Визуализация данных

Актуальность в жизненном цикле AI/ML

Визуализация данных - это не просто создание эстетически привлекательных графиков; это фундаментальный компонент процесса глубокого обучения. На начальных этапах проекта визуализация используется для эксплораторного анализа данных (Exploratory Data Analysis, EDA), чтобы понять распределение наборов данных и выявить потенциальные проблемы, такие как смещение наборов данных или необходимость дополнения данных. В процессе обучения модели такие инструменты, как TensorBoard, помогают визуализировать такие показатели, как кривые функции потерь и точность с течением времени. После обучения для оценки эффективности модели необходимы такие визуализации, как матрица путаницы или кривая операционной характеристики получателя (ROC). Платформы, подобные Ultralytics HUB, объединяют эти визуализации для обеспечения бесперебойной работы MLOps.

Реальные приложения AI/ML

1. Анализ медицинских изображений: В медицинском ИИ визуализация помогает интерпретировать сложные медицинские снимки. Модель обнаружения объектов, обученная на наборе данных, например на наборе данных "Опухоли головного мозга", может выводить ограничительные рамки, определяющие потенциальные аномалии. Визуализация этих границ, наложенных непосредственно на снимки МРТ или КТ, позволяет рентгенологам быстро оценить результаты работы модели, что помогает в постановке диагноза. Кроме того, визуализация кластеров результатов лечения пациентов на основе особенностей визуализации может помочь определить подтипы заболеваний. ИИ в здравоохранении в значительной степени опирается на такие визуальные средства. Другие приложения можно найти в Национальном институте биомедицинской визуализации и биоинженерии (NIBIB).
2. Разработка автономных автомобилей: Системы самоуправляемых автомобилей обрабатывают огромное количество данных с датчиков. Визуализация широко используется в процессе разработки и тестирования. Инженеры визуализируют облака точек LiDAR, сигнатуры радаров и изображения с камер в 3D-симуляторе окружающей среды. Обнаруженные объекты (автомобили, пешеходы, велосипедисты), идентифицированные такими моделями, как YOLO, часто отображаются с ограничительными рамками, траекториями движения и оценками уверенности, что позволяет разработчикам проверить точность и безопасность системы восприятия в различных сценариях. Ознакомьтесь с примерами решений в области ИИ в автомобилях и узнайте об отраслевых подходах таких компаний, как Mobileye.

Отличие от смежных терминов

• Аналитика данных: Это более широкая область, включающая весь процесс проверки, очистки, преобразования и моделирования данных для обнаружения полезной информации и поддержки принятия решений. Визуализация данных - это компонент или инструмент, используемый в аналитике данных для представления выводов или изучения данных, но аналитика также включает в себя статистическое моделирование, проверку гипотез и другие невизуальные методы. Узнайте больше об основах аналитики данных.
• Обработка изображений: Эта область специализируется на манипулировании цифровыми изображениями с целью их улучшения или извлечения информации непосредственно из пиксельных данных (например, фильтрация, определение краев, настройка контрастности). Хотя визуализация может включать в себя отображение изображений, визуализация данных в AI/ML часто имеет дело с представлением абстрактных данных (например, метрик производительности модели или взаимосвязей между признаками) или наложением интерпретаций модели (например, обнаружения) на изображения, а не с преобразованием самих изображений. Читайте о различиях в этой статье блога Computer Vision vs Image Processing.
• Эксплораторный анализ данных (EDA): EDA - это процесс анализа наборов данных для понимания их основных характеристик, часто с использованием визуальных методов. Методы визуализации данных являются основными инструментами, используемыми в процессе EDA для выявления закономерностей, обнаружения аномалий, проверки гипотез и предположений. Руководство по предварительной обработке аннотированных данных затрагивает концепции EDA, относящиеся к наборам данных компьютерного зрения.