MLChatAgent

Funktion

Die App soll Nutzern die Interaktion mit komplexen Modellen für maschinelles Lernen (ML) erleichtern. Sie vereinfacht das Verständnis und die Arbeit mit ML-Modellen, da Nutzer Fragen stellen und detaillierte, verständliche Antworten auf Englisch erhalten können.

Mit dem Gemini-Chat-Agenten verwendet die App mehrere Tools, um Nutzerfragen zu beantworten:

- question_reformer: Formuliert Fragen verständlicher.
- generate_sql: Generiert SQL-Abfragen.
- execute_sql: Führt Abfragen aus und fasst Daten zusammen.
- subset_churn_contribution_analysis: Führt eine Analyse des Beitrags zur Kundenabwanderung für Teilmengen aus.
- subset_clv_analysis: Bewertet die Auswirkungen der Kundenbindung basierend auf Änderungen, die an ausgewählten Teilmengen vorgenommen wurden.
- subset_shap_summary: Bietet Einblicke in die Hintergründe von Vorhersagen und der nächsten besten Aktion.
- customer_recommendations: Er schlägt Möglichkeiten zur Reduzierung der Kundenabwanderung für einzelne Nutzer vor.
- model_stat: Beantwortet modelbezogene Fragen.
- generate_visualizations: Erstellt visuelle Datendarstellungen.

Alle diese Tools sind individuelle Agenten, die auf Gemini-Modellen basieren.

So funktioniert die App:

- Nutzerinteraktion: Nutzer stellen Fragen in einfacher Sprache.
- Planung: Der Agent identifiziert die erforderlichen Tools und plant die Ausführung.
- Übersetzung: Der Agent formuliert Fragen in prägnante Anweisungen um.
- Modellinteraktion: Der Agent führt den Plan mithilfe von ML-Modellen aus.
- Nutzerantwort: Der Agent interpretiert und liefert Antworten in einfacher Sprache.

Dieses Agent-Framework ermöglicht es Geschäftsnutzern, ML-Modelle und ‑Daten vollumfänglich zu nutzen, ohne dass sie hochtechnische Kenntnisse benötigen.