Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com18. Oktober 2023 · Q010019

I’ve Been Using ChatGPT Vision as a Data Analyst. Here Are Some Practical Use Cases

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor beschreibt, wie er ChatGPT Vision nutzt, um Formeln aus Bildern in LaTeX zu übertragen, Dashboards schnell auszuwerten und ungewohnte Diagramme zu verstehen. Seine Beispiele waren nach eigener Einschätzung meist hilfreich, doch mindestens eine Dashboard-Beobachtung war ungenau; eine systematische Prüfung der allgemeinen Zuverlässigkeit bietet der Bericht nicht.

Mittel

Der Autor berichtet aus eigener Erfahrung über drei Einsatzmöglichkeiten von ChatGPT Vision in der Datenanalyse: Formeln aus Bildern in LaTeX-Code übertragen, Dashboards rasch zusammenfassen und unbekannte Diagramme erklären lassen. Den erzeugten Formelcode fügt er in eine Markdown-Zelle eines Jupyter-Notebooks ein. Auch handschriftliche Formeln könnten fotografiert und umgewandelt werden.

Bei einem Dashboard fand der Autor sechs von acht ausgegebenen Beobachtungen zutreffend; eine weitere sei ungenau gewesen. Er bewertet die Hinweise insgesamt als nützlich, macht damit aber auch deutlich, dass die Antworten überprüft werden müssen. Eine Heatmap ließ er sich erklären und verstand dadurch nach eigener Darstellung deren Bezugswerte besser. Bei einer Umsatzgrafik half ChatGPT ihm zu erkennen, dass spätere Balken kumulierte Beträge darstellten und der Endwert verlorene Umsätze abzog.

Der Text stützt sich auf persönliche Beispiele, nicht auf eine systematische Genauigkeitsprüfung. Über die genannten Fälle hinaus belegt er daher nicht, wie zuverlässig die Methode allgemein ist.

Ausführlich lesen

Der Bericht beschreibt, wie der Autor ChatGPT Vision nach eigener Aussage bei alltäglichen Aufgaben in der Datenanalyse einsetzt. Er stellt drei praktische Anwendungen vor: Formeln aus Bildern in LaTeX übertragen, erste Erkenntnisse aus Dashboards gewinnen und ungewohnte Diagramme erklären lassen. Die Beispiele beruhen auf seinen eigenen Erfahrungen; der Text präsentiert keine systematische Untersuchung oder allgemeine Genauigkeitsmessung.

Für Jupyter-Notebooks zeigt der Autor, wie ChatGPT eine abgebildete mathematische Formel in LaTeX-Code umwandeln kann. Der Code lässt sich anschließend in eine Markdown-Zelle einfügen und mit Dollarzeichen als mathematische Darstellung formatieren. Das Beispiel umfasst eine Formel aus einem Screenshot. Auch selbst geschriebene Formeln oder Symbole auf Papier beziehungsweise einem Whiteboard könnten fotografiert und auf diesem Weg übertragen werden. Der Autor leitet daraus ab, dass Datenanalysten und Wissenschaftler keine LaTeX-Experten sein müssten, um Formeln ansprechend in Notebooks darzustellen.

Als zweite Anwendung nennt er die schnelle Auswertung von Dashboards und Visualisierungen. Er gab ChatGPT ein Dashboard-Bild und bat um Erkenntnisse. Seiner Einschätzung nach passten sechs der acht ausgegebenen Punkte zum Dashboard; ein weiterer Punkt sei jedoch nicht genau gewesen. Insgesamt fand er die Ergebnisse nützlich. Das Beispiel zeigt zugleich eine Grenze: Die automatisch formulierten Beobachtungen können unzutreffend sein und sollten anhand der Darstellung geprüft werden.

Drittens schildert der Autor, wie er sich eine für ihn schwer lesbare Heatmap aus einem Artikel über Mario-Kart-Figuren erklären ließ. Die Antwort half ihm nach seiner Darstellung zu erkennen, dass „Standard Kart“ und „Standard“ als Bezugswerte der beiden Heatmaps dienten. Bei einem anderen Diagramm fragte er, warum die Balken der Darstellung „Accumulated Revenue“ nicht alle bei zwei Millionen Dollar begannen. ChatGPT erklärte ihm, dass die Balken aufeinander aufbauende Umsatssummen zeigten: Der Wert einer späteren Kategorie schließe die vorherigen Umsätze ein; der Gesamtwert berücksichtige schließlich zusätzlich verlorene Umsätze als Abzug.

Der Bericht empfiehlt damit, Bilder von Formeln, Dashboards oder einzelnen Bereichen komplexer Grafiken als Gesprächseingabe zu nutzen. Seine belegten Ergebnisse bleiben jedoch persönliche Beispiele des Autors. Außer dem Hinweis auf einen ungenauen Dashboard-Punkt liefert der Text keine umfassende Prüfung der Antworten, keine Vergleichsmethode und keine Aussagen darüber, wie zuverlässig das Vorgehen bei anderen Daten oder Bildqualitäten funktioniert.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Kurzfassungen geliefert, die Bewertung bezieht sich auf die mittlere Fassung. Die kurze Fassung gibt den Bericht ebenfalls treu wieder.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Tipp, bei Dashboards das ganze Dashboard statt einzelner Diagramme zu teilen und gezielt einen Bereich analysieren zu lassen
  • Die Angabe, dass die Antworten geprüft werden müssen, bleibt zwar erhalten, der Punkt 7 des Dashboards wird aber nicht erwähnt

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
Beteiligung und Gemeinwohl

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →