Wie ich AI -Agenten als Datenwissenschaftler im Jahr 2025 benutze

Bild des Autors

# Einführung

Als Datenwissenschaftler tragen wir im Job so viele Hüte, dass es sich oft so anfühlt, als würden mehrere Karrieren in einen gerettet. In einem einzigen Arbeitstag muss ich:

• Erstellen Sie Datenpipelines mit SQL Und Python
• Verwenden Sie Statistiken, um Daten zu analysieren
• Empfehlungen an die Stakeholder vermitteln
• Überwachen Sie die Produktleistung konsequent und generieren Sie Berichte
• Führen Sie Experimente durch, um dem Unternehmen zu helfen, zu entscheiden, ob ein Produkt auf den Markt kommt

Und das ist nur die Hälfte davon.

Datenwissenschaftler zu sein ist aufregend, da es sich um eine der vielseitigsten Felder der Technologie handelt: Sie erhalten so viele verschiedene Aspekte des Geschäfts und können die Auswirkungen von Produkten auf alltägliche Benutzer visualisieren.

Aber der Nachteil? Es fühlt sich an, als würden Sie immer nachholen.

Wenn eine Produkteinführung schlecht abschneidet, müssen Sie herausfinden, warum – und Sie müssen dies sofort tun. Wenn ein Stakeholder in der Zwischenzeit die Auswirkungen der Startfunktion A anstelle von Characteristic B verstehen möchte, müssen Sie ein Experiment schnell entwerfen und die Ergebnisse auf eine Weise erläutern, die leicht zu verstehen ist.

Sie können in Ihrer Erklärung nicht zu technisch sein, aber Sie können auch nicht zu vage sein. Sie müssen einen Mittelweg finden, der die Interpretierbarkeit mit analytischer Strenge ausgleichen.

Am Ende eines Arbeitstages, Es fühlt sich manchmal so an, als hätte ich gerade einen Marathon geführt. Nur um aufzuwachen und am nächsten Tag alles wieder zu tun. Wenn ich additionally die Gelegenheit bekomme, Teile meines Jobs mit KI zu automatisieren, nehme ich es.

Vor kurzem habe ich angefangen, KI -Agenten in meine Datenwissenschaftsworkflows einzubeziehen.

Dies hat mich bei meinem Job effizienter gemacht, und ich kann Geschäftsfragen mit Daten viel schneller beantworten als früher.

In diesem Artikel werde ich genau erklären, wie ich AI -Agenten verwende, um Teile meines Datenwissenschafts -Workflows zu automatisieren. Insbesondere werden wir untersuchen:

• Wie ich normalerweise einen Datenwissenschafts -Workflow ohne KI durchführe
• Die Schritte zur Automatisierung des Workflows mit KI
• Die genauen Werkzeuge, die ich benutze und wie viel Zeit dies gespart hat

Aber bevor wir uns darauf einlassen, lasst uns noch einmal überlegen, was ein AI -Agent ist und warum es so viel Hype um sich herum gibt.

# Was sind AI -Agenten?

KI-Agenten sind mit LLM-betriebene Systeme (Langwary Mannequin), die Aufgaben automatisch durch Planen und Argumentation durch ein Downside ausführen können. Sie können verwendet werden, um erweiterte Workflows ohne ausdrückliche Richtung des Benutzers zu automatisieren.

Dies kann so aussehen, als würde man einen einzigen Befehl ausführen und einen LLM einen Finish-to-Finish-Workflow ausführen, während sie Entscheidungen treffen und seinen Ansatz während des gesamten Prozesses anpassen. Sie können diese Zeit nutzen, um sich auf andere Aufgaben zu konzentrieren, ohne dass jeder Schritt eingreifen oder überwachen muss.

# Wie ich KI -Agenten verwende, um das Experimentieren in der Datenwissenschaft zu automatisieren

Das Experimentieren ist ein großer Teil eines Datenwissenschaftsjobs.

Unternehmen wie Spotify, Google und Meta experimentieren immer, bevor sie ein neues Produkt veröffentlichen, um zu verstehen:

• Ob das neue Produkt eine hohe Kapitalrendite liefert und die für den Aufbau zugewiesenen Ressourcen wert ist
• Wenn das Produkt langfristig optimistic Auswirkungen auf die Plattform hat
• Benutzerstimmung um diesen Produkteinführung

Datenwissenschaftler führen in der Regel A/B -Exams durch, um die Effektivität einer neuen Funktion oder Produkteinführung zu bestimmen. Um mehr über A/B -Exams in der Datenwissenschaft zu erfahren, können Sie lesen Diese Anleitung zum A/B -Check.

Unternehmen können bis zu 100 Experimente professional Woche durchführen. Das Design und die Analyse von Experiments können ein sehr repetitiver Prozess sein, weshalb ich mich entschlossen habe, ihn mit AI -Agenten zu automatisieren.

So analysiere ich normalerweise die Ergebnisse eines Experiments, ein Prozess, der ungefähr drei Tage bis zu einer Woche dauert:

1. Erstellen Sie SQL -Pipelines, um die A/B -Testdaten zu extrahieren, die aus dem System fließen
2. Fragen Sie diese Pipelines ab und führen Sie die explorative Datenanalyse (EDA) aus
3. Schreiben Sie Python -Code, um statistische Exams auszuführen und diese Daten zu visualisieren
4. Erstellen Sie eine Empfehlung (z. B. richten Sie diese Funktion 100% unserer Benutzer aus) aus.
5. Präsentieren Sie diese Daten in Kind eines Excel -Blattes, eines Dokuments oder eines Foliendecks und erläutern Sie die Ergebnisse den Stakeholdern

Die Schritte 2 und 3 sind die zeitaufwändigsten, da die Experimentergebnisse nicht immer einfach sind.

