Testowanie modelu Gemini-Exp-1206 firmy Google w analizie danych i wizualizacji

jeden z Najnowszy model eksperymentalny Google, Gemini-Exp-1206, Wykazuje umiejętność ułatwienia jednego z najtrudniejszych aspektów pracy każdego analityka: doskonałej koordynacji danych i wizualizacji oraz zapewnienia przekonującej narracji, bez pracy przez całą noc,

Analitycy inwestycyjni, młodsi bankierzy i członkowie zespołów doradczych poszukujący stanowisk partnerskich odgrywają swoją rolę wiedząc od dawnaWeekendy i okazjonalne noclegi mogą dać im przewagę w promocjach.

Dużo czasu spędzają na przeprowadzaniu zaawansowanych analiz danych, a także tworzeniu wizualizacji wzmacniających fascynująca historiaTym większym wyzwaniem jest fakt, że każda firma bankowa, fintech i konsultingowa, taka jak JP Morgan, McKinsey i PwC, ma unikalne formaty i tradycje analizy i wizualizacji danych.

VentureBeat przeprowadził wywiady z członkami wewnętrznych zespołów projektowych, których pracodawcy zatrudnili te firmy, i zlecił im projekt. Pracownicy pracujący w zespołach kierowanych przez konsultantów twierdzili, że tworzenie wizualizacji podsumowujących i konsolidujących duże ilości danych jest ciągłym wyzwaniem. Jeden z nich stwierdził, że zespoły doradcze często pracują przez noc i wykonują co najmniej trzy do czterech iteracji wizualizacji prezentacji, zanim podejmą decyzję o prezentacji i przygotują ją do aktualizacji na poziomie zarządu.

Fascynujący przypadek użycia do testowania najnowszego modelu Google

Analitycy procesów, na których opierają się tworzenie prezentacji wspierających historię za pomocą solidnych wizualizacji i grafik, wymagają tak wielu ręcznych kroków i powtórzeń, że okazały się przekonującym przypadkiem użycia do testowania najnowszego modelu Google.

Wprowadzając na rynek model na początku grudnia, Patrick Kane z Google napisał„Niezależnie od tego, czy stawiasz czoła złożonym wyzwaniom związanym z kodowaniem, rozwiązujesz problemy matematyczne w projektach szkolnych lub osobistych, czy też dostarczasz szczegółowe, wieloetapowe instrukcje dotyczące tworzenia dostosowanego biznesplanu, Gemini-Exp-1206 „pomoże Ci łatwiej wykonywać złożone zadania”. Google zauważył lepszą wydajność modelu w przypadku bardziej złożonych zadań, w tym rozumowania matematycznego, kodowania i wykonywania szeregu instrukcji.

W tym tygodniu firma VentureBeat wzięła model Google EXP-1206 na intensywną jazdę próbną. Stworzyliśmy i przetestowaliśmy ponad 50 skryptów w języku Python, starając się zautomatyzować i zintegrować analizę z intuicyjnymi, łatwymi do zrozumienia wizualizacjami, które mogą uprościć analizowane złożone dane. Biorąc pod uwagę, jak dominują dziś hiperskalery w cyklach informacyjnych, naszym konkretnym celem było stworzenie pomocnych tabel i zaawansowanych grafik oraz analiza danego rynku technologii.

Nasze wnioski z ponad 50 różnych iteracji zweryfikowanych skryptów Pythona obejmowały:

• Im większa złożoność żądania kodu w Pythonie, tym bardziej model „myśli” i stara się przewidzieć pożądany wynik. EXP-1206 próbuje odgadnąć, co jest wymagane w przypadku danego złożonego znaku zachęty i sprawi, że będzie to inne nawet przy niewielkich, subtelnych zmianach w znaku zachęty. Przyjrzeliśmy się, jak model będzie zmieniał formaty typów tabel umieszczonych tuż nad wykresem pająka analizy rynku hiperskalerów, którą stworzyliśmy do testów.

• Zmuszenie modelu do podjęcia złożonej analizy i wizualizacji danych oraz wygenerowanie pliku Excel skutkuje utworzeniem arkusza kalkulacyjnego z wieloma zakładkami. Bez pytania o arkusz kalkulacyjny Excel z wieloma zakładkami, XP-1206 go utworzył. Podstawowa żądana analiza tabelaryczna znajdowała się na jednej karcie, wizualizacje na drugiej, a tabela pomocnicza na trzeciej.

