Tidigare batalj · 2023-12-14 UTC
AI Data Analysts Uppgörelse — 14 december 2023
Från kategorin AI Data Analysts. 16 markeringar placerade över 5 kämpar. Model ML tog kronan.
Slutställning
Uppställningen
Kämparna
Profiler av varje verktyg som tävlade i den här bataljen, rankade efter sin slutpoäng.
Model ML är en AI-driven plattform byggd för finansiella tjänsteavdelningar, som hjälper analytiker accelerera forskning, grundlig granskning och affärsflödesarbete. Plattformen samlar in dokument, data och AI-modeller i ett enda arbetsyte så användarna kan gå från rådata till strukturerade insikter utan att behöva växla verktyg. Plattformen stöder uppgifter som bolagsanalys, dokumentgranskning, jämförbara sökningar och rapportupprättande, med AI-assistent som är anpassade för användningsfall inom finans. Plattformen riktar sig till investeringsbanker, private equity, förvaltare och rådgivningsföretag som behöver bearbeta stora volymer information under tätt tidsschema.
Radbrytning av kriterier
- AI-assistenterna är anpassade för finansiell forskning
- Ingestion och analys av dokument
- Stöd för efterforskning och upprättande av affärsflöden
- Instrument för att skapa rapporter och minnesanteckningar
- Samarbetsmiljö för deal-tjänster
- Integrering med finansiella källor
Shortcut (Excel AI)
AI-agent som bygger och redigerar arboksheets, modeller och analyser genom chatt och en integrerad Excel-tillägg
Shortcut är en AI-agent som är specifikt utformad för arbete med utökade ark sammanhållande programvaror, designad för att planera, bygga och redigera Excel-modeller, analyser och rapporter med hjälp av natur språk instruktioner. Den positionerar sig själv i syfte för finansiella professionister — analytiker på hedge fonds, aktiebolagstjänare & liknande institutioner — där precision och räkenskapshandhavande betyder mer än rå hastighet. Företaget marknadsför det som installerat över stora, multicriteriehedge fonds och tusentals dagliga aktiva sittplatser. Verktyget kan användas på två sätt: som en självständig webbapplikation och som en natives Excel-plug-in. Webbapplikationen beskrivs som att erbjuda ungefär 95% funktionell överensstämmelse med Excel, medan plug-in:et är till för att leverera fullständig överensstämmelse genom att arbeta direkt inuti användarens befintliga Excel-miljö, inklusive makron, tangentbordskommandon och stora filer. Filerna kan öppnas och exporteras i Excel-format utan förlust av utformning, formelbeteenden eller funktioner, vilket minskar motståndet mot att passa in i etablerade arbetsflöden. Förutom detta finns också en terminalförsta CLI (ShortcutXL) riktad mot användare som vill bygga och redigera flera modeller i parallell inuti desktopecfenygn Excel. Ett centralt designfokus är korrekthet. Shortcut påstår att dess utdata är beroende av formeln istället för att vara hårdkodade, så resultat uppdateras dynamiskt när den underliggande datan förändras snarare än att låsa när indata ändras. Det tillämpar professionella graden av utformning och är konstruerad för att placera ändringar exakt utan att överstryka befintlig data — ett vanligt fel som generiska AI-tabelltjänstverktyg lider av. Företaget hänvisar till resultaten från SpreadsheetBench och ett rapporterat segerprocent på 90% mot förstaårsanalytiker i head-to-head utmaningar som bevis på sina korrekthetsanspråk. Hållbarhet och tillit ges ett prioriterat rum. Shortcut visar alla ändrade celler, anger vilka värden som är hårdkodade och varför, och låter användarna ångra, återställa eller återställa något steg i åtgärdssekvensen. För när det gäller säkerhet marknadsför det SOC 2 Type II-kompatibilitet, AES-256-kryptering under lagring och TLS 1.3 under transit, rollbaserad åtkomstkontroll, noll-retentionsöverenskommelser med deras AI-leverantörer, och en policy som föreskriver att data i betalplan aldrig används för modellträning. I jämförelse med allmänna hjälpmedel som ChatGPT, Claude eller Microsoft Copilot i Excel är Shortcut specialiserad för uppskattningsskuggning och påstår att det har en betydligt högre exaktion på referensuppgifter. Dess olika markering grundar sig på Excel-nativ funktion, utdata som drivs av formeln och de kontrollfunktioner som institutionella finansanvändare kräver. I utbyte mot det specifika specialiseringsnivån är fokus snävt på finansiell och datahantering i Excel snarare än på brett kontorsproduktionsarbete, och många av dess prestandaförklaringar är leverantörsrapporterade mätetal som inköpsintresserade brukare vill validera mot sina egna arbetsflöden.
