Visualização de dados

A visualização de dados é a prática de representar graficamente dados e informações. No contexto da inteligência artificial (IA) e da aprendizagem automática (ML), é uma ferramenta indispensável para tornar os dados complexos, as arquitecturas de modelos e as métricas de desempenho compreensíveis para os seres humanos. Ao converter números brutos e conceitos abstractos em tabelas, gráficos e mapas, os programadores e investigadores podem identificar padrões, detetar anomalias e comunicar informações de forma muito mais eficaz. A visualização desempenha um papel crucial em todo o fluxo de trabalho de ML, desde a exploração inicial dos dados e o pré-processamento até à avaliação do modelo e à interpretação dos resultados. Ajuda a transformar os resultados complexos dos modelos em informações claras e acionáveis, um conceito mais explorado no nosso blogue sobre a melhoria das aplicações de visão computacional com visualizações.

Relevância no ciclo de vida da IA/ML

A visualização de dados não se trata apenas de criar gráficos esteticamente agradáveis; é um componente fundamental do processo de aprendizagem profunda. Durante as fases iniciais de um projeto, a visualização é utilizada para a Análise Exploratória de Dados (EDA) para compreender as distribuições do conjunto de dados e identificar potenciais problemas, como o enviesamento do conjunto de dados ou a necessidade de aumentar os dados. Durante o treino do modelo, ferramentas como o TensorBoard ajudam a visualizar métricas como curvas de funções de perda e precisão ao longo do tempo. Após o treino, visualizações como uma matriz de confusão ou uma curva ROC (Receiver Operating Characteristic) são essenciais para avaliar o desempenho do modelo. Plataformas como o Ultralytics HUB integram essas visualizações para proporcionar uma experiência de MLOps perfeita.

Aplicações IA/ML do mundo real

1. Análise de imagens médicas: Na IA no sector da saúde, a visualização ajuda a interpretar exames médicos complexos. Um modelo de deteção de objectos treinado num conjunto de dados como o conjunto de dados de Tumores Cerebrais pode produzir caixas delimitadoras que identificam potenciais anomalias. A visualização destas caixas sobrepostas diretamente em exames de ressonância magnética ou tomografia computorizada permite aos radiologistas avaliar rapidamente as conclusões do modelo, ajudando no diagnóstico. Além disso, a visualização de grupos de resultados de doentes com base em caraterísticas de imagem pode ajudar a identificar subtipos de doenças. A IA nos cuidados de saúde depende em grande medida deste tipo de recursos visuais. Pode explorar outras aplicações no Instituto Nacional de Imagem Biomédica e Bioengenharia (NIBIB).
2. Desenvolvimento de veículos autónomos: Os sistemas de veículos autónomos processam grandes quantidades de dados de sensores. A visualização é utilizada extensivamente durante o desenvolvimento e os testes. Os engenheiros visualizam nuvens de pontos LiDAR, assinaturas de radar e imagens de câmaras numa simulação 3D do ambiente. Os objectos detectados (carros, peões, ciclistas) identificados por modelos como o YOLO são frequentemente apresentados com caixas delimitadoras, trajectórias de seguimento e pontuações de confiança, permitindo aos programadores verificar a precisão e a segurança do sistema de perceção em vários cenários. Veja exemplos de soluções de IA no sector automóvel e saiba mais sobre as abordagens da indústria de empresas como a Mobileye.

Distinção de termos relacionados

• Análise de dados: Este é um campo mais vasto que envolve todo o processo de inspeção, limpeza, transformação e modelação de dados para descobrir informações úteis e apoiar a tomada de decisões. A visualização de dados é um componente ou ferramenta utilizada na análise de dados para apresentar resultados ou explorar dados, mas a análise também inclui modelação estatística, testes de hipóteses e outros métodos não visuais. Saiba mais sobre os fundamentos da análise de dados.
• Processamento de imagens: Este campo centra-se na manipulação de imagens digitais para as melhorar ou extrair informações diretamente dos dados de píxeis (por exemplo, filtragem, deteção de margens, ajuste de contraste). Embora a visualização possa envolver a apresentação de imagens, a visualização de dados em IA/ML trata frequentemente da representação de dados abstractos (como métricas de desempenho de modelos ou relações de caraterísticas) ou da sobreposição de interpretações de modelos (como detecções) em imagens, em vez de transformar as próprias imagens. Leia sobre as diferenças nesta publicação do blogue Visão computacional vs Processamento de imagens.
• Análise Exploratória de Dados (AED): A AED é o processo de análise de conjuntos de dados para compreender as suas principais caraterísticas, utilizando frequentemente métodos visuais. As técnicas de visualização de dados são as principais ferramentas utilizadas durante a AED para descobrir padrões, detetar anomalias, testar hipóteses e verificar pressupostos. O guia sobre o pré-processamento de dados anotados aborda conceitos de AED relevantes para conjuntos de dados de visão computacional.