<< TOPへ
DATA INTERPRETER: AN LLM AGENT FOR DATA SCIENCE
・MetaGPTについて、機械学習、データ解析、数学的問題解決にフォーカスすると本質的な問題があって、これを解決する。2024年。
・具体的には、データ依存、ドメイン知識、厳密なロジック要件、など。また、ツールを動的に作ること、階層的なグラフ構造である動的計画法であること、そして、グラフを監視し続けて計画の成功率をあげている。
・経験則を蓄積していることもすごい。失敗体験も成功体験も蓄積しているけど、再利用可能な経験となっているらしい。よく昔起こっていた「同じ失敗を繰り返し続ける」事象はこれで解決できるのかな
・行おうとするタスクによって、達成率を上げるために何が必要なのかを考えた一例となる。こりゃまたアクセプト確実だなぁ。。
・業務知識が強い要件である顧客システムの開発も、同じアプローチで達成できそう。
・ちなみにOpenInterpreterとの比較もあったけど、こちらの方が評価は高い。
https://paper.path-finder.jp/35c699aa570a7b3b1da0e0503d8cd354522ba2b55248f18b4fe6c29796dad8e5
・こちらも参考リンク
https://docs.deepwisdom.ai/main/en/guide/use_cases/agent/interpreter/intro.htmlDATA INTERPRETER: AN LLM AGENT FOR DATA SCIENCE
・MetaGPTについて、機械学習、データ解析、数学的問題解決にフォーカスすると本質的な問題があって、これを解決する。2024年。
・具体的には、データ依存、ドメイン知識、厳密なロジック要件、など。また、ツールを動的に作ること、階層的なグラフ構造である動的計画法であること、そして、グラフを監視し続けて計画の成功率をあげている。
・経験則を蓄積していることもすごい。失敗体験も成功体験も蓄積しているけど、再利用可能な経験となっているらしい。よく昔起こっていた「同じ失敗を繰り返し続ける」事象はこれで解決できるのかな
・行おうとするタスクによって、達成率を上げるために何が必要なのかを考えた一例となる。こりゃまたアクセプト確実だなぁ。。
・業務知識が強い要件である顧客システムの開発も、同じアプローチで達成できそう。
・ちなみにOpenInterpreterとの比較もあったけど、こちらの方が評価は高い。
https://paper.path-finder.jp/35c699aa570a7b3b1da0e0503d8cd354522ba2b55248f18b4fe6c29796dad8e5
・こちらも参考リンク
https://docs.deepwisdom.ai/main/en/guide/use_cases/agent/interpreter/intro.html
---
```mermaid
graph LR
A[データ探索] --> B(データの構造と欠損値を理解)
A --> C(基本統計量を算出)
B --> D[データセットの構造、欠損値、基本統計量を把握]
E[相関分析] --> F(変数間の関係性を特定)
F --> G[変数間の関係性や因果推論を理解]
H[異常値検出] --> I(外れ値を特定して処理)
I --> J[データセットの異常値を除去]
K[特徴量エンジニアリング] --> L(相関分析と異常値検出の結果を利用)
L --> M[予測モデリングに適したデータセットを準備]
N[予測モデルの開発] --> O(処理済みデータセットを利用)
O --> P[機械の動作状態を判定する予測モデルを構築]
Q[モデルの評価] --> R(テストデータを利用)
R --> S[開発した予測モデルの性能を評価]
T[結果の可視化] --> U(分析と予測結果を利用)
U --> V[分析と予測結果を高品質なグラフで可視化]
```