L’un des modèles expérimentaux récents de Google, baptisé Gemini-Exp-1206, démontre son potentiel pour atténuer l’une des tâches les plus ardue pour les analystes : synchroniser les données et les visualisations de manière à offrir une narrative convaincante, sans avoir à travailler toute la nuit.
Les analystes d’investissement, les banquiers débutants ou encore les membres des équipes de conseil aspirant à des postes de direction savent que les longues heures, y compris les week-ends et les nuits blanches occasionnelles, peuvent leur donner un avantage sur la voie de la promotion.
Ce qui consomme tant de temps, c’est la nécessité d’effectuer une analyse de données avancée tout en créant des visualisations qui renforcent un récit cohérent. Cela est encore plus compliqué par le fait que chaque banque, fintech, et cabinet de consultants, tels que JP Morgan, McKinsey et PwC, a ses propres formats et conventions pour l’analyse et la visualisation des données.
VentureBeat a interviewé des membres de projets internes de ces firmes consultantes, qui ont partagé leur expérience. Les employés participant à ces équipes ont constaté que la production de visuels condensant et consolidant les données massives était un défi récurrent. Un participant a même souligné qu’il était courant que les équipes de consultants passent la nuit à réaliser un minimum de trois à quatre itérations des visualisations d’une présentation avant de choisir la version finale prête pour la présentation au conseil.
Un cas d’utilisation captivant pour tester le dernier modèle de Google
Le processus par lequel les analystes créent des présentations pour soutenir un récit avec des visualisations et des graphiques de qualité implique de nombreuses étapes manuelles et répétitives, ce qui en fait un cas d’utilisation convaincant pour tester le dernier modèle de Google.
Lors du lancement du modèle début décembre, Patrick Kane de Google a déclaré : « Que vous abordiez des défis de codage complexes, résolviez des problèmes mathématiques pour des projets personnels, ou fournissiez des instructions détaillées pour élaborer un plan d’affaires sur mesure, Gemini-Exp-1206 vous aidera à naviguer dans ces tâches complexes avec plus de simplicité. » Google a également salué les améliorations de ce modèle en matière de tâches complexes, y compris le raisonnement mathématique, le codage et le suivi d’instructions.
VentureBeat a testé le modèle Exp-1206 en profondeur cette semaine, en créant et en testant plus de 50 scripts Python dans le but d’automatiser et d’intégrer l’analyse et des visualisations intuitives, facilitant ainsi la compréhension des données examinées. Étant donné l’omniprésence des hyperscalers dans l’actualité actuelle, notre objectif était d’analyser un marché technologique spécifique tout en créant des tableaux de soutien et des graphiques avancés.
Dans notre parcours de création, plusieurs conclusions ont été tirées :
La complexité des demandes de code Python influence la réactivité du modèle : Plus la demande de code est complexe, plus le modèle « réfléchit » et tente d’anticiper le résultat souhaité. Nous avons observé cette nuance lorsque le modèle a modifié les formats des tableaux en fonction de notre analyse de marché.
La création d’un fichier Excel multiple : Le modèle a produit sans demande préalable un fichier Excel à plusieurs onglets, comprenant une analyse principale, des visualisations et un tableau auxiliaire.
- Une itération efficace pour des résultats bénéfiques : En demandant au modèle de parcourir les données et de recommander les meilleures visualisations, nous avons pu réduire considérablement le temps consacré à la création de présentations.
Pousser Exp-1206 vers des tâches complexes et stratifiées
Le test visait à évaluer jusqu’où le modèle pouvait gérer des tâches de plus en plus sophistiquées. Son efficacité dans la création, l’exécution, l’édition et l’optimisation des 50 scripts Python a démontré la rapidité avec laquelle le modèle perçoit les nuances de code et réagit en temps réel.
De même, les résultats de l’exécution des scripts dans Google Colab ont mis en lumière une granularité nuancée, visible dans un graphique en toile d’araignée de huit points, comparant six concurrents hyperscalers. Les attributs identifiés par Exp-1206 sont restés constants tout au long du test.
Analyse comparative des hyperscalers
Pour cette comparaison, nous avons sélectionné plusieurs hyperscalers : Alibaba Cloud, Amazon Web Services (AWS), Digital Realty, Equinix, Google Cloud Platform (GCP), Huawei, IBM Cloud, Meta Platforms (Facebook), Microsoft Azure, NTT Global Data Centers, Oracle Cloud et Tencent Cloud.
Nous avons rédigé une série de commandes de plus de 450 mots pour évaluer la capacité d’Exp-1206 à suivre une logique séquentielle sans se perdre dans un processus complexe.
Analyse comparative des hyperscalers et graphique en moins d’une minute
La première série de commandes visait à créer un script Python afin de comparer ces 12 hyperscalers selon leurs produits, caractéristiques uniques et emplacements des centres de données. Le modèle a complété cette tâche en moins d’une minute, permettant ainsi de gagner un temps précieux.
Un modèle conçu pour faire gagner du temps aux analystes
Selon nos découvertes, les analystes continuent d’élaborer et d’affiner des bibliothèques de commandes pour des modèles d’IA spécifiques, visant ainsi à rationaliser la création de rapports, l’analyse et la visualisation au sein de leurs équipes.
Les équipes assignées à de grands projets de conseil peuvent tirer profit de modèles comme Gemini-Exp-1206 pour améliorer leur productivité et réduire les semaines de travail dépassant 60 heures. Grâce à une série de commandes automatisées, les analystes peuvent explorer les relations dans les données, produisant ainsi des visualisations avec plus de certitude sans y consacrer un temps excessif.
Points à retenir
- Gemini-Exp-1206 vise à faciliter la tâche des analystes en synchronisant données et visualisations.
- L’adoption de ce modèle pourrait réduire les charges de travail excessives liées aux tâches analytiques.
- Les modèles d’IA, tels que Gemini-Exp-1206, peuvent jouer un rôle crucial dans l’automatisation et l’optimisation des processus d’analyse de données.
En conclusion, la possibilité d’intégrer ces outils IA dans le quotidien des analystes soulève une question intéressante sur l’avenir des méthodes de travail dans ce domaine. Au-delà de l’efficacité, quelle place accordera-t-on à l’analytique humaine dans un environnement de plus en plus automatisé ?
Cet outil de Google semble vraiment prometteur pour alléger le fardeau des analystes. Comment envisagez-vous son impact sur la qualité des analyses à long terme ?
L’idée de fusionner l’IA avec l’analyse de données me semble fascinante. Cela pourrait vraiment alléger la charge des analystes tout en apportant des insights précieux.