Re:PandasAI：生成AIがデータ分析業務にもたらすパラダイムシフト【増補改訂版】

© NTT Communications Corporation All Rights Reserved. Re:PandasAI：生成AIがデータ分析業務にもたらすパラダイムシフト【増補改訂版】  
丹野良介  NTTコミュニケーションズ株式会社  イノベーションセンター   2024/09/28（土）  TOC有明コンベンションホール@東京  発表スライド  

© NTT Communications Corporation All Rights Reserved. 2 本日のゴール  
動作イメージを理解し、原理も何となくわかる、レベル感を目指します   ❖ PandasAIがなにかわかる  ❖ 動作原理について理解する（デモ有）  ❖ データ分析の雰囲気がわかる  ❖ データ分析における生成AI事例を理解する    ❖ 前提知識  ➢ ChatGPTを知っている  ➢ Pythonの基礎的な文法  ➢ オブジェクト指向の考え方  ▪ ライブラリが普通に使えればOK！  ➢ OpenAI（Azure）でAPIキーが発行できる  ▪ お試し程度なら無料枠で十分すぎます   

© NTT Communications Corporation All Rights Reserved. 3 本講演では取り上げない事項や注意事項  
❖ 細かな大規模言語モデル（LLM）に関する理論や個々のモデル、再学習やRAG等  ➢ ローカルなモデルを利用する事も出来ますが、基本はAPI経由でLLMを利用する前提とします  ➢ NTT版大規模言語モデル「tsuzumi」の話もしません  ▪ 2024年3月25日に商用開始〜  ➢ APIはOpenAI、Azure OpenAI Serviceを対象とします    ❖ 今日の情報は明日には廃れる可能性があります  ➢ 本生成AIは、日進月歩で進化し続けている分野  ➢ 2024年9月27日までの情報に基づいています   

© NTT Communications Corporation All Rights Reserved. 4 アジェンダ  
• 導入（データ分析の基礎と可視化の役割）  • PandasAI概要  • PandasAI詳細  • デモ（活用事例）  • 知っておくと便利なTips（時間がある限り）  • まとめ 

© NTT Communications Corporation All Rights Reserved. 5 「突然ですか…今からデータ分析部署に移動です」  
背景設定：「あなたはデータ分析コンサルティングの現場担当者です。今回、小売業界におけるデータ分析プロジェクトの分析担当者としてアサインされました。クライアントであるヴォルマート（架空）の CEOと共にプロジェクトを進める必要があり、クライアントからの下記の質問に1時間以内に答えて下さい。」    ボス＜「早速で悪いんだけど、顧客から以下の回答を求められてるんだ。Pythonのスペシャリストって聞いてるよ、Python使えるってことは分析もできるんだよね？よろしく！」      ❖ お題：業績が良い店舗のノウハウを他店舗にも流用したい   ➢ 売上高が最大である店舗はどこだろう？  ➢ 売上が大きく変動する店舗はどこだろう？  ➢ 成長率が高いのはどの店舗はどこだろう？ 

© NTT Communications Corporation All Rights Reserved. 6 データ分析基盤にLLMを用いたアーキテクチャ  
 データエンジニア＜今回のデータ分析基盤のアーキテクチャはコレです。分析技術が無くてもLLM使って対話的にデータ分析できるようにしておきました。大丈夫、安心してください！  出典：https://mindfulgeek.substack.com/p/enable-safe-chat-with-your-databases

© NTT Communications Corporation All Rights Reserved. 8 データサイエンスとは？  
 • データから有用な知見を得るための様々な理論や技術の集合   ◦ 何か特定の理論や技術を表すわけではない  ◦ データ可視化、統計学、情報学あたりが主要な分野  ◦ それらの中に統計的検定や教師あり/なし学習、次元削減などの様々な技術がある  • 大きく三象限に分けて説明されることが多い      Statistical Human Computational 出典 Science and data science：https://www.pnas.org/content/114/33/8689 確率的モデルによる複雑なデータの表現  高次元データの縮約  因果関係の推定  言語: 数学や確率論  最適化アルゴリズムの実装  データ収集(サンプリング)  分散コンピューティング  言語: プログラミング  問題領域の理解  可視化、分析結果のレポート  モデル/収集データの選択  共通言語化されていない 

© NTT Communications Corporation All Rights Reserved. 9 データサイエンスとは？  
 “Crucially, the data scientist solves the problem iteratively and collaboratively with the domain expert.”  →重要なのは、データサイエンティストがドメインエキスパートと反復的かつ協調的に問題を解決することである。  出典 Science and data science：https://www.pnas.org/content/114/33/8689 Statistical Human Computational 確率的モデルによる複雑なデータの表現  高次元データの縮約  因果関係の推定  言語: 数学や確率論  最適化アルゴリズムの実装  データ収集(サンプリング)  分散コンピューティング  言語: プログラミング  問題領域の理解  可視化、分析結果のレポート  モデル/収集データの選択  共通言語化されていない 

© NTT Communications Corporation All Rights Reserved. 10 データ分析の全体像  
産業間共通データマイニング標準プロセス (CRISM-DM: Cross-Industry Standard Process for DataMining)→データマイニングのための方法論  1. ビジネスの理解（分析目的と目標の設定）   2. データの理解（各項目の意味理解）   3. データの準備（データクレンジング&基礎集計）   4. モデル作成（アルゴリズム選定&モデル作成）   5. 評価（モデル評価&目的に対する結果評価）   6. 展開（施策設計/提案）  

© NTT Communications Corporation All Rights Reserved. 11 可視化のモチベーション  
• データ分析のプロセスの８割以上が前処理と言われる  ◦ 実際にAIモデルを作る部分はこの中のどれでしょう？                • 適切なモデルを決めるためにも可視化が大事     • 補足：ノーフリーランチ定理  ◦ なんでも切れる万能なモデルはない  ◦ データを眺めてモデルを選んでやる必要がある  出典：https://papers.nips.cc/paper/5656-hidden-technical-debt-in-machine-learning-systems.pdf

© NTT Communications Corporation All Rights Reserved. 12 世はまさに大可視化時代  
出典：https://speakerdeck.com/jakevdp/pythons-visualization-landscape-pycon-2017 • データ処理として　Pandas/Matplot/Seaborn/(Plotly)/(Numpy)　は必ず利用する 

© NTT Communications Corporation All Rights Reserved. 13 Pandas  
  ❖ 表形式のデータ構造（＝構造化データ）に関して効率的にデータ操作を行うことができる  ➢ csvとかExcelとかで扱える様なデータならまずは初手 df: pd.DataFrame = pd.read_csv(“hoge.csv”)  ➢ DataFrame オブジェクトを介して高速で効率的なデータ操作    内部でMatplotlib の機能を使用して散布図、棒グラフ、箱ひげ図,...などを .plot() だけで実現  特定の行や列を選択またはフィルタリングなども抽出は直感的に記述可能  age_sex = titanic[["Age", "Sex"]]    出典：https://pandas.pydata.org/docs/getting_started/index.html#getting-started

© NTT Communications Corporation All Rights Reserved. 15 PandasAIとは  
❖ 自然言語を用いて検索、分析、可視化を行うことができる機能（Pandas＋AI( ChatGPT )）  ➢ 自然言語を利用してDataFrameから情報を抽出したり、グラフを描画したりできる  ➢ OSS公開されているのでOpenAI（Azure含む）でAPIキーがあれば無料で使える   ➢ SaaSとしても提供しているのでお金払えばAPIキーが無くても使える    出典：https://pandas.pydata.org/docs/getting_started/index.html#getting-started 「生成 AI モデルを使って自然言語によるクエリを理解・解釈。Python コードや SQL クエリに変換。そのコードを使ってデータを操作し、結果をユーザーに返却」まで、ラップしてくれるライブラリ  

© NTT Communications Corporation All Rights Reserved. 16 PandasAIの特徴まとめ  
❖ 自然言語クエリ：自然言語でデータに質問  ❖ データの可視化：グラフやチャートを作成してデータを視覚化  ❖ データクレンジング：欠損値に対処してデータセットをクレンジング  ❖ 特徴量生成：データ品質を向上  ❖ データコネクタ：CSV、XLSX、PostgreSQL、MySQL、BigQuery、  　　　　　　　　Databrick、Snowflakeなど、さまざまなデータソースに接続可能  出典：https://pandas-ai.com/

© NTT Communications Corporation All Rights Reserved. 17 自然言語を用いた対話的データ分析の何が嬉しいのか  
  課題１：  DBにアクセスしてデータ探索するためには、SQL等のスキルが必要  課題２：  データから必要な結果を導き出す為の加工するスキルが必要（データ分析）  出典：https://mindfulgeek.substack.com/p/enable-safe-chat-with-your-databases 課題３：  結果を解釈するスキルが必要  ドメインエキスパートと協力しながら解釈するので今回は問題としない

© NTT Communications Corporation All Rights Reserved. 18 自然言語を用いた対話的データ分析の何が嬉しいのか  
出典：文科省, 小学校プログラミング教育の手引（第二版）, https://www.mext.go.jp/content/20200218-mxt_jogai02-100003171_002.pdf 課題：初学者は自分が実施したい分析をツール（プログラミングも含めて）を用いて上手く表現（実装・分析）することができない 

© NTT Communications Corporation All Rights Reserved. 20 PandasAIを理解するためのメインコンポーネント３つ  
  ❖ SmartDataframe、SmartDatalake、Agent   出典：https://mindfulgeek.substack.com/p/enable-safe-chat-with-your-databases 順番に説明します 

© NTT Communications Corporation All Rights Reserved. 21 SmartDataframe  
❖ 単一のデータフレームを操作する場合  import os import pandas as pd from pandasai import SmartDataframe # Sample DataFrame sales_by_country = pd.DataFrame({ "country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"], "sales": [5000, 3200, 2900, 4100, 2300, 2100, 2500, 2600, 4500, 7000] }) df = SmartDataframe(sales_by_country) df.chat('Which are the top 5 countries by sales?') # Output: China, United States, Japan, Germany, Australia

© NTT Communications Corporation All Rights Reserved. 22 SmartDatalake  
❖ 複数のデータフレームを利用する場合  import os import pandas as pd from pandasai import SmartDatalake employees_data = { 'EmployeeID': [1, 2, 3, 4, 5], 'Name': ['John', 'Emma', 'Liam', 'Olivia', 'William'], 'Department': ['HR', 'Sales', 'IT', 'Marketing', 'Finance'] } salaries_data = { 'EmployeeID': [1, 2, 3, 4, 5], 'Salary': [5000, 6000, 4500, 7000, 5500] } employees_df = pd.DataFrame(employees_data) salaries_df = pd.DataFrame(salaries_data) lake = SmartDatalake([employees_df, salaries_df]) lake.chat("Who gets paid the most?") # Output: Olivia gets paid the most データテーブルをライブラリ側で結合してくれる 

© NTT Communications Corporation All Rights Reserved. 23 Agent  
❖ エージェントは会話の状態を追跡  ➢ 複数ターンの会話に対応可能    ❖ Clarification questions  ➢ クエリに答えるのに十分な情報を  持っていない場合、明確な質問を要求      ❖ Explanation  ➢ なぜその回答になったかの  理由を説明してもらう      ❖ Rephrase Question  ➢ より正確な回答を得たい場合に  LLM側に質問を言い換えてもらう  from pandasai import Agent # Sample DataFrames sales_by_country = pd.DataFrame({ "country": ["United States", "United Kingdom", "France", "Germany", "Italy", "Spain", "Canada", "Australia", "Japan", "China"], "sales": [5000, 3200, 2900, 4100, 2300, 2100, 2500, 2600, 4500, 7000], "deals_opened": [142, 80, 70, 90, 60, 50, 40, 30, 110, 120], "deals_closed": [120, 70, 60, 80, 50, 40, 30, 20, 100, 110] }) agent = Agent(sales_by_country) agent.chat('Which are the top 5 countries by sales?') # Output: China, United States, Japan, Germany, Australia agent.chat('And which one has the most deals?') # Output: United States has the most deals

© NTT Communications Corporation All Rights Reserved. 24 PandasAIによるPythonコード生成過程  
PandasAIは、生成AIモデルを使って自然言語クエリを理解・解釈し、PythonやSQLクエリに変換そのコードを使ってデータを操作し、結果をユーザーに返却  内部の実行過程は以下    ❖ 生成プロセスは以下の5段階（厳密には7段階）  ❖ PromptGeneration -> CodeGenerator -> CodeExecution ->   　　　　　　　　　　 ResultValidation -> ResultParsing    ➢ CacheLookup：データがキャッシュされているかどうかの確認  ➢ PromptGeneration ：プロンプトの生成  ➢ CodeGenerator ：プロンプトからコードを生成する  ➢ CachePopulation：生成されたデータのキャッシュ  ➢ CodeExecution ：コードの実行  ➢ ResultValidation ：実行結果の検証  ➢ ResultParsing ：結果のパース   

