Progressiv visualisering skal gøre analytics levende ved at vise ufærdige beregninger

Illustration: Max776 / Bigstock
Hvis vi kunne knække koden til progressiv visualisering, ville det være fantastisk, mener forsker.

Visual analytics er ideelt seten iterativ disciplin mellem computerens regnekraft og analytikerens evne til at fortolke det visualiserede resultat og matche matematikken med virkeligheden.

Men hvis algoritmerne er beregningstunge, eller datagrundlaget stort, kræver det meget computerkraft i backenden. Og hvis det tager fem minutters beregningstid at ændre en variabel, forsvinder interaktionen.

Det er bare et af de problemer, som kan løses med progressiv datavisualisering, mener Hans-Jörg Schulz, der er lektor ved Institut for Datalogi på Aarhus Universitet og ekspert i datavisualisering.

»Normalt har du en monolitisk proces, der kører fra start til slut og så giver et resultat til sidst, som kan visualiseres,« forklarer han.

»Med progressiv visualisering har du en inkrementel proces, hvor du med det samme får en visualisering, der konstant opdateres med et foreløbigt resultat fra algoritmen – indtil beregningen er færdig, eller resultatet er godt nok.«

Den visuelle analytiker kan på den måde justere parametrene i sin analyse og med det samme få en grundlæggende idé om resultatet, selv om beregningen langtfra er færdigkørt. Det betyder, at interaktiviteten fastholdes, siger Hans-Jörg Schulz.

»På den måde får du en meget flydende interaktion selv med en model, der tager hundredvis af år at færdigberegne. Det er ikke modeller, der normalt er til at have med gøre, men vi kan bruge dem til at tage beslutninger fra det øjeblik, de er nogenlunde stabile. Du kan interagere med den, som om det var den endelige version,« siger han og fortsætter:

»Du kan hurtigt lave ændringer. Hvis du ser, at modellen ikke bevæger sig hen i det område af løsningsrummet, hvor du vil have den hen, kan du ændre den igen med det samme, i stedet for at vente på, at den er færdigtrænet. Og så behøver analytikeren ikke tage adskillige ture til kaffemaskinen, mens computeren gentræner modeller.«

Omvendt kan analytikeren gå hurtigt videre til næste analysetrin, så snart de har fundet f.eks. en cluster, som de har brug for. I sådan et tilfælde vil det første analysetrin fortsætte beregningen og advare brugeren, hvis der sker større ændringer, i takt med at resultatet bliver mere og mere stabilt.

Dette er en forkortet version af en artikel bragt hos DataTech. I den oprindelige artikel kan du blandt andet læse mere om, hvordan et visuelt indblik i algoritmen kan være med til at skabe tillid hos brugerne, ligesom du kan læse mere om den såkaldte pinning-metode, der bruges til at vise, hvor sikkert et foreløbigt resultat er i den progressive visualisering, samt hvor langt vi er fra, at vi kan tage værktøjer til progressiv visualisering ned fra hylden.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere
IT Company Rank
maximize minimize