Probly แอปพลิเคชันสเปรดชีตที่ขับเคลื่อนด้วย AI ซึ่งผสมผสานฟังก์ชันสเปรดชีตแบบดั้งเดิมเข้ากับความสามารถในการวิเคราะห์ข้อมูลด้วย Python ได้จุดประกายความสนใจในชุมชนนักพัฒนา เครื่องมือนี้มีเป้าหมายเพื่อเชื่อมช่องว่างระหว่างสเปรดชีตแบบดั้งเดิมกับการวิเคราะห์ข้อมูลขั้นสูง โดยใช้ประโยชน์จากปัญญาประดิษฐ์เพื่อให้คำแนะนำอัจฉริยะและการวิเคราะห์อัตโนมัติ
การทดสอบในสถานการณ์จริงเผยให้เห็นข้อจำกัดในปัจจุบัน
ผู้ใช้รายแรกๆ ได้เริ่มทดสอบ Probly กับกรณีการใช้งานจริง เผยให้เห็นทั้งความสามารถและข้อจำกัด ผู้ใช้รายหนึ่งพยายามจัดหมวดหมู่ธุรกรรมธนาคารเป็นกลุ่มค่าใช้จ่ายในครัวเรือน ซึ่งเป็นงานด้านการเงินส่วนบุคคลที่พบบ่อย แม้ว่าเครื่องมือนี้จะมีอินเทอร์เฟซที่ออกแบบมาอย่างดีและกระบวนการติดตั้งที่ราบรื่น แต่องค์ประกอบ AI ยังคงมีปัญหาในการจัดหมวดหมู่อย่างแม่นยำ มักจะติดป้ายค่าใช้จ่ายผิดหรือเลือกใช้หมวดหมู่ทั่วไป
ฉันมีความจำเป็นเร่งด่วนที่จะต้องจัดทำงบประมาณครัวเรือน... งานที่ฉันกำหนดเป็นงานในโลกจริง - โปรดจัดหมวดหมู่ธุรกรรมธนาคารของฉันเป็นกลุ่มค่าใช้จ่ายในครัวเรือน - และพิสูจน์ว่ามันมากเกินไปสำหรับบัญชี ChatGPT o1 ของฉัน - รายการส่วนใหญ่ถูกติดป้ายว่า 'อื่นๆ' ค่าธรรมเนียมธนาคารถูกติดป้ายว่า 'เชื้อเพลิง' เป็นต้น
ข้อเสนอแนะนี้เน้นย้ำความท้าทายสำคัญในแอปพลิเคชัน AI ปัจจุบัน: แม้ว่าเทคโนโลยีจะแสดงให้เห็นถึงความสามารถ แต่งานการจัดหมวดหมู่ทางการเงินในโลกจริงยังคงเป็นอุปสรรคสำคัญแม้แต่กับโมเดลภาษาขั้นสูง
การคิดใหม่เกี่ยวกับบทบาทของ AI ในการวิเคราะห์ข้อมูล
การสนทนาในชุมชนเกี่ยวกับ Probly ได้จุดประกายการสนทนาที่น่าสนใจเกี่ยวกับบทบาทที่เหมาะสมของ AI ในขั้นตอนการวิเคราะห์ข้อมูล แทนที่จะให้ AI เขียนโค้ดเพียงอย่างเดียว ผู้ใช้บางรายแนะนำว่าเครื่องมือเช่น Probly เป็นวิธีที่เข้าใจง่ายกว่า—ถามคำถามโดยตรงและให้ AI กำหนดว่าต้องใช้โค้ดอะไร ดำเนินการ และส่งมอบผลลัพธ์
การเปลี่ยนกระบวนทัศน์นี้มุ่งเน้นไปที่ผลลัพธ์มากกว่าขั้นตอนกลางของการสร้างโค้ด ซึ่งอาจทำให้การวิเคราะห์ข้อมูลเข้าถึงได้ง่ายขึ้นสำหรับผู้ที่ไม่ใช่โปรแกรมเมอร์ อย่างไรก็ตาม บางคนก็ชี้ให้เห็นว่าการเห็นโค้ดที่สร้างขึ้นช่วยให้เกิดความโปร่งใสในกระบวนการของ AI ซึ่งอาจมีคุณค่าสำหรับการตรวจสอบและการเรียนรู้
คำขอฟีเจอร์ชี้ให้เห็นถึงการพัฒนาในอนาคต
ข้อเสนอแนะจากชุมชนได้สร้างคำขอฟีเจอร์หลายอย่างที่อาจกำหนดแผนการพัฒนาของ Probly เหล่านี้รวมถึงการสนับสนุน Docker สำหรับสภาพแวดล้อมที่โฮสต์เอง การบูรณาการกับโมเดล AI ทางเลือกเช่น Ollama สำหรับผู้ใช้ที่ต้องการทางเลือกแทน OpenAI ความเข้ากันได้กับ Google Sheets และตัวเลือกสำหรับการฝังเครื่องมือเป็นไลบรารีคอมโพเนนต์
