استفاده از ابزار اتوماسیون انحراف از ابزارهای مرتبط با هوش مصنوعی، تمرکز چرخه هیپ احتمالی هوش مصنوعی بر روی اتوماسیون را تایید می کند. روند اکنون معکوس است

نویسنده(های): جاناتان بنیون

در ابتدا منتشر شد به سمت هوش مصنوعی.

روندها حاکی از آن است که ابزارهای اتوماسیون در طول چرخه هیپ هوش مصنوعی با چالش هایی مواجه شده اند

TLDR:

• توسعه عمومی API ابزارهای اتوماسیون (به عنوان مثال Zapier) تا ماه گذشته کاهش یافته است (-13.1٪ سالانه) در حالی که APIهای مرتبط با هوش مصنوعی در همان بازه زمانی رشد ثابتی را تجربه کرده اند (+12.0٪ سالانه).
• افزایش اخیر Zapier ممکن است نشان دهنده انطباق استراتژیک یا راه حل با روندهای هوش مصنوعی باشد که بالاترین میزان را دارد همبستگی به ابزارهای رایگان UIPath، اما همبستگی به هیچ وجه با علیت برابری نمی کند.
• در مورد فعالیت توسعه دهندگان عمومی هشدار دهید، بنابراین روندهای خصوصی را در نظر نگیرید (که می تواند اساساً متفاوت باشد).

پاسخ این تحلیل سریع را بپرسید:

آیا راه‌حل‌های هیجان‌انگیز هوش مصنوعی برای اتوماسیون گردش کار بر روند راه‌حل‌های اتوماسیون گردش کار Zapier تأثیر می‌گذارد، و آیا ممکن است در نقطه عطف چرخه هیپ به شکلی متفاوت تغییر کند؟

بیایید با وارد کردن کتابخانه‌های لازم و بارگیری داده‌هایمان شروع کنیم (نگاه کنید به پست قبلی وبلاگ من برای جستجوی روند توسعه عمومی خارج از GCP). توجه داشته باشید این کد است در مخزن github من در قالب یک نوت بوک.

# imports
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
import numpy as np
# Load the data - in this case sourced from same query over weekend
data = pd.read_csv('ff.csv')

فرمت جدول طولانی، بنابراین تبدیل ها مورد نیاز است

# Convert 'month' to datetime
data['month'] = pd.to_datetime(data['month'])
# Filter out September 2024 - incomplete month
data = data[data['month']  '2024-09-01']
# Filter data for the complete years (2023 and 2024)
data = data[data['month'].dt.year.isin([2023, 2024])]
# Separate Zapier data
zapier_data = data[data['keyword_category'] == 'zapier'].set_index('month')
# Aggregate all other categories as 'AI-related APIs'
ai_apis_data = data[data['keyword_category'] != 'zapier'].groupby('month')['new_repo_count'].sum().reset_index()
ai_apis_data = ai_apis_data.set_index('month')
# Calculate 7-day rolling average for smoothing
zapier_data['rolling_avg'] = zapier_data['new_repo_count'].rolling(window=7).mean()
ai_apis_data['rolling_avg'] = ai_apis_data['new_repo_count'].rolling(window=7).mean()

داده‌های Zapier که من پرس و جو کرده بودم بسیار کوچک هستند (!) بنابراین تغییرات ماه به ماه نمی‌تواند به هیچ چیز آماری بر اساس ماه کمک کند، اما در مجموع احتمالاً به حمایت از یک فرضیه (با و بدون ترسیم شده) کمک می‌کند. CI زیر، برای خوانایی حذف شد).

# Calculate 95% confidence intervals
def calculate_ci(data):
confidence = 0.95
degrees_of_freedom = len(data) - 1
sample_mean = np.mean(data)
sample_standard_error = stats.sem(data)
ci = stats.t.interval(confidence=confidence,
df=degrees_of_freedom,
loc=sample_mean,
scale=sample_standard_error)
return ci
zapier_ci = calculate_ci(zapier_data['new_repo_count'])
ai_apis_ci = calculate_ci(ai_apis_data['new_repo_count'])

و همینطور که به آن اشاره کردم، جمع سریع برای مقایسه Y/Y

def calculate_yoy_growth(data, year1, year2):
jan_jul_year1 = data[(data.index.year == year1) & (data.index.month.isin(range(1, 8)))]['new_repo_count'].sum()
jan_jul_year2 = data[(data.index.year == year2) & (data.index.month.isin(range(1, 8)))]['new_repo_count'].sum()
return (jan_jul_year2 - jan_jul_year1) / jan_jul_year1 * 100
zapier_yoy = calculate_yoy_growth(zapier_data, 2023, 2024)
ai_apis_yoy = calculate_yoy_growth(ai_apis_data, 2023, 2024)

با ترسیم این نتیجه، مشاهده واگرایی در طول دوره زمانی چرخه تبلیغات هوش مصنوعی آسان است.

