!

Query instan!

4. Tulis Pendahuluan

Menggunakan Generate pada sel teks dapat membantu Anda memulai bagian tertulis dari laporan. Prompt seperti “Tulis pendahuluan untuk proyek machine learning yang berfokus pada identifikasi kasus penipuan kartu kredit. Pastikan untuk menyertakan mengapa hal ini penting.” sudah dapat menghasilkan pendahuluan yang solid yang kemudian dapat Anda sesuaikan dengan konteks spesifik Anda.

Pendahuluan instan!

5. Format Kode Anda

Di tengah analisis, sangat mudah menjadi ceroboh dengan kode Anda. Indentasi berantakan, spasi ekstra bermunculan, dan baris menjadi panjang serta sulit diatur. Meskipun Anda mungkin masih bisa memahami pekerjaan Anda, orang lain bisa jadi tidak. Ada banyak keuntungan mengikuti formatting kode standar.

Untungnya, Anda tidak perlu memformatnya secara manual! Prompt sederhana di dalam sel teks dapat dengan mudah menangani semua masalah formatting Anda.

Sebelum mengirimkan laporan, telusuri setiap sel kode dan jalankan prompt seperti “Format kode ini sesuai standar PEP 8.” Ini dapat membantu Anda dengan cepat merapikan kode, seperti menambah/menghapus spasi seperlunya, memastikan baris baru digunakan dengan benar, dan secara umum membuat kode Anda lebih mudah dibaca.

Menggunakan Generate untuk merapikan kode kita!

6. Buat Dataset Contoh

Kami mengambil inspirasi dari Richie Cotton dari tim kami, yang menggunakan ini sebagai contoh dalam artikelnya tentang mengakses OpenAI API dengan Python. Dalam artikel tersebut, Richie menunjukkan cara menggunakan API untuk mengembalikan kode yang menghasilkan dataset contoh.

Seperti yang ia catat, dataset contoh sangat berguna untuk hal-hal seperti memvalidasi kode dan berlatih berbagai teknik. Meskipun ia menggunakan OpenAI API, Anda dapat melakukan hal yang sama dengan prompt Generate!

Cukup tuliskan jenis dataset yang ingin Anda buat, termasuk informasi yang ingin disertakan.

Membuat dataset pemasaran contoh

Peringatan: Pastikan untuk menentukan jumlah baris yang Anda inginkan. Prompt tanpa panjang bisa mengembalikan dataset contoh dengan hanya lima baris data!

7. Refactor Kode Anda Menjadi Fungsi yang Dapat Digunakan Ulang

Aturan praktis yang baik: jika Anda berniat melakukan suatu tugas lebih dari dua kali, Anda sebaiknya menulis sebuah fungsi. Dengan Generate, Anda dapat dengan cepat mengonversi kode lepas Anda menjadi fungsi yang siap pakai.

Pada contoh di bawah, kita mengambil beberapa kode untuk menghasilkan dan memplot random walk lalu mengonversinya menjadi sebuah fungsi. Lebih bagus lagi, kita memintanya juga menyertakan beberapa parameter yang memungkinkan kita mengendalikan jumlah langkah dan ukuran langkah.

Kode lepas

Setelah menggunakan Generate!

Jika Anda ingin mengiterasi fungsi tersebut, Anda dapat menyempurnakannya lebih lanjut dengan prompt tambahan atau terjun langsung menggunakan pengetahuan dari kursus seperti Writing Functions in Python atau Introduction to Writing Functions in R.

8. Feature Engineering dan Prapemrosesan

Kode untuk menginisialisasi pipeline prapemrosesan bisa panjang dan merepotkan. Generate memberi Anda kemampuan untuk dengan cepat menyiapkan pipeline dengan sedikit penyesuaian.

