Минула битва · 2025-12-26 UTC
AI Data Analysts Протистояння — 26 грудня 2025 р.
З категорії AI Data Analysts. 23 позначок поставлено серед 6 бійців. Together Open Data Scientist здобув корону.
Підсумкові результати
Учасники
Бійці
Профілі кожного інструмента, який змагався в цій битві, ранжовані за підсумковим балом.
Together Open Data Scientist
Агент ReAct з відкритим кодом, що виконує Python для дослідження даних, побудови моделей та створення аналітичних звітів
Together Open Data Scientist – це агенти з відкритим кодом, що використовує ШІ для аналізу даних, випущений Together AI на GitHub. Він слідує фреймворку ReAct (Reasoning + Acting), чергує між кроками розуміння мовної моделі та виконанням реального коду Python для виконання повного процесу data science, включаючи дослідження наборів даних, обчислення статистичних підсумків, побудову моделей та створення детальних письмових аналітичних звітів. Агент може виконувати код у двох режимах. Режим "internal" запускає код локально у контейнері Docker, підходить для однопользовательского локального розроблення, тоді як режим "tci" передає виконання Together Code Interpreter (TCI) – хмарному sandbox, доступному через Together AI API. Користувачі можуть завантажувати каталог даних для автоматичного споживання, встановлювати максимальну кількість ітерацій розуміння й вибирати підлягаючу модель – за замовчуванням використовується DeepSeek-V3, але можна вказати Llama чи інші моделі з платформ Together. Пакет розповсюджується як pip‑інсталюваний пакет (open-data-scientist) і надає CLI та Python API. CLI підтримує параметри такі, як --write-report для генерації аналітичного звіту в Markdown, --save-trace для запису повної історії запитів і виконання, а також повторне використання сесії за ID. Python API центрований навколо класу ReActDataScienceAgent, який приймає завдання у природній мові й повертає результати. Проект явно позначений як експериментальне ПО. Оскільки весь код та аналіз генеруються ШІ, результати можуть містити помилки чи субоптимальні підходи, тому їх краще розглядати як вихідну точку для дослідження й навчання, а не як рішення для виробництва. Підтримувачі підкреслюють необхідність людського контролю і валідації, особливо для критичних бізнес- або дослідницьких застосувань. У порівнянні з комерційними помічниками з аналізу даних, такими як Advanced Data Analysis в ChatGPT або notebook copilots, Together Open Data Scientist вирізняється тим, що він повністю відкритий, самостійно розгортається, модель-агностичний у рамках екосистеми Together і здатен автономно ланцюжити багато кроків виконання коду до повного звіту, а не лише однократного відповіді.
Розподіл критеріїв
- Цикл агенту ReAct: розуміння та виконання
- Два режиму виконання: локальний Docker або хмарний Together Code Interpreter
- Автоматичне завантаження каталогу даних для аналізу
- Генерація звітів у Markdown за допомогою --write-report
- Налаштовуваний модель та максимальна кількість ітерацій розуміння
- Командний рядок і програмний Python API
Колаборація зі Trinka AI - допоміжний інструмент для вчених, студентів та технічних фахівців. Він передбачає не тільки перевірку орфографії та правопису, але й підкреслює проблеми, характерні для наукових праць, такі як неефективність термінології, розпливчаста будова речень та проблеми з тономовий стилем, які досить поширені у наукових статтях. Інструмент пропонує suggestions, що знають свій предмет, у сотні різних галузей, та може допомогти виконувати завдання, наприклад, парофіражувати текст, здійснювати перевірку відповідності та забезпечувати дотримання правил видання відповідно до стилю публікацій. Інструмент інтегрується із Microsoft Word, браузерами та через облачі редактори, зробивши його можливим для використання протягом звичайних дослідницьких цільових робіт. Програмна платформа Trinka також включає спеціалізовані функції підготовки рукописів, такі як перевірка готовності до публікації в наукових журналах, виявлення плагіату та перевірка належності цитат, що підкреслює її більш різноманітні можливості порівняно з традиційною перевіркою правопису.
Розподіл критеріїв
- Розширені перевірки граматики й стилю
- Покращення академічного тону й ясності
- Інструменти перефразування й узгодженості
- Перевірка плаґіату та цитат
- Звіти про готовність рукопису до подання у журнал
- Інтеграції з браузером, Word та хмарними редакторами
Fyva AI
Авіатехнологічний помічник, який допомагає аналітикам створювати дослідницькі щожурнали щодо цінних паперів на основі документів і ринку.
Fyva AI - це дослідницький помічник, розроблений для аналітиків ринку акцій, команд інвестицій та фінансових фахівців. Він споживає матеріали компанії, фінансові дані та інші джерела інформації, щоб допомогти користувачам швидко готувати наукові висновки, резюме та інвестиційні висновки краще від ручної роботи. Інструмент спрямований на пришвидшення повторювних етапів процесу дослідження, такі як виділення ключових даних з 10-К та 10-Кв, підсумовування засідань щодо прибутків і структурування початкових версій звітів. Аналітики можуть потім розширити згенерований за допомогою AI вираз із власним судженням та власними оцінками, до публікації всередині компанії або для клієнтів.
