Los médicos que leen EEG en las salas de emergencia, los primeros en responder mirando múltiples pantallas que muestran datos en vivo de sensores en una zona de desastre, los corredores que compran y venden instrumentos financieros necesitan tomar decisiones informadas muy rápidamente. La complejidad de la visualización puede complicar la toma de decisiones cuando unoestá mirando los datos en un gráfico. Cuando el tiempo es crítico, es esencial que un gráfico sea fácil de leer e interpretar.
Para ayudar a los tomadores de decisiones en escenarios como estos, los científicos informáticos de Columbia Engineering y la Universidad de Tufts han desarrollado un nuevo método, "Entropía aproximada de píxeles", que mide la complejidad de una visualización de datos y puede utilizarse para desarrollarlea las visualizaciones. Eugene Wu, profesor asistente de ciencias de la computación, y Gabriel Ryan, que entonces era estudiante de maestría y ahora estudiante de doctorado en Columbia, presentará su artículo en la conferencia IEEE VIS 2018 el jueves 25 de octubre en Berlín, Alemania.
"Este es un enfoque completamente nuevo para trabajar con gráficos de líneas con muchas aplicaciones potenciales diferentes", dice Ryan, primer autor del artículo. "Nuestro método brinda a los sistemas de visualización una forma de medir la dificultad de leer los gráficos de líneas, así que ahorapodemos diseñar estos sistemas para simplificar o resumir automáticamente gráficos que serían difíciles de leer por sí mismos "
Además de inspeccionar visualmente una visualización, ha habido pocas formas de cuantificar automáticamente la complejidad de una visualización de datos. Para resolver este problema, el grupo de Wu creó la Entropía aproximada de píxeles para proporcionar una "puntuación de complejidad visual" que puede identificar automáticamente gráficos difíciles.Modificaron una medida de entropía de baja dimensión para operar en gráficos de líneas, y luego realizaron una serie de estudios de usuarios que demostraron que la medida podía predecir qué tan bien los usuarios percibían los gráficos.
"En entornos de ritmo rápido, es importante saber si la visualización será tan compleja que las señales pueden oscurecerse", dice Wu, quien también es copresidente del Centro de Datos, Medios y Sociedad enData Science Institute. "La capacidad de cuantificar la complejidad es el primer paso para hacer algo automáticamente al respecto"
El equipo espera que su sistema, que es de código abierto, sea especialmente útil para los científicos e ingenieros de datos que están desarrollando sistemas de ciencia de datos impulsados por IA. Al proporcionar un método que permite al sistema comprender mejor las visualizaciones que está mostrando, PixelEntropía aproximada ayudará a impulsar el desarrollo de sistemas más inteligentes de ciencia de datos.
"Por ejemplo, en el control industrial, un operador puede necesitar observar y reaccionar a las tendencias en las lecturas de una variedad de monitores del sistema a lo largo del tiempo, como en una planta química o de energía", agrega Ryan. "Un sistema que conoceLa complejidad del gráfico podría adaptar las lecturas para garantizar que el operador pueda identificar tendencias importantes y reducir la fatiga al tratar de interpretar señales potencialmente ruidosas.
el grupo de Wu planea extender la visualización de datos para usar estos modelos para alertar automáticamente a los usuarios y diseñadores cuando las visualizaciones pueden ser demasiado complejas y sugerir técnicas de suavizado, y para desarrollar otros modelos perceptivos cuantitativos que puedan informar el diseño de los sistemas de procesamiento y visualización de datos.
Fuente de la historia :
Materiales proporcionados por Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :