Jupyter Defterleri ile Veri Bilimi Görevleri için Eğitilen Jupyter Ajanları
Kaynak: huggingface.co ·
Jupyter Ajanı projesi, yapay zeka modellerinin veri analizi görevlerini doğrudan Jupyter defterlerinde kod çalıştırarak çözebilmesi için yeni bir eğitim süreci tanıttı. Yaklaşık 2 terabaytlık ham Kaggle defterleri ve 5 terabaytlık veri setleri üzerinde çok aşamalı bir veri temizleme ve sentezleme boru hattı kuruldu. Bu çalışmalar sonucunda Qwen3-4B modeline yapılan tam parametreli ince ayar ile verimlilik artırıldı. Geliştirilen açık kaynaklı veri seti ve eğitilmiş modeller Hugging Face üzerinden paylaşıma açıldı.
Neden önemli?
Küçük boyutlu yapay zeka modelleri, veri bilimi ve ajan görevlerinde genellikle büyük modellere karşı zayıf kalmaktadır. Doğru veri kürasyonu ve basitleştirilmiş iskele yapısı kullanıldığında, küçük modellerin de gerçekçi veri analizi görevlerinde başarılı olabileceği kanıtlanmıştır.
Bununla neler yapılabilir?
- Olası kullanım: Doğrudan Jupyter defteri içinde kod yürütme yeteneği kullanarak veri analizi ve veri bilimi sorularını yanıtlamak.
- Olası kullanım: Kaggle veri setleri ve tablolama dosyaları üzerinde çok adımlı mantıksal çıkarım gerektiren finansal ve risk analitiği iş akışlarını otomatikleştirmek.
Somut sonuçlar ve kanıtlar
- Temel iskele yapısının basitleştirilmesiyle Qwen3-4B modelinin kolay görevler setindeki doğruluk oranı yüzde 44.4'ten yüzde 59.7'ye yükseldi. (Üreticinin açıklaması)
- Yayıncıya göre, verimli eğitim epokları ve sentetik veri seti kullanımı sonrasında modelin kolay görevler setindeki doğruluk oranı yüzde 75'e ulaştı. (Üreticinin açıklaması)
Sınırlar ve açık kalan sorular
Model henüz en zorlu sorgularda yeterince güçlü değildir ve en karmaşık veri analizi problemlerinin tamamını çözmemektedir. Eğitim ve çalıştırma koşulları sağlanan donanım ve sanal ortamlara bağlıdır.