La mayoría de las herramientas de autor de visualización moderna como Charticulator, Data Illustrator y Lyra, y bibliotecas como GGPLOT2, y Vegalite esperan datos ordenados, donde cada variable a visualizar es una columna y cada observación es una fila. Cuando los datos de entrada están en un formato ordenado, los autores simplemente necesitan vincular las columnas de datos a los canales visuales, de lo contrario, deben preparar los datos, incluso si los datos originales están limpios y contienen toda la información. Además, los usuarios deben transformar sus datos utilizando bibliotecas especializadas como Tidyverse o Pandas, o herramientas separadas como Wrangler antes de que puedan crear visualizaciones. Este requisito plantea dos desafíos principales: la necesidad de experiencia en programación o conocimiento de herramientas especializadas, y el flujo de trabajo ineficiente de cambiar constantemente entre los pasos de transformación de datos y visualización.
Han surgido varios enfoques para simplificar la creación de visualización, comenzando con la gramática de los conceptos gráficos que establecieron las bases para mapear datos a elementos visuales. Las herramientas basadas en gramática de alto nivel como GGPLOT2, Vega-Lite y Altair han ganado popularidad por su sintaxis concisa y su abstracción de detalles de implementación complejos. Los enfoques más avanzados incluyen visualización mediante herramientas de demostración como Lyra 2 y VBD, que permiten a los usuarios especificar visualizaciones a través de la manipulación directa. Las interfaces del lenguaje natural, como NCNET y VISQA, también se han desarrollado para hacer que la creación de visualización sea más intuitiva. Sin embargo, estas soluciones requieren una entrada de datos ordenado o introducen nuevas complejidades al enfocarse en especificaciones de bajo nivel similares a FALX.
Un equipo de Microsoft Research ha propuesto Data Formulator, una herramienta innovadora de autorización de visualización basada en un nuevo paradigma llamado concepto vinculante. Permite a los usuarios expresar su intención de visualización vinculando los conceptos de datos a los canales visuales, donde los conceptos de datos pueden provenir de columnas existentes o ser creadas bajo demanda. La herramienta admite dos métodos para crear nuevos conceptos: indicaciones del lenguaje natural para la derivación de datos y la entrada basada en ejemplo para la remodelación de datos. Cuando los usuarios seleccionan un tipo de gráfico y asignan sus conceptos deseados, el back -end de IA del formulador de datos infiere las transformaciones de datos necesarias y genera visualizaciones candidatas. El sistema proporciona comentarios explicativos para múltiples candidatos, lo que permite a los usuarios inspeccionar, refinar e iterar en sus visualizaciones a través de una interfaz intuitiva.
La arquitectura del formulador de datos se basa en el concepto central de tratar los conceptos de datos como objetos de primera clase que sirven como abstracciones de columnas de tabla futuras existentes y potenciales. Este diseño difiere fundamentalmente de los enfoques tradicionales al centrarse en las transformaciones de nivel de concepto en lugar de los operadores de nivel de mesa, lo que hace que sea más intuitivo para los usuarios comunicarse con el agente de IA y verificar los resultados. El componente del lenguaje natural de la herramienta utiliza la capacidad de las LLM para comprender los conceptos de intención de alto nivel y natural, mientras que el componente de programación por ejemplo ofrece operaciones de remodelación precisas e inequívocas a través de la demostración. Esta arquitectura híbrida permite a los usuarios trabajar con herramientas familiares de configuración del estante al tiempo que accede a potentes capacidades de transformación.
La evaluación del formulador de datos a través de las pruebas de usuario reveló resultados prometedores en la finalización de la tarea y la usabilidad. Los participantes completaron todas las tareas de visualización asignadas dentro de un tiempo promedio de 20 minutos, y la Tarea 6 requiere la mayor cantidad de tiempo debido a su complejidad que implica cálculos de promedio móvil de 7 días. El enfoque de doble interacción del sistema demostró ser efectivo, aunque algunos participantes necesitaban sugerencias ocasionales con respecto a la selección del tipo de concepto y la gestión de tipos de datos. Para los conceptos derivados, los usuarios promediaron 1.62 intentos de inmediato con descripciones relativamente concisas (promedio de 7.28 palabras), y el sistema generó aproximadamente 1.94 candidatos por aviso. La mayoría de los desafíos encontrados fueron menores y relacionados con la familiarización de la interfaz en lugar de los problemas de usabilidad fundamentales.
En conclusión, el equipo introdujo el formulador de datos que representa un avance significativo en la autorización de visualización al abordar efectivamente el desafío persistente de la transformación de datos a través de su enfoque basado en conceptos. La combinación innovadora de asistencia de IA y la interacción de usuario de la herramienta permite a los autores crear visualizaciones complejas sin manejar directamente las transformaciones de datos. Los estudios de usuarios han validado la efectividad de la herramienta, mostrando que incluso los usuarios que enfrentan los requisitos de transformación de datos complejos pueden crear con éxito sus visualizaciones deseadas. Mirando hacia el futuro, este enfoque de visualización basado en conceptos es prometedor para influir en la próxima generación de herramientas de exploración y autorización de datos visuales, eliminando potencialmente la barrera de larga data de la transformación de datos en la creación de visualización.
Verificar el Papel y Página de Github. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro 75k+ ml de subreddit.
Sajjad Ansari es un pregrado de último año de IIT Kharagpur. Como entusiasta de la tecnología, profundiza en las aplicaciones prácticas de la IA con un enfoque en comprender el impacto de las tecnologías de IA y sus implicaciones del mundo real. Su objetivo es articular conceptos complejos de IA de manera clara y accesible.