Tidligere kamp · 2023-12-14 UTC
AI Data Analysts Oppgjør — 14. desember 2023
Fra kategorien AI Data Analysts. 16 merker plassert på tvers av 5 kjempere. Model ML tok kronen.
Endelige plasseringer
Oppstillingen
Kjemperne
Profiler av hvert verktøy som konkurrerte i denne kampen, rangert etter sin endelige poengsum.
Model ML er en AI-drevet plattform bygget for finansielle tjenesteavdelinger, som hjelper analytikere med å akselerere forskning, due diligence og avtaleprosesser. Plattformen konsoliderer dokumenter, data og AI-modeller i ett enkelt arbeidsområde slik at brukerne kan gå fra råkilder til strukturerte innsikter uten å bytte verktøy. Plattformen støtter oppgaver som selskapsanalyse, gjennomgang av dokumenter, sammenligningssøk og utarbeidelse av rapporter, med AI‑assistenter tilpasset finansbransjen. Den er rettet mot investeringsbanker, private equity, kapitalforvaltere og rådgivningsfirmaer som trenger å behandle store mengder informasjon innen stramme tidsfrister.
Kriteriumfordeling
- AI-assistenter tilpasset finansforskning
- Dokumentingest og analyse
- Støtte for due diligence og forretningsprosesser
- Verktøy for rapport- og memooppskriving
- Samarbeidsarbeidsområde for dealteam
- Integrasjon med finansielle datakilder
Shortcut (Excel AI)
En AI-agent for Excel som bygger og redigerer sprederbokser, modeller og analyser via chatte og en nativ Excel-tilleggsprogramvare
Shortcut er en AI-agent tilpasset for å jobbe med språksystem, designet for å planlegge, bygge og endre Excel-modeller, analyser og rapporter fra naturmålskommunikasjon. Dette gjør det til et produkt som skal sette seg inn på markedet for finansprosedyr — analytikere ved hedgefonder, aktieforvaltere og lignende institusjoner — der nøyaktighet og etterretningsevne er viktigere enn det enkelte skrittets hastighet. Selskapet markerer det som satt i produksjon over store multi-strategiske hedgefonder og over tusen daglige aktive brukertepper. Verktøyet kan brukes på to måter: som en selvstendig webapplikasjon og en nativ Excel-plug-in. Webapplikasjonen beskrives som å tilby rundt 95% funksjonslikehet med Excel, mens pluginnet er beregnet på å levere full likehet ved å jobbe direkte innenfor brukerens eksisterende Excel-miljø, inkludert makroer, tastatursnurr, og store filer. Filene kan åpnes og eksporteres i Excel-format uten tap av formatering, formler eller andre funksjoner, som reduserer motstanden på å flette det inn i etablerte arbeidsflyter. Der er også et terminal-første CLI (ShortcutXL) rettet mot brukere som vil bygge og redigere flere modeller parallelt innenfor desktop-Excel. Et sentralt designfokus er på riktighet. Shortcut hevder at dens utganger er basert på formelen i stedet for å være hardkodet, så utfallene oppdateres dynamisk når den underliggende dataskrift endrer seg i stedet for å kollapse når inputs endrer. Det søker profesjonell grad formulering og er designet til å sette rettskaffens endringer på plass uten å overskrive eksisterende data - en felles feil på generisk AI-verktøy for tabeller. Selskapet peker på tabelltestresultater og rapporterer et vunnet prosent på 90 mot nye analysere i head to head utfordringer som bevis på sine påstander om korrekthet. Audittere og tillit er presentert som førsteprioriterte konsesjoner. Shortcut viser alle endrede celler, indikerer hvilke verdier som er hardkodet og grunnen til, og tillater brukerne å reverte, gjenopprette eller nullstille hvilken som helst trinn i handlingen. I forhold til sikkerhet annonserer det SOC 2 Type II-komplianse, AES-256-kryptering inne på og TLS 1.3 i overføring, rollerbasert tilgangskontroll, ikke-holdningsavtaler med sine AI-leverandører, og en politik hvor betaltsatt datadeler aldri brukes til maskinlæringstræning. I forhold til generelle assistenter som ChatGPT, Claude eller Microsoft Copilot i Excel, er Shortcut spesifikt tilpasset utvikling av tabeller og hevder å ha betydelig høyere nøyaktighet på benchmark-oppgaver. Dets differentiering skylder seg eksel-native operasjon, uttrykkbaserte utdata og audithandelingsfunksjonene som institusjonelle finansbrukere krever. Det er et gjeldende kompromiss, en stri fokus på eksel-baserte finanser og dataverk og ikke bred produktivitet i kontoret, og mange av dens prestasjons påstander er varelevererets rapporterte måleverdier som kjøperne ønsker å valideres mot sine egne arbeidsflyter.
