top of page
  • szudejkomichal

Projektowanie kokpitu menadżerskiego w ChatGPT

Zaktualizowano: 18 cze

Pracowici jak mrówki. Źródło: materiały własne autora.

Co jest w tym poście?

W poście z maja opisałem moje pierwsze doświadczenia w pracy z ChatGPT 4o. Teraz chciałbym skupić się na innej funkcji ChatGPT– modelach tworzonych przez użytkowników.


Funkcja ta, wprowadzona w listopadzie 2023, pozwala użytkownikom na konfigurowanie i publikowanie własnych, spersonalizowanych modeli GPT. Modele te często oparte są o dane i pliki dostarczone przez twórców, oferując unikalne możliwości niedostępne w "podstawowej" wersji ChatGPT.


Co mogą robić własne modele GPT? Praktycznie wszystko. Wśród tysięcy modeli znajdziecie na pewno rozwiązanie adresujące Waszą potrzebę. Czyżby? Sprawdźmy!


Na potrzeby tego artykułu postanowiłem przeprowadzić test i sprawdzić, jak losowo wybrane modele poradzą sobie z wyzwaniem zaprojektowania kokpitu menedżerskiego.

Kluczowym dla mnie pytaniem było to czy wykorzystanie ChatGPT i modeli użytkownika może oznaczać koniec mrówczej pracy przy przygotowywaniu kokpitów menedżerskich? Otóż niekoniecznie.

Praca z ChatGPT i modelami wymaga wciąż czasu i zaangażowania. Nie wystarczy wrzucić plik i napisać kilka promptów, by uzyskać gotowe rozwiązanie. W praktyce, pracy jest tyle samo, co przy tworzeniu kokpitu od podstaw w dedykowanym narzędziu. Przynajmniej na razie...


Należy też dodać, iż korzystanie z modeli użytkowników (w tym ich tworzenie) wymaga posiadania płatnej wersji ChatGPT Plus. Zdecydowanie odradzam też pracę w ChatGPT oraz modelach użytkownika z wykorzystaniem danych wrażliwych.


Wnioski z przeprowadzonego testu

Pierwszy wniosek jest taki, że to możliwe. Tak, da się stworzyć prosty kokpit menadżerski za pomocą kilku (a właściwie kilkunastu) promptów. To imponujące, zważywszy na to, że jeszcze kilka miesięcy temu można było jedynie generować wizualizacje, a odczytanie pliku w ChatGPT wymagało korzystania z wtyczek. Teraz kokpity wygenerowane przez ChatGPT mogą wizualizować dane, nawigować za pomocą filtrów i aktualizować dane.


Niestety, to wszystko. Kokpity utworzone w ChatGPT nie są szczególnie wyrafinowane. Ich przygotowanie zajmuje przy tym tyle czasu, ile umiarkowanie wprawionej osobie (jak ja) stworzenie kokpitu np. w Looker Studio.


Jest też jedno duże "ale". Produkty AI nie są samodzielne – muszą być uruchomione, np. na stronie internetowej. W ChatGPT otrzymujemy gotowy kod i instrukcję. Aby ten kod uruchomić, musimy do tego celu wykorzystać inne środowisko, np. Google Collab. Fakt ten może stanowić barierę dla mniej zaawansowanych użytkowników.


Czy próba tworzenia kokpitów w ChatGPT i modelach użytkowników to zatem strata czasu? Tak i nie. Jeżeli ktoś sprawnie posługuje się Looker Studio czy Power BI, ChatGPT to w najlepszym razie ciekawostka. Jeżeli ktoś jednak nie zna dedykowanych aplikacji, to wykorzystanie ChatGPT może być pomocne w stworzeniu (albo przynajmniej zaprojektowaniu) działającego kokpitu.


Ok. przejdźmy do omówienia szczegółów.


 


 

Jak przebiegał test?