Faktanya, karena AI Assistant sudah diprimasikan dengan DataFrame Anda, ia dapat menyiapkan pipeline dengan mempertimbangkan variabel yang relevan. Di bawah ini kami menggunakan prompt “Siapkan pipeline untuk melakukan skala pada variabel numerik dan one-hot encoding pada variabel kategorikal.” untuk menghasilkan alur kerja lengkap ini.

Menggunakan Generate untuk menginisialisasi pipeline pra-pemrosesan di Python

9. Mulai Cepat dalam Hyperparameter Tuning

Hyperparameter tuning dapat menjadi cara yang bagus untuk memeras performa tambahan dari model machine learning Anda. Namun sering kali dibutuhkan banyak kode, dan mengingat parameter apa yang harus disesuaikan bisa jadi sulit.

Ini adalah contoh lain di mana AI Assistant dapat menghemat banyak waktu Anda. Cukup tentukan jenis model yang ingin Anda tune, dan Generate akan mengurus sisanya. Pada contoh di bawah, AI juga mempertimbangkan DataFrame yang kita gunakan dan menyiapkan tuning dengan kolom is_fraud sebagai variabel target.

Catatan: Kami menyarankan Anda sudah memiliki pengetahuan tentang hyperparameter tuning sebelum menggunakannya. Dengan begitu, Anda dapat mengevaluasi dan menyesuaikan hal-hal seperti parameter mana yang akan disertakan. DataCamp memiliki dua kursus bagus dalam Python dan R terkait topik ini.

Hyperparameter tuning dengan AI Assistant

10. Terjemahkan dan Interpretasikan Hasil Model

Anda telah menyesuaikan model machine learning dan mengevaluasi kinerjanya. Meskipun Anda tidak kesulitan menginterpretasikan hasil, pengguna non-teknis mungkin akan kesulitan untuk mengikutinya.

Anda dapat menggunakan Generate untuk membantu menginterpretasikan hasil bagi audiens yang lebih luas. Pada contoh di bawah, kami membagikan precision dan recall dari tugas klasifikasi dan meminta AI untuk menginterpretasikan hasil dalam konteks memprediksi churn pelanggan.

Pastikan untuk memeriksa kewajaran hasilnya dan bandingkan dengan pengetahuan Anda sendiri tentang topik tersebut. Namun, sering kali, prompt seperti ini dapat membantu Anda merangkum hasil bagi semua pemangku kepentingan.

Menginterpretasikan metrik klasifikasi

Ke Depan

Kemungkinan dengan alat AI baru di DataLab hampir tak terbatas. Pastikan untuk terus bereksperimen, karena pada akhirnya Anda akan membangun sekumpulan prompt andalan untuk mempercepat alur kerja Anda. Silakan modifikasi prompt dalam buku kerja pendamping atau buat Python atau R workbook baru yang kosong.

Namun hati-hati: jangan menggunakan keluaran AI Assistant secara membabi buta. Kode yang dihasilkan AI bisa salah dengan cara yang jelas maupun halus. Selalu periksa kewajaran hasil Anda, dan pahami dengan baik apa yang ingin Anda capai. Misalnya, apakah query yang dihasilkan menggunakan kolom yang benar? Apakah pipeline prapemrosesan mentransformasikan variabel yang ingin Anda transformasikan dan dengan cara yang telah Anda putuskan?

AI Assistant adalah alat, bukan pengganti pengetahuan praktis. Meskipun AI Assistant mungkin memberikan saran atau sintaks yang membantu, hasil akhir adalah tanggung jawab Anda. Karena itu, kami menyarankan Anda memastikan bahwa Anda menguasai topik-topik yang Anda gunakan dengan bantuan asisten. Perpustakaan kursus DataCamp adalah cara yang bagus untuk terus mengikuti keterampilan dan teknik yang ingin Anda gunakan.

Sumber Daya Lanjutan

Jika Anda menginginkan inspirasi lebih lanjut, pastikan untuk melihat artikel kami tentang prompt engineering serta Cheat Sheet untuk ChatGPT, yang berisi banyak prompt yang dapat langsung digunakan di dalam DataLab.