Kriteriumfordeling
- Nativ Excel-plugg for å legge til, pluss separat nettapplikasjon
- ShortcutXL terminal først CLI for dyktige brukere
- Formelstyrt, dynamisk oppdaterende utganger
- Cellnivåendring audit med tilbakeføring/oppdatering/omendring
- Profesjonell industrienhet-standard formatering
- Tapt-fil-utfordret Excel-filimport og -eksport
Together Open Data Scientist
Åpnenhets ReAct-agent som kjører Python for å utforske data, bygge modeller og generere analyserapporter
Together Open Data Scientist er en åpen kilde, AI-åndet dataanalyseinstrument utgitt av Together AI på GitHub. Den følger reaktionsramme (Reasoning + Acting) ReAct, som bytter mellom språkmodell-baserte tankegangssteg og konkrete Python-kode-eksekvasjoner for å utføre end-to-end data science-oppgaver, slik som å utforske datasett, beregne samendrag av statistikk, bygge modeller og produsere detaljerte skrevne analyserapporter. Agenten kan utføre Python i ett av to modus. Den innenfor 'intern' modus kjører kode lokal på en Docker-konteiner, som passer for enbruker lokal utvikling, samtidig som 'tci'-modus sendes eksekusjonen til Together Code Interpreter (TCI), en skytjänst tilgjengelig gjennom Together AI API. Brukere kan laste opp en datadir for automatisk indigestering, sette en maksimal på innrekkende årsaker for å iterere, og velge hvilken underliggende modell som kjører agenten — DeepSeek-V3 er standard, men Llama Modeller og andre tilgjengelige gjennom Together's platform kan spesifisere dersom ønskelig. Verktøyet distribueres som et pip-installable package (open-data-scientist) og gir tilgang til både en kommandolinje-økter og en Python- API. CLI støtter valgmuligheter som --write-report for å generere en Markdown-analytisk rapport, --save-trace for å logge full query og utførelses-sporet, og sesjonsbruk via session-IDs. Den Python- API-en fokuserer på en ReActDataScienceAgent-klassen som tar inn et naturlig språklig oppgitte oppgave og returnerer resultater. Prosjektet er uttrykkelig merket som eksperimentell-software. Fordi hele koden og analysene er generert av maskinlæring, kan utdata inneholde feil eller undermålige tilnærming og bør betraktes som et utgangspunkt for utforskning og læring fremfor produksjonsdatabehandling. Vedleggerne understreker at menneskelig oversyn og validering er nødvendig, særlig for kritiske forretnings- eller forskningssammenhenger. I forhold til kommersielle AI-dataanalyseelekter som ChatGPT's Advanced Data Analysis eller notebogskopiloter, skiller Together Open Data Scientist seg ut ved å være fullstendig åpen kildekode, selv-vært, model-uavhengig innen Together's ekosystem, og i stand til å autonomt sammensette mange kode-utførelsessteg for å oppnå en komplett rapport framfor å gi bare en enkelt åpenhetsbesvar.