  Executing Pipeline: GenerateChatPipeline Executing Step 0: ValidatePipelineInput Executing Step 1: CacheLookup Executing Step 2: PromptGeneration # Using prompt: <dataframe> dfs[0]:17379x3 自転車の総利用台数,会員の自転車利用台数,非会員の自転車利用台数 425,504,12 734,468,129 968,520,202 </dataframe> # Update this initial code: ```python # TODO: import the required dependencies import pandas as pd # Write code here # Declare result var: type (must be "plot"), value must be string. Example: { "type": "plot", "value": "temp_chart.png" } ``` ### QUERY カラム事の時系列グラフを重ねて色を区別して見やすく表示せよ Variable `dfs: list[pd.DataFrame]` is already declared. At the end, declare "result" variable as a dictionary of type and value. If you are asked to plot a chart, use "matplotlib" for charts, save as png. Generate python code and return full updated code: LLMに入力するデータ情報はテーブルデータの3行分のカラムとデータ値  必要なモジュールのインポートや制限、コードを指定の場所に書くようにLLMへの出力を制御  今回のユーザのプロンプトは「日本語」の部分だけで、それ以外はライブラリ側から勝手に挿入される 

  # Executing Step 3: CodeGenerator Prompt used: <dataframe> dfs[0]:17379x3 自転車の総利用台数,会員の自転車利用台数,非会員の自転車利用台数 425,504,12 734,468,129 968,520,202 </dataframe> Update this initial code: ```python # TODO: import the required dependencies import pandas as pd # Write code here # Declare result var: type (must be "plot"), value must be string. Example: { "type": "plot", "value": "temp_chart.png" } ``` ### QUERY カラム事の時系列グラフを重ねて色を区別して見やすく表示せよ Variable `dfs: list[pd.DataFrame]` is already declared. At the end, declare "result" variable as a dictionary of type and value. If you are asked to plot a chart, use "matplotlib" for charts, save as png. Generate python code and return full updated code: # Code generated: ``` # TODO: import the required dependencies import pandas as pd import matplotlib.pyplot as plt # Write code here fig, ax = plt.subplots() # Plotting the time series for each column ax.plot(dfs[0].index, dfs[0]['自転車の総利用台数'], label='自転車の総利用台数') ax.plot(dfs[0].index, dfs[0]['会員の自転車利用台数'], label='会員の自転車利用台数') ax.plot(dfs[0].index, dfs[0]['非会員の自転車利用台数'], label='非会員の自転車利用台数') # Adding legend and labels ax.legend() ax.set_xlabel('Time') ax.set_ylabel('Number of Bicycles') # Save the plot as an image plt.savefig('time_series_plot.png') # Declare result var result = {"type": "plot", "value": "time_series_plot.png"} ``` Executing Step 4: CachePopulation Executing Step 5: CodeCleaning 左記のプロンプトをLLMに入力を行い、Pythonの実行コードを得る 

© NTT Communications Corporation All Rights Reserved. 29 知っておくと便利なTips  
本番導入する際に使った便利な設定（詳しくは、公式マニュアルの「Advanced usage」を参照）    ❖ ログを削除する方法  ➢ そのまま利用すると大量のlogが出る  ➢ 本番環境に導入する際に不要なログは排除したい  ➢ ライブラリ側ではログを抑制することは出来ないので、強制的にloggingを減らす必要がある    ❖ ホワイトリスト化  ➢ もし悪意のあるコードや脆弱性のあるコードが生成されてしまった場合はどうする？    ❖ 出力の制御（Determinism）  ➢ LLMの出力を一貫させたい（⇔毎回、変化させて創造的にしたい）    ❖ データをLLMに送りたくない（enforce_privacy）  ➢ データは送信せずカラム名だけ送る ➢ headをランダムシャッフルし特定されない状態でのデータが送られる   # INFOレベルでデータ詳細が出てしまうのでそれを非表示にする getLogger("pandasai").setLevel(WARNING)

