Salut tout le monde,
Je voulais partager un flux de travail très efficace que j'ai développé et qui fait le lien entre les capacités de manipulation de données de JMP et la puissance des derniers modèles d'IA de NVIDIA fonctionnant sur leur plateforme API gratuite (NIM).
L'idée principale est d'automatiser la génération de scripts Python/JSL exécutables directement dans JMP, créant ainsi une véritable « usine à contenu » pour les tâches d'analyse de données.
Le flux de travail technique :
Ingestion des données : Je commence par définir des sujets ou des requêtes analytiques spécifiques directement dans une table de données JMP (par exemple, « Logique philosophique du Voyage en Occident », « Contexte culturel du Rêve dans le pavillon rouge »).
Orchestration de l'IA : Un script Python intégré à JMP prend en charge les opérations complexes. Il appelle l'API de NVIDIA (via le modèle deepseek-ai/deepseek-v4-pro avec NIM) pour traiter ces requêtes.
Synthèse de code : Au lieu de simplement renvoyer des résumés textuels, le modèle est invité à générer des extraits de code Python structurés, conçus pour fonctionner de manière transparente avec Graph Builder de JMP et d'autres outils statistiques.
Sortie automatisée : Le code Python généré est enregistré dans un fichier local ou exécuté directement, permettant une visualisation instantanée et une analyse statistique plus poussée sans codage manuel.
Principaux avantages observés :
Vitesse fulgurante : Tirant parti de la pile d'inférence optimisée de NVIDIA, l'API répond incroyablement vite (traitement de plusieurs requêtes complexes en quelques secondes).
Production en série : Cette méthode permet le traitement par lots. Vous pouvez intégrer des centaines d’intentions analytiques au système et recevoir automatiquement un ensemble complet de scripts prêts à l’emploi.
Automatisation en boucle fermée : Elle crée une boucle transparente allant de la saisie en langage naturel à l’interprétation par l’IA, puis au code exécutable et enfin à la sortie visuelle, le tout sans quitter l’environnement JMP.
Cette configuration a considérablement réduit le temps nécessaire à l'analyse exploratoire des données, notamment pour les données qualitatives ou les études comparatives complexes. D'autres personnes ont-elles expérimenté l'intégration de NVIDIA NIM ou de modèles similaires de grande taille directement dans leurs flux de travail de script JMP ?
Merci! 
