論文の概要: Flowco: Rethinking Data Analysis in the Age of LLMs

• arxiv url: http://arxiv.org/abs/2504.14038v1
• Date: Fri, 18 Apr 2025 19:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 05:42:46.520193
• Title: Flowco: Rethinking Data Analysis in the Age of LLMs
• Title（参考訳）: Flowco: LLMの時代におけるデータ分析の再考
• Authors: Stephen N. Freund, Brooke Simon, Emery D. Berger, Eunice Jun,
• Abstract要約: 大規模言語モデル(LLM)は、単純なルーチン解析のためにそのようなコードを生成することができるようになった。 LLMは、限られたプログラミングの専門知識を持つ者がデータ分析を行うことで、データサイエンスの民主化を約束する。 多くの実世界のアナリストは、特定の分析手順をきめ細かな制御をしなければならない。 本稿では,これらの課題に対処する新たな混合開始システムであるFlowcoを紹介する。
• 参考スコア（独自算出の注目度）: 2.1874189959020427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conducting data analysis typically involves authoring code to transform, visualize, analyze, and interpret data. Large language models (LLMs) are now capable of generating such code for simple, routine analyses. LLMs promise to democratize data science by enabling those with limited programming expertise to conduct data analyses, including in scientific research, business, and policymaking. However, analysts in many real-world settings must often exercise fine-grained control over specific analysis steps, verify intermediate results explicitly, and iteratively refine their analytical approaches. Such tasks present barriers to building robust and reproducible analyses using LLMs alone or even in conjunction with existing authoring tools (e.g., computational notebooks). This paper introduces Flowco, a new mixed-initiative system to address these challenges. Flowco leverages a visual dataflow programming model and integrates LLMs into every phase of the authoring process. A user study suggests that Flowco supports analysts, particularly those with less programming experience, in quickly authoring, debugging, and refining data analyses.
• Abstract（参考訳）: データ分析を実行するには、典型的には、データの変換、可視化、解析、解釈のためのコードのオーサリングが必要となる。 大規模言語モデル(LLM)は、単純なルーチン解析のためにそのようなコードを生成することができるようになった。 LLMは、限られたプログラミングの専門知識を持つ者が、科学研究、ビジネス、政策立案を含むデータ分析を行うことを可能にすることで、データサイエンスを民主化することを約束する。 しかし、多くの現実世界のアナリストは、特定の分析ステップを細かく制御し、中間結果を明示的に検証し、分析アプローチを反復的に洗練する必要がある。 このようなタスクは、LCMだけで、あるいは既存のオーサリングツール(例えば、計算ノートブック)と組み合わせて、堅牢で再現可能な分析を構築する上で障壁となる。 本稿では,これらの課題に対処する新たな混合開始システムであるFlowcoを紹介する。 Flowcoはビジュアルデータフロープログラミングモデルを活用し、LLMをオーサリングプロセスのすべてのフェーズに統合する。 ユーザ調査によると、Flowcoはアナリスト、特にプログラミング経験の少ない人、迅速なオーサリング、デバッギング、データ分析の精査をサポートする。

関連論文リスト

• DataMosaic: Explainable and Verifiable Multi-Modal Data Analytics through Extract-Reason-Verify [11.10351765834947]
  大規模言語モデル(LLM)はデータ分析を変革しているが、その普及は2つの限界によって妨げられている。 それらは説明不可能(不明確な推論プロセス)であり、検証不可能(幻覚や未確認の誤りが原因である)である。 データモザイク(DataMosaic)は、LCMを利用した分析を説明可能かつ検証可能とするために設計されたフレームワークである。
  論文  参考訳（メタデータ） (2025-04-14T09:38:23Z)
• SoK: LLM-based Log Parsing [2.2779174914142346]
  本稿では,29の大規模言語モデル (LLM) に基づくログ解析手法を体系的にレビューする。 我々は,学習パラダイムとプロンプトエンジニアリングパラダイム,効率・有効性向上技術,解析プロセスにおけるLLMの役割を分析した。
  論文  参考訳（メタデータ） (2025-04-07T09:41:04Z)
• Large Language Models (LLMs) for Source Code Analysis: applications, models and datasets [3.8740749765622167]
  大規模言語モデル(LLM)やトランスフォーマーベースのアーキテクチャは、ますますソースコード解析に利用されている。 本稿では,3つの重要な側面に焦点をあて,異なるコード解析タスクにおけるLLMの役割について考察する。
  論文  参考訳（メタデータ） (2025-03-21T19:29:50Z)
• Learning on LLM Output Signatures for gray-box LLM Behavior Analysis [52.81120759532526]
  大きな言語モデル(LLM)は広く採用されていますが、その振る舞いに対する私たちの理解は限定的です。 我々は,既存の手法の近似を理論的に保証するプロセスに対して,トランスフォーマーに基づくアプローチを開発する。 提案手法は,グレーボックス設定における幻覚およびデータ汚染検出における優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• Can LLMs Help Uncover Insights about LLMs? A Large-Scale, Evolving Literature Analysis of Frontier LLMs [32.48924329288906]
  本研究では,LLMを用いたデータ抽出を高速化する文献解析のための半自動手法を提案する。 関連するarXiv論文を自動的に識別し、実験結果と関連する属性を抽出し、構造化データセットLLMEvalDBに編成する。 次に、フロンティアLCMの自動文献解析を行い、手動によるアプローチと比較して、紙調査とデータ抽出の労力を93%以上削減する。
  論文  参考訳（メタデータ） (2025-02-26T03:56:34Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• The Emergence of Large Language Models in Static Analysis: A First Look through Micro-Benchmarks [3.848607479075651]
  我々は,Pythonプログラムのコールグラフ解析と型推論を改善する上で,現在のLarge Language Models (LLM) が果たす役割について検討する。 本研究により, LLMは型推論において有望な結果を示し, 従来の手法よりも高い精度を示したが, コールグラフ解析では限界が認められた。
  論文  参考訳（メタデータ） (2024-02-27T16:53:53Z)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• Large Language Models for Data Annotation and Synthesis: A Survey [49.8318827245266]
  本調査は,データアノテーションと合成のための大規模言語モデルの有用性に焦点を当てる。 LLMがアノテートできるデータタイプの詳細な分類、LLM生成アノテーションを利用したモデルの学習戦略のレビュー、データアノテーションと合成にLLMを使用する際の主な課題と制限に関する詳細な議論を含む。
  論文  参考訳（メタデータ） (2024-02-21T00:44:04Z)
• Sentiment Analysis in the Era of Large Language Models: A Reality Check [69.97942065617664]
  本稿では,大規模言語モデル(LLM)の様々な感情分析タスクの実行能力について検討する。 26のデータセット上の13のタスクのパフォーマンスを評価し、ドメイン固有のデータセットに基づいて訓練された小言語モデル(SLM)と比較した。
  論文  参考訳（メタデータ） (2023-05-24T10:45:25Z)
• Demonstration of InsightPilot: An LLM-Empowered Automated Data Exploration System [48.62158108517576]
  本稿では,データ探索プロセスの簡略化を目的とした自動データ探索システムであるInsightPilotを紹介する。 InsightPilotは、理解、要約、説明などの適切な分析意図を自動的に選択する。 簡単に言うと、IQueryはデータ分析操作の抽象化と自動化であり、データアナリストのアプローチを模倣しています。
  論文  参考訳（メタデータ） (2023-04-02T07:27:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。