Muitas etapas de um projeto de analytics podem ser repetitivas, demoradas e frustrantes. Quem realmente gosta de importar dados ou arrumar colunas bagunçadas? Com o novo AI Assistant do DataLab, você pode passar mais tempo fazendo o que curte: responder perguntas com dados!
Este artigo traz 10 dicas do DataLab AI Assistant que podem acelerar seu fluxo de trabalho e ajudar você a extrair insights com eficiência. Se quiser acompanhar e testar os prompts deste artigo, use este workbook!
Observação: embora os exemplos estejam em Python, os mesmos princípios valem para workbooks em R!
1. Gerencie automaticamente todas as suas importações de pacotes
É bem provável que você tenha um conjunto padrão de importações que escreve ao iniciar um projeto. Depois disso, de tempos em tempos você rola até o topo do notebook, adiciona mais algumas linhas e volta ao que estava fazendo. Mais disruptivo ainda é quando precisa consultar a documentação externa para lembrar o nome de um pacote ou função que fugiu da memória.
No entanto, você sabia que pode usar o recurso Generate para criar a maior parte das suas importações? Mesmo um prompt simples como "Import all of the packages I will need to perform a machine learning classification task." retorna pandas, NumPy e algumas importações para dividir seus dados, ajustar a alguns modelos e depois avaliá-los.
Usando Generate para importar pacotes úteis
Você também pode ampliar o prompt para incluir outras etapas do fluxo de trabalho. Em muitos casos, vale a pena acrescentar "including visualization" para que pacotes como Matplotlib e Seaborn entrem na lista.
Claro, ainda pode faltar alguma importação, mas isso já economiza tempo com o básico e pode ser ajustado conforme suas necessidades.
Dica extra: vale a pena anotar quais prompts funcionam melhor para você, assim dá para reutilizá-los rapidamente!
2. Crie visualizações incríveis mais rápido
Fazer visualizações em Python não é difícil, mas lembrar a sintaxe de cada pacote toma tempo. O AI Assistant entra em cena de novo!
No exemplo abaixo, pedimos ao assistente para agregar um conjunto de dados e visualizá-lo usando o prompt "Create a Plotly bar plot of the DataFrame df, ranking the 10 most common jobs in the job column."
Usando Generate para a primeira versão do nosso gráfico
O resultado não ficou ruim, mas dá para melhorar. Você pode usar o Generate de novo para iterar no código que ele gerou! Escrevendo "Make the chart a horizontal bar chart ordered from greatest to smallest. Add a relevant title, and use a simple white theme." na janela de prompt e executando novamente, chegamos ao resultado a seguir.
Segunda rodada de geração do gráfico
Bem melhor! Com poucas frases, produzimos um gráfico limpo e informativo, com rótulos e estilo personalizado.
Dica extra: combine isso com ajustes manuais nos gráficos. O AI Assistant costuma levar você a 90% do resultado; os 10% finais provavelmente virão de seus próprios ajustes! Não deixe de usar os cursos de visualização da DataCamp para dominar seu pacote preferido.
3. Dê um gás no seu SQL
O DataLab permite alternar sem atrito entre consultar bancos SQL e analisar os resultados em Python ou R (agora você pode até usar SQL para consultar arquivos CSV!). Mas escrever uma query SQL bem formatada pode tomar tempo.
Você também pode usar o Generate em células SQL para escrever suas consultas. Como o AI Assistant tem acesso ao esquema do banco, ele usa colunas relevantes.
No exemplo abaixo, pedimos simplesmente a contagem de ingressos dos 10 eventos mais populares sem especificar nomes de tabelas ou colunas. Isso gerou uma query que juntou as duas tabelas necessárias (event e sales), agregou a coluna qtysold e retornou os 10 eventos mais populares em ordem decrescente. Ele ainda adicionou um alias útil para a coluna de resultado!
Query instantânea!
4. Escreva uma introdução
Usar o Generate em uma célula de texto ajuda a começar as partes escritas do seu relatório. Um prompt como "Write an introduction for a machine learning project focused on identifying instances of credit card fraud. Be sure to include why this is important." já retorna uma introdução sólida, que você pode adaptar ao seu contexto.
Introdução instantânea!
5. Formate seu código
No meio de uma análise, é fácil relaxar com a organização do código. A indentação sofre, sobram espaços em branco e as linhas ficam longas e difíceis de ler. Embora você consiga decifrar seu trabalho, outras pessoas podem não conseguir. Seguir padrões de formatação traz várias vantagens.
Felizmente, você não precisa formatar tudo manualmente! Um prompt simples dentro de uma célula de texto resolve os problemas de formatação.
Antes de enviar um relatório, passe por cada célula de código e rode um prompt como "Format this code according to PEP 8 standards." Isso ajuda a limpar rapidamente o código, como adicionar/remover espaços quando necessário, garantir que quebras de linha sejam usadas corretamente e, no geral, deixá-lo mais legível.