© NTT Communications Corporation All Rights Reserved. 30 悪意のあるコードが生成された場合は？  
❖ 例えば、環境変数を抜き出す様なコードを指示したり、内部でAPIをRequestするようなコードが生成された場合  ➢ 生成してほしくないライブラリも多くあるはず（os moduleは使ってほしくない、など）    ❖ デフォルトでは、PandasAIはホワイトリストに登録されたモジュールを使用するコードのみを実行可能  ➢ 悪意のあるコードがサーバー上またはローカルで実行されるのを防ぐため    ❖ ただし、カスタムモジュールをホワイトリストに追加することは可能  ➢ custom_whitelisted_dependencies: List[str] = Field(default_factory=list)     from pandasai import SmartDataframe df = SmartDataframe("data.csv", config={ "custom_whitelisted_dependencies": ["any_module"] })

© NTT Communications Corporation All Rights Reserved. 31 LLMには以下の2つの課題が存在する。   
参考：LLMの潜在的な課題   この問題に対応するためにLLMを特定のドメインに適用させ、   その知識を更新するためにLLMへの知識注入といった考え方が存在する   一般的に考えられる対処法   1. ファインチューニング  2. 検索拡張生成（RAG）   c  c  ❖ 正確性と信頼性に関する課題   ➢ 誤った情報を生成するリスクが存在する  ❖ 剽窃に関する課題   ➢ 検出器を回避できるほど高品質なコンテンツを生成できるため剽窃が助長される今回はこちらに着目 ❖ LLMは膨大なデータセットによる事前学習により驚くべき知識レベルを発揮する   ❖ 一方で、LLMの表現可能な知識には次の２つの制限がある   ➢ 1. 新しい情報には対応できない  ➢ 2. 特定の専門知識の情報が不足している  よって、モデルの学習データ範囲を超えるクエリや最新の情報が必要な場合は顕著な制限を示す。   

© NTT Communications Corporation All Rights Reserved. 32 知っておくと便利なTips: 出力の制御（Determinism）
   LLMの出力を一貫させたい  ⇔毎回、変化させて創造的にしたい  • 再現性を担保したい  ◦ 開発、デバッグ、テスト  • 一貫性  ◦ カスタマーサポート    • temperature=0の役割  ◦ 出力のランダム性を制御  ◦ 高くする→応答の多様性と創造性が増加  ◦ 低くする→モデルはより予測可能で保守的    • seed値固定  ◦ ※AzureOpenAIではまだ利用できない  # ユーザ入力プロンプト prompt: str = card_config.get("prompt") llm_versions = { "gpt-4o": {"deployment_name": "gpt-4o", "api_version": "2023-05-15"}, } try: llm = AzureOpenAI( deployment_name=llm_versions["gpt-4o"]["deployment _name"], api_version=llm_versions["gpt-4o"]["api_version"], temperature=0, seed=26, )

© NTT Communications Corporation All Rights Reserved. 33 知っておくと便利なTips: その他の設定
      sdf_config = { "llm": llm, "save_logs": False, "save_charts": True, "save_charts_path": temp_dir, "open_charts": False, "verbose": False, "enable_cache": False, "max_retries": True, "enforce_privacy": True, # データは送信せずカラム名だけ送る（Falseの場合、 headをランダムシャッフルし特定されない状態でのデータが送られる） "custom_whitelisted_dependencies": [ "matplotlib", "matplotlib.pyplot", "pandas", "seaborn", ], } # 出力タイプをplotに指定することで内部的にはpngファイルを生成する様に制限 sdf = SmartDataframe(df, config=sdf_config) sdf.chat(prompt, output_type="plot") Jupyter等で対話的に実行する場合は便利だけど、毎回画像が自動で開かれる  データの匿名性を高める  利用するライブラリは制限したい  出力は画像に制限したい 

© NTT Communications Corporation All Rights Reserved. 34 本日のゴール（まとめ）  
動作イメージを理解し、原理も何となくわかる、レベル感を目指します   ❖ PandasAIがなにかわかる  ➢ 自然言語を用いて検索、分析、可視化を行うことが  できる機能（Pandas＋AI(ChatGPT)）  ❖ 動作原理について理解する（デモ有）  ❖ データ分析の雰囲気がわかる  ❖ データ分析における生成AI事例を理解する    ❖ お題：業績が良い店舗のノウハウを他店舗にも流用したい   ➢ 売上高が最大である店舗はどこだろう？  ➢ 売上が大きく変動する店舗はどこだろう？  ➢ 成長率が高いのはどの店舗はどこだろう？  

