آینده تجسم داده های هوش مصنوعی

Summarize this content to 400 words in Persian Lang
از آنجایی که LLM ها وارد صحنه شدند، یکی از اولین موارد استفاده/دمو تجزیه و تحلیل داده ها بود. در این مرحله، اکثر ما از ChatGPT، Claude یا برخی هوش مصنوعی دیگر برای تولید نمودار استفاده کرده‌ایم، اما احساس می‌شود که هیئت داوران هنوز نقشی را که هوش مصنوعی در تجسم داده‌ها ایفا می‌کند، نمی‌داند. آیا به حالت پیش‌فرض ادامه می‌دهیم و روی نمودار کلیک می‌کنیم؟ آیا هوش مصنوعی 100 درصد نمودارها را تولید می کند؟ یا آینده ترکیبی است که برخی از نسل‌های هوش مصنوعی و برخی نقاط کلیکی را در هم می‌آمیزد؟

به‌عنوان بنیان‌گذار حوزه هوش مصنوعی و تجسم داده، این موضوع را تقریباً وجودی می‌دانم. پس از سال 2022 تأسیس شد (یعنی پس از اینکه LLM ها به صورت واقعی به صحنه آمدند)، ما باید در مورد نحوه مدیریت نمودارها تصمیم بگیریم. آیا ما ساعت‌ها و ساعت‌ها کار توسعه‌دهنده (و منابع مالی) را برای توسعه عملکرد نمودار سرمایه‌گذاری می‌کنیم، یا این که از بین می‌رود و هزینه تمام ابزارهایی که قبل از LLM ساخته شده‌اند کم است؟ یا آینده هیبریدی است؟ من اخیراً با Data Formulator روبرو شدم، یک پروژه تحقیقاتی، که برخی از تعاملات واقعاً جالب بین هوش مصنوعی و نمودارهای سنتی را بررسی می کند که این سؤال را برای من زنده کرد.

در این پست می‌خواهم نگاهی بیندازم که امروز برای تبدیل متن به نمودار (یا تبدیل متن به تصویر) کجا هستیم و در آینده ممکن است به کجا برویم.

وضعیت فعلی تبدیل متن به تصویر

مانند همه چیزهای هوش مصنوعی، این پست احتمالاً به خوبی پیر نمی شود. برخی اطلاعات یا مدل های جدید در 6 ماه آینده منتشر می شوند و طرز فکر ما را در مورد این موضوع کاملاً تغییر می دهند. با این وجود، اجازه دهید نگاهی به حالت های مختلف تجسم داده ها و هوش مصنوعی بیندازیم.

نمودار نقطه و کلیک خالص

من در این مورد زیاد معطل نمی شوم زیرا اکثر خوانندگان این یکی را به خوبی می دانند. Excel، Google Sheets یا هر ابزار داده دیگری که قبل از 2023 ساخته شده است را باز کنید و به نوعی از این کار خواهید داشت. گاهی اوقات برای افزودن داده به یک محور کلیک می‌کنید، گاهی یک فیلد را می‌کشید و رها می‌کنید، اما مفهوم یکسان است: داده‌ها را به درستی ساختار می‌دهید، سپس چند دکمه را فشار می‌دهید تا نمودار ایجاد شود.

در این پارادایم، اکثریت قریب به اتفاق پاکسازی و تبدیل داده ها قبل از ترسیم نمودار اتفاق می افتد. شما به طور کلی می توانید معیارهای تجمیع مانند میانگین، میانه، تعداد، حداقل، حداکثر و غیره را اعمال کنید، اما همه تبدیل ها نسبتا ابتدایی هستند.

نمودار 100٪ ایجاد شده توسط هوش مصنوعی

نمودارهای تولید شده توسط هوش مصنوعی یا تبدیل متن به تجسم، واقعاً از زمان ظهور LLM های مدرن وجود داشته است (اگر بخواهیم به اطراف بپردازیم، قبل از آن آزمایش هایی در جریان بوده است، اما برای همه اهداف عملی می توانیم بر روی LLM های پس از 2022 تمرکز کنیم).