ความสนใจในตัวเลือกการใช้คอนเทนเนอร์และการโฮสต์เองบ่งชี้ว่าผู้ใช้และองค์กรที่ให้ความสำคัญกับความเป็นส่วนตัวสนใจในเทคโนโลยีนี้ แต่ต้องการความยืดหยุ่นในการปรับใช้ ในขณะเดียวกัน คำขอสำหรับการบูรณาการกับเครื่องมือที่มีอยู่เช่น Google Sheets บ่งชี้ว่าผู้ใช้ต้องการเพิ่มประสิทธิภาพขั้นตอนการทำงานปัจจุบันมากกว่าที่จะเปลี่ยนทั้งหมด
สแต็กเทคโนโลยีของ Probly
- ฟรอนต์เอนด์: Next.js 14, TypeScript, React
- สเปรดชีต: Handsontable, HyperFormula
- รันไทม์ Python: Pyodide (WebAssembly)
- LLM: OpenAI API
- การแสดงผลข้อมูล: ECharts
คุณสมบัติหลัก
- สเปรดชีตแบบโต้ตอบที่รองรับสูตรคำนวณ
- การวิเคราะห์ด้วย Python: รันโค้ด Python โดยตรงกับข้อมูลในสเปรดชีต
- ความสามารถในการแสดงผลข้อมูลเชิงภาพ
- คำแนะนำที่ขับเคลื่อนด้วย AI และการวิเคราะห์อัตโนมัติ
คำขอฟีเจอร์จากชุมชน
- รองรับ Docker/docker-compose สำหรับการติดตั้งใช้งานเอง
- การผสานรวมกับ Ollama เป็นทางเลือกแทน OpenAI
- รองรับ Google Sheets
- ไลบรารีคอมโพเนนต์ npm แบบสแตนด์อโลนสำหรับการฝังใช้งาน
- การตั้งค่าเพื่อสะสมคำสั่ง (prompts) ที่กำหนดเอง
พื้นฐานทางเทคนิคแสดงให้เห็นถึงความสามารถ
สถาปัตยกรรมทางเทคนิคของ Probly รวมเทคโนโลยีเว็บสมัยใหม่เข้ากับความสามารถในการประมวลผลข้อมูลที่ทรงพลัง สร้างบน Next.js 14 ด้วย TypeScript และ React สำหรับฝั่งฟรอนต์เอนด์ ใช้ Handsontable และ HyperFormula สำหรับฟังก์ชันสเปรดชีต สภาพแวดล้อมรันไทม์ Python ถูกจัดการโดย Pyodide (WebAssembly) ซึ่งช่วยให้สามารถดำเนินการโค้ด Python โดยตรงในเบราว์เซอร์ ในขณะที่การแสดงผลภาพขับเคลื่อนโดย Apache ECharts
สแต็คนี้ช่วยให้สามารถผสมผสานความสะดวกในการใช้งานสเปรดชีตกับพลังการเขียนโปรแกรม ทั้งหมดนี้อยู่ในสภาพแวดล้อมเบราว์เซอร์ที่ไม่จำเป็นต้องมีการประมวลผลฝั่งเซิร์ฟเวอร์สำหรับการดำเนินการหลายอย่าง การรวม WebAssembly ผ่าน Pyodide ถือเป็นความสำเร็จทางเทคนิคที่สำคัญ ช่วยให้การประมวลผลข้อมูลที่ซับซ้อนเกิดขึ้นฝั่งไคลเอนต์
ในขณะที่เครื่องมือเพิ่มประสิทธิภาพการทำงานที่ขับเคลื่อนด้วย AI ยังคงพัฒนาต่อไป Probly เป็นการสำรวจที่น่าสนใจว่าขั้นตอนการทำงานของสเปรดชีตแบบดั้งเดิมอาจได้รับการเพิ่มประสิทธิภาพผ่านปัญญาประดิษฐ์อย่างไร แม้ว่าข้อจำกัดปัจจุบันจะยังคงมีอยู่ แต่การมีส่วนร่วมของชุมชนบ่งชี้ว่ามีความสนใจอย่างมากในเครื่องมือที่สามารถเชื่อมช่องว่างระหว่างสเปรดชีตอย่างง่ายกับสภาพแวดล้อมการวิเคราะห์ข้อมูลที่ซับซ้อนมากขึ้น