W pierwszym kroku, korzystając z ChatGPT 4o, wygenerowałem zestaw syntetycznych danych dotyczących sprzedaży w platformie e-commerce. Następnie załadowałem te dane do ChatGPT, prosząc o stworzenie projektu kokpitu menedżerskiego. W prompcie zaznaczyłem, że chcę móc podawać ścieżkę do danych, co pozwala mi bezpiecznie przygotować kod i kokpit w ChatGPT. Taki sposób pracy polega na tym, że działam na danych syntetycznych w ChatGPT do momentu, gdy uzyskam satysfakcjonujący wynik. Gdy to się stanie, przenoszę kod np. na własny komputer i zasilam docelowymi danymi.



ChatGPT wygenerował kod w języku Python, który uruchomiłem w aplikacji Spyder. Instrukcje dotyczące korzystania z aplikacji Spyder znajdziecie w  tym poście.


Kod korzystał z biblioteki "Dash", którą należy wcześniej zainstalować przy pomocy Anaconda Powershell Prompt (instrukcję jak to zrobić również podałem w ww. poście). Wynik możemy zobaczyć, wpisując w przeglądarkę (np. Google Chrome) adres http://127.0.0.1:8050 lub http://localhost:8050.


Trzeba powiedzieć, iż uruchomienie tak stworzonego kodu to nie jest łatwy proces dla przeciętnego użytkownika. Czy jednak warto dać mu szansę i spróbować? Popatrzmy.


Kokpit menadżerski stworzony w ChatGPT 4o. Źródło: opracowanie własne.

Cóż, nie jest to ani piękny, ani szczególnie wyrafinowany kokpit. Z drugiej strony, powstał (niemalże) automatycznie. Należy zadać tu sobie pytanie, czy ChatGPT poradził sobie z przedstawionym problemem, czy uzyskany kokpit mnie satysfakcjonuje? Nie do końca. Brakuje np. porównania do poprzedniego roku, a wykres pokazujący trend wyświetla jedynie bieżący okres. Jest to prawdopodobnie kwestia kilku kolejnych promptów, niemniej może ostatecznie okazać się, że byłoby szybciej stworzyć taki raport w PowerBI. Nie mówiąc już o Excelu...


W kolejnym kroku "poprosiłem" trzy losowo wybrane modele użytkownika z biblioteki ChatGPT o wykonanie identycznego zadania. Aby zapewnić porównywalność, za każdym razem korzystałem z tego samego prompta co w przypadku ChatGPT 4o, przetłumaczonego na język angielski przy pomocy Google Translatora. Skorzystałem z tłumaczenia na wypadek gdyby testowane modele nie radziły sobie z językiem polskim. A jak poradziły sobie z budową kokpitu?


Dashboard Designer

Pierwszym z przetestowanych modeli był Dashboard Designer. Wyjściowo, narzędzie to generuje kod json z projektem naszego kokpitu.



Alternatywnie, możemy uzyskać kod w języku Python. Wynik jest podobny do tego uzyskanego z ChatGPT 4o, z jedną małą różnicą: tym razem udało się dodać do wykresu trendu także linię dotyczącą prognozy.


Dash Designer


Kolejnym modelem, który przetestowałem, był Dash Designer. Ten model wygenerował kompletny kod strony internetowej: kod HTML, skrypt JavaScript oraz plik stylu CSS. Kody zapisałem w trzech osobnych plikach, jak pokazano na poniższym zrzucie ekranu.


Eksperymenty z Dash Designerem zakończyły się, moim zdaniem, niepowodzeniem. Choć udało się stworzyć projekt kokpitu i panel nawigacyjny, problemem okazał się brak funkcji interpretera kodu i analizy danych. W rezultacie model nie mógł pracować na przygotowanym pliku *xlsx. Działanie utworzonego kokpitu pozostawiało wiele do życzenia: filtry nie działały dynamicznie (trzeba było każdorazowo ładować wybraną konfigurację), a w pewnym momencie kokpit przestał w ogóle wyświetlać dane.



