Praktiske anvendelsestilfælde
På denne side
Kodeeksekvering i produktion
Denne sidste lektion dækker praktiske anvendelsestilfælde for kodeeksekvering, så du får et klart billede af, hvad du kan bygge. Hvert eksempel illustrerer et anvendelsesdomæne med det tilhørende prompt og den underliggende logik.
Finansiel analyse
Portfoliooptimering
Kodeeksekvering er særligt velegnet til finansiel modellering. Sandboxen inkluderer NumPy og SciPy, som håndterer de nødvendige optimeringsberegninger:
input_text = """
Portfolio of 5 assets with the following monthly returns (12 months):
Asset A: [2.1, -0.5, 1.8, 3.2, -1.1, 2.5, 0.8, 1.2, -0.3, 2.8, 1.5, 0.9]
Asset B: [1.5, 0.2, 2.1, 1.8, 0.5, 1.2, 2.3, -0.1, 1.6, 0.8, 1.9, 2.2]
Asset C: [-0.3, 3.5, -1.2, 4.1, -0.8, 2.9, -0.5, 3.2, -1.0, 3.8, -0.2, 2.7]
Asset D: [0.8, 0.9, 0.7, 1.1, 0.6, 0.8, 1.0, 0.5, 0.9, 0.7, 1.2, 0.8]
Asset E: [3.5, -2.1, 4.2, -1.5, 3.8, -0.9, 2.7, -1.8, 3.1, -0.5, 4.5, -1.2]
Calculate:
1. The correlation matrix between assets
2. The minimum variance portfolio
3. The optimal portfolio (maximum Sharpe ratio, risk-free rate = 4% annual)
4. The efficient frontier (10 points)
Present allocations as percentages.
"""
Modellen vil skrive kode ved hjælp af NumPy til korrelationsmatricen og SciPy til begrænset optimering.
Sharpe-ratio og risikoinikatorer
input_text = """
Daily returns of a fund over 20 days:
[0.12, -0.05, 0.08, 0.15, -0.03, 0.22, -0.11, 0.06, 0.09, -0.07,
0.14, 0.03, -0.08, 0.18, 0.01, -0.04, 0.11, 0.07, -0.02, 0.13]
Calculate the Sharpe ratio, Sortino ratio, Value at Risk (95%),
and maximum drawdown. Annual risk-free rate = 4%.
"""
Statistisk analyse
Hypotesetest
SciPy giver dig mulighed for at udføre rigorøse statistiske tests:
input_text = """
Group A (treatment): [85, 88, 91, 87, 93, 89, 86, 92, 90, 88]
Group B (control): [78, 82, 80, 85, 79, 83, 81, 77, 84, 80]
Perform a Student's t-test to determine if the difference between
the two groups is statistically significant (alpha = 0.05).
Include hypotheses, test statistic, p-value, and conclusion.
"""
Regression og forudsigelse
input_text = """
Monthly sales data (in thousands of euros):
Month (x): [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
Sales (y): [45, 52, 48, 61, 55, 67, 72, 68, 75, 80, 78, 85]
1. Perform linear regression
2. Calculate R² and standard error
3. Predict sales for months 13, 14, 15
4. Test if the trend is significant
"""
Videnskabelig beregning
Løsning af differentialligninger
input_text = """
Solve the second-order differential equation:
y'' + 2y' + 5y = 0
Initial conditions: y(0) = 1, y'(0) = 0
Interval: t from 0 to 10
Plot the solution and identify the behavior (damped oscillation,
critical, overdamped).
"""
Monte Carlo-simulationer
input_text = """
Monte Carlo simulation to estimate the probability that a project
is profitable.
Parameters (normal distributions):
- Monthly revenue: mean = €50,000, std dev = €10,000
- Monthly fixed costs: €30,000
- Variable costs: 15% to 25% of revenue (uniform)
- Project duration: 12 months
Run 10,000 simulations. Calculate the probability of profitability
and the net profit distribution. Present the 5th, 50th, and 95th percentiles.
"""
Databehandling og rensning
input_text = """
Raw data (CSV with common issues):
name,age,salary,city
Alice,32,45000,Paris
Bob,,52000,Lyon
Charlie,28,NA,Marseille
Diana,45,62000,paris
Eve,33,48000,LYON
Frank,-5,55000,Toulouse
Grace,29,999999,Bordeaux
1. Identify and handle missing values
2. Correct inconsistencies (negative age, outlier salary)
3. Normalize city names (consistent casing)
4. Calculate descriptive statistics on cleaned data
5. Document each transformation performed
"""
Komplet workflow-arkitektur
Til produktionsapplikationer kombinerer du værktøjer i et struktureret workflow:
- Web Search henter opdaterede data (priser, indikatorer, nyheder)
- Code Execution analyserer de hentede data (beregninger, statistik, diagrammer)
- Din applikation formaterer og præsenterer resultaterne for brugeren
Dette mønster gælder for mange domæner: finans, konkurrenceefterretning, markedsanalyse og automatiseret rapportering.
Vigtige pointer
- Kodeeksekvering excellerer inden for finansiel analyse (Sharpe, portfoliooptimering, VaR)
- Statistiske tests og regressioner er et naturligt anvendelsestilfælde med SciPy
- Monte Carlo-simulationer fungerer godt inden for sandboxens hukommelsesgrænser
- Datarensning med Pandas er et praktisk dagligt anvendelsestilfælde
- Kombiner Web Search + Code Execution til komplette automatiserede workflows
- Lever strukturerede data og præcise instrukser for bedre resultater
Test din viden
Web, X, kode: Groks serverværktøjer i fem tjek.
1. Hvad er de to kategorier af Grok-værktøjer?
Svar: Integrerede værktøjer, der eksekveres server-side af xAI (websøgning, X-søgning, kodeeksekvering), og dine brugerdefinerede funktioner, der eksekveres af din egen kode – to verdener, der kombineres.
2. Hvordan fungerer eksekveringsflowet for et integreret værktøj?
Svar: I fem trin på serveren: modellen træffer en beslutning, værktøjet eksekveres hos xAI, resultaterne returneres til modellen, som svarer – du modtager det endelige svar med spor og citationer.
3. Hvad tillader filtrene for Web Search og X Search?
Svar: Indramning af kilder: tilladte domæner på webbet, handles og datoer på X – friskhed og pålidelighed kontrolleres, og citationer dokumenterer hvert svar.
4. Hvad kan Code Execution gøre?
Svar: Eksekvere Python i en sandbox – almindelige biblioteker er tilgængelige, strenge sikkerhedsbegrænsninger: beregninger, transformationer og verifikationer delegeres til præcis kode.
5. Hvad skal du overvåge i forhold til omkostninger?
Svar: Hver værktøjsinvokation faktureres ud over tokens: målret søgninger, begræns dybder, og aktivér kun værktøjer, der er nyttige for forespørgslen.
Serverkapaciteter klar lige ud af boksen, styret af dine filtre og budget: integrerede værktøjer gør Grok til en agent – du forbliver instruktøren.