Radbrytning av kriterier
- Nativt Excel-plugin plus självständig webbapp
- ShortcutXL terminal-första CLI för avancerade användare
- Formelfördrivna, dynamiskt uppdaterande utdata
- Kell-nivåändringar med ångrare/restaurer/upprikt
- Professionella industristandard format
- Förlustlös import och export av Excelfil
Together Open Data Scientist
Öppen källkod för ReAct-agent som kör Python för att utforska data, bygga modeller och generera analysrapporter
Together Open Data Scientist är en öppen källkod, AI-driven analysagent för data som släpptes av Together AI på GitHub. Den tillämpar ramen ReAct (Reasoning + Action - resonemang + handling), vilket innebär en återkommande växling mellan språkmodell-baserade resonemangsskiften och direkt Python-kodsuppförande för att genomföra helautomatiserade dataanalysuppgifter såsom att undersöka datamängder, beräknasummerade statistiska värden, utforma modeller och producera detaljerade skriftliga analysrapporter. Agenten kan köras i Python i en av två modeller. Den inre modellen körs lokalt inuti ett Docker-container, vilket är lämpligt för enkelanvändarens lokala utveckling. Den "TCI"-modellen omvandlar istället körningen till Together Code Interpreter (TCI), en molnskog som kan nås genom Together AI API. Användarna kan ladda upp en datamapp för automatisk inmatning, ställa in ett maximalt antal resoneringsiterationer och välja vilken undertillgångsmodell som driver agenten – DeepSeek-V3 är standard, men Llama-modeller och andra tillgängliga through Together's plattform kan specificeras. Det distribueras som ett pip-installbart paket (open-data-scientist) och exponerar både en kommandotolkssnabbgräns och en Python API. Kommandotolkssnabbgränsen stöder options som t.ex. `--write-report` för att generera en Markdown-analysrapport, `--save-trace` för att logga den fullständiga fråge- och körningsavstampet samt sessionåteranvändning via session-ID:er. Python-API:t centrerar sig runt en ReActDataScienceAgent-klass som tar ett natural language-ändamål och returnerar resultat. Projektet är uttryckligen märkt som experimentell mjukvara. Dels är alla koder och analyser AI-genererad, vilket innebär att utdata kan innehålla fel eller suboptimala lösningar, och bör betraktas som en utgångspunkt för utforskning och inlärning snarare än beslutsfattande inom produktionen. Motsvarande bekräftar att mänsklig övervakning och validering krävs, särskilt för kritiska företags- eller forskningsanvändningsområden. I jämförelse med kommersiella AI-dataanalysassistenter som ChatGPT:s Advanced Data Analysis eller notboks-kopiloter är Together Open Data Scientist differentierade genom att vara helt öppen källkod, självhämlig, modellagnostisk inom Together's ekosystem och kapabel att automatiskt länka många kodbegäranden mot ett komplett rapport istället för en enstaka enkel fråga.
Radbrytning av kriterier
- Loop med resonemang och agerande för ReAct-reasoning-och agerande agent
- Två utförandesläge: lokalt Docker eller Together Codemodulator i molnet
- Automatiskt läggning av datakatalog för analys
- Tillverkning av marknadsrapport med --write-report
- Konfigurerbara modell och maximala resonemang iterationer
- Kommandotolk och programmering API för Python
Edexia
Artificiell grading och retrofeedbackassistent för IB-engelska och australiska kurikulorum, tränad på lärarens egna märkningsstandarder
Edexia är en AI-drivande bedömnings- och feedbackassistent som har utvecklats specifikt för engelska betygsättningar i sekundärutbildning, med huvudfokus på det internationella baccalaureatets (IB) engelska schema och australiska seniorramverk som inkluderar VCE, HSC, QCE och WACE. Istället för att erbjuda generiska uppsatsbedömningar lastar det relevanta rubriker, graderingsbeskrivningar och examenskrav innan, och uppdateras och valideras kontinuerligt av en grupp erfarna lärare mot reala märkningsstandarder. Verktygets grundläggande princip är att AI-betygsättning ska kalibreras efter hur indivідуella lärare och avdelningar faktiskt betygsätter. Lärare graderar handskrifter på okännedom, håller sammanträden för att justera sina bedömningar och systemet lär från denna process så att dess utkastbetyg och feedback alltmer överensstämmer med skolornas standarder. Enligt företaget matchade Edexia lärarbetyg exakt 81,2% av 579 uppsatser vid St Bernard's College och hamnade inom ett betygsskala ett 98,3% av tiden. En central designprincip är att behålla lärare i kontrollen. Varje kommentar som genereras av AI kan redigeras, omformuleras eller raderas innan den når en elev, lärare kan lägga till personliga röstljudnoter till återkopplingen, och en läraröversiktsläge samlar in allt utmatade tills en människa granskar och släpper den. Detta positionerar Edexia som en AI-skrivare och assistent som ritar detaljerad återkoppling för lärare att precisera, i stället för en oberoende graderare. Ovanför betygsinställning ligger plattformen i pärlor med ett antal verktyg för undervisningsflöde: AI-detektering med en återuppspelning av en elevs skrivprocess (visande klistringar, tab-off och AI-liknande poäng), tvärdelrapporter som sammanfattar varje elevs styrkor och nästa steg, en sökbart fråge- och stimulansbibliotek, anonym betygsättning och moderatorfunktioner med visualiserade poängspridning, samt skrivarvskriftsöversättning för skannade svar. Den bygger också upp per-text kunskapsbas av tema, författarens intention och nyckelcitat för arbeten i IB-skolans studie lista. För studenter gör Edexia det möjligt att genomföra ett snabbt skriv-retifiera-översätta cykel, vilket låter dem skriva en essä, få direkt feedback och skriva om under en enda kväll. För lärare och avdelningar ligger fokus på sparad tid för korrigerande och på förbättrad konsekvens genom mottagning och justering. Företaget betonar integritet och datamanagement: utbildningsdata är isolerat till individuella eller institutionsmedlemmar, förblir ägarpartiets immateriella rättigheter och används inte för att träna Edexia-modellerna. Data desidentifieras och lagras på australiska serverhållare, och företaget innehar SOC 2 typ II-certifikat, ISO 27001 och ST4S-ackreditering. Den Edexia som är tillgänglig vid nuvarande webbplats är erbjuden kostnadsfritt till lärare och studenter med en väntelista, och det är begränsat – starkast för IB och australisk engelska snarare än en allmäntäckande bedömare över alla ämnen.
