business-science / ai-data-science-team

Problem: 拿到一个陌生数据集，需要快速理解数据分布、质量并生成初步可视化，但手动写EDA代码耗时费力。

Solution: 使用AI Pipeline Studio或EDA Explorer App，让AI智能体自动加载数据、检查质量、生成可视化图表和统计摘要。

Example: 上传一个CSV销售数据文件，AI自动生成缺失值报告、分布直方图、相关性热图，并给出数据质量建议。

Problem: 数据科学项目步骤多且分散，难以跟踪每个步骤的代码和结果，团队协作时无法复现他人分析流程。

Solution: 使用AI Pipeline Studio的视觉化编辑器，将数据加载、清洗、可视化、建模等步骤组织成可视化管道，自动生成可复现的脚本。

Example: 创建一个客户流失预测管道：数据加载→异常值处理→特征工程→模型训练→性能评估，每个步骤都可追溯和修改。

Problem: 数据清洗工作重复性高且容易出错，特别是处理多个相关数据集时，手动编写清洗逻辑效率低下。

Solution: 调用Data Cleaning Agent和Data Wrangling Agent，用自然语言描述清洗需求，AI自动生成并执行相应的Pandas操作代码。

Example: 告诉AI“删除重复行、将日期列格式标准化、用中位数填充数值列缺失值”，AI自动生成并执行清洗代码。

Problem: 需要快速测试多个机器学习模型并比较性能，但配置MLflow、编写训练评估代码流程繁琐。

Solution: 使用H2O ML Agent和MLflow Tools Agent，通过简单配置自动训练多个模型、记录实验、生成性能报告和预测结果。

Example: 指定目标变量和特征，AI自动尝试逻辑回归、随机森林、XGBoost等模型，在MLflow中记录最佳模型并生成预测API。