Nhiều phần trong một dự án phân tích có thể lặp đi lặp lại, tốn thời gian và gây bực bội. Ai thực sự thích việc nhập dữ liệu hay dọn dẹp các cột lộn xộn? Với AI Assistant mới của DataLab, bạn có thể dành nhiều thời gian hơn cho điều mình thích: trả lời câu hỏi bằng dữ liệu!
Bài viết này sẽ giới thiệu 10 mẹo với DataLab AI Assistant có thể tăng tốc quy trình làm việc và giúp bạn rút ra insight hiệu quả. Nếu muốn làm theo và thử nghiệm các prompt trong bài viết, bạn có thể dùng sổ tay này!
Lưu ý: Dù ví dụ ở đây dùng Python, các nguyên tắc tương tự cũng áp dụng cho sổ tay R!
1. Tự động xử lý toàn bộ import gói
Có khả năng bạn có vài import gói tiêu chuẩn luôn viết khi bắt đầu dự án. Sau đó, bạn thi thoảng cuộn lên đầu notebook, thêm vài dòng import nữa rồi quay lại công việc. Còn phiền hơn là những lúc bạn phải mở tài liệu bên ngoài để nhớ tên gói hay hàm đã quên.
Tuy nhiên, bạn có biết có thể dùng tính năng Generate để tạo hầu hết các import không? Chỉ một prompt đơn giản như “Import tất cả các gói tôi sẽ cần để thực hiện một tác vụ phân loại machine learning.” đã trả về pandas, NumPy, và một số import để chia dữ liệu, fit vài mô hình rồi đánh giá chúng.
Dùng Generate để import các gói hữu ích
Bạn cũng có thể bổ sung prompt để gồm thêm các giai đoạn khác trong quy trình. Nhiều trường hợp, bạn có thể thêm “bao gồm trực quan hóa” để các gói như Matplotlib và Seaborn được đưa vào.
Tất nhiên có thể vẫn thiếu vài import, nhưng điều này đã giúp tiết kiệm thời gian cho phần cơ bản và có thể cập nhật theo nhu cầu.
Mẹo bổ sung: Ghi lại những prompt hiệu quả nhất với bạn để có thể nhanh chóng tra cứu!
2. Tạo trực quan hóa đẹp mắt nhanh hơn
Vẽ biểu đồ trong Python không khó, nhưng tốn thời gian để nhớ cú pháp cho các gói khác nhau. AI Assistant lại tiếp tục phát huy tác dụng!
Trong ví dụ dưới đây, chúng tôi yêu cầu trợ lý tổng hợp một tập dữ liệu rồi trực quan hóa bằng prompt “Tạo biểu đồ cột Plotly từ DataFrame df, xếp hạng 10 công việc phổ biến nhất trong cột job.”
Dùng Generate cho phiên bản đầu tiên của biểu đồ
Kết quả không tệ, nhưng có thể tốt hơn. Bạn có thể dùng Generate lần nữa để lặp trên đoạn mã đã tạo! Bằng cách viết “Biến biểu đồ thành cột ngang, sắp xếp từ lớn đến nhỏ. Thêm tiêu đề phù hợp và dùng chủ đề trắng đơn giản.” trong cửa sổ prompt và chạy lại, chúng ta nhận được kết quả sau.
Vòng tạo biểu đồ thứ hai!
Tốt hơn nhiều! Chỉ với vài câu, chúng ta đã tạo ra biểu đồ sạch, rõ ràng, có nhãn và phong cách tuỳ chỉnh.
Mẹo bổ sung: Cách này hiệu quả nhất khi kết hợp với chỉnh sửa thủ công. AI Assistant thường giúp bạn đi được 90% quãng đường, nhưng 10% cuối cùng có lẽ đến từ chỉnh sửa của chính bạn! Hãy dùng các khóa học trực quan hóa của DataCamp để học gói vẽ yêu thích.
3. Tăng tốc SQL của bạn
DataLab cho phép bạn chuyển đổi mượt mà giữa việc truy vấn cơ sở dữ liệu SQL và phân tích kết quả trong Python hoặc R (giờ bạn còn có thể dùng SQL để truy vấn tệp CSV!). Tuy nhiên, viết một truy vấn SQL được định dạng tốt có thể tốn thời gian.
