AI技术智启未来—办公大模型赋能工作

简介: 在这篇《我的上班搭子之有小浣熊的一天》的文章中,作者描述了与AI办公助手“小浣熊”合作的一天。从早晨的数据清洗开始,原本繁琐的任务变得高效简单;午后,小浣熊利用预测性分析功能帮助预测销售趋势,为决策提供依据;傍晚时分,借助数据可视化功能,将复杂信息转化成直观图表,便于汇报。这一天不仅提高了工作效率,也让作者对未来智能办公充满期待。

我的上班搭子之有小浣熊的一天

在这个快节奏、高压力的职场环境中,每天面对堆积如山的数据和层出不穷的任务,我时常感到力不从心。然而,自从商汤科技的“办公小浣熊”成为我的上班搭子后,我的工作生活发生了翻天覆地的变化。今天,就让我带你走进这充满智慧与高效的一天,感受AI办公助手如何成为我不可或缺的工作伙伴。

数据清洗:化繁为简,精准高效

上午,我面临着一项艰巨的任务——清洗和分析上个月的采购数据。以往,这往往需要花费数小时的时间,手动剔除错误和重复项,再进行格式统一。

但今天,有了小浣熊的协助,一切变得简单而高效。它利用先进的自然语言处理技术和机器学习算法,快速识别并处理了数据中的异常值和冗余信息,同时自动完成了数据格式的标准化。

回答过程如下:

小浣熊回答完毕,请指示

import pandas as pd
# 读取上传的Excel文件
file_path = '/mnt/data/库存盘点表.xlsx'
# 由于Excel文件包含多个工作表,我们需要分别读取每个工作表
sheets = pd.read_excel(file_path, sheet_name=None)
# 检查读取到的工作表名称
sheet_names = sheets.keys()
sheet_names
# 定义一个函数来计算每个工作表的采购总花费
def calculate_total_cost(sheet):
    # 检查是否存在单价和采购数量列
    if '单价' in sheet.columns and '采购数量' in sheet.columns:
        # 计算总花费
        return (sheet['单价'] * sheet['采购数量']).sum()
    else:
        return 0
# 计算每个工作表的总花费
total_costs = {sheet_name: calculate_total_cost(sheet) for sheet_name, sheet in sheets.items()}
# 计算所有工作表的总花费
grand_total_cost = sum(total_costs.values())
grand_total_cost

在尝试计算采购总花费时,我遇到了一个问题。这个问题可能是由于某些单元格中的数据类型不一致导致的。为了解决这个问题,我将首先检查数据,并确保所有的“单价”和“采购数量”列中的数据都是数值类型。接下来,我将再次尝试计算总花费。

# 检查每个工作表的"单价"和"采购数量"列的数据类型,并转换为数值类型(如果需要)
for sheet_name, sheet in sheets.items():
    if '单价' in sheet.columns and '采购数量' in sheet.columns:
        sheet['单价'] = pd.to_numeric(sheet['单价'], errors='coerce')
        sheet['采购数量'] = pd.to_numeric(sheet['采购数量'], errors='coerce')
# 再次计算每个工作表的总花费
total_costs = {sheet_name: calculate_total_cost(sheet) for sheet_name, sheet in sheets.items()}
# 再次计算所有工作表的总花费
grand_total_cost = sum(total_costs.values())
grand_total_cost

采购所需的总花费为222,165.22元。

仅仅几分钟,原本杂乱无章的数据就变得井然有序,为后续的分析工作打下了坚实的基础。

趋势预测:洞察未来,决策有据

午后,我需要根据历史数据预测下季度的销售趋势。这原本是一项复杂的任务,需要深厚的统计学知识和丰富的经验。但小浣熊凭借其强大的预测性分析功能,轻松应对了这一挑战。它不仅能够基于历史数据构建预测模型,还能根据市场动态和竞争对手情况,对模型进行实时调整和优化。

根据历史数据预测下季度的销售趋势

回答过程如下:

