視覚化と人工知能の強力な組み合わせ!

視覚化と視覚分析では、高帯域幅の視覚認識チャネルを使用してデータをグラフィック表現に変換し、インタラクティブな手段で補完することで、人々のデータ理解能力を高め、状況認識、相関分析、意思決定サポートにおいて強力な役割を果たすことができます。ディープラーニングに代表される人工知能技術の飛躍的な進歩により、可視化、機械学習、データマイニングの分野では人工知能指向の可視化や人工知能駆動型の可視化が大きな注目を集めています。

一方、視覚化と視覚分析は、人工知能の基本データの品質と解釈可能性の向上に大きな役割を果たしてきました。高品質のトレーニング データは、高性能な人工知能アプリケーションに必要な前提条件です。異常検出やデータのラベル付けなど、多くの手作業を必要とするタスクでは、視覚化と視覚分析技術を使用して効率を向上させることが、現在の研究のホットスポットの 1 つです。さらに懸念されるのは、人工知能の説明可能性の問題です。ディープニューラルネットワークを例にとると、非線形性と非凸性、多層構造、膨大なパラメータ、弱い意味的特徴などの特徴を持ち、説明が難しい「ブラックボックス」であると考えられています。自動運転、スマートヘルスケア、金融投資などのリスクの高い意思決定分野では、説明可能性がこれらの分野における技術の発展を妨げるボトルネックになっています。視覚化は、機械学習の透明性を向上させ、大規模で複雑なメカニズムを理解する人々の能力を高めるのに役立ちます。患者の将来の状態予測、ロボットのトレーニング戦略、自然言語処理タスクなど、視覚化に基づくディープラーニングの説明方法については、さまざまな分野で多くの研究が行われています。

一方、人工知能技術の進歩により、視覚化と視覚分析の開発のための強力なツールが提供されました。複雑なデータや複雑なパターンなど、大量の情報を提示する必要がある視覚化タスクでは、機械学習テクノロジーを使用してデータのノイズを除去し、重要な情報を抽出することで、視覚的な混乱を減らし、視覚化の効果を高めることができます。同時に、データの特徴と視覚的なエンコーディングを適合させるための人工知能技術の使用は、視覚的なレイアウトに新たな機会をもたらします。データ機能と視覚的エンコーディングの組み合わせにより、より表現力豊かな視覚化デザインが実現しました。AI技術を使用した大量データの自動レイアウトにより、時間のかかるデータ操作と計算が回避されます。また、AI技術は、ボリュームデータレンダリングにおけるインテリジェントな視点の選択、ブロックチェーンスマートコントラクトのインタラクティブな構築、大規模ネットワークのインタラクティブな視覚的探索など、大規模データ視覚化におけるインタラクティブな効率性の問題の解決にも応用されています。

[[435556]]

現在、可視化と人工知能の学際的な研究は大きな可能性を示しており、可視化と人工知能の分野における重要な技術の開発を促進しています。以下の側面において、可視化と人工知能の学際的研究は大きな進歩を遂げると期待されています。

1. 共同視覚分析におけるデータプライバシー保護

ビッグ データ アプリケーションのシナリオでは、データが複数のデータ所有者間で分散されるのが一般的であり、必然的に複数の関係者が関与する共同視覚分析タスクにつながります。ただし、データの著作権やプライバシー保護の問題により、これらのデータ所有者はデータを直接共有できないことがよくあります。共同視覚分析には 2 つの重要な課題があります。まず、データに操作を加えずに共同データ視覚化結果を生成する方法です。第二に、データ視覚化の結果でデータのプライバシーをどのように保護するかです。現時点では、最初の質問に関する研究はほとんどありません。安全なマルチパーティ コンピューティングやフェデレーテッド ラーニングなどの方法は、データ サイロの問題を解決するためのアイデアを提供します。これらの方法を共同データ視覚分析にどのように適用するかは、研究する価値のある方向性です。

2. 説明可能な機械学習

まず、現在の研究のほとんどは、モデルトレーニング後のオフライン分析に焦点を当てています。しかし、ディープラーニング モデルのトレーニングは時間のかかるプロセスです。ディープラーニング モデルの規模とトレーニング データの量が拡大し続けるにつれて、トレーニング時間は数日、さらには数週間にまで増加しています。トレーニング プロセスにおける逸脱をタイムリーに検出し、診断と決定を下すことは非常に重要です。同様に、オンライン学習のプロセスでは、ストリーミング データの到着とともにトレーニング プロセスが継続され、オフライン分析モードではデータやモデルの変更をタイムリーに把握することが難しいことが多く、効果的なガイダンスを提供できません。ディープラーニングのためのオンライン視覚分析手法の研究と、トレーニング中のモデルの監視とガイドは、研究上非常に重要な意味を持ちます。