Usando o Generate para formatar nosso código bagunçado
6. Crie conjuntos de dados de exemplo
Nos inspiramos aqui no nosso próprio Richie Cotton, que usou este exemplo no artigo sobre como acessar a OpenAI API com Python. No texto, o Richie mostra como usar a API para retornar o código que gera um dataset de exemplo.
Como ele aponta, um dataset de exemplo é extremamente útil para validar código e praticar técnicas. Embora ele use a OpenAI API, você pode fazer o mesmo com um prompt no Generate!
Basta descrever o tipo de dataset que você quer gerar, incluindo as informações que precisam entrar.
Gerando um dataset de marketing de exemplo
Aviso: não esqueça de especificar o número de linhas desejado. Um prompt sem tamanho pode retornar um dataset com apenas cinco linhas!
7. Refatore seu código em funções reutilizáveis
Uma boa regra prática: se você pretende executar uma tarefa mais de duas vezes, escreva uma função. Com o Generate, você converte rapidamente código solto em uma função funcional.
No exemplo abaixo, pegamos um código que gera e plota um passeio aleatório e o transformamos em função. Melhor ainda: pedimos para incluir parâmetros que nos permitam controlar o número de passos e o tamanho do passo.
Código solto
Depois de usar o Generate!
Se quiser iterar na função, você pode ajustá-la com prompts adicionais ou colocar a mão na massa com o que aprendeu em cursos como Writing Functions in Python ou Introduction to Writing Functions in R.
8. Feature engineering e pré-processamento
O código para inicializar um pipeline de pré-processamento pode ser longo e trabalhoso. O Generate permite configurar um pipeline rapidamente com pouquíssimos ajustes.
Na prática, como o AI Assistant já está "afinadinho" com seu DataFrame, ele consegue montar o pipeline levando em conta as variáveis relevantes. Abaixo, usamos o prompt "Prepare a pipeline to scale numeric variables and one-hot encode categorical variables." para gerar o workflow completo.
Usando o Generate para inicializar um pipeline de pré-processamento em Python
9. Dê o pontapé inicial no ajuste de hiperparâmetros
Ajustar hiperparâmetros é uma ótima forma de extrair desempenho extra dos seus modelos de machine learning. Mas geralmente exige bastante código e pode ser difícil lembrar quais parâmetros ajustar.
Aqui o AI Assistant também economiza muito tempo. Basta especificar o tipo de modelo que você quer ajustar e o Generate cuida do resto. No exemplo abaixo, o AI também considera o DataFrame que estamos usando e configura o tuning com a coluna is_fraud como variável-alvo.
Observação: recomendamos ter alguma base em ajuste de hiperparâmetros antes de usar este recurso. Assim, você avalia e ajusta itens como quais parâmetros incluir. A DataCamp tem dois ótimos cursos em Python e R sobre o tema.
Ajuste de hiperparâmetros com o AI Assistant
10. Traduza e interprete resultados de modelos
Você ajustou um modelo de machine learning e avaliou seu desempenho. Embora você consiga interpretar os resultados sem problema, usuários não técnicos podem ter dificuldade para acompanhar.
Use o Generate para ajudar a traduzir seus resultados para um público mais amplo. No exemplo abaixo, compartilhamos a precisão e o recall de uma tarefa de classificação e pedimos ao AI que interprete os resultados no contexto de previsão de churn de clientes.
Lembre-se de revisar criticamente o resultado e comparar com seu conhecimento do assunto. Na maioria das vezes, porém, um prompt como este ajuda a sintetizar os resultados para todos os stakeholders.
Interpretando métricas de classificação
Próximos passos
As possibilidades com as novas ferramentas de IA no DataLab são praticamente infinitas. Experimente sempre: com o tempo, você vai montar uma caixa de ferramentas de prompts para acelerar seu trabalho. Fique à vontade para adaptar os prompts do workbook de apoio ou criar um novo Python ou R workbook em branco.
Mas atenção: não use a saída do assistente de IA cegamente. Código gerado por IA pode estar errado de formas óbvias e sutis. Sempre revise criticamente seus resultados e tenha clareza do que está tentando alcançar. Por exemplo: a query gerada usa as colunas corretas? O pipeline de pré-processamento transforma as variáveis desejadas da forma que você definiu?
O AI Assistant é uma ferramenta, não um substituto para conhecimento prático. Embora ele traga dicas e sintaxe úteis, o resultado final é sua responsabilidade. Por isso, recomendamos que você também fortaleça seus conhecimentos nos tópicos em que usa o assistente. A biblioteca de cursos da DataCamp é uma ótima forma de se manter em dia com as habilidades e técnicas que pretende usar.
Recursos adicionais
Se quiser mais inspiração, confira nosso artigo sobre prompt engineering e nosso Cheat Sheet para ChatGPT, com vários prompts que podem ser usados diretamente no DataLab.
