阿里推出AI數(shù)據(jù)科學(xué)家，全流程自動(dòng)化，科研小白也能用

基于開源Agent框架，可自動(dòng)解決復(fù)雜數(shù)據(jù)科學(xué)問題的Agent來了！

具體來說，Data Science Assistant（以下稱DS Assistant）是基于Modelscope-Agent框架開發(fā)的數(shù)據(jù)科學(xué)助手。

有了它，我們只需給需求，這個(gè)助手就能自己跑完探索性數(shù)據(jù)分析（EDA）、數(shù)據(jù)預(yù)處理、特征工程、模型訓(xùn)練，模型評(píng)估等步驟。

當(dāng)然，除了本文將重點(diǎn)提到的DS Assistant，它背后的Modelscope-Agent框架也值得說道。

這個(gè)框架由阿里開源，主要特點(diǎn)包括：

• 可通過vllm、ollama等工具接入各主流開源模型，也可以直接調(diào)用模型API；
• 提供RAG組件支持開發(fā)者快速接入知識(shí)庫；
• 工具生態(tài)豐富，支持大量的Modelscope社區(qū)模型作為工具，也支持直接調(diào)用langchain的工具，還接入了各類常用的工具，如web-browsing、文生圖、code-interpreter等；

更妙的是，Modelscope-Agent框架允許開發(fā)者無需編碼即可交互式地創(chuàng)建Agent助理。

這不，啪的一下，咱們的數(shù)據(jù)科學(xué)助手“誕生”了~

復(fù)雜數(shù)據(jù)科學(xué)任務(wù)自動(dòng)化

實(shí)現(xiàn)復(fù)雜數(shù)據(jù)科學(xué)任務(wù)自動(dòng)化一直存在挑戰(zhàn)。

傳統(tǒng)的ReAct（Reasoning and Action）框架對(duì)于簡(jiǎn)單的任務(wù)比較有效，但是有以下缺點(diǎn)：

• 每次工具調(diào)用都需要一個(gè)LLM調(diào)用。
• LLM一次僅計(jì)劃1個(gè)子問題。這可能會(huì)導(dǎo)致任務(wù)的軌跡更加不可控，因?yàn)樗粫?huì)被迫“推理”整個(gè)任務(wù)。

而DS Assistant使用了plan-and-excute框架，這是一種新興的Agent框架，通過明確計(jì)劃和執(zhí)行步驟高效完成復(fù)雜任務(wù)。

langchain官網(wǎng)對(duì)Plan-and-execute Agent的描述：https://blog.langchain.dev/planning-agents/

具體而言，其工作流程包括以下幾個(gè)步驟：

1、任務(wù)計(jì)劃：Agent接收用戶輸入的任務(wù)描述，進(jìn)行語義理解，將任務(wù)分解為多個(gè)可執(zhí)行子任務(wù)。

2、子任務(wù)調(diào)度：基于任務(wù)之間的依賴關(guān)系和優(yōu)先級(jí)，智能調(diào)度子任務(wù)的執(zhí)行順序。

3、任務(wù)執(zhí)行：每個(gè)子任務(wù)分配給特定的模塊執(zhí)行。

4、結(jié)果整合：匯總各子任務(wù)的結(jié)果，形成最終輸出，并反饋給用戶。

基于上述框架，咱們接著看整個(gè)系統(tǒng)架構(gòu)，DS Assistant整套系統(tǒng)有4個(gè)主要模塊。

先說右側(cè)的DS Assistant，它作為整個(gè)系統(tǒng)的大腦，負(fù)責(zé)調(diào)度整個(gè)系統(tǒng)的運(yùn)轉(zhuǎn)。

而Plan模塊負(fù)責(zé)根據(jù)用戶的需求生成一系列Task列表，并對(duì)Task先后順序進(jìn)行拓?fù)渑判颉?/p>

在這一階段，DS Assistant根據(jù)用戶輸入的復(fù)雜數(shù)據(jù)科學(xué)問題，自動(dòng)將其分解為多個(gè)子任務(wù)。

