向社会输出人才提供论证!阿里:GPT-4 vs 年薪60万数据分析师,成本只占0.45%

梦晨 发自 凹非寺量子位 | 公众号 QbitAI

GPT-4替代成本

GPT-4替代初级数据分析师的成本只有0.71%,换成高级数据分析师则是0.45%……

你没看错,是百分之零点七一,不是百分之七十一。

5550db70261450071c5ec5f8d8fde4ef.png

按新加坡行情,年薪8.6万-9万美元(60-63万人民币)的高级数据分析师,换成GPT-4就只需要三四百美元(2000多人民币)了。

这项结论来自阿里达摩院新加坡南洋理工大学的新论文,被网友评价为对AI和数据分析领域感兴趣的必读论文。

60bb6ef582e8dee54e5350c98d106954.png

具体来说,结论中高级分析师指在金融行业拥有多年工作经验的数据分析师。

而GPT-4的表现,在大多数指标上能与一位6年工作经验的人类相当,正确性低于人类,但复杂性和一致性指标高于人类。

在与另一位5年工作经验的分析师对比中,GPT-4在信息的正确性、图表的美观性、洞察的复杂性等方面输给人类。

如果与2年工作经验的初级分析师对比,GPT-4在正确性上表现更好,而且能完成更多的工作。

3c067816866dbec849288b06b8a6e3bd.png

但GPT-4完成所有类型的任务都要比人类快得多。

在假设每个月有21个工作日,每天8小时工作时间,按市场价支付工资的前提下,得出最终结论。

231f78f11e1369c5de63bee54dba133f.png

GPT-4当数据分析师,都能干什么

论文重点考察了GPT-4作为数据分析师的以下几种能力:

  • 生成SQL和Python代码

  • 执行代码获得数据和图表

  • 从数据和外部知识源中分析数据,得出结论

f2681e925126716f66bca46f434dcd3a.png

200个样本的实验表明,对于绘制图表任务,GPT-4能够理解指令含义,且对图表类型有一定背景知识,从而绘制出正确的图表。

图表大部分清晰可见,没有任何格式错误,图标的美观性指标满分3分,GPT-4平均得分2.73。

但手工检查还是能发现一些小错误,图表准确性指标满分1分,GPT-4平均得分0.78。

论文中特别说明他们的评估标准非常严格,只要x轴或y轴的任何数据或任何标签有错误,都要扣分。

d6c27f30443f479c18cd1b7df8ccaad7.png

对于数据分析任务,GPT-4在一致性和流畅性中平均得到满分,验证了生成流畅且语法正确的句子对GPT-4来说绝对不是问题。

有意思的是,到了数据分析这一步的准确性要比图表信息的准确性高得多,说明尽管GPT-4画了错误的图表但分析出了正确的结论。

3a3f229e4785a5d185e9d50f916604d0.png

在案例分析中,研究团队还总结出三条GPT-4与人类数据分析师的主要区别:

  • 人类分析师可以用个人思想和情感来表达,比如在分析时写“令人惊讶的是……”;人类读者容易从这样的表述中理解数据是符合预期还是不正常的。

  • 人类分析师倾向于结合背景知识得出结论,如写到“……常见于……”;GPT-4通常只关注提取到的数据本身,允许GPT-4上网搜索实时在线信息可以改善这一点。

  • 当提供见解或建议时,人类分析师倾向于保守,如声明“假如数据没有问题的话……”;GPT-4会以自信的语气直接给出建议,不会提及假设。

另外团队表示,由于预算有限,主要是雇一个来与GPT-4对比的高级分析师太贵了,人工评估和数据标注的数量相对较少。

在最后的结论则是:

实验结果和分析表明,GPT-4在数据分析上有与人类相当的性能,但是否可以取代数据分析师需要近一步研究才能得出结论。

论文:
https://arxiv.org/abs/2305.15038

关注公众号【机器学习与AI生成创作】,更多精彩等你来读:

深入浅出stable diffusion:AI作画技术背后的潜在扩散模型论文解读

深入浅出ControlNet,一种可控生成的AIGC绘画生成算法! 

经典GAN不得不读:StyleGAN

b4cf423317ae5e9039c7be52c8fad93d.png 戳我,查看GAN的系列专辑~!

一顿午饭外卖,成为CV视觉的前沿弄潮儿!

最新最全100篇汇总!生成扩散模型Diffusion Models

ECCV2022 | 生成对抗网络GAN部分论文汇总

CVPR 2022 | 25+方向、最新50篇GAN论文

 ICCV 2021 | 35个主题GAN论文汇总

超110篇!CVPR 2021最全GAN论文梳理

超100篇!CVPR 2020最全GAN论文梳理

拆解组新的GAN:解耦表征MixNMatch

StarGAN第2版:多域多样性图像生成

附下载 | 《可解释的机器学习》中文版

附下载 |《TensorFlow 2.0 深度学习算法实战》

附下载 |《计算机视觉中的数学方法》分享

《基于深度学习的表面缺陷检测方法综述》

《零样本图像分类综述: 十年进展》

《基于深度神经网络的少样本学习综述》

《礼记·学记》有云:独学而无友,则孤陋而寡闻

点击 一顿午饭外卖,成为CV视觉的前沿弄潮儿!,领取优惠券,加入 AI生成创作与计算机视觉 知识星球!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值