AI odpowiada lepiej, gdy pytanie jest konkretne.

To prosta zasada, ale w pracy z danymi miejskimi ma duże znaczenie. Pytanie „co można powiedzieć o mieście?” jest zbyt szerokie. Pytanie „jak sprawdzić, czy w danych o dzielnicach widać różnice w dostępie do infrastruktury sportowej?” jest już znacznie bardziej użyteczne.

Model AI może pomóc w analizie, ale najpierw musi wiedzieć, o jakie dane chodzi, jaki jest cel pytania i jakiego rodzaju odpowiedzi oczekuje użytkownik. Bez tego łatwo otrzymać odpowiedź ogólną, poprawnie brzmiącą, ale mało przydatną.

Zacznij od źródła

W przypadku otwartych danych najważniejsze jest źródło. Warto wskazać, którego zbioru dotyczy pytanie, skąd pochodzi plik, jakie kolumny zawiera i z jakiego okresu są dane. Jeżeli pytanie dotyczy raportu, dobrze podać jego tytuł, zakres i fragment, który ma zostać wyjaśniony.

AI może pomóc zrozumieć tabelę, ale nie powinna zgadywać, co się w niej znajduje. Jeżeli model nie dostał danych ani opisu zbioru, może odpowiedzieć na podstawie ogólnej wiedzy. Taka odpowiedź bywa pomocna jako wprowadzenie, ale nie powinna być traktowana jako analiza konkretnego miejskiego zasobu.

Dobre pytanie może brzmieć: „Na podstawie tego opisu zbioru wyjaśnij, jakie informacje zawiera i do jakich prostych analiz może się nadawać”. To lepsze niż pytanie: „Co ciekawego można zrobić z tymi danymi?”, bo od razu wskazuje oczekiwany sposób odpowiedzi.

Określ cel pytania

Ten sam zbiór danych może interesować różne osoby z różnych powodów. Mieszkaniec może chcieć zrozumieć sytuację w swojej dzielnicy. Organizacja społeczna może szukać danych do uzasadnienia projektu. Przedsiębiorca może sprawdzać otoczenie planowanej usługi. Urząd może analizować jakość danych lub porównywać obszary miasta.

Dlatego warto dopisać, po co zadajemy pytanie. Na przykład: „Chcę przygotować krótkie wyjaśnienie dla mieszkańców”, „Chcę sprawdzić, czy dane nadają się do pokazania na mapie”, „Chcę znaleźć możliwe braki w opisie zbioru” albo „Chcę porównać wartości między dzielnicami”.

Cel pytania pomaga modelowi dobrać poziom szczegółowości. Innej odpowiedzi potrzebuje osoba, która szuka prostego wyjaśnienia, a innej ktoś, kto chce przygotować tabelę, wykres lub zapytanie do API.

Poproś o sposób pracy, nie tylko o wynik

W pracy z danymi dobrym zwyczajem jest pytanie nie tylko o odpowiedź, ale także o sposób dojścia do niej. Można poprosić model, aby najpierw wskazał, jakie kolumny są potrzebne, potem jakie sprawdzenia należy wykonać, a dopiero na końcu zaproponował możliwe wnioski.

Przykładowe pytanie może brzmieć: „Zaproponuj prostą metodę sprawdzenia, czy ten zbiór można pokazać na mapie. Wskaż, jakie kolumny są potrzebne i jakie błędy warto wykluczyć”. Taka odpowiedź będzie bardziej użyteczna niż ogólna lista pomysłów.

Warto też prosić o rozróżnienie faktów, założeń i brakujących informacji. Jeżeli model nie ma dostępu do danych, powinien to jasno zaznaczyć. Jeżeli potrzebuje daty aktualizacji, nazwy kolumn albo opisu metodologii, powinien wskazać, czego brakuje.

Używaj prostych ograniczeń

Dobre pytanie do AI może zawierać ograniczenia. Można określić długość odpowiedzi, poziom trudności, format albo styl. Na przykład: „wyjaśnij w pięciu zdaniach”, „napisz językiem zrozumiałym dla mieszkańca”, „wypisz trzy rzeczy do sprawdzenia”, „nie formułuj wniosków bez danych źródłowych”.

Takie ograniczenia pomagają uniknąć odpowiedzi zbyt długich lub zbyt ogólnych. W pracy z danymi miejskimi szczególnie przydatne jest polecenie: „wskaż, co można stwierdzić na podstawie danych, a czego nie można stwierdzić bez dodatkowych informacji”.

To ważne, bo dobra analiza nie polega na tworzeniu wielu efektownych wniosków. Polega na ostrożnym rozróżnianiu tego, co dane rzeczywiście pokazują, od tego, co wymaga dalszego sprawdzenia.

Najpierw pytanie, potem weryfikacja

AI może pomóc szybciej wejść w temat, ale odpowiedź nie powinna być ostatnim etapem pracy. Po uzyskaniu odpowiedzi warto wrócić do źródła: sprawdzić opis zbioru, datę aktualizacji, zakres danych, licencję, kolumny i ewentualne ograniczenia.

Dobrze zadane pytanie do AI może wskazać drogę. Może podpowiedzieć, co sprawdzić, jak uporządkować dane i jakie hipotezy są warte dalszej analizy. Nie zastępuje jednak samego sprawdzania danych.

W przypadku danych miejskich ma to szczególne znaczenie, bo wnioski mogą dotyczyć realnych miejsc, usług i decyzji. Dlatego model powinien pomagać w rozumieniu danych, ale podstawą odpowiedzi zawsze powinny pozostać dane źródłowe.

Podsumowanie

Żeby otrzymać użyteczną odpowiedź od AI, warto podać źródło danych, cel pytania, oczekiwany poziom szczegółowości i ograniczenia. Im lepiej opisany kontekst, tym większa szansa, że odpowiedź będzie pomocna.

W pracy z otwartymi danymi miejskimi dobre pytanie nie brzmi tylko: „co z tego wynika?”. Lepiej zapytać: „co można rzetelnie sprawdzić na podstawie tych danych, czego jeszcze brakuje i jak bezpiecznie sformułować pierwszy wniosek?”.