# First, let's take a look at the structure of the Orders table to understand the available columns.
columns = cursor.execute("PRAGMA table_info(Orders);").fetchall()
columns = [(column[1], column[2]) for column in columns]
columns

Orders 表包含以下列:

  1. order_id - 订单ID
  2. user_id - 用户ID
  3. product_id - 产品ID
  4. order_date - 订单日期
  5. quantity - 购买数量
  6. total_price - 总价

为了预测下季度的销售趋势,我们首先需要提取过去几个季度的销售数据。然后,我们可以使用简单的线性回归或其他方法来预测下季度的销售趋势。

首先,我将提取过去几个季度的销售数据。

# Extract sales data for iPhones from the past quarters
# We'll consider a quarter as 3 months for simplicity
# Get the current date to determine the last quarters
from datetime import datetime, timedelta
current_date = datetime.now()
quarters = []
# Going back 4 quarters (1 year) from the current date
for i in range(4):
    start_date = current_date - timedelta(days=i*90)
    end_date = start_date + timedelta(days=90)
    if end_date > current_date:
        end_date = current_date
    quarters.append((start_date, end_date))
# Extract iPhone sales data for each quarter
iphone_sales_data = []
for start_date, end_date in quarters:
    query = """
    SELECT SUM(o.quantity) as total_sales
    FROM Orders o
    JOIN Users u ON o.user_id = u.user_id
    JOIN Products p ON o.product_id = p.product_id
    WHERE p.product_name LIKE 'iPhone%'
    AND o.order_date BETWEEN ? AND ?
    """
    total_sales = cursor.execute(query, (start_date, end_date)).fetchone()[0]
    iphone_sales_data.append((start_date, end_date, total_sales))
iphone_sales_data

最终,我得到了一份详尽而准确的预测报告,为公司的战略决策提供了有力的数据支持。

数据可视化:直观呈现,一目了然

傍晚时分,我将一天的工作成果整理成报告,准备向领导汇报。为了更直观地展示数据分析结果,我利用小浣熊的数据可视化功能,将复杂的数据转化为直观的图表和图形。无论是柱状图、折线图还是饼图,小浣熊都能根据我的需求快速生成,并自动调整颜色和布局,使报告更加美观易读。

回答如下:

结果已生成,您可以继续对话

# 绘制图表
fig, ax1 = plt.subplots(figsize=(12, 6))
# 绘制平均价格的折线图
ax1.plot(df['月份'], df['样本平均价格(元/㎡)'], color='b', label='样本平均价格(元/㎡)')
ax1.set_xlabel('月份')
ax1.set_ylabel('样本平均价格(元/㎡)', color='b')
ax1.tick_params(axis='y', labelcolor='b')
ax1.set_title('平均价格和环比涨跌的走势图')
# 创建第二个Y轴
ax2 = ax1.twinx()
# 绘制环比涨跌的柱状图
ax2.bar(df['月份'], df['环比涨跌(%)'], color='g', alpha=0.6, label='环比涨跌(%)')
ax2.set_ylabel('环比涨跌(%)', color='g')
ax2.tick_params(axis='y', labelcolor='g')
# 显示图例
ax1.legend(loc='upper left', bbox_to_anchor=(0.2, 1))
ax2.legend(loc='upper left', bbox_to_anchor=(0.2, 0.9))
plt.show()

图表已经绘制完成。左侧Y轴显示了每个月的样本平均价格(元/㎡),而右侧Y轴显示了环比涨跌(%)。左侧为样本平均价格的折线图,右侧为环比涨跌的柱状图。请查看图表是否符合您的预期。

这份图文并茂的报告不仅赢得了领导的认可,也让我对自己的工作成果充满了信心。

一天的尾声:感恩陪伴,展望未来

随着夜幕降临,我结束了忙碌而充实的一天。回顾这一天与小浣熊的并肩作战,我深感庆幸。它不仅是我的工作助手,更是我的良师益友。在它的帮助下,我能够更加高效地完成任务,更加精准地把握市场动态,更加自信地面对工作挑战。我期待着未来与小浣熊携手共进的日子,相信在AI办公新纪元的浪潮中,我们能够创造更多的辉煌和成就。