ChatGPT OpenAI می‌تواند نمودارهای غیرتعاملی را با استفاده از Python یا مجموعه محدودی از نمودارهای تعاملی با استفاده از کتابخانه‌های front end ایجاد کند (برای چند نمونه به OpenAI Canvas مراجعه کنید). مانند همه چیزهای OpenAI، Anthropic مفاهیم مشابه خود را دارد و دارای Artifacts است.

در اینجا شایان ذکر است که نمودارهای تولید شده توسط هوش مصنوعی را می توان به دو خانواده تقسیم کرد: نمودارهای تولید شده صرفاً پایتونیک/بک‌اند یا ترکیبی از بک‌اند و جلویی.

ChatGPT و Claude بین این دو جایگزین می شوند. آموزش یک هوش مصنوعی برای تولید کد فرانت اند و ادغام آن کد جلویی برای ایجاد تجسم می تواند بسیار بیشتر از تکیه بر پایتون، با استفاده از کتابخانه ای مانند plotly، matplotlib، seaborn باشد. از سوی دیگر، کتابخانه های جلویی به ارائه دهندگان و کاربران کنترل بیشتری بر ظاهر و احساس نمودار و تعامل می دهند. به همین دلیل است که ارائه‌دهندگان LLM از هوش مصنوعی خود می‌خواهند نمودارهای پایه مانند نمودارهای میله‌ای، نمودارهای خطی یا نمودارهای پراکنده تولید کند، اما هر چیزی پیچیده‌تر مانند نمودار سانکی یا نمودار آبشاری به پایتون بازمی‌گردد.

یک نوار کناری مختصر در Fabi.ai: با توجه به اینکه ما یک پلت فرم تجزیه و تحلیل داده هستیم، واضح است که نمودار را ارائه می دهیم، و علیرغم برخی نمودارهای نقطه و کلیک، اکثر نمودارهای ایجاد شده توسط کاربران ما توسط هوش مصنوعی تولید شده اند. تاکنون متوجه شده‌ایم که هوش مصنوعی در تولید نمودارها بسیار خوب است و با استفاده از پایتون خالص برای ترسیم نمودار، توانسته‌ایم هوش مصنوعی را طوری آموزش دهیم که تقریباً هر نموداری را که کاربر می‌تواند رویاپردازی کند تولید کند. تا کنون، ما این دقت و انعطاف پذیری را نسبت به عملکرد نقطه و کلیک و طراحی های UI سفارشی انتخاب کرده ایم.ترکیبی: تولید هوش مصنوعی در پارادایم نقطه و کلیکاینجاست که در بحث در مورد اینکه تبدیل متن به تصویر هوش مصنوعی به کجا می‌رود، چیزها جالب می‌شوند. 3 سال بعد، وقتی کسی در حال انجام تجزیه و تحلیل است، اگر از هوش مصنوعی استفاده کند، آیا به هوش مصنوعی اجازه می دهد تا کنترل 100٪ را در دست بگیرد یا اینکه هوش مصنوعی در یک محیط ترکیبی استفاده می شود که فقط می تواند نمودارها را در محدوده های مختلف ویرایش کند. عملکرد خاص نقطه و کلیک کنید.

برای کمک به ملموس تر کردن این تصویر، Data Formulator را بررسی کنید. این یک پروژه تحقیقاتی اخیر است که تلاش می‌کند یک محیط ترکیبی واقعی را ارائه دهد که در آن هوش مصنوعی می‌تواند ویرایش‌های خاصی را انجام دهد، اما کاربر می‌تواند در صورت نیاز عملکرد نقطه و کلیک را بر عهده بگیرد و از آن استفاده کند.

