Google 的最新实验模型 Gemini-Exp-1206 显示出减轻分析师最繁重工作之一的潜力：使他们的数据和可视化完美同步，并提供引人入胜的叙述，而无需整夜工作。 投资分析师、初级银行家和咨询团队成员都知道，长时间工作、周末加班和偶尔通宵工作可能会为他们的晋升带来内部优势。耗费他们大量时间的是在进行高级数据分析的同时创建强化引人入胜故事情节的可视化效果。更具挑战性的是，每家银行、金融科技和咨询公司，如摩根大通、麦肯锡和普华永道，都有独特的数据分析和可视化格式和惯例。 VentureBeat 采访了内部项目团队的成员，他们的雇主聘请了这些公司并将他们分配到项目中。在顾问领导的团队中工作的员工表示，制作浓缩和整合大量数据的可视化效果是一个持续的挑战。有人说，顾问团队通宵工作并在确定一个并准备好进行董事会级更新之前对演示文稿的可视化效果进行至少三到四次迭代是很常见的。测试 Google 最新模型的引人注胜用例 分析师创建支持具有可靠可视化和图形的故事情节的演示文稿所依赖的过程有太多的手动步骤和重复，这证明了测试 Google 最新模型的引人注胜用例。 在 12 月初推出该模型时，Google 的 Patrick Kane 写道：“无论您是在解决复杂的编码挑战、为学校或个人项目解决数学问题，还是提供详细的多步骤说明来制定量身定制的商业计划，Gemini-Exp-1206 都将帮助您更轻松地驾驭复杂的任务。” Google 指出，该模型在更复杂的任务（包括数学推理、编码和遵循一系列说明）中的性能有所提高。 VentureBeat 本周对 Google 的 Exp-1206 模型进行了全面的测试。我们创建并测试了 50 多个 Python 脚本，试图自动化和集成分析以及直观、易于理解的可视化效果，以简化正在分析的复杂数据。鉴于超大规模企业在当今新闻周期中占据主导地位，我们的具体目标是创建对给定技术市场的分析，同时创建支持表格和高级图形。 通过超过 50 次不同的经过验证的 Python 脚本迭代，我们的发现包括：- Python 代码请求的复杂性越大，模型“思考”并尝试预测所需结果的次数就越多。Exp-1206 试图预测给定复杂提示所需的内容，并且即使提示中的细微变化也会改变其生成的内容。我们在模型如何在我们为测试创建的超大规模企业市场分析的蜘蛛图上方直接放置的表格类型格式之间交替看到了这一点。- 强制模型尝试复杂的数据分析和可视化并生成 Excel 文件会生成一个多选项卡电子表格。从未被要求提供具有多个选项卡的 Excel 电子表格，Exp-1206 创建了一个。请求的主要表格分析在一个选项卡上，可视化在另一个选项卡上，辅助表格在第三个选项卡上。- 告诉模型迭代数据并推荐它认为最适合数据的 10 个可视化效果会产生有益的、有洞察力的结果。为了减少在董事会审查之前必须创建三到四次幻灯片迭代的时间消耗，我们强制模型生成图像的多个概念迭代。这些可以很容易地清理并集成到演示文稿中，节省了在幻灯片上创建图表的许多小时的手动工作。将 Exp-1206 推向复杂的分层任务 VentureBeat 的目标是了解该模型在复杂性和分层任务方面可以推进多远。它在创建、运行、编辑和微调 50 个不同 Python 脚本方面的表现表明，该模型能够快速捕捉代码中的细微差别并立即做出反应。该模型根据提示历史进行调整和适应。 在 Google Colab 中运行使用 Exp-1206 创建的 Python 代码的结果表明，细微的粒度扩展到了我们设计用于显示六个超大规模企业竞争对手如何比较的八点蜘蛛图中的图层的阴影和透明度。我们要求 Exp-1206 在所有超大规模企业中识别并锚定蜘蛛图的八个属性保持一致，而图形表示则有所不同。超大规模企业之战 我们在测试中选择了以下超大规模企业进行比较：阿里云、亚马逊网络服务（AWS）、Digital Realty、Equinix、谷歌云平台（GCP）、华为、IBM Cloud、Meta Platforms（Facebook）、微软 Azure、NTT 全球数据中心、Oracle Cloud 和腾讯云。 接下来，我们编写了一个超过 450 字的 11 步提示。目标是了解 Exp-1206 如何处理顺序逻辑而不会在复杂的多步骤过程中迷失方向。（您可以在本文末尾的附录中阅读提示。） 