Texto gerado em ChatGPT:
Este projeto de análise de dados irá explorar o conjunto de dados mtcars utilizando a linguagem R e a plataforma Quarto. Com a minha capacidade de processar e analisar dados, espero extrair insights significativos sobre o desempenho de diferentes carros presentes nesse conjunto de dados. O objetivo final é apresentar esses resultados de maneira clara e acessível, utilizando gráficos e visualizações gerados em R.
Visão inicial dos dados. Para maiores informações, acesse a documentação.
head(mtcars) mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1Agora, vamos chamar os pacotes que utilizaremos nesse teste.
library(tidyverse)
library(chatgpt)
data(mtcars)Primeiro passo, vamos filtrar os carros com 4 ou 8 cilindros. Também transformaremos a rowname em apenas números, e transferiremos o nome dos veículos para dentro do data frame.
df <- mtcars |>
dplyr::filter(cyl %in% c(4, 8)) |>
tibble::rownames_to_column() |>
dplyr::rename("veiculo" = "rowname")Bom, diante disto, quais são os veículos com melhor performance em mpg de acordo com o número de cilindros?
teste_x <- df |>
dplyr::group_by(cyl) |>
dplyr::filter(mpg == max(mpg)) |>
dplyr::select(veiculo, mpg, cyl)Como podemos ver… ôpa, vamos testar o ChatGPT? Será que ele nos ajuda com isto?
Então o primeiro passo é configura-lo. Para tanto, é necessário que você tenha posse de sua chave (key) da API.
# OPENAI_API_KEY <- "sua chave"Após inserir sua chave, lembre-se que atualmente é necessário ter créditos para consumir na Open AI, vamos realizar mais 03 etapas.
Transformar o data.frame de interesse em formato análogo a CSV aplicando a função format_csv();
Aplicar a função ask_chatgpt() para comunicar nossa requisição ao ChatGPT. Para tanto, utilizaremos o glue() para adicionar a informação junto a query.
message() e seus argumentos são apenas para melhorar o formato do output.
teste_y <- format_csv(teste_x)
message(paste(strwrap(ask_chatgpt(glue::glue("Leia este isto, saiba que está em formato csv: {teste_y} . Agora, me retorne um resumo disto com descritiva básica, em formato de texto discursivo, em até 8 linhas dividias em 02 parágrafos. NÃO mencione 'O conjunto de dados fornecido' ou coisas sobre o formato CSV.")),
width = 80),
collapse = "\n"))
*** ChatGPT input:
Leia este isto, saiba que está em formato csv: veiculo,mpg,cyl
Toyota Corolla,33.9,4
Pontiac Firebird,19.2,8
. Agora, me retorne um resumo disto com descritiva básica, em formato de texto discursivo, em até 8 linhas dividias em 02 parágrafos. NÃO mencione 'O conjunto de dados fornecido' ou coisas sobre o formato CSV.Os dados fornecidos mostram informações sobre dois modelos de carros, um Toyota
Corolla e um Pontiac Firebird. As informações incluem o consumo médio de
combustível (em milhas por galão - mpg) e o número de cilindros do motor (cyl).
Ao analisar essas informações, podemos notar uma diferença significativa entre
os dois veículos em termos de eficiência de combustível. O Toyota Corolla
apresenta um consumo médio de 33,9 mpg, enquanto o Pontiac Firebird consome
apenas 19,2 mpg. Além disso, há uma discrepância considerável no número de
cilindros do motor, com o Corolla tendo apenas 4 cilindros e o Firebird 8
cilindros. Essas diferenças indicam que o Corolla pode ser mais econômico e
eficiente em termos de combustível, enquanto o Firebird pode ter um desempenho
mais potente. Em resumo, os dados fornecidos sugerem que esses dois carros têm
características distintas e podem atender a diferentes necessidades dos
consumidores.# A tibble: 2 × 3
# Groups: cyl [2]
veiculo mpg cyl
<chr> <dbl> <dbl>
1 Toyota Corolla 33.9 4
2 Pontiac Firebird 19.2 8A análise acima é apenas um pequeno teste de potencialidade de ferramenta, bem como, os custos operacioanais referentes as requisições para o ChatGPT.
Desde já, indico que é a ferramenta é muito boa mas demanda cautela.
LinkedIn: Brenner Biasi Silva