在快速发展的数据分析领域，弥合原始数据与实用洞察之间的差距至关重要。JMP作为统计发现软件领域的领导者，以其独特的可视化界面脱颖而出，使科学家和工程师能够以交互和直观的方式探索数据。该界面具有点击式操作和动态可视化的特点，使用户无需丰富的编程专业知识即可发现模式、检验假设并做出数据驱动的决策。
随着数据复杂性的增加以及对更快、更复杂分析的需求不断增长，将大型语言模型 (LLM) 集成到JMP 工作流程中，为统计分析和数据可视化添加自然语言界面，将带来至关重要的机遇。通过分析 JMP 的当前优势、识别提升效率的机会以及分析自然语言界面增强功能的潜力，我们探索这些技术如何满足用户需求、简化工作流程并开启数据分析的新可能性。
JMP 的可视化界面在数据分析领域已脱颖而出，它注重易用性，并支持动态、可视化的数据交互。其核心分析功能涵盖稳健的统计建模和实验设计，以及质量和可靠性分析。
通过 Python、R 和其他平台的可扩展性，JMP 不仅拓展了其分析能力，同时保持了其简洁性。这些特性使 JMP 成为各行各业值得信赖的工具—— 包括健康和生命科学、化学品、半导体和消费品——自 1989 年以来。那一年是一个重要的里程碑，因为 JMP 弥合了从大型机到 Macintosh 的差距，使科学家和工程师（而不仅仅是程序员）能够进行统计分析。
尽管 JMP 拥有诸多优势，但挑战依然存在，尤其是对于需要浏览软件、识别合适技术或筛选海量文档的新用户而言。使用自然语言提问并通过聊天界面获得 LLM 的回复正变得越来越普遍。输入请求并获得答案的方式正迅速成为浏览用户界面或菜单的替代方案。与这些 LLM 交互可以提供即时指导、自适应建议和自动报告，从而减少达到熟练程度所需的时间和精力。此外，JMP 的可视化界面本身可以通过抽象机器学习算法的复杂性来增强预测建模。
自然语言界面与数据分析的融合不仅仅是一种增强，更是 JMP 可视化界面理念的自然演进。LearnBot 和 Assistant 等工具体现了 JMP 致力于让高级分析更易于访问、简化工作流程并赋能用户专注于核心专业知识的承诺。
此次集成进一步增强了 JMP 的功能：
- 自然语言交互：LearnBot等工具允许用户使用自然语言查询与 JMP 进行交互，从而简化入职和资源发现。
- 自动报告和见解： LLM 生成的响应通过以通俗易懂的语言生成叙述和可视化来简化报告，帮助用户轻松理解和解释复杂数据。
- 高级预测模型： XGBoost和Torch深度学习等扩展为强大的机器学习 (ML) 库提供了可视化界面。
- 基于自然语言的交互式工具： JMP Assistant 使用户能够通过自然语言提示执行JSL命令，进一步提高工程效率。
JMP 的集成理念从一开始就以用户为中心。因此，这些利用 LLM 和 ML 库的工具是可选的，可通过 JMP Marketplace 获取。它们旨在补充（而非取代）现有的工作流程，从而确保用户能够按照自己的节奏和需求采用新兴技术。
JMP 将其可视化界面的优势与 LLM 功能和自然语言界面的强大功能相结合，为未来数据驱动型决策的高效、便捷和影响力奠定了基础。使用 JMP 的科学家和工程师如今比以往任何时候都更有能力应对复杂的挑战，并在日益数据驱动的世界中占据领先地位。JMP 从可视化分析的先驱到拥抱自然语言赋能的分析平台，彰显了其对科学和工程师的坚定承诺，并致力于推动他们探索前沿科学发现。
JMP Assistant 会与 JMP 19 一起提供吗？或者会作为 JMP 19 的插件提供吗？JMP Marketplace 中没有列出它，而且“搜索 JMP”功能也没有返回结果。
该助手即将在 JMP Marketplace 上线。它并非 JMP 19 内置功能，而是一个独立的扩展程序。更新后，我会将链接发布到这篇文章中。
