Data Science Agent per l'analisi dei dati su Google Colab

Data Science nella didattica
1

Lo strumento

Google Colab è un ambiente gratuito, basato sul browser, per scrivere ed eseguire codice Python senza bisogno di installare nulla, disponibile da anni. Nel marzo 2025, dopo una fase di test riservata partita nel dicembre precedente, Google ha reso disponibile al pubblico il Data Science Agent, una funzione integrata in Colab basata su Gemini, il suo modello di intelligenza artificiale.

L’accesso è gratuito per chi ha almeno 18 anni, ed è al momento disponibile solo in alcuni paesi e lingue.

Il funzionamento

Normalmente, fare un’analisi dati in Colab significa scrivere codice Python da soli, importare le librerie necessarie, caricare il file, scrivere passo per passo la pulizia e l’analisi dei dati. Il Data Science Agent sostituisce questo lavoro manuale con un procedimento più diretto.

  1. Aprire un nuovo notebook su Google Colab, dal sito colab.research.google.com.
  2. Caricare il file di dati da analizzare, per esempio in formato CSV o JSON.
  3. Aprire il pannello laterale di Gemini e descrivere l’obiettivo dell’analisi in linguaggio comune, nominando le colonne effettive del file così come compaiono nell’intestazione della tabella, e specificando il tipo di risultato atteso.
  4. Rivedere il notebook che lo strumento genera automaticamente, con tutto il codice necessario già scritto, ed eseguirlo per ottenere grafici, statistiche o modelli.

Il codice generato resta comunque visibile e modificabile in ogni sua parte, quindi è possibile leggere esattamente cosa è stato scritto e intervenire per cambiarlo prima o dopo averlo eseguito.

La qualità della richiesta

Il risultato dipende molto da come si formula la richiesta all’agente. Un prompt vago, come “analizza questi dati”, lascia all’agente ogni decisione su cosa fare e su come presentarlo, e produce in genere un risultato generico. Una richiesta ben scritta nomina le colonne effettive del file, così come compaiono nell’intestazione della tabella, e specifica sia l’azione richiesta sia il formato del risultato atteso, per esempio “crea un grafico a dispersione tra [colonna 1] e [colonna 2]”, oppure “addestra un modello di regressione che preveda [colonna target] a partire da [colonna 1] e [colonna 2], e mostra l’errore medio del modello sui dati di test”.

Conviene inoltre costruire l’analisi per passaggi separati, invece di chiedere tutto in un’unica richiesta ampia. In questo modo si può controllare e correggere ogni fase prima di passare alla successiva, invece di dover rivedere un intero notebook complesso in un solo momento.

Utilità in classe

Una classe potrebbe esplorare un dataset reale e ottenere subito grafici e modelli statistici di base, senza dover prima insegnare la completa sintassi di un linguaggio di programmazione, utile per una lezione centrata sull’interpretazione dei risultati più che sulla scrittura del codice. In altre parole, i docenti, in mancanza di tempo, possono focalizzarsi più sulla logica di scrittura che sulla grammatica del linguaggio di programmazione. D’altra parte, dato che il codice generato resta visibile, lo stesso notebook può anche funzionare nella direzione opposta, come esempio già svolto, mostrando riga per riga come si struttura un’analisi ben fatta, un materiale altrimenti lento da preparare da zero per ogni dataset diverso.

Fonti