اگر با استفاده از قیاس خودرو این سوال را بپرسیم: آیا شما معتقدید که در آینده خودروها فرمان نخواهند داشت یا معتقدید راننده ای وجود دارد که باید آنجا بنشیند و توجه کند و گهگاهی فرمان را تحویل بگیرد. عملکرد خودران تسلا در حال حاضر چگونه کار می کند؟

اصول اول: آنچه من معتقدم درست است

این سؤال که کارها به کجا می‌روند برای ما در Fabi.ai واقعاً مهم است زیرا این می‌تواند تأثیر زیادی بر تصمیم‌گیری‌های ما داشته باشد: آیا ما در یکپارچه‌سازی یک کتابخانه نمودار در قسمت جلویی سرمایه‌گذاری می‌کنیم؟ آیا اصلاً ما با عملکرد نقطه و کلیک زحمت می کشیم؟ به عنوان یک شرکت رو به رشد و نوآور که در فضای تجزیه و تحلیل داده های هوش مصنوعی پیشرو است، ما باید به این فکر کنیم که پول به کجا می رود، نه به جایی که در حال حاضر است.

بنابراین برای پاسخ به این سوال، من قصد دارم از تفکر اصول اول استفاده کنم.

هوش مصنوعی بهتر، سریع‌تر و ارزان‌تر می‌شود

از اولین باری که از هوش مصنوعی استفاده کردم و شکایاتی در مورد سرعت و هزینه به وجود آمد، معتقد بودم که هوش مصنوعی بهتر، سریع‌تر و ارزان‌تر خواهد شد. به طور کلی، هزینه هر توکن در چند سال گذشته 87 درصد در سال کاهش یافته است. نه تنها هزینه کاهش یافته است، بلکه دقت و سرعت هر دو به شدت افزایش یافته است.

در 10 سال آینده، ما به LLMهای 2024 نگاه خواهیم کرد، همانطور که به “ابر کامپیوترهای” دهه 80 و 90 نگاه می کنیم، اکنون که همه ما در هر کجا که می رویم ابررایانه هایی در جیب خود داریم.

همه اینها که می توان گفت، هر گونه استدلال موافق یا مخالف هر یک از رویکردهای نمودارهای مختلف ذکر شده در بالا نمی تواند این باشد که هوش مصنوعی برای تولید نمودارها بسیار کند، گران یا نادرست است. به عبارت دیگر، برای اینکه باور کنید نمودار نقطه و کلیک همچنان به هر شکل، شکل یا شکلی وجود خواهد داشت، باید باور داشته باشید که چیزی در مورد تجربه کاربر یا مورد استفاده وجود دارد که شایستگی آن عملکرد را دارد.

بخش سخت در مورد تجسم داده ها بحث و تمیز کردن داده ها است

در تجربه من، هنگام انجام هر شکلی از تجزیه و تحلیل داده که مستلزم تجسم است، بخش سخت، ترسیم نمودار نیست. بخش سخت این است که داده‌ها را با فرمت مناسب برای نموداری که می‌خواهم ایجاد کنم، تمیز و آماده کنیم.

برخی از داده‌های رویداد کاربر را بگویید که دارای فیلدهای زیر است:

شناسه رویداد
مهر زمانی شروع رویداد
مهر زمانی پایان رویداد

اکنون بگویید می‌خواهم میانگین مدت زمان رویداد را بر حسب ساعت رسم کنم تا تأخیر را اندازه‌گیری کنم. قبل از اینکه بتوانم هر نوع نموداری را در صفحه گسترده یا ابزار نموداری قدیمی انجام دهم، باید:

زمان پایان منهای زمان شروع را محاسبه کنید (احتمالاً ابتدا باید نوعی قالب بندی را انجام دهم)
داده ها را بر حسب ساعت چرخش دهید، که در واقع انجام آن به طرز شگفت آوری سخت است

اما با درخواست از هوش مصنوعی برای انجام این کار، تمام این کارها و نمودارها را فقط در یک یا دو ثانیه انجام می دهد:

