Инструменты искусственного интеллекта все чаще помогают ученым и разработчикам данных путем автоматизации написания кода. Тем не менее, инструменты, которые просто генерируют изолированные фрагменты кода, часто терпят неудачу. Их основное ограничение — отсутствие понимания более широкого контекста проекта, что приводит к нескольким общим вопросам:
- Общий код заполнителей: Инструменты искусственного интеллекта, в которых отсутствует контекст рабочего процесса, имеют тенденцию производить код с общими заполнителями, такими как DF или VAR1. Такой код требует ручного вмешательства для корректировки переменных и правильной интеграции с существующими соглашениями о именовании проекта, внедряя потенциальные ошибки.
- Неправильные предположения: Ай только код часто делает предположения без контекста. Например, это может предположить, что скидка всегда составляет процент, когда в конкретном сценарии оно может представлять собой абсолютные суммы валюты. Эти неточности заставляют разработчиков работать много времени отладки и корректировок.
- Проблемы интеграции: Без более широкого понимания код, сгенерированный AI, может игнорировать существующие функции, модули или зависимости, вызывая проблемы интеграции. Например, это может предложить методы, несовместимые с текущими библиотеками или инфраструктурой.
ИИ, только код, сохраняет некоторую первоначальную набор, но вводит трение в реальных проектах из-за частых смещений и контекстуальных недоразумений.
Как контекстно-соблюдая AI понимает ваш полный рабочий процесс
Помощники искусственного интеллекта, которые глубоко понимают рабочие процессы, цели проекта, наборы данных и ограничения, предлагают значительные преимущества:
Контекстуальное осознание
ИИ рабочий процесс знает точные цели проекта. Например, если ученый для данных создает интерпретируемую модель в соответствии с нормативными стандартами, помощник по контексту предложит более простые, объяснимые модели вместо сложных. Такие контекстные рекомендации значительно упростит выполнение проекта, выравнивая сгенерированный код с фактическими потребностями.
Адаптировано к структурам данных
AI рабочего процесса понимает конкретные структуры данных и схемы. Он знает, являются ли ключевые поля проекта Customer_idor Transaction_Date, генерируя непосредственный, готовый к использованию код без общих заполнителей. Например, при слиянии наборов данных он точно идентифицирует и применяет композитные ключи, избегая несоответствующих записей и последующих ошибок.
Повышенная помощь
ИИ, который понимает рабочие процессы, может скорректировать свои предложения в зависимости от текущей фазы проекта. Во время исследовательского анализа он фокусируется на быстрой визуализации или преобразованиях данных. Во время построения модели подчеркивается соответствующие метрики и методы проверки. В развертывании это помогает с шагом оптимизации производительности и интеграции.
Приверженность ограничениям и инструментам
ИИ рабочий процесс может динамически адаптировать свои рекомендации на основе экологических ограничений, таких как ограничения памяти, доступные библиотеки или стандарты команды. Он не будет предлагать ресурс-интенсивный метод, если он знает, что проект работает на ограниченном оборудовании, тем самым предотвращая препятствия для внедрения.
Реальные преимущества: AI—AI Workflow AI vs. Традиционные инструменты
Рассмотрим сценарий с участием ученых данных по имени Майя, который стремится предсказать отток клиентов, используя наборы данных клиентов и использования:
- Использование AI только для кода: Maya запрашивает очистку и присоединение данных. ИИ генерирует общий код слияния с заполнителями, такими как df1.merge (df2, on = ‘id’), который несоответствует композитному ключу Maya (customer_id, регион). Он также заполняет недостающие значения неуместными значениями по умолчанию, такими как ноль, вводя неточности. Майя тратит значительное время, исправляя эти проблемы.
- Использование AI с рабочим процессом: Учитывая тот же запрос, AI с учетом рабочего процесса распознает композитный ключ Maya и специфику для набора данных. Он производит правильно структурированный код слияния (customs_df.merge (usage_df, on =[‘customer_id’, ‘region’]) и контекстуально соответствующие методы очистки данных. Этот подход дает немедленные, точные результаты, значительно повышая производительность.
Разница здесь подчеркивает влияние контекстного понимания. ИИ рабочий процесс резко снижает бремя интеграции, выравнивая решения с спецификой проекта с самого начала.
Будущее развития искусственного интеллекта: за пределами простой генерации кода
Ожидается, что возможности AI с учетом рабочих процессов, оснащенных рабочим процессом, существенно расти:
- Постоянная память проекта: Будущие инструменты ИИ, скорее всего, запомнят предыдущие решения и государства проекта, исключая избыточные информационные запросы и обеспечивая более информированные и последовательные руководства на протяжении всего жизненного цикла проекта.
- Интегрированная автоматизация: Расширенные помощники искусственного интеллекта могут автоматически генерировать документацию, модульные тесты и настройки мониторинга на основе их понимания текущих действий, дополнительно снижая ручную нагрузку и повышение надежности программного обеспечения.
- Адаптивное управление ресурсами: ИИ динамически корректирует рекомендации на основе имеющихся вычислительных ресурсов или ограничений затрат, что предлагает эффективные алгоритмы или процессы, адаптированные к конкретным средам.
- Стратегическое планирование и консультативные роли: Благодаря расширенным способностям рассуждений, AI с учетом рабочих процессов может помочь в этапах стратегического планирования, упорно предполагая следующие логические шаги или выявляя потенциальные проблемы на раннем этапе. Этот уровень участия позиционирует ИИ как знающий соавтор, а не просто помощник по кодированию.
Сдвиг от ИИ, который только записывает изолированные фрагменты кода к ИИ с рабочим процессом, представляет собой значительную эволюцию в роли искусственного интеллекта в науке о данных. ИИ рабочий процесс, оснащенный контекстом, предлагает адаптированные рекомендации, которые действительно ускоряют проекты, уменьшая ошибки, хлопоты интеграции и многократные корректировки.
Ученые, разработчики, разработчики, CTO и бизнес -лидеры могут извлечь выгоду из этого контекстуального подхода, достижения большей производительности, меньшего количества ошибок и улучшения выравнивания проектов. В конечном счете, AI с учетом рабочего процесса не будет просто автоматизировать задачи кодирования-он будет служить интегрированным партнером, способствуя более плавным, более эффективным и более точным результатам проекта.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Доктор Грег Майклсон является соучредителем и директором по продукту в Zerve, молодом, скрытном стартапе, который переосмысливает опыт развития науки о данных. Ранее Грег был ранним столяром в DataRobot, где он играл много ролей, включая директора -клиента. Приор … Подробнее от Грега Майклсона
