Veri Bilimi için Bard ve ChatGPT

Programlama İş Akışları

Bard nerede iyi performans gösteriyor?

Kod optimizasyonu yaygın ama zorlu bir görevdir. Kodu daha verimli hâle getirmenin veya daha hızlı çalıştırmanın genellikle birçok yolu vardır ve tek bir doğru yanıt yoktur. Kod optimizasyonu isteğine iyi bir yanıt, çeşitli çözümler sunmalıdır. Bu görev, Bard'dan bazı SQL kodlarını optimize etmesini istiyor.

Bard burada 10 seçenek sunuyor. Hepsi makul, ancak bazıları aynı temanın varyasyonları (beş tür indeks oluşturma) ve hepsi sorgu kodunu iyileştirmekten ziyade veritabanı yönetimine odaklanıyor.

Birim testleri yazmak önemli bir görevdir ancak çoğu kişi bundan hoşlanmaz; dolayısıyla bunu sizin yerinize yapay zekânın yapması potansiyel olarak büyük bir nimet. Elbette, iyi testler yazması gerekir! Bu örnekte Bard'dan faktöriyel hesaplayan bir fonksiyon için testler yazması isteniyor.

Kod iyi yapılandırılmış ve testlerin çoğu mantıklı. Endişe yaratabilecek bir nokta, string girdiler için testin fonksiyondan sayısal değerler döndürmesini istemesi. Bir insan programcı, string girildiğinde bir hata fırlatan testler yazardı; çünkü metnin faktöriyeli anlamsızdır. İstem, string girdinin nasıl davranması gerektiğini belirtmediği için bu sorun muhtemelen daha ayrıntılı bir istemle düzeltilebilir; yine de bu yanıtı iyi ama mükemmel değil olarak değerlendiririm.

Bard nerede kötü performans gösteriyor?

ChatGPT için en yaygın veri bilimi kullanım durumlarından biri, koddaki hataları açıklamaktır. Bu da Bard'ın, bazı R kodlarındaki basit bir sözdizimi hatasını açıklaması istendiğinde bu görevi kusursuz yapmasını beklediğim anlamına geliyor.

Ne yazık ki, Bard soruyu yanıtlamayı reddetti (ve Python ve SQL hataları açıklatıldığında da benzer bir yanıt verdi). Bu hayal kırıklığı yaratıyor. Ancak teselli edici tarafı, yanıtlamayı reddetmenin mümkün olan en iyi başarısızlık yolu olması. Yapay zekâ modellerinde büyük bir sorun, sizi yanlış yönlendirebilecek şekilde kendinden emin ama yanlış yanıtlar üretmeleridir. Bard'a temkin aşılandığı için Google'ı tebrik etmek gerek.

Bard'dan bazı Python kodlarını açıklaması istendiğinde de benzer bir yanıt verdi.

Karar: Kazanan ChatGPT

Bard'ın programlama sorularına verdiği bazı yanıtlar fena olmasa da, kod ve hata açıklaması etrafında çok bariz boşlukları var; bu da onu, kodunuzu öğrenmenize yardımcı olmak için uygun olmayan bir konuma getiriyor.

Veri Analizi İş Akışları

Bard nerede iyi performans gösteriyor?

Doğal dili (yani, insan cümlelerini) kullanarak SQL sorguları yazmak, daha az teknik beceriye sahip iş kullanıcılarının veritabanlarındaki verilere erişmesini sağladığı için son derece önemli bir kullanım durumudur. Burada Bard'dan, müşteri ayrıntılarını toplayan basit bir sorgu yazması isteniyor.

Kod ve açıklamalar doğru ve bir adım daha ileri giderek satırları en yaygın e-posta türünden en az yaygın olana doğru sıralıyor; bu da sonuçlara bakacak kişiler için faydalı.

Ortak tablo ifadeleri (CTE'ler), SQL'de Python veya R'ın değişkenlerine denktir: daha uzun sorguları aşamalar hâlinde oluşturmanıza olanak tanırlar. İç içe geçmiş alt sorgular içeren karmaşık sorguları yeniden yazmak, kodunuzu daha okunaklı hâle getirmek için yararlı bir tekniktir. Aşağıdaki örnekte, Bard'ın alt sorguyu (SELECT ile başlayan içteki kod) bir ortak tablo ifadesine taşımasını istedim.