• Poproszenie modelu o iterację danych i zalecenie 10 wizualizacji, które najlepiej pasują do danych, zapewnia korzystne i wnikliwe wyniki. Aby skrócić czas potrzebny na utworzenie trzech lub czterech iteracji slajdów przed przeglądem planszy, zmusiliśmy model do wygenerowania wielu iteracji koncepcyjnych obrazów. Można je łatwo wyczyścić i zintegrować z prezentacją, oszczędzając wiele godzin ręcznej pracy związanej z rysowaniem obrazów na slajdach.

Pchanie EXP-1206 w kierunku złożonych, wielowarstwowych zadań

Celem VentureBeat było sprawdzenie, jak daleko można posunąć się w modelu pod względem złożoności i funkcji warstwowych. Wydajność w tworzeniu, uruchamianiu, edytowaniu i dostrajaniu 50 różnych skryptów w języku Python pokazała, jak szybko model uczy się rozumieć niuanse w kodzie i szybko reaguje. Model jest elastyczny i dostosowuje się w oparciu o natychmiastową historię.

Wynik uruchomienia kodu Pythona za pomocą exp-1206 firma Google’a Pokazano, że drobna ziarnistość obejmuje cieniowanie i przezroczystość warstw na ośmiopunktowym wykresie pająka, który został zaprojektowany w celu pokazania, jak konkuruje ze sobą sześć hiperskalarów. Osiem cech, które poprosiliśmy Exp-1206 o zidentyfikowanie we wszystkich hiperskalerach i zakotwiczenie wykresu pająka, pozostało spójnych, mimo że reprezentacje graficzne były różne.

bitwa hiperskalerów

Do porównania w naszym teście wybraliśmy następujące hiperskalery: Alibaba Cloud, Amazon Web Services (AWS), Digital Realty, Equinix, Google Cloud Platform (GCP), Huawei, IBM Cloud, Meta Platform (Facebook), Microsoft Azure, NTT Global Data Center, Oracle Cloud i Tencent Cloud.

Następnie napisaliśmy 11-etapowy przewodnik zawierający ponad 450 słów. Celem było sprawdzenie, jak dobrze EXP-1206 radzi sobie z logiką sekwencyjną i nie traci swojego miejsca w złożonym, wieloetapowym procesie. (Wskazówki znajdziesz w dodatku na końcu tego artykułu.)

Następnym razem przedstawiliśmy monit Studio sztucznej inteligencji GoogleWybierz model Gemini Experimental 1206, jak pokazano na poniższym rysunku.

Następnie skopiowaliśmy kod do Google Colab i zapisaliśmy go w notatniku Jupyter (Hyperscalar Comparison – Gemini Experimental 1206.ipynb), a następnie uruchomiliśmy skrypt w Pythonie. Skrypt działał bezbłędnie i utworzył trzy pliki (oznaczone czerwonymi strzałkami w lewym górnym rogu).

Hiperskalarna analiza porównawcza i grafika – w mniej niż minutę

Pierwsza seria instrukcji w wierszu poleceń prosiła Exp-1206 o utworzenie skryptu w języku Python, który porównałby 12 różnych hiperskalerów na podstawie ich nazw produktów, unikalnych funkcji i wyróżników oraz lokalizacji centrów danych. Poniżej pokazano, jak wyglądał plik Excel żądany w skrypcie. Sformatowanie arkusza kalkulacyjnego i zmniejszenie go w celu dopasowania do kolumn zajęło mniej niż minutę.

Następna seria poleceń wymagała tabeli sześciu najlepszych hiperskali w porównaniu z wykresem pająka na górze i na dole strony. EXP-1206 utworzył poniższą stronę, aby reprezentować dane w samym formacie HTML.

Ostatnia sekwencja poleceń zachęty koncentruje się na utworzeniu wykresu pająka w celu porównania sześciu najlepszych hiperskalerów. Zadaniem EXP-1206 było wybranie ośmiu kryteriów porównania i uzupełnienie fabuły. Ta seria poleceń została przetłumaczona na język Python, a model utworzył plik i udostępnił go w sesji Google Colab.

Model zaprojektowany, aby zaoszczędzić czas analityków

Firma VentureBeat dowiedziała się, że w swojej codziennej pracy analitycy nadal tworzą, udostępniają i dostrajają biblioteki sygnałów dla określonych modeli sztucznej inteligencji w celu usprawnienia raportowania, analiz i wizualizacji w swoich zespołach.

