DSBench: How Far Are Data Science Agents from Becoming Data Science Experts?

要約

大規模な言語モデル（LLMS）および大規模なビジョン言語モデル（LVLMS）は、ショッピングアシスタントやAIソフトウェアエンジニアなどのターゲットアプリケーションの建築エージェントの最近の傾向に火に火をつけて、印象的な言語/ビジョン推論能力を実証しています。
最近、データサイエンスドメインでのパフォーマンスを調査するために、多くのデータサイエンスベンチマークが提案されています。
ただし、既存のデータサイエンスベンチマークは、単純化された設定により、実際のデータサイエンスアプリケーションと比較するとまだ不足しています。
このギャップを埋めるために、DSBenchを紹介します。DSBenchは、現実的なタスクでデータサイエンスエージェントを評価するために設計された包括的なベンチマークです。
このベンチマークには、466のデータ分析タスクと74のデータモデリングタスクが含まれ、雄弁とKaggleの競技から供給されています。
DSBenchは、長いコンテキスト、マルチモーダルタスクの背景、大きなデータファイルとマルチテーブル構造を使用した推論、エンドツーエンドのデータモデリングタスクを実行することにより、現実的な設定を提供します。
最先端のLLMS、LVLMS、およびエージェントの評価は、ほとんどのタスクに苦労していることを示しており、最高のエージェントはデータ分析タスクの34.12％のみを解決し、34.74％の相対パフォーマンスギャップ（RPG）を達成しています。
これらの調査結果は、より実用的で、インテリジェントで、自律的なデータサイエンスエージェントを開発する際のさらなる進歩の必要性を強調しています。

要約(オリジナル)

Large Language Models (LLMs) and Large Vision-Language Models (LVLMs) have demonstrated impressive language/vision reasoning abilities, igniting the recent trend of building agents for targeted applications such as shopping assistants or AI software engineers. Recently, many data science benchmarks have been proposed to investigate their performance in the data science domain. However, existing data science benchmarks still fall short when compared to real-world data science applications due to their simplified settings. To bridge this gap, we introduce DSBench, a comprehensive benchmark designed to evaluate data science agents with realistic tasks. This benchmark includes 466 data analysis tasks and 74 data modeling tasks, sourced from Eloquence and Kaggle competitions. DSBench offers a realistic setting by encompassing long contexts, multimodal task backgrounds, reasoning with large data files and multi-table structures, and performing end-to-end data modeling tasks. Our evaluation of state-of-the-art LLMs, LVLMs, and agents shows that they struggle with most tasks, with the best agent solving only 34.12% of data analysis tasks and achieving a 34.74% Relative Performance Gap (RPG). These findings underscore the need for further advancements in developing more practical, intelligent, and autonomous data science agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google