Adicionando um AI Assistant em dashboards no Python

Tradicionalmente, dashboards econômicos são produzidos com a compilação dos dados mais recentes dos principais indicadores econômicos. Gráficos e tabelas costumam ser adicionados e alguns campos de filtros possibilitam customizar a análise. No final, o usuário tem um monte de dados na tela para analisar, muitas vezes sem nenhum contexto.

Será que esta é a melhor experiência/produto que pode ser entregue ao usuário final? Será que uma dashboard com um monte de dados jogados é capaz de responder todas as perguntas que podem surgir? Será que este tipo de dashboard será realmente utilizada?

Podemos tentar mudar o jeito tradicional de produzir dashboards tomando proveito de novas tecnologias emergentes, como a Inteligência Artificial. Ao aplicar IA Generativa, podemos criar uma experiência de análise de dados interativa entre o usuário e a dashboard, sem a necessidade de interferência humana. Isso traz mais agilidade e produtividade para as equipes de análise de dados, além de melhorar a experiência do usuário.

Neste exercício mostramos um exemplo integrando um modelo de IA generativa em uma dashboard econômica feita em Python com Shiny. A seguir mostramos o passo a passo para um exemplo de dashboard de conjuntura econômica do Brasil.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Passo 01: estrutura de arquivos e bibliotecas

Vamos começar criando um arquivo para escrever o código da dashboard e importar as dependências necessárias para o exemplo:

  1. Abra o VS Code ou IDE preferida
  2. Crie um arquivo de dashboard Shiny (ex: app.py)
  3. Importe as seguintes bibliotecas

Passo 02: autenticação e modelo de IA Generativa

Em seguida, definimos como variável de ambiente a chave de API do modelo Google Gemini, que é então utilizada na instância do modelo de IA.

Passo 03: importar dados

Agora utilizamos os dados econômicos disponíveis na base do Banco Central do Brasil e importamos 4 indicadores de interesse.

Passo 04: definir visual e campos de interação

Em seguida, definimos o layout da página e adicionamos 2 campos lado a lado de interação com os dados, sendo um para selecionar a variável de análise e outro para selecionar a amostra de dados.

Ao renderizar, teremos o seguinte visual até agora:

Passo 05: adicionar visualização de dados

Em seguida, definimos a área onde o gráfico será exbido e o código que elabora o gráfico, já se conectando com os campos de interação.

Ao renderizar, teremos o seguinte visual:

Passo 06: adicionar AI Assistant

Por fim, utilizamos o modelo de IA Generativa chamado Gemini, da empresa Google, para criar um mini chat ao lado do gráfico, possibilitando interação e perguntas do usuário.

Como resultado final, temos uma dashboard interativa:

Conclusão

Modelos de IA Generativa podem ajudar na análise de dados tal como o Self Checkout do mercado: economizando tempo e recursos. Através de um AI Assistant integrado na dashboard, o usuário pode obter respostas para suas dúvidas sobre os dados de forma rápida e interativa. Neste exercício mostramos o caminho para adicionar Inteligência Articial na análise de dados usando Python Shiny.

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

Transformers para Análise de Séries Temporais

Neste tutorial, mostramos passo a passo como aplicar dados de séries temporais em modelos baseados na arquitetura Transformer, utilizando a biblioteca Darts no Python. Você aprenderá como transformar dados temporais em um formato compatível, ajustar o modelo e gerar previsões. Uma introdução prática e didática à união entre Deep Learning e análise de séries temporais.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.