Hallo zusammen,
Ich möchte Ihnen einen von mir entwickelten, hocheffizienten Workflow vorstellen, der die Datenmanipulationsfunktionen von JMP mit der Leistungsfähigkeit der neuesten KI-Modelle von NVIDIA verbindet, die auf deren kostenloser API-Plattform (NIM) laufen.
Die Grundidee besteht darin, die Generierung ausführbarer Python/JSL-Skripte direkt in JMP zu automatisieren und so effektiv eine „Inhaltsfabrik“ für Datenanalyseaufgaben zu schaffen.
Der technische Arbeitsablauf:
Datenaufnahme: Ich beginne damit, spezifische analytische Themen oder Abfragen direkt in einer JMP-Datentabelle zu definieren (z. B. „Philosophische Logik der Reise nach Westen“, „Kultureller Hintergrund des Traums der Roten Kammer“).
KI-Orchestrierung: Ein in JMP eingebettetes Python-Skript übernimmt die rechenintensiven Aufgaben. Es ruft die NVIDIA-API auf (unter Verwendung des deepseek-ai/deepseek-v4-pro-Modells über NIM), um diese Anfragen zu verarbeiten.
Code-Synthese: Anstatt nur Textzusammenfassungen zurückzugeben, wird das Modell dazu angehalten, strukturierte Python-Code-Snippets zu generieren, die nahtlos mit dem Graph Builder von JMP und anderen statistischen Werkzeugen zusammenarbeiten.
Automatische Ausgabe: Der generierte Python-Code wird als lokale Datei gespeichert oder direkt ausgeführt, was eine sofortige Visualisierung und weitere statistische Analysen ohne manuelle Codierung ermöglicht.
Wichtigste beobachtete Vorteile:
Blitzschnell: Dank des optimierten Inferenz-Stacks von NVIDIA reagiert die API unglaublich schnell (Verarbeitung mehrerer komplexer Abfragen in Sekundenschnelle).
Massenproduktion: Diese Methode ermöglicht die Stapelverarbeitung. Sie können Hunderte von Analyseabsichten in das System eingeben und erhalten automatisch einen vollständigen Satz ausführbarer Skripte.
Automatisierung im geschlossenen Regelkreis: Es wird ein nahtloser Kreislauf von der Eingabe in natürlicher Sprache über die Interpretation durch KI bis hin zum ausführbaren Code und der visuellen Ausgabe geschaffen, alles innerhalb der JMP-Umgebung.
Diese Konfiguration hat den Zeitaufwand für die explorative Datenanalyse drastisch reduziert, insbesondere bei qualitativen Daten oder komplexen Vergleichsstudien. Hat jemand bereits Erfahrungen mit der Integration von NVIDIA NIM oder ähnlichen großen Modellen direkt in seine JMP-Skripting-Workflows gesammelt?
Danke! 