Zespoły przydzielone do projektów doradczych na dużą skalę muszą rozważyć, w jaki sposób modele takie jak Gemini-XP-1206 mogą znacząco poprawić produktywność i wyeliminować potrzebę pracy trwającej ponad 60 godzin tygodniowo, a czasem także przepracowujących całą noc. Seria zautomatyzowanych sygnałów może wykonać pracę eksploracyjną polegającą na sprawdzaniu relacji w danych, umożliwiając analitykom tworzenie wizualizacji z dużą pewnością, bez konieczności poświęcania nadmiernego czasu na dotarcie do nich.

Załącznik:

Eksperymentalny test podpowiedzi Google Gemini 1206

Napisz skrypt w języku Python, aby przeanalizować następujące hiperskalery, które ogłosiły obecność globalnej infrastruktury i centrów danych dla swoich platform, i utwórz tabelę porównującą je, która przedstawia kluczowe różnice w każdym podejściu w zakresie globalnej infrastruktury i obecności centrów danych. Czy to robi.

Pierwsza kolumna tabeli zawiera nazwę firmy, druga kolumna zawiera nazwy każdego z hiperskalerów firmy, którzy mają globalną infrastrukturę i centra danych, trzecia kolumna zawiera informacje o tym, co sprawia, że ​​ich hiperskalery są wyjątkowe, oraz głębsze omówienie tego, co je wyróżnia różny. . obiektów, a czwarta kolumna będzie zawierać lokalizację centrów danych dla każdego hiperskalera na poziomie miasta, stanu i kraju. Uwzględnij wszystkie 12 hiperskalerów w pliku Excel. Nie zdrapuj sieci. Utwórz plik Excel z wynikiem i sformatuj tekst w pliku Excel tak, aby był wolny od nawiasów ({}), cudzysłowów (’), podwójnych gwiazdek (**) i jakiegokolwiek kodu HTML, aby poprawić czytelność. Nadaj plikowi Excel nazwę Gemini_Experimental_1206_Test.xlsx.

Następnie utwórz tabelę o szerokości trzech kolumn i głębokości siedmiu kolumn. Pierwsza kolumna nosi tytuł Hyperscaler, druga to Unikalne cechy i wyróżniki, a trzecia to Infrastruktura i lokalizacja centrum danych. Pogrub nagłówki kolumn i wyśrodkuj je. Pogrub także tytuły hiperskalerów. Sprawdź dwukrotnie, aby upewnić się, że tekst w każdej komórce tej tabeli zawija się i nie przenosi się do następnej komórki. Dostosuj wysokość każdej linii, aby mieć pewność, że cały tekst zmieści się w komórkach tam, gdzie chcesz. W tej tabeli porównano usługi Amazon Web Services (AWS), Google Cloud Platform (GCP), IBM Cloud, Meta Platform (Facebook), Microsoft Azure i Oracle Cloud. Wyśrodkuj tabelę u góry strony wyjściowej.

Następnie weźmy Amazon Web Services (AWS), Google Cloud Platform (GCP), IBM Cloud, Meta Platform (Facebook), Microsoft Azure i Oracle Cloud i zdefiniuj osiem najbardziej charakterystycznych aspektów tej grupy. Użyj tych ośmiu różnicujących aspektów, aby utworzyć wykres pająka porównujący te sześć hiperskalarów. Utwórz duży wykres pająka, który wyraźnie pokazuje różnice między tymi sześcioma hiperskalerami, używając różnych kolorów, aby poprawić jego czytelność i możliwość dostrzeżenia konturów lub śladów różnych hiperskali. Pamiętaj, aby zatytułować analizę „Co najbardziej różnicuje hiperskalery”, grudzień 2024 r. Upewnij się, że legenda jest całkowicie widoczna i nie znajduje się na grafice.

Dodaj grafikę pająka na dole strony. Wyśrodkuj grafikę pająka pod tabelą na stronie wyjściowej.

Są to hiperskalery zawarte w skrypcie Pythona: Alibaba Cloud, Amazon Web Services (AWS), Digital Realty, Equinix, Google Cloud Platform (GCP), Huawei, IBM Cloud, Meta Platform (Facebook), Microsoft Azure, NTT Global Data Kendra , Chmura Oracle, Chmura Tencent.