Visualización de datos

Relevancia en el ciclo de vida de la IA/ML

La visualización de datos no consiste solo en crear gráficos estéticamente agradables; es un componente fundamental del proceso de aprendizaje profundo. Durante las fases iniciales de un proyecto, la visualización se utiliza para el análisis exploratorio de datos (AED) con el fin de comprender las distribuciones de los conjuntos de datos e identificar posibles problemas como el sesgo de los conjuntos de datos o la necesidad de aumentar los datos. Durante el entrenamiento del modelo, herramientas como TensorBoard ayudan a visualizar métricas como las curvas de la función de pérdida y la precisión a lo largo del tiempo. Tras el entrenamiento, las visualizaciones como la matriz de confusión o la curva ROC (Receiver Operating Characteristic ) son esenciales para evaluar el rendimiento del modelo. Plataformas como Ultralytics HUB integran estas visualizaciones para proporcionar una experiencia MLOps sin fisuras.

Aplicaciones AI/ML en el mundo real

1. Análisis de imágenes médicas: En la IA sanitaria, la visualización ayuda a interpretar exploraciones médicas complejas. Un modelo de detección de objetos entrenado en un conjunto de datos como el de tumores cerebrales puede generar cuadros delimitadores que identifiquen posibles anomalías. La visualización de estos recuadros superpuestos directamente sobre resonancias magnéticas o tomografías computarizadas permite a los radiólogos evaluar rápidamente los resultados del modelo, lo que facilita el diagnóstico. Además, la visualización de grupos de resultados de pacientes basados en las características de las imágenes puede ayudar a identificar subtipos de enfermedades. La IA en la sanidad depende en gran medida de este tipo de ayudas visuales. Puede explorar otras aplicaciones en el Instituto Nacional de Bioingeniería e Imágenes Biomédicas (NIBIB).
2. Desarrollo de vehículos autónomos: Los sistemas de conducción autónoma procesan ingentes cantidades de datos de sensores. La visualización se utiliza ampliamente durante el desarrollo y las pruebas. Los ingenieros visualizan nubes de puntos LiDAR, firmas de radar y señales de cámaras en una simulación 3D del entorno. Los objetos detectados (coches, peatones, ciclistas) identificados por modelos como YOLO se muestran a menudo con recuadros delimitadores, trayectorias de seguimiento y puntuaciones de confianza, lo que permite a los desarrolladores verificar la precisión y seguridad del sistema de percepción en diversos escenarios. Vea ejemplos de soluciones de IA en automoción y conozca los enfoques del sector de empresas como Mobileye.

Distinción de términos afines

• Análisis de datos: Se trata de un campo más amplio que abarca todo el proceso de inspección, limpieza, transformación y modelización de datos para descubrir información útil y respaldar la toma de decisiones. La visualización de datos es un componente o una herramienta utilizada dentro de la analítica de datos para presentar hallazgos o explorar datos, pero la analítica también incluye el modelado estadístico, la comprobación de hipótesis y otros métodos no visuales. Más información sobre los fundamentos del análisis de datos.
• Tratamiento de imágenes: Este campo se centra en la manipulación de imágenes digitales para mejorarlas o extraer información directamente de los datos de píxeles (por ejemplo, filtrado, detección de bordes, ajuste del contraste). Mientras que la visualización puede implicar mostrar imágenes, la visualización de datos en IA/ML a menudo se ocupa de representar datos abstractos (como métricas de rendimiento de modelos o relaciones de características) o superponer interpretaciones de modelos (como detecciones) en imágenes, en lugar de transformar las propias imágenes. Lea sobre las diferencias en esta entrada del blog Visión por computador vs Procesamiento de imágenes.
• Análisis Exploratorio de Datos (AED): El AED es el proceso de analizar conjuntos de datos para comprender sus características principales, a menudo utilizando métodos visuales. Las técnicas de visualización de datos son las principales herramientas empleadas durante el AED para descubrir patrones, detectar anomalías, probar hipótesis y comprobar suposiciones. La guía sobre preprocesamiento de datos anotados aborda conceptos de EDA relevantes para los conjuntos de datos de visión por ordenador.