# Calculate the event duration in hours
df[‘Event duration (hours)’] = (df[‘Event end datetime’] – df[‘Event start datetime’]).dt.total_seconds() / 3600

# Extract the start hour from the start datetime
df[‘Start hour’] = df[‘Event start datetime’].dt.hour

# Group by start hour and calculate the average duration
average_duration_by_hour = df.groupby(‘Start hour’)[‘Event duration (hours)’].mean().reset_index()

# Plot using Plotly
fig = px.bar(
average_duration_by_hour,
x=’Start hour’,
y=’Event duration (hours)’,
title=’Average Event Duration by Hour’,
labels={‘Event duration (hours)’: ‘Average Duration (hours)’, ‘Start hour’: ‘Hour of Day’},
text=’Event duration (hours)’
)

# Show the figure
fig.show()

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

و این یکی از ساده ترین نمونه های ممکن بود. اغلب اوقات داده های دنیای واقعی بسیار پیچیده تر هستند.

آینده تبدیل متن به تجسم هوش مصنوعی: با تولید 100٪ هوش مصنوعی، کمی نقطه و کلیک کنید

در این مرحله، احتمالاً این احساس را دارید که من به کجا متمایل هستم. تا زمانی که می توانید مجموعه داده های خود را تقریباً با تمام داده های مورد نیاز برای تجزیه و تحلیل درست کنید، هوش مصنوعی در حال حاضر در دستکاری آن و ترسیم نمودار آن در یک چشم به هم زدن کار بسیار خوبی انجام می دهد. یک، دو یا سه سال بعد، تصور اینکه این استاندارد نباشد، سخت است.

با این حال، برخی از رویکردهای ترکیبی جالب وجود دارد که مانند Data Formulator در حال ظهور هستند. مورد این نوع رویکرد این است که شاید دست‌ها و مغز ما قادر به حرکت سریع‌تر برای ایجاد تغییرات سریعتر از آن است که ما به آنچه می‌خواهیم فکر کنیم و آن را به اندازه کافی واضح توضیح دهیم تا هوش مصنوعی کار خود را انجام دهد. اگر از «مجموع فروش ماهانه در 12 ماه گذشته را به من نشان دهید» با این فرض که این یک نمودار میله‌ای پشته‌ای است که بر اساس منطقه تقسیم شده است، بپرسم، این امکان وجود دارد که حرکت ماوس را آسان‌تر کنیم. اگر اینطور است، رویکرد ترکیبی ممکن است جالب‌ترین باشد: از هوش مصنوعی بخواهید که ابتدا به آن ضربه بزند، سپس چند کلیک کنید و آنچه می‌خواهید خواهید داشت.

کلید موفقیت برای یک رویکرد هوش مصنوعی کامل یا یک رویکرد ترکیبی در تجربه کاربر است. به خصوص برای رویکرد ترکیبی، هوش مصنوعی و تعاملات انسانی باید کاملاً دست در دست هم کار کنند و برای کاربر بسیار شهودی باشند.

من از تماشای توسعه فضا و اینکه در 12 ماه آینده با متن به تصویرسازی پیش می رویم، هیجان زده هستم.

# Calculate the event duration in hours
df['Event duration (hours)'] = (df['Event end datetime'] - df['Event start datetime']).dt.total_seconds() / 3600

# Extract the start hour from the start datetime
df['Start hour'] = df['Event start datetime'].dt.hour

# Group by start hour and calculate the average duration
average_duration_by_hour = df.groupby('Start hour')['Event duration (hours)'].mean().reset_index()

# Plot using Plotly
fig = px.bar(
    average_duration_by_hour, 
    x='Start hour', 
    y='Event duration (hours)',
    title='Average Event Duration by Hour',
    labels={'Event duration (hours)': 'Average Duration (hours)', 'Start hour': 'Hour of Day'},
    text='Event duration (hours)'
)

# Show the figure
fig.show()