Burada Bard sorunu tamamen yanlış anlamış ve her şeyi bir CTE içine taşımış. Ancak Bard'ın bir kozu var: Bard'dan yanıt üretmesini istediğinizde gerçekte üç yanıt üretir ve birini seçmenize olanak tanır. Burada üçüncü yanıt doğru. 

Veri analizi için bir diğer ilginç kullanım durumu da veri temizlemedir. İnsanlar için eğlenceli bir görev değildir; bu yüzden yapay zekânın bunu sizin yerinize yapabilmesi faydalıdır. Ancak genellikle tek bir çözüm yerine veriyi temizlemenin birden çok yolu vardır. 

Bu durumda kod doğru, ancak iki dikkat çekici tuhaflığı var. Birincisi, customer_id'nin DataFrame indeksinde olduğunu varsayıyor. Bazı pandas kullanıcıları bunu veriyi saklamanın en iyi yolu olarak görse de, istemde customer_id'nin bir sütun olduğu belirtilmişti. İkincisi, .replace()/.isnull() kombinasyonu, .fillna() kullanmaya kıyasla daha hantaldır. Yine, Bard'ın "üç çözüm" yaklaşımı imdadına yetişiyor; ikinci çözüm her iki şikayetimi de ele alıyor.

Bard nerede kötü performans gösteriyor?

Bir eğitim şirketi olarak DataCamp'te, kullanıcıların analiz yapabilmesi için neredeyse sınırsız sayıda yeni veri setine ihtiyaç duyuyoruz. Bu, yapay zekânın anında veri setleri üretebilmesinin oyunun kurallarını değiştirebileceği anlamına geliyor. Diğer herkes için de analiz kodlarını hızla test edebilecekleri veri setleri üretebilmek büyük bir fayda. ChatGPT bunu çok iyi yapıyor, peki Bard nasıl?

Yine, soruyu yanıtlamayı reddediyor. Programlama örneklerinde olduğu gibi, yapay zekânın gösterdiği özdenetime hayranım ama görevi tamamlayamaması biraz hayal kırıklığı yaratıyor.

Veri analizinin büyük bir kısmı veri manipülasyonudur; dolayısıyla yapay zekânın sizin için kod yazabilmesi harika olurdu. Aşağıdaki örnek biraz zorlu çünkü yapay zekânın yıl bilgisinin katılım tarihinden hesaplanması gerektiğini anlamasını gerektiriyor.

Ne yazık ki bu incelik fark edilmedi ve kod yanlış. Aslında, üretilen üç çözümün hepsi yanlış. Bu da kötü bir yanlışlık türü: yapay zekâ yanıtında kendinden emin ama yanlış.

Karar: Kazanan ChatGPT

Bard'ın üç çözüm sunmasını seviyorum; böylece uygun bir şey bulma şansınız artıyor. Ancak veri setleri oluşturamaması ve (biraz zorlayıcı) veri manipülasyonlarını yapamaması büyük bir engel.

Veri Görselleştirme İş Akışları

Bard nerede iyi performans gösteriyor?

Küçük bir dokunuşla basit bir "saçılım grafiği oluştur" görevi denedim: grafiğin renk temasını değiştirmek. FiveThirtyEight haber sitesi, popüler Matplotlib paketinde bulunan kendi renk temasını yayımlıyor.

Kod doğru, ancak mcolors'ın içe aktarılıp hiç kullanılmaması gibi bir tuhaflık var.

Bard nerede kötü performans gösteriyor?

Bir diğer oldukça basit çizim görevi, aynı grafikte birden fazla çizgiyi göstermek. Kullanılan veri seti gapminder; gösterimler için yaygın olarak kullanılır. 

Burada kod neredeyse doğru ama önceki sorunda olduğu gibi benzer bir problem var: Bard, country değişkeninin bir sütun mu yoksa indeks mi olması gerektiğinden emin değil (istem bunu belirtmiş olmasına rağmen). plt.plot() satırındaki satır alt kümelenmesi, country'nin indeks olduğunu varsayıyor; bu da önceki satırla tutarsız.

Bard'dan aynı görevi R'ın ggplot2 paketiyle yapmasını istedim. 

Bard burada kibarca reddediyor. Buna biraz şaşırdım; zira ggplot2 on yılı aşkın süredir R'ın en popüler çizim paketi ve bolca kod örneği mevcut.

