Medici che leggono EEG in pronto soccorso, i primi soccorritori che guardano più schermi che mostrano feed di dati in tempo reale dai sensori in una zona disastrata, tutti i broker che acquistano e vendono strumenti finanziari devono prendere decisioni informate molto rapidamente. La complessità della visualizzazione può complicare il processo decisionale quando si osservano i dati su un grafico. Quando il tempismo è critico, è essenziale che un grafico sia di facile lettura e interpretazione.

Per aiutare i decisori in scenari come questi, gli scienziati informatici della Columbia Engineering e della Tufts University hanno sviluppato un nuovo metodo, "Pixel Approximate Entropy", che misura la complessità di una visualizzazione dei dati e può essere utilizzato per sviluppare visualizzazioni più facili da leggere. Eugenio Wu, professore assistente di informatica, e Gabriel Ryan, che allora era uno studente di Master e ora Ph.D. studente alla Columbia, presenteranno il loro documento alla conferenza IEEE VIS 2018 giovedì, 25 ottobre a Berlino, Germania.

"Si tratta di un approccio completamente nuovo per lavorare con i grafici a linee con molte potenziali applicazioni diverse, "dice Ryan, primo autore sulla carta. "Il nostro metodo offre ai sistemi di visualizzazione un modo per misurare quanto siano difficili da leggere i grafici a linee, quindi ora possiamo progettare questi sistemi per semplificare o riassumere automaticamente i grafici che sarebbero difficili da leggere da soli".

Oltre a ispezionare visivamente una visualizzazione, ci sono stati pochi modi per quantificare automaticamente la complessità di una visualizzazione dei dati. Risolvere questo problema, Il gruppo di Wu ha creato Pixel Approximate Entropy per fornire un "punteggio di complessità visiva" in grado di identificare automaticamente i grafici difficili. Hanno modificato una misura di entropia a bassa dimensione per operare su grafici a linee, e poi ha condotto una serie di studi sugli utenti che hanno dimostrato che la misura poteva prevedere quanto bene gli utenti percepissero i grafici.

"In ambienti frenetici, è importante sapere se la visualizzazione sarà così complessa da oscurare i segnali, "dice Wu, che è anche co-presidente del Trattamento, Media, &Society Center presso il Data Science Institute. "La capacità di quantificare la complessità è il primo passo per fare automaticamente qualcosa al riguardo".

La squadra si aspetta il loro sistema, che è open source, sarà particolarmente utile per i data scientist e gli ingegneri che stanno sviluppando sistemi di data science basati sull'intelligenza artificiale. Fornendo un metodo che consente al sistema di comprendere meglio le visualizzazioni che sta visualizzando, Pixel Approximate Entropy aiuterà a guidare lo sviluppo di sistemi di data science più intelligenti.

"Ad esempio, nel controllo industriale un operatore potrebbe dover osservare e reagire alle tendenze nelle letture da una varietà di monitor di sistema nel tempo, come in una centrale chimica o elettrica, " Ryan aggiunge. "Un sistema che sia consapevole della complessità del grafico potrebbe adattare le letture per garantire che l'operatore possa identificare tendenze importanti e ridurre l'affaticamento derivante dal tentativo di interpretare segnali potenzialmente rumorosi.

Il gruppo di Wu prevede di estendere la visualizzazione dei dati per utilizzare questi modelli per avvisare automaticamente utenti e progettisti quando le visualizzazioni potrebbero essere troppo complesse e suggerire tecniche di livellamento, e sviluppare altri modelli percettivi quantitativi che possano aiutare la progettazione di sistemi di elaborazione e visualizzazione dei dati.