這些子任務(wù)根據(jù)依賴關(guān)系和優(yōu)先級(jí)被組織和調(diào)度，確保執(zhí)行順序符合邏輯且高效。

接下來到了Execution模塊，負(fù)責(zé)任務(wù)的具體執(zhí)行，保存任務(wù)執(zhí)行結(jié)果。

在這里，每個(gè)子任務(wù)被具體化為可執(zhí)行的操作，如數(shù)據(jù)預(yù)處理、模型訓(xùn)練等。

最后是Memory management模塊，負(fù)責(zé)記錄任務(wù)中間執(zhí)行結(jié)果，代碼，數(shù)據(jù)詳情等信息。

在所有Task執(zhí)行完成后，DS Assistant會(huì)將中間數(shù)據(jù)的執(zhí)行情況 ( 包括每個(gè)task生成的代碼和結(jié)果，消耗token數(shù)，任務(wù)時(shí)間 ) 保存為文件。

案例實(shí)戰(zhàn)

下面，我們以一個(gè)具體的例子來了解DS Assistant的執(zhí)行過程。

我們選用Kaggle上的一個(gè)比賽任務(wù)ICR – Identifying Age-Related Conditions作為示例：

該任務(wù)是一項(xiàng)機(jī)器學(xué)習(xí)任務(wù)，主要目的是通過分析各種數(shù)據(jù)（如醫(yī)療記錄、基因數(shù)據(jù)、生活方式數(shù)據(jù)等），識(shí)別與年齡相關(guān)的健康狀況。

最終結(jié)果將用來幫助醫(yī)療專業(yè)人員及早發(fā)現(xiàn)老年人群中常見的健康問題，并提供個(gè)性化的預(yù)防和治療方案。

廢話不多說，我們這就開始~

首先，對(duì)于選用的LLM，我們需要配置一下。

我們引入MetaGPT的Data Science工具和Tool Recommender，可以根據(jù)任務(wù)類型向DS Assistant推薦合適的數(shù)據(jù)科學(xué)工具。

接著，我們需要將任務(wù)的具體要求傳給DS Assistant。需要注意的是，在要求中需向DS Assistant指明數(shù)據(jù)文件的路徑：

在Plan階段，DS Assistant會(huì)根據(jù)用戶需求生成任務(wù)列表，將整個(gè)數(shù)據(jù)處理流程進(jìn)行分解，接著對(duì)任務(wù)列表進(jìn)行按順序處理。

可以看到，DS Assistant生成了5個(gè)任務(wù)，分別是數(shù)據(jù)探索，數(shù)據(jù)預(yù)處理，特征工程，模型訓(xùn)練和預(yù)測(cè)。

然后這5個(gè)任務(wù)進(jìn)入了Execute階段，下面咱們挨個(gè)看一下。

Task 1: 數(shù)據(jù)探索

可以看到生成的代碼在執(zhí)行時(shí)報(bào)了如下錯(cuò)誤，原因是沒有引入numpy包。

DS Assistant根據(jù)報(bào)錯(cuò)進(jìn)行了反思，并重新生成代碼并執(zhí)行，成功輸出數(shù)據(jù)探索的結(jié)果。

最后，code judge會(huì)對(duì)代碼進(jìn)行質(zhì)檢，確保本次生成代碼邏輯正確。

Task 2: 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)預(yù)處理階段，DS Assistant分別對(duì)數(shù)值型數(shù)據(jù)和類別型數(shù)據(jù)進(jìn)行了合適的缺失值處理，并清除了ID列。

Task 3：特征工程

在修復(fù)了兩次錯(cuò)誤后，DS Assistant對(duì)數(shù)據(jù)進(jìn)行了特征工程的處理，對(duì)類別型變量進(jìn)行編碼。

同時(shí)對(duì)之前定義的categorical_columns變量進(jìn)行了更新，去除了ID列。

Task 4：模型訓(xùn)練

DS Assistant主動(dòng)安裝了合適的依賴，并選擇了多個(gè)模型（隨機(jī)森林，梯度提升，邏輯回歸）進(jìn)行訓(xùn)練，并選擇了結(jié)果最好的模型。