Розподіл критеріїв
- Автоматичне генерування доповідей щодо цінних паперів
- Аналіз документів і документів
- Сумарна обробка відбору дохідностей і даних фінансових операцій
- Викриття передбачень щодо інвестиційних тез
- Площадка для дослідження, спрямована на аналітиків
Anamap
Аналітик AI, який розслідує дані GA4 чи Amplitude для пояснення змін параметрів зростання та виробничих показників і рекомендацій щодо подальших кроків
Anamap — це інструмент аналітики за допомоги штучного інтелекта, розроблений для команд зі розвитку продукції та зростання, які хочуть пояснення та прийняття рішень, а не ще більше діаграм. Основна особливість цього інструменту — сервіс Cartos, який називають «інтелектуальним аналітиком-співробітником». Він під'єднується до аналітичних даних команди через мережу інтернет та продукти компанії, виявляє важливі зміни у процесі користування користувачів - від початку дії користування (активація), під час здійснення певної дії (оцінка роботи користування), після здійснення цього діяння (підтримка діяльності користувачів), та упаковує цю інформацію у рішучу програму аналізу. Натомість повертаючи ще один графічний аналіз або загальний огляд, кожна розслідування серії Cartos будується навколо трьох результатів: зміни що мають значення (яке вимірювання, сегмент, канал чи крок шляху рухнувся та його бізнес-ефект), ймовірної причини (розроблена на основі даних експлікація, що включає декілька гіпотез та застереження, коли дані не зовсім очевидні) та рекомендації щодо наступного кроку, пов’язаної безпосередньо з результатами. Результат надається у вигляді короткого повідомлення, що команди можуть розмістити в Slack, електронній пошті чи веб-інтерфейсі, щоб зацікавлені особи могли збігти свої бачення без відновлення аналіз. Інструмент під’єднується до GA4 або Amplitude як джерела даних та інтегрується з Slack, електронною поштою та веб-згорнутим вікном для надання висновків. Anamap позиціонує себе для організацій, які мають необхідність пояснити ефективність своїх продуктів та вебсайтів, але не можуть легкодухо обґрунтувати або наймати додаткового фахівця аналітичного рівня — засновники, команди зростаючого розвитку, команди продукту та економні команди даних, де кожна задані питання лізькують на одного з багатьох перегружених аналітиків. Ключовим аспектом пропозиції Anamap є тривале контекстування. Гляньте на звичайну чат-бота, наприклад, на ChatGPT чи Claude, вона потребує експортувати дані та знову роз'яснювати визначення з кожного повідомлення, тоді як Cartos розроблений із цією метою тримати «спамасштабну пам'ять компанії»: як розставлені КПІ, що було випущено в релізах, які експерименти виконувалися та що в попередньому рішенні команди. Інтент полягає в тому, що кожна дослідження будується на попередніх умовах та закінчується значущим наступними кроками, а не починається із холодної стартової точки. Ціна позиціонується навколо команд, а не навколо місць, з необмеженими користувачами та без додаткової плати за місце, а також вільним пробним періодом для дослідження однієї справжньої зміни. Як ранній продукт (сайт посилається на допомогу 12+ підприємствам), краще зрозуміти його як фахово і визначну альтернативу будівництву внутрішніх аналітичних потоків прийняття рішень або перебігаючи на рідкісний час експертної експертизи. Купувати це слід порівняти обмежений поточний набір інтеграцій (GA4 та Amplitude) і його відносно невеликий, що виникнення, до специфіки його виходу рішення, яке спрямоване саме на прийняття рішень.
Розподіл критеріїв
- Cartos - Аналітик AI, який розслідує продукти та web - аналітику
- З'єднання даних GA4 та Amplitude
- Виявлення змін протягом acquisition, активації, зміни на користь споживача та збереження користувача
- Навівка на підставі фактичних даних причину зміни разом з конкурентною гипотезою та обмеження наявних даних
- Рекомендований наступний крок для кожного відкритого питання
- Постійна пам'ять організації щодо змін параметрів КПІ та експериментів, які відбулися протягом історії організації
Model ML є платформою, розрахованою на збірну фахівців фінансових послуг, яка допомагає analysts у швидкому розширенні досліджень, оцінки та потоку справ щодо угод. На цій інституції консолідуються документи, дані та моделі AI до однієї робочої місця, внаслідок чого користувачі зможуть переїхати безпосередньо від джерел до структурованих висновків без зміни інструментів. Платформа підтримує завдання, такі як аналіз компанії, перегляд документів, порівняльні пошуки та підготовка звітів, із використанням штучного інтелекту, яке підходить для фінансувальних випадків використання. Вона призначена для інвестиційних банків, приватних капіталовкладень, управлінців активами та консультаційних компаній, яким потрібно обробляти великі об'єми інформації в умовах тісних термінів.
Розподіл критеріїв
- AI‑асистенти, налаштовані на фінансові дослідження
- Введення та аналіз документів
- Підтримка перевірок і робочих процесів угод
- Інструменти створення звітів і нотаток
- Спільний робочий простір для команд угод
- Інтеграція з фінансовими джерелами даних
MinusX — це АІ-агент, який безпосередньо підключається до платформ аналізу даних, таких як Jupyter, Metabase і Tableau, виконуючи функції аналітика даних безпосередньо в інструментах, які вже використовуються командами. Замість того, щоб експортувати дані або перемикатися між контекстами, користувачі можуть ставити питання природною мовою, і MinusX виконуватиме запити до даних, будуватиме діаграми та редагуватиме інформаційні панелі від їх імені. Агент може інтерпретувати схеми, писати SQL або Python, пояснювати свої міркування та змінювати результати на основі наступних підказок. Він призначений для аналітиків, вчених з даних і бізнес-користувачів, які хочуть прискорити дослідницький аналіз, звітування та рутинне обслуговування інформаційних панелей. Працюючи безпосередньо в інструменті, а не як окремий інтерфейс, MinusX вбудовується в існуючі робочі процеси та поважає права доступу та підключення, вже налаштовані там.
Розподіл критеріїв
- Браузерне розширення для інструментів аналізу
- Перетворення природної мови в SQL і Python
- Автоматизоване створення та редагування інформаційних панелей
- Контекстно-залежне розуміння схеми
- Ітеративний аналіз на основі чату
- Підтримка Jupyter, Metabase, Tableau тощо