Kriteriumfordeling
- ReAct-reasoning-og-handlings agentloop
- To utførelseselementer: lokale Docker eller Together Code Interpreter i skyen
- Automatisk last ned av datafordeling for analyse
- Markdown-rapportgenerering med --skriv-rapport
- Konfigurerbare modeller og maksimalt årsaker å iterere
- Kommandolinjesti og programmatisk Python-API
Edexia
AI‑vurderings- og tilbakemeldingsassistent for IB‑engelsk og australske pensum, trent på lærernes egne vurderingsstandarder
Edexia er en AI-drevet vurderings‑ og tilbakemeldingsassistent utviklet spesielt for vurdering av engelsk på videregående nivå, med hovedfokus på International Baccalaureate (IB) Engelsk‑læreplanen og australske senior‑rammeverk inkludert VCE, HSC, QCE og WACE. I stedet for å tilby generisk essayvurdering, forhåndslaster den de relevante rubrikkene, karakterbeskrivelsene og kravene til studie‑design, og den blir kontinuerlig trent og validert av et team av erfarne lærere i samsvar med faktiske karaktersettingsstandarder. Verktøyets hovedpremiss er at AI‑vurdering skal kalibreres etter hvordan individuelle lærere og avdelinger faktisk gir karakterer. Lærere vurderer oppgaver blindt, justerer sine dommer i kalibreringsmøter, og systemet lærer av denne prosessen slik at foreløpige karakterer og tilbakemeldinger stadig bedre samsvarer med skolens standarder. Ifølge selskapet, i en prøve på 579 essays ved St Bernard's College, matchet Edexia lærerens karakterer nøyaktig 81,2 % av gangene og falt innenfor ett karakterskritt 98,3 % av gangene. Et sentralt designprinsipp er å holde lærerne i kontroll. Alle AI‑genererte kommentarer kan redigeres, omskrives eller slettes før de når en elev; lærere kan legge ved personlige talebeskjeder i tilbakemeldingen, og en lærer‑gjennomgangsmodus holder all output til en person har gått gjennom den og frigitt den. Dette posisjonerer Edexia som en AI‑skribent og -assistent som lager detaljert tilbakemelding for lærerne å finpusse, i stedet for en autonom vurderingsmaskin. Utover vurdering samler plattformen en rekke verktøy for klasseromsarbeidsflyt: AI‑deteksjon med en gjenavspilling av en elevs skriveprosess (som viser innliminger, tab‑offs og AI‑likelihood‑score), tverrinnleveringsrapporter som oppsummerer hver elevs styrker og neste steg, et søkbart prompt‑ og stimulusbibliotek, blind vurdering og moderasjonsfunksjoner med visualiserte poengfordelinger, samt håndskrifttranskripsjon for skannede svar. Den bygger også per‑tekst kunnskapsbaser over temaer, forfatterintensjon og nøkkel‑sitater for verk på IB‑studielisten. For studenter gjør Edexia det mulig med en rask skrive–tilbakemeldings–omskrivningssyklus, slik at de kan utforme et essay, få umiddelbar tilbakemelding og revidere i løpet av en enkelt kveld. For lærere og avdelinger er fokuset på tidsbesparelser ved retting og på å forbedre konsistensen gjennom moderering og kalibrering. Selskapet legger vekt på personvern og datastyring: treningsdata er isolert til individuelle eller institusjonelle kontoer, forblir kontoinnehaverens immaterielle eiendom, og brukes ikke til å trene Edexia sine modeller. Data er avidentifisert og lagret på australske servere, og selskapet har SOC 2 Type II-sertifisering, ISO 27001 og ST4S-akkreditering. Per den lagrede siden tilbys Edexia gratis til lærere og studenter med venteliste, og tjenesten er snevert definert – den er sterkest for IB og australsk engelsk fremfor et generelt vurderingsverktøy på tvers av alle fag.