© NTT Communications Corporation All Rights Reserved. 35 参考文献、お役立ちリンク集  
❖ Pandas公式ドキュメント  ➢ Getting startedが丁寧でグラフィカルに説明してある  ❖ PandasAI公式ドキュメント、PandasAI公式レポジトリ  ➢ ライブラリはマニュアルこそ志向  ❖ 日本語LLMまとめ情報  ➢ 弊グループの同僚が非常に網羅的にまとめているLLM情報  ➢ 日本語LLMに関して知りたければまずはココを参照  ❖ Enable safe Chat with your Databases: with Malloy and PandasAI  ➢ https://mindfulgeek.substack.com/p/enable-safe-chat-with-your-databases   

© NTT Communications Corporation All Rights Reserved. 37 c  背景 
GPT-4の性能は人間のデータ分析者に匹敵  　（分析時間はほぼ10倍効率）  1. 図のデータと情報は正しいか？  2. 質問の要件と一致しているか？   3. 図は美的で、エラーがなく明確か？  [1] What Is the Impact of ChatGPT on Education? A Rapid Review of the Literature. [2] AI-assisted Learning for Electronic Engineering Courses in High Education [3] ChatEd- A Chatbot Leveraging ChatGPT for an Enhanced Learning Experience in Higher Education [4] Is GPT-4 a Good Data Analyst? [5] What Should Data Science Education Do with Large Language Models? c  ❖ 大規模言語モデル(LLM)の進化が教育分野に与える影響   ➢ LLMはインタラクティブな学習環境の提供可能  ▪ 人間の様に反応を理解することができる  ▪ 即座にフィードバックを行うことができる  ➢ 教育方法論と学習体験の両面で重要な役割を果たす可能性を示唆[1]  ➢ 実運用可能なレベルでの高品質な出力が可能なため  アプリケーション利用が急速に拡大（ChatGPT）      ❖ LLMによる学習支援   ➢ 教育と学習の改善を目的としたLLMの応用の拡大[2,3]  ➢ 教育者視点：教材作成、カリキュラム考案、学生評価  ➢ 学習者視点：回答作成、情報要約、文章作成補助      ❖ データサイエンスへの応用   ➢ LLMによる分析パフォーマンスは人間に匹敵[4]  ➢ 分析パイプラインの変化[5]  ▪ 分析はLLMが行い、結果の評価と管理を人が行う  など役割が変化すると示唆  c 

© NTT Communications Corporation All Rights Reserved. 38 ❖ 入力クエリに関連する補助情報を与えることで、 
事前学習済みのLLMの性能を向上させることが可能  c  ❖ Step1: ベクトルストア構築   ➢ 補助知識に含まれる各文章に対して埋め込み表現を生成し、ベクトルストアに格納  ➢ 補助知識には以下の２つのデータセットを用意  ▪ ノーコードツールの技術マニュアル  ▪ データ分析関連ナレッジベース「ごちきか」  c  ❖ Step2: 関連文章の検索   ➢ クエリに関連する文章群をベクトルストアから検索  ➢ 類似する関連文章の候補を作成  c  ❖ Step3: クエリの更新とモデルの応答   ➢ 関連文章の候補を元のクエリと結合  ➢ 結合したクエリをLLMの入力とする  ❖ 特定のドメインに特化した情報を要求するクエリや最新の情報を必要とする場合に、より正確な出力を提供  検索拡張生成（Retrieval-Augmented Generation：RAG）  

© NTT Communications Corporation All Rights Reserved. 39 社内事例：ノーコードAIモデル開発ツール  
https://app.nodeai.io/ データ処理をカード化、連結することで分析フローを表現できるコメントなどを Markdown形式で記述できる分析用キャンバスをネット上で共有してコラボできる時系列データの分析に強い（予測、異常検知、要因・因果分析、など）

Re:PandasAI：生成AIがデータ分析業務にもたらすパラダイムシフト【増補改訂版】

Re:PandasAI：生成AIがデータ分析業務にもたらすパラダイムシフト【増補改訂版】

More Decks by negi111111

Other Decks in Programming

Featured

Transcript