10 modi per velocizzare l’analisi con il DataLab AI Assistant

Molti elementi di un progetto di analytics possono essere ripetitivi, richiedere tempo e risultare frustranti. A chi piace davvero importare dati o ripulire colonne disordinate? Con il nuovo AI Assistant di DataLab, puoi dedicare più tempo a ciò che ti piace: rispondere alle domande con i dati!

In questo articolo troverai 10 suggerimenti per usare il DataLab AI Assistant per velocizzare il tuo flusso di lavoro e arrivare rapidamente agli insight. Se vuoi seguire e sperimentare con i prompt contenuti nell’articolo, puoi usare questa workbook!

Nota: anche se qui gli esempi sono mostrati in Python, gli stessi principi valgono per i workbook in R!

1. Gestisci automaticamente tutti gli import dei pacchetti

È probabile che tu abbia alcuni import standard che scrivi all’avvio di un progetto. Poi, periodicamente, scorri all’inizio del notebook, aggiungi qualche riga di import e riprendi il lavoro. Ancora più dirompenti sono le volte in cui devi consultare la documentazione esterna per ricordare il nome di un pacchetto o di una funzione che ti è sfuggito.

Tuttavia, sapevi che puoi usare la funzione Generate per creare la maggior parte dei tuoi import? Anche un prompt semplice come «Importa tutti i pacchetti di cui avrò bisogno per eseguire un task di classificazione di machine learning.» restituisce pandas, NumPy e alcuni import per suddividere i dati, adattarli a qualche modello e poi valutarli.

Uso di Generate per importare pacchetti utili

Puoi anche ampliare il prompt per includere fasi aggiuntive del tuo flusso di lavoro. In molti casi, può essere utile aggiungere «inclusa la visualizzazione» così da includere pacchetti come Matplotlib e Seaborn.

Ovviamente, potrebbero comunque mancare alcuni import, ma ti farà già risparmiare tempo per le basi e potrai aggiornarli in base alle tue esigenze.

Suggerimento aggiuntivo: spesso è utile annotare quali prompt funzionano meglio per te, così da poterci tornare rapidamente!

2. Crea visualizzazioni belle più velocemente

Le visualizzazioni in Python non sono difficili, ma può richiedere tempo ricordare la sintassi dei diversi pacchetti. Anche qui l’AI Assistant corre in tuo aiuto!

Nell’esempio seguente, chiediamo all’assistente di aggregare un dataset e quindi visualizzarlo con il prompt «Crea un grafico a barre Plotly del DataFrame df, ordinando i 10 lavori più comuni nella colonna job.»

Uso di Generate per la prima iterazione del grafico

Il risultato non è male, ma si può fare di meglio. Puoi usare di nuovo Generate per iterare sul codice che ha generato! Scrivendo «Rendi il grafico a barre orizzontali, ordinato dal più grande al più piccolo. Aggiungi un titolo pertinente e usa un semplice tema bianco.» nella finestra del prompt e rieseguendo, otteniamo il seguente output.

Seconda iterazione nella generazione di un grafico!

Molto meglio! Con un paio di frasi, abbiamo prodotto un grafico pulito e informativo, completo di etichette e stile personalizzato.

Suggerimento aggiuntivo: funziona al meglio se combinato con ritocchi manuali ai grafici. L’AI Assistant spesso ti porta al 90% del risultato, ma l’ultimo 10% probabilmente arriverà dalle tue modifiche! Assicurati di usare i corsi di visualizzazione di DataCamp per imparare il tuo pacchetto preferito.

3. Velocizza il tuo SQL

DataLab ti permette di passare senza soluzione di continuità tra l’interrogazione di database SQL e l’analisi dei risultati in Python o R (ora puoi persino usare SQL per interrogare file CSV!). Tuttavia, scrivere una query SQL ben formattata può richiedere tempo.

Puoi usare Generate anche nelle celle SQL per scrivere le query al posto tuo. Poiché l’AI Assistant ha accesso allo schema del database, userà anche le colonne pertinenti.

Nell’esempio seguente, abbiamo semplicemente richiesto un conteggio dei biglietti per i 10 eventi più popolari senza specificare i nomi di tabelle o colonne. È stata restituita una query che unisce le due tabelle necessarie (event e sales), aggrega la colonna qtysold e restituisce i 10 eventi più popolari in ordine decrescente. Ha persino fornito un alias utile per la colonna di output!

Query immediata!

4. Scrivi un’introduzione

Usare Generate in una cella di testo può aiutarti a iniziare le sezioni scritte del tuo report. Un prompt come «Scrivi un’introduzione per un progetto di machine learning focalizzato sull’identificazione di casi di frode con carta di credito. Assicurati di includere perché è importante.» può già restituire una solida introduzione che poi potrai adattare al tuo contesto.

Introduzione immediata!

5. Formattta il tuo codice

Nel mezzo di un’analisi è molto facile essere imprecisi con il codice. L’indentazione ne risente, compare spazio bianco superfluo e le righe diventano lunghe e ingestibili. Anche se tu riesci a decifrare il tuo lavoro, altri potrebbero non farcela. Ci sono molti vantaggi nell’aderire a formati di codice standardizzati.

Per fortuna, non devi formattarlo manualmente! Un semplice prompt in una cella di testo può gestire facilmente tutti i problemi di formattazione.

Prima di inviare un report, passa in rassegna ogni cella di codice ed esegui un prompt come «Formatta questo codice secondo gli standard PEP 8.» Questo può aiutarti a ripulire rapidamente il codice, ad esempio aggiungendo/rimuovendo spazi dove necessario, assicurando l’uso corretto delle newline e rendendo in generale il codice più leggibile.