Kriteriumfordeling
- IB‑tilpassede rubrikker og karakterbeskrivelser med validering fra lærere
- Lærervurderingsmodus med full redigering og talte notater
- AI‑gjenavspilling av skriveprosessen og AI‑sannsynlighetsdeteksjon
- Blindvurdering, moderering og kalibreringsanalyse
- Prompt‑ og stimuli‑bibliotek søkbart etter tekst, tema og kommando‑term
- Transkripsjon av håndskrift fra skannede svar
Anamap
AI-analytiker som undersøker GA4‑ eller Amplitude‑data for å forklare endringer i produkt‑ og vekstmetrikker og anbefale neste steg
Anamap er et AI‑analysverktøy laget for produkt- og vekstteam som ønsker forklaringer og beslutninger i stedet for flere dashbord. Hovedfunksjonen er Cartos, en «AI‑analytiker‑medarbeider» som kobler seg til teamets web‑ og produktanalyse, identifiserer meningsfulle endringer gjennom brukerreisen – fra brukeranskaffelse, aktivering, konvertering og retensjon – og pakker dem inn i beslutningsklare analyser. I stedet for å returnere en annen graf eller en vag oppsummering, er hver Cartos-undersøkelse strukturert rundt tre leveranser: endringen som betyr noe (hvilken metrikk, segment, kanal eller steg i reiseruten som har endret seg og dens forretningsmessige innvirkning), den sannsynlige årsaken (en evidensbasert forklaring som inkluderer konkurrerende hypoteser og advarsler når dataene er usikre), og en anbefalt neste handling knyttet direkte til funnet. Resultatet deles som et kort dokument som teamene kan slippes inn i Slack, e‑post eller web‑appen, slik at interessenter kan tilpasse seg uten å bygge analysen på nytt. Verktøyet kobler seg til GA4 eller Amplitude som datakilder og integreres med Slack, e-post og en nettapp for å levere funn. Anamap retter seg mot organisasjoner som trenger å forklare produkt- og nettside‑prestasjoner, men som ikke lett kan rettferdiggjøre eller ansette ekstra analytiker‑personell – gründere, vekst‑team, produkt‑team og smale data‑team der hvert spørsmål lander på samme overbelastede analytiker. En viktig del av Anamaps pitch er vedvarende kontekst. Mens en generisk chatbot som ChatGPT eller Claude krever at du eksporterer data og gjentar forklaringer på definisjoner ved hver forespørsel, er Cartos designet for å beholde «selskapsminne»: hvordan KPIer er definert, hva som ble levert i utgivelser, hvilke eksperimenter som ble kjørt, og hvilke beslutninger teamet tidligere har tatt. Målet er at hver undersøkelse bygger på tidligere kontekst og avsluttes med et relevant neste skritt i stedet for å starte på nytt. Prisstrategien er basert på team i stedet for sitteplasser, med ubegrenset antall brukere og ingen per-sitteplasser-kostnad, samt en gratis prøveperiode for å teste en virkelig endring. Som et produkt i tidlig fase (nettstedet refererer til at det har hjulpet over 12 virksomheter), bør det forstås som et fokusert, meningsfullt alternativ til å bygge interne analyse-til-beslutningsflyt eller å stole på knapp analytiker tid. Kjøpere bør vurdere det smale nåværende integrasjonssettet (GA4 og Amplitude) og den lille, fremvoksende historikken mot spesifisiteten av dens beslutningsorienterte output.
Kriteriumfordeling
- Cartos AI‑analytiker som undersøker produkt‑ og webanalyse
- Koblinger til GA4 og Amplitude‑data
- Deteksjon av endringer på tvers av akvisisjon, aktivering, konvertering og retensjon
- Bevisbasert årsaksanalyse med konkurrerende forklaringer og advarsler
- Anbefalt neste trinn‑uttak knyttet til hver funn
- Vedvarende huske av selskap, KPI, utgivelse og beslutning