# Create the plot
fig, ax1 = plt.subplots(figsize=(12, 7))
# Plot Zapier data on the left y-axis
ax1.plot(zapier_data.index, zapier_data['rolling_avg'], color='blue', label='Zapier')
# Set up the right y-axis for AI-related APIs
ax2 = ax1.twinx()
ax2.plot(ai_apis_data.index, ai_apis_data['rolling_avg'], color='red', label='AI-related APIs')
# Customize the plot
ax1.set_xlabel('Date')
ax1.set_ylabel('New Repo Count (Zapier)', color='blue')
ax2.set_ylabel('New Repo Count (AI-related APIs)', color='red')
ax1.tick_params(axis='y', labelcolor='blue')
ax2.tick_params(axis='y', labelcolor='red')
# Add legend
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left')
# Set title and subtitle
plt.title("Public API Usage Trends Y/Y", fontsize=16, pad=20)
plt.figtext(0.7, 0.80, f"Zapier Y/Y Growth: {zapier_yoy:.1f}%, AI-related APIs Y/Y Growth: {ai_apis_yoy:.1f}%\n"
f"(Based on Jan-Jul trends) * not statistically significant at 95% CI",
fontsize=10, ha='center')
# Adjust layout
plt.tight_layout()
plt.subplots_adjust(top=0.85) # Adjust top margin to accommodate subtitle
# Show the plot
plt.show()

آیا این به بسته های خاصی مرتبط است…؟ نمودار زیر همبستگی UIPath را نشان می‌دهد – در حالی که این با علیت برابری نمی‌کند، پیام‌های این شرکت در ماه‌های اخیر نسبت به جوامع علمی تهاجمی شده است (ابزارهای رایگان) – داده‌های C3.ai کثیف هستند، اما همچنین ارزش ذکر برخی از همبستگی‌ها با هوش مصنوعی Oracle و Google را دارد. ابزار Vertex.

# Create a pivot table with months as index and keyword categories as columns
pivot_data = data.pivot_table(values='new_repo_count', index='month', columns='keyword_category', aggfunc='sum')
# Calculate correlation between Zapier and other categories
correlations = pivot_data.corrwith(pivot_data['zapier']).sort_values(ascending=False)
# Remove Zapier's self-correlation and any NaN values
correlations = correlations.drop('zapier').dropna()
# Get the top 5 correlated categories
top_5_correlations = correlations.head(5)
print("Top 5 dimensions correlated with Zapier:")
for category, correlation in top_5_correlations.items():
print(f"{category}: {correlation:.4f}")
# Plot the correlation results for top 5
plt.figure(figsize=(12, 6))
top_5_correlations.plot(kind='bar')
plt.title("Top 5 Correlations (again, sans CI): Developer Usage of Zapier vs Other Categories")
plt.xlabel("Categories")
plt.ylabel("Correlation Coefficient")
plt.xticks(rotation=45, ha='right')
plt.tight_layout()
plt.show()

سنتز – چه چیزی می تواند نشان دهد؟

1. تغییر در تمرکز توسعه‌دهنده در سال گذشته:

روند کاهشی فعالیت Zapier می تواند نشان دهنده تغییر تمرکز توسعه دهندگان از پلتفرم های اتوماسیون سنتی به سمت فناوری های مبتنی بر هوش مصنوعی باشد که در تلاش برای دستیابی به اهداف مشابه هستند.

2. Recent Upturn برای Zapier

افزایش شدید روند Zapier اخیراً را می توان به موارد زیر نسبت داد:

1. معرفی ویژگی های مرتبط با هوش مصنوعی: Zapier ممکن است قابلیت ها یا ادغام های جدید مبتنی بر هوش مصنوعی را معرفی کرده باشد که باعث جلب توجه مجدد در بین توسعه دهندگان شده است.
2. هیپ هوش مصنوعی ممکن است کاری را که توسعه دهندگان می خواستند انجام دهند را خودکار نکرده باشد: هیچ داده ای برای نشان دادن این موضوع وجود ندارد، زیرا API های هوش مصنوعی همچنان در حال افزایش هستند.
3. هم افزایی با فناوری های هوش مصنوعی: این افزایش می‌تواند بازتاب تلاش‌های Zapier برای گنجاندن هوش مصنوعی در پلتفرم خود باشد، احتمالاً چیزی که شامل ابزارهای رایگان یا UIPath است، و همچنین به طور بالقوه راه‌های جدیدی را برای توسعه‌دهندگان ارائه می‌کند تا از قابلیت‌های اتوماسیون و هوش مصنوعی با هم استفاده کنند.

هشدارها: توجه به این نکته مهم است که این روندها ممکن است پیچیدگی کامل اکوسیستم API را به تصویر نکشند. عواملی مانند تغییر در استراتژی تجاری Zapier، تغییر در چشم انداز فناوری گسترده تر، و ظهور رقبای جدید نیز می توانند در شکل دادن به این روندها (در تئوری) نقش داشته باشند.

برای اطلاعات بیشتر در مورد توسعه ابزار هوش مصنوعی و موارد دیگر، من را دنبال کنید.

منتشر شده از طریق به سمت هوش مصنوعی