Apr, 2023

InsightPilot 演示：一种由 LLM 赋能的自动化数据探索系统

PDF
TL;DR本文介绍 InsightPilot，这是一个基于 LLM（Large Language Model）的自动化数据探索系统，可以通过发出对应的意图查询（IQueries）来简化数据探索流程，通过其与最先进的洞察引擎之间的迭代协作，有效地分析现实世界的数据集，使用户可以通过自然语言查询获得有价值的见解。
data explorationllmautomated systemintentional queriesinsight engine
发现论文，激发创造
  • 数据副驾驶：用自主工作流桥接亿万数据与人类

    提出了基于大型语言模型的数据处理系统 Data-Copilot，通过自主设计各种功能接口，实现了数据的自动处理和可视化，符合人机交互的需求。

    Jun, 2023

  • 利用可解释自动提示的语言模型解释数据中的模式

    本文探讨利用大型语言模型的学习能力来发现和解释数据中的模式，并提出了一种名为 iPrompt 的算法来生成自然语言字符串，从而实现可解释的自动提示，用于帮助数据分析、科学发现和信息处理等领域。

    Oct, 2022

  • Tapilot-Crossing: 基准测试和演进 LLMs 以实现交互式数据分析代理

    在数据分析中，交互式数据分析是人类和 LLM 代理之间的协作，通过实时数据探索来支持明智的决策。我们引入了一种新的基准测试工具 Tapilot-Crossing 来评估 LLM 代理在交互式数据分析中的性能，并且提出了适应性交互反思（AIR）策略，通过引导 LLM 代理从成功的历史中学习来提高其数据分析效能，实验证明 AIR 能够使 LLM 代理的相对性能提高了 44.5%。

    Mar, 2024

  • 基于 LLM 的提示修改和用户反馈的交互式查询生成助手

    该研究论文介绍了一种新的搜索界面，支持对单语或多语言文档集合进行自动生成查询，并通过用户反馈来优化查询，从而解决用户在查询表达方面的困难。

    Nov, 2023

  • 基于下一步自然语言查询推荐的交互式数据分析

    我们开发了一个基于数据驱动方法的自然语言接口系统，其中包含了一个逐步查询推荐模块，帮助用户在探索大型复杂 SQL 数据库时进行更有效和系统化地数据分析过程。我们的用户研究表明，相比于没有推荐模块的基准系统，我们的系统可以帮助用户更加高效和系统化地进行数据分析。

    Jan, 2022

  • MLCopilot: 大型语言模型在解决机器学习任务中的应用

    本文介绍了一种利用 LLMs 自动学习生成机器学习解决方案的框架 MLCopilot，旨在将机器智能与人类知识相结合来提高解决新任务的能力，生成的解决方案可以直接应用于实际环境中。

    Apr, 2023

  • Copilot 评估系统：评估 LLM 指导的软件编程

    利用 Large Language Models（LLMs）提高开发人员在开发环境（IDEs）中的生产力是现代软件开发的重点。本文介绍了 Copilot 评估工具，用于评估 LLM 引导的 IDE 交互，在不同编程场景和语言中提供了更稳健和信息丰富的评估指标。通过这些指标，我们评估了三种常见 LLMs 的性能，为未来的 LLM 引导 IDE 场景的开发和验证提供了经验教训。

    Feb, 2024

  • 使用大型语言模型的 IDE 内基于生成的信息支持

    本研究对基于大型语言模型的对话 UI 进行了研究，目标是实现上下文感知的工具，该工具可以自动利用开发人员的编程上下文来回答问题。我们为用户提供了一个 IDE 插件，允许用户使用高级请求查询后端（例如 OpenAI 的 GPT-3.5 和 GPT-4），我们进行了 32 名参与者的探索性用户研究，研究确认这种方法比 Web 搜索更有效地帮助理解代码，但效果的差异因参与者的经验水平而异。

    Jul, 2023

  • 超越聊天机器人：探索结构化思维与个性化模型响应

    通过大型语言模型（LLM）探索任务，通过用户研究找到 ExploreLLM 对于探索性任务和规划任务具有帮助作用，为用户提供了任务的结构和引导，并展示了用户可以更容易地个性化响应以及天生语言和图形用户界面之间更紧密的集成。

    Dec, 2023

  • LaMPilot：一个用于自动驾驶的开放基准数据集与语言模型程序

    我们提出了 LaMPilot，一个新颖的自主驾驶规划框架，将任务重新定义为一个利用已建立的行为基元的代码生成过程，旨在解决解释和执行 spontanous 用户指令（如 “超过前面的车”）的挑战，这通常对现有框架构成困难。我们介绍了 LaMPilot 基准，专门设计用于量化大型语言模型（LLMs）在将人类指令转化为可执行驾驶策略方面的效能。我们还在 LaMPilot 基准的任务上评估了一系列最先进的代码生成语言模型。实验结果显示，带有人类反馈的 GPT-4​​的任务完成率达到了 92.7％，最小碰撞率为 0.9％。为了鼓励进一步的研究，我们将提供代码和数据集。

    Dec, 2023