3. インテリジェントな特徴抽出

人工知能の進歩により、特徴抽出のプロセスが変化し、特徴エンジニアリングの作業負荷が軽減され、エンドツーエンドの形式でのデータの圧縮表現が提供されるようになりました。一方、人工知能は、複雑なタイプのデータを理解しやすい高次元空間に変換するためのさまざまな埋め込み方法を提供します。したがって、人工知能ベースの特徴抽出は、視覚化と視覚分析のための簡潔な表現基盤を提供します。視覚化と視覚分析のための特徴抽出の課題は、自動的に抽出された特徴が必ずしも明確な意味情報を持っているとは限らず、理解や解釈に役立たないことです。分析要件に応じて意味的特徴抽出方法をどのようにカスタマイズするかは、現在解決する必要がある難しい問題です。

[[435557]]

4. 視覚化の自動生成

自動視覚化は、重要なパターンを正確に表現できるデータから視覚的なビューを自動的に生成します。これは、関連する知識やスキルが不足している一般ユーザーにとって重要です。現在、主に2種類の方法があります。最初のカテゴリは設計経験の知識に基づいており、視覚化設計の問題をソリューションの最適化問題に縮小します。このタイプの方法はより効果的で、より理解しやすいです。ただし、最適化の原則を改良するには、より多くの設計経験と試行が必要になります。 2 番目のアプローチは、設計原則を要約する段階をスキップして、エンドツーエンドの性質を持つディープラーニングを使用することです。現在、ディープラーニングモデルは、大規模なグラフレイアウトや大規模データボリュームレンダリングなどのアルゴリズムで優れた結果を達成しています。ただし、データ空間と視覚化ビュー空間はどちらも非常に大きいため、ディープラーニング モデルのトレーニングには大量の高品質のトレーニング データが必要です。ほとんどの視覚化では、トレーニング データセットの生成は克服するのが難しい問題です。

5. インテリジェントなインタラクション

人間とコンピュータの相互作用は視覚分析に不可欠な部分であり、現在の課題には主に 2 つの側面があります。 1つ目は正確な選択です。点群データ内の興味深い部分の選択や、時空間データ内の特定のパターンを保護するための期間の選択など、データセット全体から興味のあるパターンを含むサブセットを正確に選択する方法は、現在の研究のホットなトピックです。 2 番目の問題は、大規模データの相互作用です。ストレージとコンピューティングの負荷により、大規模なデータの操作は常に課題となってきました。人工知能テクノロジーは、圧縮表現、インテリジェントなインデックス作成、クエリ予測などの方法を通じて、インタラクションの問題を解決するための技術的なアプローチを提供します。正確かつ普遍的なインテリジェントインタラクション方法をどのように提案するかが、今後の研究の焦点となるでしょう。

6. インテリジェントなストーリーテリング

視覚化の中心的な機能は情報の表現です。視覚化によってどのように良いストーリーを伝えるかは、視覚化研究における重要なテーマです。人工知能技術の発展に伴い、視覚化を利用したスト​​ーリーテリングの研究は、インテリジェントなストーリーテリングへとさらに進化しました。具体的には、インテリジェント ストーリーテリングは主に次の側面に反映されます。まず、ストーリーの自動分解と自動生成です。今後は、ストーリーテリングの要素を洗練させ、ストーリーを構成する視覚表現を分解して要約し、さらにストーリーの自動生成をサポートする研究を進めていきます。第二に、自動化に基づくインテリジェントなストーリーテリングの 2 番目の現れは多様性です。インテリジェンスの重要性は、さまざまなストーリー スタイル、物語技法、視覚表現を学習し、それらを組み合わせて作成し、新しい多様なビジュアル ストーリーテリングを生み出す能力にあります。最後に、人間と機械の統合があります。ユーザーは、機械知能を使用して、最小限のインタラクションコストで、自分のアイデアに一致するストーリーを構築できます。つまり、さまざまなストーリーの中から、ユーザーの期待に応えるビジュアルストーリーを迅速かつインテリジェントに構築できます。

この記事は Crayon Chat の Cool Technology によるオリジナルです。ぜひフォローして、一緒に学んでください。

[[435558]]