Cuatro formas de potenciar su flujo de trabajo de ciencia de datos con Google AI Studio

Modelos Gemini 3 en Google AI Studio, he estado experimentando bastante con él.

De hecho, el concepto de interfaz de usuario generativa me parece sorprendentemente útil para que los científicos de datos agilicen el trabajo diario.

En esta publicación, compartiré cuatro formas concretas (¡con demostraciones en video!) de cómo puedes aprovechar esta herramienta (u otras herramientas similares) para:

Aprenda nuevos conceptos más rápido, cree prototipos interactivos para la exploración de las partes interesadas, comunique ideas complejas con mayor claridad, aumente su productividad con herramientas personalizadas.

Vamos a sumergirnos.

En caso de que aún no lo hayas probado: Google AI Studio es el espacio de trabajo basado en navegador de Google para crear aplicaciones con sus modelos Gemini. Ofrece un "modo de compilación", en el que puedes "código de vibración" una aplicación web completa y funcional en poco tiempo. Todo lo que necesita hacer es simplemente describir su idea en lenguaje sencillo, y el modelo Gemini 3 Pro trabajará detrás de escena para generar el código, mostrarle una vista previa en vivo y permitirle iterar chateando con Gemini o anotando la interfaz de usuario.

Divulgación: no tengo ninguna afiliación con Google. Este artículo se basa enteramente en mi uso personal con Google AI Studio y refleja mis observaciones independientes como científico de datos. Las ideas y los casos de uso presentados aquí son independientes de la plataforma y se pueden implementar utilizando otra herramienta de interfaz de usuario generativa similar.

1. Aprenda nuevos conceptos más rápido

A menudo aprendemos conceptos de ciencia de datos al comprender ecuaciones escritas en libros de texto o artículos, o al ejecutar fragmentos de código línea por línea. Ahora, con Google AI Studio, ¿por qué no crear una herramienta de aprendizaje interactiva y obtener información directamente de la interacción?

Imagine que lee acerca de un método de aprendizaje automático llamado Procesos Gaussianos (GP). La capacidad de cuantificación de la incertidumbre que ofrece naturalmente es bastante buena. Ahora estás pensando en utilizarlo para tu proyecto actual.

Sin embargo, GP es bastante pesado matemáticamente y todas las discusiones sobre núcleos, anteriores y posteriores no son tan fáciles de entender intuitivamente. Claro, puedes ver algunas conferencias de YouTube o tal vez trabajar con algunos ejemplos de código estático. Pero ninguno de ellos realmente me convence.

Probemos algo diferente esta vez.

Activemos el modo Construir y describamos lo que queremos entender en un lenguaje sencillo:

"Cree un visualizador interactivo de procesos gaussianos para que el usuario pueda comprender intuitivamente los conceptos clave del proceso gaussiano".

Después de unos minutos, teníamos una aplicación funcional llamada "GauPro Visualizer". Y así es como se ve:

Con esta aplicación, puedes hacer clic para agregar puntos de datos y ver en tiempo real cómo el modelo de Procesos Gaussianos se ajusta a los datos. Además, puede elegir una función del núcleo diferente y mover los controles deslizantes de la escala de longitud del núcleo y las variaciones de señal/ruido para comprender intuitivamente cómo esos parámetros del modelo determinan la forma general del modelo. Lo bueno es que también agrega una opción para mostrar muestras posteriores y actualiza la tarjeta "Qué está sucediendo" en consecuencia para obtener una explicación detallada.

Todo eso está disponible con solo un mensaje de una línea.

Entonces, ¿qué significa esto?

Básicamente significa que ahora tienes el poder de transformar cualquier concepto complejo y abstracto que estés intentando aprender en un patio de juegos interactivo. Como resultado, en lugar de consumir explicaciones pasivamente, crea una herramienta que le permite explorar el concepto directamente. Y si necesitas una actualización, siempre puedes abrir la aplicación y jugar con ella.

2. Cree prototipos interactivos para la exploración de las partes interesadas

A todos nos ha pasado: ha creado un modelo que funciona perfectamente en su Jupyter Notebook. Ahora los interesados ​​quieren probarlo. Quieren arrojarle sus datos y ver qué pasa. Tradicionalmente, necesitarías dedicar algo de tiempo a crear una aplicación Streamlit o Dash. Pero con AI Studio, puedes cerrar esa brecha en un tiempo mucho más corto.

Imagine que desea entrenar un modelo de regresión logística para clasificar las especies de Iris (setosa/versicolor/virginica). Para esta demostración rápida, la entrenarás directamente en la aplicación. El modelo toma las dimensiones de sépalos y pétalos y calcula probabilidades de clase. También configura un LLM para generar una explicación en inglés sencillo de la predicción.