Bạn cũng có thể dùng Generate ngay trong các ô SQL để viết truy vấn cho bạn. Vì AI Assistant có quyền truy cập vào lược đồ cơ sở dữ liệu, nó thậm chí sẽ dùng đúng các cột liên quan.
Trong ví dụ dưới đây, chúng tôi chỉ yêu cầu số lượng vé cho 10 sự kiện phổ biến nhất mà không chỉ định tên bảng hay cột. Kết quả trả về là một truy vấn join hai bảng cần thiết (event và sales), tổng hợp cột qtysold, và trả về 10 sự kiện phổ biến nhất theo thứ tự giảm dần. Thậm chí còn đặt bí danh hữu ích cho cột kết quả!
Truy vấn tức thì!
4. Viết phần mở đầu
Dùng Generate trong một ô văn bản có thể giúp bạn khởi động các phần viết của báo cáo. Một prompt như “Viết phần giới thiệu cho dự án machine learning tập trung xác định các trường hợp gian lận thẻ tín dụng. Nhớ nêu lý do tại sao điều này quan trọng.” đã có thể trả về phần mở đầu chắc chắn để bạn tinh chỉnh theo hoàn cảnh cụ thể.
Phần mở đầu tức thì!
5. Định dạng mã của bạn
Giữa lúc phân tích, rất dễ lơi tay với mã. Thụt dòng sai, khoảng trắng thừa, và các dòng dài khó đọc. Bạn có thể hiểu được, nhưng người khác thì không. Có rất nhiều lợi ích khi tuân theo chuẩn định dạng mã.
May mắn là bạn không cần tự định dạng thủ công! Một prompt đơn giản trong ô văn bản có thể xử lý gọn các vấn đề định dạng.
Trước khi nộp báo cáo, hãy đi qua từng ô mã và chạy một prompt như “Định dạng đoạn mã này theo tiêu chuẩn PEP 8.” Điều này giúp bạn nhanh chóng dọn dẹp mã, như thêm/bớt khoảng trắng khi cần, bảo đảm dùng xuống dòng đúng chỗ, và nói chung là giúp mã dễ đọc hơn.
Dùng Generate để định dạng đoạn mã lộn xộn!
6. Tạo tập dữ liệu mẫu
Chúng tôi lấy cảm hứng từ chính Richie Cotton của mình, người đã dùng ví dụ này trong bài viết về truy cập OpenAI API bằng Python. Trong bài, Richie chỉ cách dùng API để trả về mã tạo một tập dữ liệu mẫu.
Như anh ấy lưu ý, tập dữ liệu mẫu cực kỳ hữu ích để kiểm chứng mã và luyện tập các kỹ thuật khác nhau. Dù anh ấy dùng OpenAI API, bạn có thể làm điều tương tự với một prompt Generate!
Chỉ cần viết loại tập dữ liệu bạn muốn tạo, bao gồm thông tin bạn muốn đưa vào.
Tạo tập dữ liệu mẫu về marketing
Cảnh báo: Hãy chỉ rõ số dòng bạn muốn. Một prompt không có độ dài có thể trả về tập dữ liệu mẫu chỉ với năm dòng!
7. Tái cấu trúc mã thành các hàm có thể tái sử dụng
Một quy tắc hay là nếu bạn định thực hiện một tác vụ hơn hai lần, hãy viết một hàm. Dùng Generate, bạn có thể nhanh chóng chuyển mã rời rạc thành một hàm hoạt động.
Trong ví dụ dưới đây, chúng tôi lấy một số mã tạo và vẽ random walk rồi chuyển nó thành một hàm. Tốt hơn nữa, chúng tôi yêu cầu thêm vài tham số để điều khiển số bước và kích thước bước.
Mã rời
Sau khi dùng Generate!
Nếu muốn lặp tiếp trên hàm, bạn có thể tinh chỉnh thêm bằng các prompt khác hoặc tự chỉnh với kiến thức từ khóa học như Writing Functions in Python hay Introduction to Writing Functions in R.
