Visualisation des données

La visualisation des données est la pratique consistant à représenter graphiquement des données et des informations. Dans le contexte de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML), c'est un outil indispensable pour rendre les données complexes, les architectures de modèles et les métriques de performance compréhensibles pour les humains. En convertissant des nombres bruts et des concepts abstraits en graphiques, diagrammes et cartes, les développeurs et les chercheurs peuvent identifier des tendances, repérer des anomalies et communiquer des informations beaucoup plus efficacement. La visualisation joue un rôle crucial tout au long du flux de travail ML, de l'exploration des données initiale et du prétraitement à l'évaluation du modèle et à l'interprétation des résultats. Elle permet de transformer les sorties complexes des modèles en informations claires et exploitables, un concept plus amplement exploré dans notre blog sur l'amélioration des applications de vision par ordinateur grâce aux visualisations.

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

La visualisation des données ne consiste pas seulement à créer des graphiques esthétiques ; c'est 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 (EDA) afin de comprendre les distributions des ensembles de données et d'identifier les problèmes potentiels tels que le biais de l'ensemble de données ou la nécessité d'une augmentation des données. Tout au long de l'entraînement du modèle, des outils tels que TensorBoard permettent de visualiser des métriques telles que les courbes de la fonction de perte et la précision au fil du temps. Après l'entraînement, les visualisations telles qu'une matrice de confusion ou une 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 réelles de l'IA/ML

1. Analyse d'images médicales : Dans l'IA pour la santé, la visualisation aide à interpréter des images médicales complexes. Un modèle de détection d'objets entraîné sur un ensemble de données comme l'ensemble de données sur les tumeurs cérébrales peut générer des boîtes englobantes identifiant les anomalies potentielles. La visualisation de ces boîtes superposées directement sur les IRM ou les tomodensitométries permet aux radiologues d'évaluer rapidement les résultats du modèle, ce qui facilite le diagnostic. De plus, la visualisation des regroupements de résultats des patients en fonction des caractéristiques d'imagerie peut aider à identifier les sous-types de maladies. L'IA dans le domaine de la santé repose fortement sur ces aides visuelles. Vous pouvez explorer d'autres applications au 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 pendant le développement et les tests. Les ingénieurs visualisent les nuages de points LiDAR, les signatures radar et les flux de 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 englobantes, 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. Consultez des exemples dans les solutions d'IA dans l'automobile et découvrez les approches de l'industrie auprès d'entreprises comme Mobileye.

Distinguer des termes connexes

• Analyse de données : Il s'agit d'un domaine plus vaste 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 l'analyse des données pour présenter les résultats ou explorer les données, mais l'analyse comprend également la modélisation statistique, les tests d'hypothèses et d'autres méthodes non visuelles. Pour en savoir plus, consultez les principes fondamentaux de l'analyse des données.
• Traitement d'images: Ce domaine se concentre sur la manipulation d'images numériques pour les améliorer ou extraire des informations directement à partir des données de pixels (par exemple, le filtrage, la détection des contours, le réglage du contraste). Bien que la visualisation puisse impliquer l'affichage d'images, la visualisation des données dans l'IA/ML traite souvent de la représentation de données abstraites (comme les métriques de performance du modèle ou les relations entre les caractéristiques) ou de la superposition d'interprétations de modèles (comme les détections) sur des images, plutôt que de transformer les images elles-mêmes. Découvrez les différences dans cet article de blog sur la vision par ordinateur par rapport au traitement d'images.
• Analyse exploratoire des données (EDA): L'EDA est le processus d'analyse des ensembles de données pour comprendre leurs principales caractéristiques, souvent à l'aide de méthodes visuelles. Les techniques de visualisation des données sont les principaux outils utilisés lors de l'EDA pour découvrir des modèles, repérer des anomalies, tester des hypothèses et vérifier des hypothèses. Le guide sur le prétraitement des données annotées aborde les concepts d'EDA pertinents pour les ensembles de données de vision par ordinateur.