Ahora desea integrar esta lógica en una pequeña aplicación para que sus partes interesadas puedan usarla. Construyamos eso, comenzando con este mensaje:

Cree una aplicación web que entrene un modelo de regresión logística en el conjunto de datos de Iris. Permita que el usuario cargue un CSV de datos nuevos O ingrese manualmente las dimensiones. La aplicación debe mostrar la clase predicha y la confianza de probabilidad, así como una explicación de la predicción generada por LLM.

En unos minutos, teníamos una aplicación funcional llamada "IrisLogic AI". Y así es como se ve:

Esta aplicación tiene una interfaz limpia que permite a los usuarios sin conocimientos técnicos comenzar a explorar de inmediato. El panel izquierdo tiene dos pestañas, es decir, Manual y Cargar, para que los usuarios puedan elegir su método de entrada preferido. Para la entrada manual, a medida que el usuario ajusta los campos de entrada, la predicción se actualiza en tiempo real.

Debajo de eso, tenemos la sección de predicción del modelo que muestra el resultado de la clasificación con el desglose completo de la probabilidad de las tres especies. Y justo ahí, en la parte inferior, está el botón "Explicar con IA" que genera explicaciones en lenguaje natural para ayudar a las partes interesadas a comprender mejor la predicción.

Aunque el mensaje no lo solicita explícitamente, la aplicación decide proporcionar una visualización del conjunto de datos en vivo, que es un diagrama de dispersión de todo el conjunto de datos de Iris, junto con la predicción de la muestra de entrada (resaltada en amarillo). De esta manera, las partes interesadas pueden ver exactamente dónde se encuentra en relación con los datos de capacitación.

Solo en una nota práctica: para nuestro ejemplo de juguete, está totalmente bien que la aplicación entrene y prediga en el navegador. Pero hay más opciones disponibles. Por ejemplo, una vez que tenga un prototipo funcional, puede exportar el código fuente como ZIP para editarlo localmente, enviarlo a GitHub para un mayor desarrollo o implementar directamente la aplicación en Google Cloud como un servicio Cloud Run. De esta manera, se podrá acceder a la aplicación a través de una URL pública.

Bien, entonces ¿por qué es importante esto en la práctica?

Es importante porque ahora puede enviar la experiencia de su modelo a las partes interesadas mucho antes y permitir que las partes interesadas le brinden mejores comentarios sin esperarlo.

3. Comunicar ideas complejas con mayor claridad

Como científicos de datos, a menudo nos enfrentamos al desafío de presentar nuestros análisis sofisticados y los conocimientos descubiertos a personas sin conocimientos técnicos. Se basan principalmente en resultados, pero no necesariamente siguen las matemáticas.

Tradicionalmente, construíamos algunas presentaciones de diapositivas, simplificamos las matemáticas, agregamos algunos gráficos y esperábamos que lo entendieran.

Desafortunadamente, eso suele ser una posibilidad remota.

El problema no es el contenido, es el medio. Estamos tratando de explicar el análisis dinámico, acoplado y multidimensional con capturas de pantalla planas en 2D. Eso es fundamentalmente un desajuste.

Tomemos como ejemplo el análisis de redundancia de sensores. Supongamos que analizó datos de sensores de una máquina compleja e identificó cuáles están altamente correlacionados. Si simplemente presenta este hallazgo con un mapa de calor de correlación estándar en la diapositiva, la cuadrícula será abrumadora y a la audiencia le resultará difícil ver el patrón que pretendía mostrar.

Entonces, ¿cómo podemos cambiar esto?

Podemos crear un gráfico de red dinámico para permitirles ver los conocimientos. Aquí está el mensaje que utilicé:

Cree un gráfico de red interactivo dirigido por la fuerza que muestre correlaciones entre 20 sensores industriales.
– Los nodos son sensores (coloreados por tipo: temperatura, presión, vibración)
– Los enlaces muestran correlaciones superiores a 0,8 (más grueso = correlación más fuerte)
– Permitir arrastrar nodos
– Al pasar el cursor sobre un nodo se resaltan sus conexiones y se atenúa el resto.
– Utilice datos simulados con correlaciones realistas.

Aquí está el resultado:

Durante la presentación, simplemente puede iniciar esta aplicación y permitir que la audiencia vea intuitivamente qué sensores están disponibles, cómo están correlacionados y cómo definen los distintos grupos.

También puedes tomar un nodo específico, como el sensor de temperatura S-12, y arrastrarlo. La audiencia vería que los otros sensores, como el S-8 y el S-13, son arrastrados junto con él. Esto es mucho más intuitivo para mostrar la correlación y facilita fácilmente el razonamiento sobre bases físicas.

Entonces, ¿qué significa esto?

Significa que ahora puedes llevar fácilmente tu narración al siguiente nivel. Al elaborar narrativas interactivas, las partes interesadas ya no son receptores pasivos; se convierten en participantes activos de la historia que estás contando. Esta vez sí lo conseguirán.

