Visualisation des données

Pertinence dans le cycle de vie de l'IA/ML

La visualisation des données ne se limite pas à la création de graphiques esthétiques ; il s'agit d'un élément fondamental du processus d'apprentissage profond. Au cours des étapes initiales d'un projet, la visualisation est utilisée pour l'analyse exploratoire des données (AED) afin de comprendre les distributions des ensembles de données et d'identifier les problèmes potentiels tels que les biais des ensembles de données ou la nécessité d'augmenter les données. Tout au long de la formation du modèle, des outils tels que TensorBoard aident à visualiser des mesures telles que les courbes de la fonction de perte et la précision au fil du temps. Après la formation, les visualisations telles que la matrice de confusion ou la courbe ROC (Receiver Operating Characteristic) sont essentielles pour évaluer les performances du modèle. Des plateformes comme Ultralytics HUB intègrent ces visualisations pour offrir une expérience MLOps transparente.

Applications IA/ML dans le monde réel

1. Analyse d'images médicales: Dans le domaine de l'IA médicale, la visualisation aide à interpréter les scanners médicaux complexes. Un modèle de détection d'objets entraîné sur un ensemble de données comme celui des tumeurs cérébrales peut produire des boîtes de délimitation identifiant les anomalies potentielles. La visualisation de ces boîtes directement sur des IRM ou des tomodensitogrammes permet aux radiologues d'évaluer rapidement les résultats du modèle, ce qui facilite le diagnostic. En outre, la visualisation de groupes de résultats de patients basés sur des caractéristiques d'imagerie peut aider à identifier des sous-types de maladies. L 'IA dans le secteur de la santé s'appuie fortement sur de telles aides visuelles. Vous pouvez explorer d'autres applications à l'Institut national d'imagerie biomédicale et de bio-ingénierie (National Institute of Biomedical Imaging and Bioengineering - NIBIB).
2. Développement de véhicules autonomes : Les systèmes de voitures autonomes traitent de grandes quantités de données de capteurs. La visualisation est largement utilisée au cours du développement et des essais. Les ingénieurs visualisent les nuages de points LiDAR, les signatures radar et les images des caméras dans une simulation 3D de l'environnement. Les objets détectés (voitures, piétons, cyclistes) identifiés par des modèles tels que YOLO sont souvent affichés avec des boîtes de délimitation, des trajectoires de suivi et des scores de confiance, ce qui permet aux développeurs de vérifier la précision et la sécurité du système de perception dans divers scénarios. Voyez des exemples de solutions d'IA dans l'automobile et découvrez les approches industrielles d'entreprises telles que Mobileye.

Distinction par rapport à des termes apparentés

• L'analyse des données: Il s'agit d'un domaine plus large qui englobe l'ensemble du processus d'inspection, de nettoyage, de transformation et de modélisation des données afin de découvrir des informations utiles et de soutenir la prise de décision. La visualisation des données est un composant ou un outil utilisé dans le cadre de l'analyse des données pour présenter les résultats ou explorer les données, mais l'analyse comprend également la modélisation statistique, les tests d'hypothèse et d'autres méthodes non visuelles. En savoir plus sur les principes fondamentaux de l'analyse des données.
• Traitement d'images : Ce domaine se concentre sur la manipulation d'images numériques afin de les améliorer ou d'extraire des informations directement à partir des données des pixels (par exemple, le filtrage, la détection des bords, l'ajustement du contraste). Alors que la visualisation peut impliquer l'affichage d'images, la visualisation de données en IA/ML concerne souvent la représentation de données abstraites (comme les mesures de performance des modèles ou les relations entre les caractéristiques) ou la superposition d'interprétations de modèles (comme les détections) sur des images, plutôt que la transformation des images elles-mêmes. Pour en savoir plus sur les différences entre la vision par ordinateur et le traitement d'images, consultez l'article du blog consacré à la vision par ordinateur et au traitement d'images.
• Analyse exploratoire des données (AED) : L'AED est le processus d' analyse des ensembles de données visant à comprendre leurs principales caractéristiques, souvent à l'aide de méthodes visuelles. Les techniques de visualisation des données sont les principaux outils utilisés au cours de l'AED pour découvrir des modèles, repérer des anomalies, tester des hypothèses et vérifier des suppositions. Le guide sur le prétraitement des données annotées aborde les concepts de l'AED relatifs aux ensembles de données de vision par ordinateur.