Task 5：模型驗(yàn)證

DS Assistant選擇了訓(xùn)練集中F1分?jǐn)?shù)最高的模型對(duì)驗(yàn)證集進(jìn)行測(cè)試，并計(jì)算了這個(gè)模型在驗(yàn)證集上的F1分?jǐn)?shù)，成功地完成了任務(wù)。

執(zhí)行完以上任務(wù)后，DS Assistant支持將運(yùn)行結(jié)果保存為Jupyter Notebook類型的文件，并記錄運(yùn)行的中間過程。

△Jupyter Notebok

△中間過程記錄JSON文件

實(shí)驗(yàn)效果

我們使用ML-Benchmark作為測(cè)試集（指路論文“Data Interpreter: An LLM Agent For Data Science”），分別從Normalized Performance Score (NPS) ，total time，total token三個(gè)維度對(duì)DS Assistant效果進(jìn)行評(píng)測(cè)。

其中NPS是一種將不同任務(wù)或模型的性能指標(biāo)標(biāo)準(zhǔn)化的方法，使得不同指標(biāo)之間可以進(jìn)行比較。

它的計(jì)算通常涉及以下步驟：

步驟1：確定指標(biāo)優(yōu)化方向，判斷性能指標(biāo)是“越大越好”還是“越小越好”。

步驟2：規(guī)范化計(jì)算。如果指標(biāo)是“越大越好”（如準(zhǔn)確率、F1分?jǐn)?shù)、AUC），NPS等于原始值；如果指標(biāo)是“越小越好”（如損失值），則需要將原始值映射到接近1的較高NPS值。

規(guī)范化后的性能得分范圍通常是0到1，其中1表示最優(yōu)性能，0表示最差性能。

實(shí)驗(yàn)任務(wù)詳情和結(jié)果如下(?綠色代表當(dāng)前任務(wù)下最優(yōu)指標(biāo) )：

可以看到，在部分復(fù)雜的數(shù)據(jù)科學(xué)任務(wù)上，DS Assistant在規(guī)范化性能得分(NPS)，任務(wù)時(shí)間，消耗token數(shù)的指標(biāo)上取得超過開源SOTA的效果。（其中開源SOTA效果指MetaGPT實(shí)測(cè)值）

完整實(shí)驗(yàn)日志：https://modelscope-agent.oss-cn-hangzhou.aliyuncs.com/resources/DS_Assistant_results.zip

總結(jié)

對(duì)不同的人來說，DS assistant有不同作用：

• 不熟悉數(shù)據(jù)分析流程但是又有需要的同學(xué)，可以快速根據(jù)生成的任務(wù)以及處理過程，了解處理數(shù)據(jù)的思路，以及技術(shù)點(diǎn)。
• 對(duì)于了解數(shù)據(jù)分析流程的同學(xué)，可以通過詳細(xì)的描述，來影響數(shù)據(jù)處理的方法，方便做不同的實(shí)驗(yàn)參照比較。
• 對(duì)于所有人，可以自動(dòng)化的快速實(shí)現(xiàn)對(duì)于當(dāng)前手上文件的更深層次的理解，僅需提問即可。

下一步，DS assistant將從三個(gè)方向展開優(yōu)化：

1、進(jìn)一步提高任務(wù)執(zhí)行成功率：

a）對(duì)于Code Agent來說，傳入信息量過大（報(bào)錯(cuò)信息，中間數(shù)據(jù)信息，已生成代碼信息）會(huì)導(dǎo)致模型生成代碼正確率下降，可以在未來考慮使用LLM進(jìn)行總結(jié)，對(duì)信息進(jìn)行篩選。

b）同一個(gè)Task可進(jìn)行進(jìn)一步的分解，以降低對(duì)LLM推理能力的要求。

2、對(duì)話交互式，可以將任務(wù)和任務(wù)的執(zhí)行展示分開，通過對(duì)話的方式推進(jìn)任務(wù)，并影響執(zhí)行結(jié)果。

3、支持批處理相同任務(wù)多批文件的場(chǎng)景。

更多細(xì)節(jié)可進(jìn)一步查看Modelscope-Agent官方倉庫中Data Sciecne Assistant示例。