4. Aumente su productividad con herramientas personalizadas

Hasta ahora, hemos hablado de crear aplicaciones para el aprendizaje, para las partes interesadas y para presentaciones. ¡Pero también puedes crear herramientas solo para ti!

Como científicos de datos, todos tenemos esos momentos en los que pensamos: "Ojalá tuviera una herramienta que pudiera simplemente…" pero luego nunca la construimos porque llevaría bastante tiempo codificar correctamente y tenemos que hacer un análisis real.

La buena noticia es que ese cálculo ha cambiado en gran medida. Déjame mostrarte un ejemplo concreto.

El análisis de datos exploratorio inicial (EDA) es una de las partes que consume más tiempo de cualquier proyecto de ciencia de datos. Te entregan un nuevo conjunto de datos y necesitas comprender con qué estás trabajando. Es un trabajo necesario, pero es muy tedioso y fácil pasar por alto cosas.

¿Qué tal si construimos nosotros mismos un asistente de elaboración de perfiles de datos que se adapte a nuestras necesidades?

Aquí está el mensaje que utilicé:

Cree una aplicación de creación de perfiles de datos que acepte cargas CSV y proporcione al menos:
– Estadísticas básicas
– Visualizaciones
– Análisis impulsado por LLM que respalda EDA
Proporcione un conjunto de datos simulado que pueda mostrar la funcionalidad completa de la aplicación.

Esto es lo que obtuve:

Ahora puedo cargar un conjunto de datos, no solo obtener los resúmenes y gráficos estadísticos estándar, sino también algunos conocimientos en lenguaje natural generados por el LLM. Lo bueno de esto es que también puedo hacer preguntas de seguimiento sobre el conjunto de datos para obtener una comprensión más detallada.

Si lo deseo, puedo personalizarlo aún más para generar análisis visuales específicos y centrar el LLM en aspectos específicos de la información sobre datos, o incluso agregar algunos conocimientos preliminares del dominio para darle sentido a los datos. Todo lo que necesito hacer es seguir iterando en el cuadro de chat del asistente de compilación.

Entonces, ¿qué significa esto?

Significa que puede crear asistentes personalizados adaptados exactamente a lo que necesita, sin los gastos generales que normalmente le impiden hacerlo. Creo que estas herramientas no son sólo algo bueno de tener. Realmente pueden ayudarle a eliminar la fricción de su propio flujo de trabajo y esos pequeños aumentos de eficiencia que se acumulan rápidamente, para que pueda concentrarse en el trabajo real. Dado que las herramientas están diseñadas a medida para adaptarse a su forma de pensar y trabajar, la curva de aprendizaje y el tiempo de adaptación son casi nulos.

Bonificación: verificación de la realidad

¿Se siente inspirado a probar la herramienta usted mismo? Genial. Pero antes de comenzar a construir, hagamos una rápida revisión de la realidad para mantenernos firmes.

Lo primero que debe tener en cuenta es que estas demostraciones solo muestran lo que es posible, no lo que está listo para producción. La interfaz de usuario generada puede verse profesional y funcionar bien en la "vista previa", pero normalmente solo optimiza el camino feliz. Si realmente quiere llevar su trabajo a producción, a menudo es su responsabilidad considerar la implementación del manejo de errores, la cobertura de casos extremos, la observabilidad, la infraestructura de implementación, la mantenibilidad a largo plazo, etc. Al final del día, eso es lo que se espera. El modo de compilación es sólo una herramienta de creación de prototipos, no un sustituto de la ingeniería de software adecuada. Y deberías tratarlo así.

Otro consejo es estar atento a las suposiciones ocultas. Las aplicaciones codificadas por Vibe pueden codificar cierta lógica que puede parecer razonable, pero que no coincide con sus requisitos reales. Además, puede introducir dependencias que de otro modo no elegiría (por ejemplo, restricciones de licencia, implicaciones de seguridad, etc.). La mejor manera de evitar que ocurran esas sorpresas es examinar cuidadosamente el código generado por el modelo. Los LLM ya han hecho el trabajo pesado; al menos deberías verificar si todo va según tu intención.

Por último, tenga en cuenta lo que pega en las indicaciones o carga en AI Studio Workspace. Sus datos y códigos de propiedad no están protegidos automáticamente. Puede utilizar la herramienta para crear rápidamente una interfaz o crear un prototipo de una idea, pero una vez que decida ir más allá, es mejor devolver el código al flujo de trabajo de desarrollo normal de su equipo y continuar en un entorno compatible.

La conclusión es que el concepto de interfaz de usuario generativa habilitado por Google AI Studio es poderoso para los científicos de datos, pero no lo use a ciegas y no se salte el trabajo de ingeniería cuando llegue el momento de pasar a producción.

¡Feliz edificio!