8. Kỹ thuật đặc trưng và tiền xử lý
Mã để khởi tạo một pipeline tiền xử lý có thể dài và rườm rà. Generate giúp bạn nhanh chóng thiết lập pipeline với rất ít tinh chỉnh.
Thực tế, vì AI Assistant đã được cung cấp sẵn DataFrame của bạn, nó có thể thiết lập pipeline với các biến liên quan. Bên dưới, chúng tôi dùng prompt “Chuẩn bị một pipeline để scale biến số và one-hot encode biến phân loại.” để tạo toàn bộ quy trình này.
Dùng Generate để khởi tạo pipeline tiền xử lý trong Python
9. Khởi động việc tinh chỉnh siêu tham số
Tinh chỉnh siêu tham số có thể giúp vắt thêm hiệu năng từ mô hình machine learning. Nhưng thường cần rất nhiều mã, và khó nhớ nên điều chỉnh tham số nào.
Đây là một trường hợp khác AI Assistant có thể tiết kiệm rất nhiều thời gian. Chỉ cần chỉ định loại mô hình bạn muốn tinh chỉnh, và Generate sẽ lo phần còn lại. Trong ví dụ dưới đây, AI cũng xét đến DataFrame chúng tôi đang dùng và thiết lập tinh chỉnh với cột is_fraud làm biến mục tiêu.
Lưu ý: Chúng tôi khuyến nghị bạn đã có một số kiến thức về tinh chỉnh siêu tham số trước khi sử dụng. Như vậy, bạn có thể đánh giá và điều chỉnh những thứ như tham số nào cần đưa vào. DataCamp có hai khóa học hay về chủ đề này cho Python và R.
Tinh chỉnh siêu tham số với AI Assistant
10. Dịch và diễn giải kết quả mô hình
Bạn đã fit mô hình machine learning và đánh giá hiệu năng. Dù bạn không gặp khó khăn khi diễn giải kết quả, người dùng không chuyên có thể khó theo dõi.
Bạn có thể dùng Generate để giúp diễn giải kết quả cho đối tượng rộng hơn. Trong ví dụ dưới, chúng tôi chia sẻ precision và recall của một tác vụ phân loại và yêu cầu AI diễn giải trong bối cảnh dự đoán khách hàng rời bỏ.
Nhớ kiểm tra cảm tính kết quả và so sánh với hiểu biết của bạn. Nhưng thường thì, một prompt như vậy có thể giúp bạn chắt lọc kết quả cho mọi bên liên quan.
Diễn giải các chỉ số phân loại
Tiếp tục khai thác
Khả năng với các công cụ AI mới trong DataLab gần như vô hạn. Hãy liên tục thử nghiệm, vì bạn sẽ dần xây dựng được một bộ prompt tin cậy để tăng tốc quy trình. Cứ thoải mái sửa đổi các prompt trong sổ tay đi kèm hoặc tạo mới một sổ tay Python hay R trắng.
Nhưng hãy cẩn thận: đừng dùng đầu ra của AI assistant một cách mù quáng. Mã do AI tạo có thể sai cả ở những chỗ rõ ràng lẫn tinh vi. Luôn kiểm tra cảm tính kết quả và hiểu rõ mục tiêu của bạn. Ví dụ, truy vấn được tạo có dùng đúng cột không? Pipeline tiền xử lý có biến đổi đúng các biến bạn muốn và theo cách bạn đã quyết định không?
AI Assistant là công cụ, không phải sự thay thế cho kiến thức thực hành. Dù AI Assistant có thể đưa ra gợi ý hữu ích hay cú pháp, kết quả cuối cùng vẫn là trách nhiệm của bạn. Vì vậy, chúng tôi khuyến nghị bạn cũng đảm bảo mình nắm vững các chủ đề mà bạn dùng trợ lý. Thư viện khóa học của DataCamp là cách tuyệt vời để cập nhật các kỹ năng và kỹ thuật bạn dự định sử dụng.
Tài nguyên tham khảo
Nếu muốn thêm cảm hứng, đừng bỏ lỡ bài viết về prompt engineering cũng như Cheat Sheet cho ChatGPT của chúng tôi, trong đó có nhiều prompt có thể dùng trực tiếp trong DataLab.