Wenn wir beispielsweise entscheiden, ob eine Videoanzeige oder eine Bildanzeige ausgelöst werden soll, können wir widersprüchliche Ergebnisse erzielen. Eine Picture-Anzeige kann unmittelbarere Einkäufe generieren, was zu höheren kurzfristigen Einnahmen führt. Videoanzeigen können jedoch zu einer besseren Benutzerbindung und Loyalität führen, was bedeutet, dass Kunden mehr wiederholte Einkäufe tätigen. Dies führt zu höheren langfristigen Einnahmen.

In diesem Fall müssen wir mehr unterstützende Datenpunkte sammeln, um eine Entscheidung darüber zu treffen, ob Bild- oder Videoanzeigen starten. Möglicherweise müssen wir verschiedene statistische Techniken anwenden und einige Simulationen durchführen, um zu sehen, welcher Ansatz am besten mit unseren Geschäftszielen übereinstimmt.

Wenn dieser Vorgang mit einem AI -Agenten automatisiert wird, wird eine Menge manueller Eingriffe entfernt. Wir können KI-Daten sammeln lassen und diese Tiefenanalyse für uns durchführen, die das analytische schwere Anheben, das wir normalerweise durchführen, beseitigt.

So sieht die automatisierte A/B -Testanalyse mit einem AI -Agenten aus:

1. Ich benutze Cursorein KI -Editor, der auf Ihre Codebasis zugreifen und Ihren Code automatisch schreiben und bearbeiten kann.
2. Mit dem Modellkontextprotokoll (MCP) erhält der Cursor zu Zugriff auf den Datensee, in dem Roh -Experiment -Daten fließt
3. Der Cursor erstellt dann automatisch eine Pipeline, um Experimentdaten zu verarbeiten
4. Nachdem alle erforderlichen Pipelines erstellt wurden, wird EDA in diesen Tabellen durchgeführt und automatisch die beste statistische Technik bestimmt, um die Ergebnisse des A/B -Exams zu analysieren
5. Es führt den ausgewählten statistischen Check aus und analysiert die Ausgabe, wodurch automatisch ein umfassender HTML -Bericht über die Ausgabe in einem Format erstellt wird, das den Geschäftsbeteiligten präsentiert kann

Das obige ist ein Finish-to-Finish-Experimentautomation-Framework mit einem AI-Agenten.

Sobald dieser Prozess abgeschlossen ist, überprüfe ich natürlich die Ergebnisse der Analyse und mache die Schritte des AI -Agenten durch. Ich muss zugeben, dass dieser Workflow nicht immer nahtlos ist. AI halluziniert und braucht eine Menge Aufforderung und Beispiele für frühere Analysen, bevor sie einen eigenen Workflow erstellen können. Das Prinzip „Müll in, Müllout“ gilt hier definitiv, und ich habe quick eine Woche lang Beispiele zusammengestellt und Eingabedateien erstellt, um sicherzustellen, dass Cursor alle relevanten Informationen zur Ausführung dieser Analyse benötigt.

Es gab viele Hin- und Her -Iterationen, bevor das automatisierte Framework wie erwartet durchgeführt wurde.

Nachdem dieser KI -Agent jedoch funktioniert, kann ich jedoch die Zeit, die für die Analyse der Ergebnisse von A/B -Exams aufgewendet wird, drastisch verkürzt. Während der AI -Agent diesen Workflow ausführt, kann ich mich auf andere Aufgaben konzentrieren.

Dies enthält Aufgaben von meiner Platte und macht mich zu einem etwas weniger geschäftigen Datenwissenschaftler. Ich werde auch den Stakeholdern schnell Ergebnisse präsentieren, und die kürzere Turnaround -Zeit hilft dem gesamten Produktteam schnellere Entscheidungen.

# Warum müssen Sie KI -Agenten für die Datenwissenschaft lernen

Jeder Datenfachmann, den ich kenne, hat KI in irgendeiner Weise in seinen Workflow integriert. In Organisationen gibt es einen High-Down-Vorstoß dafür, schnellere Geschäftsentscheidungen zu treffen, Produkte schneller zu starten und dem Wettbewerb voraus zu sein. Ich glaube, dass die Einführung von KI für Datenwissenschaftler von entscheidender Bedeutung ist, um related zu bleiben und auf diesem Arbeitsmarkt wettbewerbsfähig zu bleiben.

Nach meiner Erfahrung müssen wir agierische Workflows zur Automatisierung von Teilen unserer Jobs erstellen, um Upskill zu upskill. Ich musste neue Instruments und Techniken wie MCP -Konfiguration und AI -Agent -Aufforderung erlernen (was sich vom Eingeben einer Eingabeaufforderung in unterscheidet Chatgpt) und Workflow Orchestration. Die anfängliche Lernkurve lohnt sich, da sie Stunden spart, sobald Sie Teile Ihres Jobs automatisieren können.

Wenn Sie Datenwissenschaftler oder aufstrebend sind, empfehle ich zu lernen, wie Sie zu Beginn Ihrer Karriere auf AI-unterstützte Workflows aufbauen. Dies wird schnell zu einer Branchenerwartung und nicht nur zu einer schönen, die Sie für die nahe Zukunft von Datenrollen positionieren.

Um loszulegen, können Sie Sehen Sie sich dieses Video an Für eine Schritt-für-Schritt-Anleitung zum kostenlosen Erlernen der Agent-KI.

Natassha Selvaraj ist ein autodidaktischer Datenwissenschaftler mit einer Leidenschaft für das Schreiben. Natassha schreibt über alles, was Knowledge Science zu tun hat, einen echten Grasp aller Datenthemen. Sie können sich mit ihr verbinden LinkedIn Oder schauen Sie sich sie an YouTube -Kanal.