然后，我们在 Google AI Studio 中提交了提示，选择了 Gemini Experimental 1206 模型，如下图所示。 接下来，我们将代码复制到 Google Colab 中并将其保存到 Jupyter 笔记本（Hyperscaler Comparison – Gemini Experimental 1206.ipynb）中，然后运行 Python 脚本。脚本运行完美，创建了三个文件（如左上角的红色箭头所示）。超大规模企业比较分析和图形 - 在不到一分钟的时间内 提示中的第一系列指令要求 Exp-1206 创建一个 Python 脚本，该脚本将通过产品名称、独特功能和差异化因素以及数据中心位置比较 12 个不同的超大规模企业。下面是脚本中请求的 Excel 文件的结果。将电子表格格式化为缩小以适合列的时间不到一分钟。 下一系列命令要求在页面顶部比较前六大超大规模企业的表格和下面的蜘蛛图。Exp-1206 自行选择以 HTML 格式表示数据，创建了下面的页面。 提示命令的最后序列集中在创建一个蜘蛛图来比较前六大超大规模企业。我们要求 Exp-1206 选择比较的八个标准并完成绘图。该系列命令被转换为 Python，模型创建了文件并在 Google Colab 会话中提供了该文件。专为节省分析师时间而构建的模型 VentureBeat 了解到，在日常工作中，分析师继续为特定的 AI 模型创建、共享和微调提示库，目的是在其团队中简化报告、分析和可视化。 分配给大型咨询项目的团队需要考虑像 Gemini-Exp-1206 这样的模型如何大大提高生产力，并减轻每周工作 60 小时以上和偶尔通宵工作的需求。一系列自动化提示可以完成探索数据关系的工作，使分析师能够更确定地生成可视化效果，而无需花费过多时间。附录：Google Gemini Experimental 1206 提示测试 编写一个 Python 脚本来分析以下已宣布其平台具有全球基础设施和数据中心存在的超大规模企业，并创建一个比较它们的表格，捕获每个方法在全球基础设施和数据中心存在方面的显着差异。 使表格的第一列是公司名称，第二列是每个公司具有全球基础设施和数据中心存在的超大规模企业的名称，第三列是使他们的超大规模企业独特的深入研究最具差异化的功能，第四列是每个超大规模企业的数据中心位置到城市、州和国家级别。将所有 12 个超大规模企业包含在 Excel 文件中。不要进行网络抓取。生成结果的 Excel 文件，并格式化 Excel 文件中的文本，使其没有任何括号（{}）、引号（'）、双星号（**）和任何 HTML 代码，以提高可读性。将 Excel 文件命名为 Gemini_Experimental_1206_test.xlsx。 接下来，创建一个三列宽七列深的表格。第一列标题为“超大规模企业”，第二列标题为“独特功能和差异化因素”，第三列标题为“基础设施和数据中心位置”。将列标题加粗并居中。也将超大规模企业的标题加粗。仔细检查以确保此表格中每个单元格内的文本环绕并且不会跨越到下一个单元格。调整每行的高度，以确保所有文本都可以适合其预期的单元格。此表比较了亚马逊网络服务（AWS）、谷歌云平台（GCP）、IBM Cloud、Meta Platforms（Facebook）、微软 Azure 和 Oracle Cloud。将表格居中放在输出页面的顶部。 接下来，选择亚马逊网络服务（AWS）、谷歌云平台（GCP）、IBM Cloud、Meta Platforms（Facebook）、微软 Azure 和 Oracle Cloud，并定义该组中最具差异化的八个方面。使用这八个差异化方面创建一个蜘蛛图，比较这六个超大规模企业。创建一个大的蜘蛛图，清楚地显示这六个超大规模企业之间的差异，使用不同的颜色来提高其可读性和查看不同超大规模企业的轮廓或足迹的能力。确保将分析标题命名为“2024 年 12 月超大规模企业的最大差异”。确保图例完全可见且不在图形上方。 将蜘蛛图添加到页面底部。将蜘蛛图居中放在输出页面上的表格下方。 这些是要包含在 Python 脚本中的超大规模企业：阿里云、亚马逊网络服务（AWS）、Digital Realty、Equinix、谷歌云平台（GCP）、华为、IBM Cloud、Meta Platforms（Facebook）、微软 Azure、NTT 全球数据中心、Oracle Cloud、腾讯云。
