DS-STAR: agent AI, który zastąpi analityków danych?

Analiza danych to ciężka praca: godziny spędzone na czyszczeniu zbiorów, testowaniu modeli i szukaniu wzorców. Google Research właśnie pokazało DS-STAR – agenta AI, który ma robić to wszystko samodzielnie. I robi to lepiej niż większość konkurencji.

DS-STAR (Data Science State-of-the-Art Agent) to system oparty na dużych modelach językowych, zaprojektowany do kompleksowych zadań z zakresu data science. Zespół Google Research stworzył narzędzie, które nie tylko wykonuje polecenia, ale także samodzielnie planuje kolejne kroki analizy, eksperymentuje z różnymi podejściami i dostosowuje strategię na podstawie wyników.

Autonomiczny agent, który myśli jak analityk

Kluczowa różnica między DS-STAR a typowymi narzędziami AI? Autonomia. System nie czeka na szczegółowe instrukcje – dostaje surowe dane i cel, a resztę robi sam. Eksploruje zbiory danych, identyfikuje braki i anomalie, wybiera odpowiednie techniki modelowania i iteracyjnie poprawia wyniki.

Agent wykorzystuje wieloetapowy proces rozumowania, który pozwala mu planować długoterminowe strategie analizy. Jeśli pierwszy model nie działa wystarczająco dobrze, DS-STAR automatycznie testuje alternatywne podejścia – od feature engineeringu po dobór innych algorytmów. To podejście przypomina pracę doświadczonego data scientist, który metodycznie przechodzi przez różne hipotezy.

Warto podkreślić, że autonomia DS-STAR nie ogranicza się do wyboru algorytmu. System samodzielnie podejmuje decyzje na każdym etapie pipeline'u analitycznego: decyduje, które zmienne warto przekształcić, jak obsłużyć brakujące wartości, czy zastosować normalizację danych. Dla porównania – tradycyjne narzędzia AutoML, takie jak Auto-sklearn czy H2O.ai, automatyzują głównie dobór i tuning modeli, ale wymagają od użytkownika przygotowanych, czystych danych. DS-STAR idzie krok dalej, obejmując cały proces od surowych plików do gotowych wyników.

Jak wypadł na benchmarkach?

Google przetestowało DS-STAR na standardowych benchmarkach data science. System osiągnął wyniki na poziomie state-of-the-art w zadaniach klasyfikacji, regresji i analizy eksploracyjnej. Szczególnie dobrze radzi sobie z rzeczywistymi, "brudnymi" zbiorami danych – tymi, które wymagają sporego preprocessingu (a takich jest większość).

DS-STAR potrafi też generować raporty z przeprowadzonych analiz, kompletne z wizualizacjami i interpretacją wyników. Wszystko w czytelnej formie, którą można przekazać dalej bez dodatkowej obróbki.

Osiągnięcie poziomu state-of-the-art na benchmarkach to nie jest mała sprawa. Klasyczne konkursy analityczne, takie jak zadania z platformy Kaggle, od lat służą jako punkt odniesienia dla oceny jakości modeli. Zbudowanie systemu, który autonomicznie przechodzi przez cały proces – od eksploracji po finalny model – i osiąga przy tym wyniki porównywalne z ludzkimi uczestnikami, to znaczący krok naprzód. Dotychczas podobne próby często kończyły się zadowalającymi, ale nie wyróżniającymi się rezultatami.

Jak DS-STAR wypada na tle konkurencji?

DS-STAR wpisuje się w szerszą falę tzw. agentów AI przeznaczonych do pracy z danymi. W ostatnich miesiącach pojawiły się projekty takie jak OpenAI Data Analysis w ChatGPT czy różne implementacje oparte na frameworku LangChain, które pozwalają modelom językowym pisać i uruchamiać kod analityczny. Jednak większość z nich działa w trybie reaktywnym – odpowiada na konkretne pytania użytkownika, zamiast samodzielnie prowadzić wieloetapowe dochodzenie analityczne.

Przewaga DS-STAR polega właśnie na proaktywnym planowaniu. Agent nie czeka, aż ktoś zapyta „a może warto sprawdzić tę zmienną?" – sam formułuje hipotezy i je weryfikuje. To jakościowa różnica w stosunku do większości dostępnych dziś rozwiązań, które bardziej przypominają zaawansowane kalkulatory niż samodzielnych analityków.

Dla kogo to narzędzie?

Przede wszystkim dla zespołów analitycznych, które toną w rutynowych zadaniach. DS-STAR może przejąć pierwszą fazę eksploracji danych, przygotować baseline'owe modele i wskazać obiecujące kierunki analizy. Analitycy zyskują czas na bardziej strategiczne zadania.

Dla firm bez dedykowanych zespołów data science system może być punktem wejścia do zaawansowanej analityki. Oczywiście nie zastąpi ludzkiej ekspertyzy w interpretacji wyników biznesowych, ale potrafi wykonać techniczną część pracy na przyzwoitym poziomie.

Konkretne scenariusze zastosowania DS-STAR mogą wyglądać następująco:

• Dział finansowy otrzymuje miesięczny raport sprzedaży w surowej formie – agent automatycznie czyści dane, identyfikuje anomalie i buduje model prognozujący kolejny okres.
• Zespół marketingowy chce zrozumieć, które segmenty klientów najlepiej reagują na kampanie – DS-STAR samodzielnie przeprowadza segmentację i opisuje charakterystyki każdej grupy.
• Startup bez data scientist może skorzystać z agenta do pierwszej eksploracji danych produktowych, zanim zatrudni specjalistę lub zleci analizę zewnętrznej firmie.

Google Research nie podało jeszcze informacji o komercyjnej dostępności DS-STAR. Na razie to projekt badawczy, ale pokazuje wyraźny kierunek rozwoju narzędzi AI – od asystentów wykonujących pojedyncze zadania do autonomicznych agentów zarządzających całymi procesami analitycznymi.

Źródła

• Google Research - DS-STAR: A state-of-the-art versatile data science agent