Karar: Kazanan ChatGPT

Bard'ın pandas indekslerini kullanma konusundaki kafa karışıklığını affedebilirim, ancak basit bir ggplot2 grafiği çizememesi onu R kullanıcıları için uygun olmayan hâle getiriyor.

Makine Öğrenimi İş Akışları

Bard nerede iyi performans gösteriyor?

Birkaç görev denedim ve maalesef hepsi sorunluydu. Bu, Bard için büyük bir tehlike işareti; zira Python'da makine öğrenimi son derece popüler.

Bard nerede kötü performans gösteriyor?

Makine öğrenimi için belki de en bariz başlangıç noktası, Python'da bir model eğitmek ve tahminler yapmaktır. 

Kod çoğunlukla iyi, ancak eğitim ve test setlerinin oluşturulma biçiminde bir sorun var. Satırları birine ya da diğerine rastgele seçmek iyi bir uygulamadır, ama Bard test setine son bin satırı koyuyor (ve geri kalan her şeyi eğitime alıyor). Bu, ancak veri setindeki filmler rastgele sıralanmışsa kabul edilebilir olurdu.

Bir başka büyük ilgi alanı da model açıklanabilirliği. Karar ağaçları, Shap değerleri kullanılarak oldukça kolay açıklanabilir ve bunun için epey standart bir iş akışı vardır. 

Ne yazık ki kod, var olmayan shap.explain() fonksiyonuna bir çağrı içeriyor. Bu tür bir sorunu fark etmek nispeten kolaydır; çünkü kodu çalıştırmayı denersiniz ve başarısız olur. Ancak çalışmayan kod üretmek zaman kaybıdır.

Daha kavramsal bir makine öğrenimi görevi de denemek istedim. Makine öğreniminin sanatı büyük ölçüde, modellerinize girdi olarak anlamlı özellikler oluşturmak için alan bilgisi kullanmaktır. Özellik fikirleri bulmak zor olabilir; bu yüzden yapay zekânın çok yardımcı olabileceği bir alandır. 

Burada yanıt berbat değil; çünkü iki faydalı özellik fikri (tür ve bütçe) sunuyor. Ancak diğer iki fikir istemde zaten belirtilmişti ve ikinci liste istenmemişti. Ayrıca "makine öğrenimi teknikleri" yerine "veri mühendisliği teknikleri"nden söz ediyor; bu da yanlış.

Karar: Kazanan ChatGPT

Bard burada çok kötü performans gösterdi; hiç yarış olmadı bile.

Zaman Serisi Analizi İş Akışları

Bard nerede iyi performans gösteriyor?

Ne yazık ki Bard'ı hiçbir zaman serisi görevini tamamlamaya ikna edemedim.

Bard nerede kötü performans gösteriyor?

Günlük verileri haftalık ve aylık verilere dönüştürmeyi içeren zaman serisi veri manipülasyonu görevlerini denedim. 

Bard reddetti.

Sonra, durağanlık testi yapmasını istedim. 

Yine Bard reddetti. Daha önce olduğu gibi, Bard'a yerleştirilen özdenetim sayesinde ürettiği yanlış yanıtların sayısını azaltma çabasından memnunum.

Karar: Kazanan ChatGPT

Görünüşe göre zaman serisi analizi Bard'ın henüz yapabildiği bir şey değil.

Doğal Dil İşleme İş Akışları

Bard nerede iyi performans gösteriyor?

Büyük dil modellerinin dille iyi çalışacağını düşünebilirsiniz. Duygu analizi (metnin olumlu ya da olumsuz bir hissiyat taşıyıp taşımadığını belirleme), alışveriş sitelerinde ürün yorumlarını nicelleştirmek için önemlidir ve metin analizinde asgari gereklilik kabul edilir. Bu görev, bir emoji ve argo bir ifadeyi içerecek şekilde biraz zorlaştırıldı. 

Bard'ın ilk yanıtı fena değil, ancak istemdeki her satırın ayrı ayrı ele alınması gerektiğini kaçırdı. (Dürüst olmak gerekirse, bu açıkça belirtilmemişti; yine de bir insan sezgisel olarak bunu varsayabilirdi.) Bard'ın üçüncü yanıtı bu detayı yakaladı. 

Her iki durumda da emoji ve argo doğru şekilde yorumlandı.