Dashboard/Report Designer

Ostatnim z przetestowanych modeli użytkownika był Dashboard/Report Designer.



Nie inaczej niż w poprzednich przypadkach, uzyskaliśmy kod w Pythonie. Wynik jest zbliżony do poprzednich.



I co to wszystko daje?

Czy możemy od jutra zrezygnować z dedykowanych aplikacji, takich jak Looker Studio? Aby odpowiedzieć na to pytanie, wykonam jeszcze jeden eksperyment. Korzystając z tych samych danych, przygotuję kokpit menedżerski w Looker Studio. Zobaczmy, na ile będzie to trudniejsze lub bardziej czasochłonne.


Pierwszym krokiem w Looker Studio jest przygotowanie źródła danych. Najpierw zaimportowałem wcześniej wygenerowany plik *.xlsx do Google Sheets. Następnie, utworzyłem w Looker Studio źródło danych. Jest to prosty proces, polegający na ogół wyłącznie na wskazaniu pliku źródłowego.


Należy tu przypomnieć, iż Looker Studio jest aplikacją internetową dostępną pod adresem https://lookerstudio.google.com. Do jej używania wystarczy konto Gmail. Jest darmowa dla użytkowników indywidualnych.



W kolejnych krokach utworzyłem wizualizacje. Praca z Looker Studio wymaga chwili nauki, ale osoby zaznajomione np. z Power Pivotem w Excelu szybko się w niej odnajdą.


Oto efekt mojej pracy w Looker Studio. Nie jest dopracowany w 100%, ale już działa sprawnie i zawiera wszystkie elementy. Nie było to regułą w przypadku "kokpitów" wygenerowanych w ChatGPT. Przygotowanie tego raportu zajęło mi ok. 5 minut.


Kokpit w Looker Studio. Źródło: opracowanie własne.

Ci więcej, powyższy raport jest w pełni interaktywny i można go łatwo udostępnić (zresztą: link). Testowanie poszczególnych modeli czy poprawki kodu wygenerowanego przez GPT 4o zajęły mi o wiele więcej czasu.


Powyższa ocena nie jest w 100% miarodajna. "Problemem" jest to, że pracuję z Looker Studio od pewnego czasu i wiem, jak skonfigurować proste wizualizacje. Natomiast w ChatGPT nigdy nie możemy być pewni końcowego efektu. Wygenerowane wyniki mogą być za każdym razem nieco inne i nie zawsze zgodne z naszymi oczekiwaniami. Oznacza to konieczność poprawek oryginalnego prompta lub dopisywanie kolejnych. Looker Studio czy inne tego typu aplikacje są bardziej przewidywalne i stabilne.


Podsumowanie

W tym mini pojedynku człowiek kontra maszyna, człowiek znowu wygrał :). Odkładając żarty na bok, trzeba przyznać, że skala możliwości i tempo rozwoju ChatGPT nie przestaje zaskakiwać. Jeszcze niedawno wyzwaniem była analiza danych z pliku, a dziś ten plik może być podstawą interaktywnego, automatycznie wygenerowanego raportu.


Niemniej, ChatGPT dziś, zarówno w wersji 4o, jak i w modelach użytkowników, nie jest w stanie zastąpić dedykowanych narzędzi takich jak Looker Studio. Stanowi raczej ciekawostkę. Ten stan rzeczy może się wkrótce zmienić. Dlatego warto zgłębiać możliwości tego narzędzia, uczyć się pracy z nim i szukać zastosowań dla generowanych przez nie wyników. Nie jest wykluczone, że już niebawem staną się one naszym podstawowym środowiskiem pracy.

 

Podobał się Ci ten post? Zachęcam do subskrypcji!


 



91 wyświetleń0 komentarzy

Ostatnie posty

Zobacz wszystkie

תגובות


bottom of page