Uso di Generate per formattare il nostro codice disordinato!

6. Crea dataset di esempio

Qui prendiamo ispirazione dal nostro Richie Cotton, che ha usato questo come esempio nel suo articolo sull’accesso all’API di OpenAI con Python. Nell’articolo, Richie mostra come usare l’API per restituire il codice che genera un dataset di esempio.

Come nota lui stesso, un dataset di esempio è incredibilmente utile per cose come validare il codice e fare pratica con tecniche diverse. Anche se lui usa l’API di OpenAI, puoi fare la stessa cosa con un prompt Generate!

Scrivi semplicemente il tipo di dataset che vuoi generare, includendo le informazioni che vuoi siano presenti.

Generazione di un dataset di marketing di esempio

Attenzione: assicurati di specificare il numero di righe che desideri. Un prompt senza lunghezza potrebbe restituire un dataset di esempio con solo cinque righe di dati!

7. Rifattora il tuo codice in funzioni riutilizzabili

Una buona regola pratica è che, se intendi eseguire un’attività più di due volte, dovresti scrivere una funzione. Con Generate, puoi convertire rapidamente il tuo codice sparso in una funzione funzionante.

Nell’esempio seguente, prendiamo del codice per generare e tracciare una random walk e lo convertiamo in una funzione. Ancora meglio, chiediamo anche di includere alcuni parametri che ci permettano di controllare il numero di passi e l’ampiezza del passo.

Codice sparso

Dopo aver usato Generate!

Se vuoi iterare sulla funzione, puoi perfezionarla con prompt aggiuntivi o intervenire tu stesso, sfruttando la conoscenza da un corso come Writing Functions in Python o Introduction to Writing Functions in R.

8. Feature engineering e preprocessing

Il codice per inizializzare una pipeline di preprocessing può essere lungo e macchinoso. Generate ti permette di configurare rapidamente una pipeline con pochissime modifiche.

Di fatto, poiché l’AI Assistant è già a conoscenza del tuo DataFrame, può impostare la pipeline tenendo presenti le variabili rilevanti. Qui sotto abbiamo usato il prompt «Prepara una pipeline per scalare le variabili numeriche e applicare one-hot encoding a quelle categoriche.» per generare l’intero workflow.

Uso di Generate per inizializzare una pipeline di preprocessing in Python

9. Dai una spinta al tuning degli iperparametri

Il tuning degli iperparametri può essere un ottimo modo per spremere un po’ di performance in più dai tuoi modelli di machine learning. Ma spesso serve molto codice e può essere difficile ricordare quali parametri modificare.

Anche questa è un’occasione in cui l’AI Assistant può farti risparmiare molto tempo. Specifica semplicemente il tipo di modello che vuoi ottimizzare e Generate si occuperà del resto. Nell’esempio seguente, l’AI tiene anche conto del DataFrame che stiamo usando e imposta il tuning con la colonna is_fraud come variabile target.

Nota: ti consigliamo di avere già qualche conoscenza di tuning degli iperparametri prima di usarlo. In questo modo potrai valutare e modificare aspetti come quali parametri includere. DataCamp ha due ottimi corsi in Python e R sull’argomento.

Tuning degli iperparametri con l’AI Assistant

10. Traduci e interpreta i risultati del modello

Hai addestrato un modello di machine learning e ne hai valutato le performance. Anche se per te l’interpretazione non è un problema, gli utenti non tecnici potrebbero faticare a seguire.

Puoi usare Generate per aiutarti a interpretare i risultati per un pubblico più ampio. Nell’esempio seguente, condividiamo precision e recall di un task di classificazione e chiediamo all’AI di interpretare i risultati nel contesto della previsione del churn dei clienti.

Assicurati di fare un controllo di buon senso del risultato e confrontarlo con le tue conoscenze dell’argomento. Ma spesso un prompt di questo tipo può aiutarti a distillare i risultati per tutti gli stakeholder.

Interpretare le metriche di classificazione

Prossimi passi

Le possibilità con i nuovi strumenti AI in DataLab sono quasi infinite. Sperimenta costantemente: alla fine costruirai una cassetta degli attrezzi di prompt su cui fare affidamento per velocizzare il tuo flusso di lavoro. Sentiti libero di modificare i prompt nella workbook di accompagnamento o di creare una nuova workbook Python o R vuota.

Ma attenzione: non usare ciecamente l’output dell’assistente AI. Il codice generato dall’AI può essere errato in modi evidenti e sottili. Verifica sempre i risultati e assicurati di avere chiaro cosa vuoi ottenere. Ad esempio, la query generata usa le colonne corrette? La pipeline di preprocessing trasforma le variabili che vuoi trasformare e nel modo che hai deciso?

L’AI Assistant è uno strumento e non un sostituto della conoscenza pratica. Anche se può offrire consigli o sintassi utili, l’esito finale è sotto la tua responsabilità. Per questo motivo consigliamo anche di assicurarti di avere familiarità con gli argomenti per cui usi l’assistente. La libreria di corsi di DataCamp è un ottimo modo per restare aggiornato su competenze e tecniche che prevedi di usare.

Risorse aggiuntive

Se cerchi altra ispirazione, dai un’occhiata al nostro articolo sul prompt engineering e alla nostra Cheat Sheet per ChatGPT, che contengono molti prompt utilizzabili direttamente in DataLab.