Radbrytning av kriterier
- IB-nålinjerade rubriker och poängbeskrivningar med lärarens verifiering
- Lärarens granskningsläge med fullständig redigering och röstanteckningar
- Artificiell skrivprocess-spelning och AI-sannolikhetetsdetektion
- Blind grading, moderation och kalibrering av grannlysning
- Läsbar prompt- och stimulansbibliotek sökbar efter text, tema och begäransterm
- Handskriftstranskription av skannade svar
Anamap
AI-analytiker som analyserar GA4‑ eller Amplitude‑data för att förklara produkt- och tillväxtmätvärdesförändringar samt föreslå nästa steg
Anamap är ett AI-analysverktyg utvecklat för produkt- och tillväxtteam som vill ha förklaringar och beslut snarare än fler instrumentpaneler. Dess centrala funktion är Cartos, en “AI-analytiker medarbetare” som ansluter till ett teams webb- och produktanalys, identifierar meningsfulla förändringar över användarresan — anskaffning, aktivering, konvertering och behållning — och förpackar dem till beslutsmässiga analyser. Stället för att bara returnera en ny graf eller en vag sammanfattning, är varje Cartos‑undersökning strukturerad kring tre leverabler: den förändring som räknas (vilken mått, segment, kanal eller steg i resan som har rört sig och dess affärseffekt), den troliga orsaken (en bevisbaserad förklaring som innehåller konkurrerande hypoteser och varningar när data är ofullständig), och ett rekommenderat nästa steg som är direkt kopplat till fyndet. Resultatet delas som en kort briefing som team kan släppa in i Slack, e-post eller webbappen så att intressenter kan stämma av utan att behöva bygga om analysen. Verktyget ansluter till GA4 eller Amplitude som datakällor och integreras med Slack, e‑post och en webapp för att leverera insikter. Anamap riktar sig mot organisationer som behöver förklara produkt‑ och webbplatsprestanda men inte enkelt kan motivera eller anställa ytterligare analytikerpersonal – grundare, tillväxtteam, produktteam och lean‑datateam där varje fråga landar på samma överbelastade analytiker. En viktig del av Anamaps pitch är bestående kontext. Där en generisk chatbot som ChatGPT eller Claude kräver att du exporterar data och förklarar definitioner igen vid varje prompt, är Cartos utformad för att behålla "företagsminne": hur KPI:er definieras, vad som släppts i releaser, vilka experiment som körts och vad teamet tidigare bestämt. Avsikten är att varje undersökning bygger på tidigare kontext och avslutas med ett relevant nästa steg snarare än att börja på nytt. Prissättningen är inriktad på team snarare än på platser, med obegränsat antal användare och ingen avgift per plats, samt en gratis testperiod för att undersöka en verklig förändring. Som en tidig produkt (sidan refererar till att hjälpa 12+ företag) bör den förstås som ett fokuserat, åsiktsbetonat alternativ till att bygga interna analytics‑till‑besluts‑flöden eller att förlita sig på knappa analytiker. Köpare bör väga dess begränsade nuvarande integrationsuppsättning (GA4 och Amplitude) och dess lilla, framväxande erfarenhet mot den specifika, beslutsinriktade utmatningen.
Radbrytning av kriterier
- Cartos AI-analytiker som undersöker produkt- och webbanalys
- Anslutningar till GA4 och Amplitude-data
- Detektering av förändringar i förvärv, aktivering, konvertering och retention
- Bevisbaserad orsaksanalys med konkurrerande förklaringar och varningsnoteringar
- Rekommenderad nästa steg‑utdata kopplad till varje fynd
- Permanent minne för företag, KPI, release och beslut