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:
- Abra o VS Code ou IDE preferida
- Crie um arquivo de dashboard Shiny (ex:
app.py) - 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.
