Vibe analytics: rychlejší než specializované nástroje?

Co kdyby bylo vytvoření datové aplikace stejně jednoduché jako její popis v běžné angličtině?

Co je Vibe Analytics

Nástroje jako Jupyter nebo Marimo jsou skvělé pro analytiku, prototypování a rychlé experimentování. Někdy je ale jednoduše rychlejší udělat „vibe analytics“ – nechat AI vygenerovat funkční datovou aplikaci přímo podle vašich pokynů.

Proprietární přístup Plotly

Společnost Plotly nedávno představila svojí představu Vibe Analytics, která vám umožňuje vytvářet datové aplikace pouhým zadáním pokynů AI. Omezení? Funguje pouze v rámci vlastního ekosystému Plotly.

Náš experiment

V LovelyData jsme experimentovali se stejnou myšlenkou, ale s využitím open-source technologií.

Python a JavaScript fungují obzvláště dobře. Jsou efektivní a v závislosti na použití vyžadují minimální hardware.

Kromě toho existuje pro Python a JavaScript nespočet zdrojů: články, tutoriály, knihovny a příklady. Tyto technologie jsou jazykovým modelům (LLM) dobře známé, takže pravděpodobnost, že kód generovaný AI bude fungovat správně, je vysoká. A i když se objeví chyby, lze je obvykle rychle vyřešit.

Nasazení a škálovatelnost

Jednou z předností výše uvedených technologií je, že je lze provozovat v kontejnerech (pomocí Dockeru nebo Podmanu). Pro firemní zákazníky to má dvě hlavní výhody:

1. Nasazení bez potíží – aplikace přecházejí hladce z prototypu do produkce bez větších úprav.
2. Škálovatelnost podle potřeby – kontejnerové aplikace lze automaticky replikovat nebo vypínat, což optimalizuje zdroje a kontroluje náklady.

To znamená, že prototyp generovaný umělou inteligencí může začít jako koncept založený na datech, být vylepšen pro nasazení, předán IT oddělení a podle potřeby škálován – to vše bez vázání na konkrétního dodavatele.

Výhody lokálního nasazení a zabezpečení

Ne každá organizace je spokojena s provozováním datových aplikací v cloudu, zejména pokud se jedná o citlivá data nebo proprietární modely. Přístup, který testujeme, usnadňuje nasazení aplikací lokálně nebo v soukromém cloudu. To zahrnuje provozování vlastních modelů LLM ve stejném prostředí, přičemž data i modely zůstávají plně pod kontrolou společnosti.

Pro management to znamená dvě jasné výhody:

1. Kontrola nákladů – žádné nepředvídatelné účty za cloud za každý dotaz nebo požadavek aplikace.
2. Bezpečnost a soulad s předpisy – data zůstávají v infrastruktuře společnosti, což snižuje riziko jejich odhalení a usnadňuje splnění regulačních požadavků.

Klíčové poznatky

Naše poznatky:

• Jasná specifikace je důležité. Řekněte AI, jaké technologie má použít, jaké prvky uživatelského rozhraní má zahrnout a co má aplikace dělat.
• Nejedná se o „no-code“. K ověření, opravě a vylepšení toho, co AI vygeneruje, jsou stále potřebné technické a byznys znalosti.
• Se správným nastavením se pracovní postup stává vysoce produktivním: lidé napíší specifikace, AI navrhne aplikaci, lidé ji vylepší a cyklus se efektivně opakuje.
• Pro technicky zdatné týmy to může být rychlejší než specializované nástroje.

Závěr

Vidíme slibné výsledky – ne jako úplnou náhradu, ale jako praktickou zkratku. Pro některé týmy může „vibe analytics“ urychlit cestu od nápadu k použitelné aplikaci.

Prohlédněte si některé příklady zde: LovelyData – Data Apps