通过这次与小浣熊的亲密接触,我深刻体会到了AI办公助手带来的便利和价值。它不仅提升了我的工作效率和质量,更激发了我对未来工作的无限遐想。我相信,在不久的将来,会有更多像小浣熊这样的智能助手走进我们的工作生活,共同开创一个更加智能、高效的办公新时代。

相关文章
|
13天前
|
人工智能 算法 开发者
开源VLM“华山论剑”丨AI Insight Talk多模态专场直播预告
开源VLM“华山论剑”丨AI Insight Talk多模态专场直播预告
111 10
开源VLM“华山论剑”丨AI Insight Talk多模态专场直播预告
|
14天前
|
数据采集 人工智能 分布式计算
ODPS在AI时代的发展战略与技术演进分析报告
ODPS(现MaxCompute)历经十五年发展,从分布式计算平台演进为AI时代的数据基础设施,以超大规模处理、多模态融合与Data+AI协同为核心竞争力,支撑大模型训练与实时分析等前沿场景,助力企业实现数据驱动与智能化转型。
68 4
|
12天前
|
设计模式 人工智能 API
​​混合检索技术:如何提升AI智能体50%的响应效率?​
本文深入解析检索增强智能体技术,探讨其三大集成模式(工具模式、预检索模式与混合模式),结合实战代码讲解RAG组件链构建、上下文压缩、混合检索等关键技术,并提供多步检索工作流与知识库自更新机制设计,助力高效智能体系统开发。
84 0
|
15天前
|
人工智能 自然语言处理 机器人
智能体平台哪家值得选?盘点国内外12家AI Agent平台技术特色
智能体平台正引领人机协作新潮流,将“智能”交给机器,让“平台”服务于人。2024年被Gartner定义为“AgenticAI元年”,预示未来企业交互将由智能体主导。面对百余平台,可从三条赛道入手:通用大模型、RPA升级派与垂直场景定制。不同需求对应不同方案,选对平台,才能让AI真正助力工作。
|
19天前
|
机器学习/深度学习 人工智能 搜索推荐
思维树提示技术:让AI像人类一样思考的魔法
想象一下,如果AI能像你思考问题一样有条理,从一个想法延伸到多个分支,会发生什么?思维树提示技术就是这样一种让AI更聪明的方法,通过结构化思维引导,让AI等大模型给出更深入、更全面的回答。本文将用最轻松的方式,带你掌握这个让AI智商飞升的秘技。
|
13天前
|
机器学习/深度学习 存储 人工智能
深度解析大模型压缩技术:搞懂深度学习中的减枝、量化、知识蒸馏
本文系统解析深度学习模型压缩三大核心技术:剪枝、量化与知识蒸馏,详解如何实现模型缩小16倍、推理加速4倍。涵盖技术原理、工程实践与组合策略,助力AI模型高效部署至边缘设备。
157 0
|
28天前
|
文字识别 算法 语音技术
基于模型蒸馏的大模型文案生成最佳实践
本文介绍了基于模型蒸馏技术优化大语言模型在文案生成中的应用。针对大模型资源消耗高、部署困难的问题,采用EasyDistill算法框架与PAI产品,通过SFT和DPO算法将知识从大型教师模型迁移至轻量级学生模型,在保证生成质量的同时显著降低计算成本。内容涵盖教师模型部署、训练数据构建及学生模型蒸馏优化全过程,助力企业在资源受限场景下实现高效文案生成,提升用户体验与业务增长。
252 23
|
2月前
|
人工智能 弹性计算 API
再不玩通义 VACE 模型你就过时了!一个模型搞定所有视频任务
介绍通义的开源模型在 ecs 或 acs 场景如何一键部署和使用,如何解决不同视频生成场景的问题。

热门文章

最新文章