Bard nerede kötü performans gösteriyor?

Metni bir insan dilinden diğerine çevirmek, transformer modelleri için ilk kullanım durumudur. Bard'dan Fransızca bir yanıt vermesini istedim. 

Ne yazık ki Bard, tüm çıktıyı Fransızca vermek yerine makine öğreniminin İngilizce bir açıklamasını ve "machine learning" ifadesinin Fransızcaya çevirisini sundu.

Karar: Kazanan ChatGPT

Çeviri başarısızlığı beni epey şaşırttı.

Kavramsal ve Kariyer Odaklı Görevler

Bard nerede iyi performans gösteriyor?

Analizinizdeki teknik fikirleri veri geçmişi olmayan kişilere açıklamak, veri biliminin daha zor kısımlarından biridir. Bard'dan A/B testini bir yöneticiye açıklamasını istedim. 

Açıklama oldukça iyi. Yeni yazı tipinin daha yüksek dönüşüm oranıyla sonuçlandığına dair biraz şüpheli bir varsayım var (testin nasıl kurulduğuna bağlıdır; sadece farklı bir dönüşüm oranı da olabilir). Diğer iki yanıt bu inceliği yakaladı, bu yüzden burada puan kırmayacağım.

Bir diğer faydalı yapay zekâ görevi, uzun çalışmaların özetlenmesidir. Burada Bard'an (Google çalışanları tarafından yazılan) transformer modelleri hakkında orijinal dergi makalesini özetlemesini istedim. 

İyi ve okunması kolay bir özet. Bir tuhaflık, bazı bağlantıların orijinal makaleye değil, makale hakkında blog yazılarına verilmiş olması.

Veri alanında kariyer yapmak isteyenler için, hayalinizdeki işe giden yolda proje fikirleri edinmek hayati öneme sahip bir kariyer tavsiyesidir. Bard'an proje fikirleri bulmasını istedim. Bu da tek bir doğru yanıtın olmadığı yaratıcı bir görev. 

Son olarak, daha uzun çalışmalar için girişler yazmak, yapay zekâya devretmeyi tercih ettiğim hafif can sıkıcı görevlerden biridir. 

Yine, yalnızca minimum bağlamla yapay zekâ iyi yazılmış bir metin sunuyor.

Bard nerede kötü performans gösteriyor?

Bu durumda, Bard kendisine yönelttiğim tüm görevlerde iyi performans gösterdi.

Karar: Berabere

Bu yaratıcı görevlerde ChatGPT mi yoksa Bard mı daha iyi, nicelleştirmek zor olsa da, Bard'ın tutarlı biçimde yüksek kaliteli çıktı sunduğu bir alan bulduğuma sevindim.

Özet

Bard'ın veri bilimi iş akışlarına dair bilgisinde bazı dikkat çekici boşluklar var: Kod hatalarını açıklayamaması ve Python makine öğrenimi görevlerinde kötü performans göstermesi büyük sorunlar.

En iyisini seçmeniz için üç yanıt sunmasını seviyorum ve sınırlarını bilecek kadar temkinli olmasını da seviyorum. Bir soruyu yanıtlamayı reddetmek, yanlış yanıt vermekten çok daha iyidir.

Sonuç olarak, şimdilik tahtta ChatGPT oturuyor; ancak Bard'ın gelişimini izlemek için sabırsızlanıyorum. Üretken yapay zekâ alanındaki rekabet, dünyaya ancak fayda sağlayabilir.

Bir üst seviyeye taşıyın

Veri bilimi için üretken yapay zekâyı kullanma hakkında daha fazla bilgi edinmek isterseniz aşağıdaki kaynaklara göz atın: 

• Introduction to ChatGPT kursunda ChatGPT'yi etkili şekilde kullanmayı öğrenin.
• Veri Bilimi Projeleri İçin ChatGPT Kullanım Rehberimize göz atın.
• Veri bilimi için bu kullanışlı ChatGPT istemleri başvuru kâğıdını indirin.
• ChatGPT ve GPT-3'ün İş Akışlarını Nasıl Güçlendirdiği üzerine bu podcast bölümünü dinleyerek ChatGPT'nin işletmenize nasıl fayda sağlayabileceğini anlayın.
• GPT-4 Nedir ve Neden Önemlidir hakkında daha fazla bilgi edinin.