{"id":3173,"date":"2021-04-12T15:00:00","date_gmt":"2021-04-12T13:00:00","guid":{"rendered":"https:\/\/ellycode.com\/?p=3173"},"modified":"2021-05-07T16:38:21","modified_gmt":"2021-05-07T14:38:21","slug":"la-visualizzazione-dei-dati-nellintelligenza-artificiale","status":"publish","type":"post","link":"https:\/\/ellycode.com\/it\/blog\/la-visualizzazione-dei-dati-nellintelligenza-artificiale\/","title":{"rendered":"La visualizzazione dei dati nell’Intelligenza Artificiale"},"content":{"rendered":"\n

Partiamo dall\u2019assunzione di avere a disposizione tantissimi dati, raccolti da sensori, acquistati da qualche fonte o estratti da milioni di pagine web. Siamo bravissimi a immagazzinarli da qualche parte, a darli in pasto a potenti algoritmi di machine learning; tuttavia, \u00e8 difficile arrivare a qualche risultato concreto senza una conoscenza profonda del loro significato.<\/p>\n\n\n\n

Prendiamo ad esempio la tabella relativa alle divisioni degli abitanti per religione nei 20 stati pi\u00f9 popolosi al mondo (la trovate a questo indirizzo<\/a>), e proviamo a chiederci quale sia la nazione con pi\u00f9 induisti al mondo. Piuttosto che scorrere la tabella ad occhio e annotare questa informazione, potremmo costruire un grafico come il seguente, dove immediatamente siamo in grado di scorgere il rettangolo rosso pi\u00f9 grande (il grafico pu\u00f2 essere anche dinamico, come visibile qui<\/a>).<\/p>\n\n\n\n

\"Religions<\/figure>\n\n\n\n

Ed \u00e8 proprio questo il punto: quando possibile, i sistemi di visualizzazione offrono rappresentazioni dei dataset<\/strong> pensati per aiutare le persone a prendere decisioni in maniera pi\u00f9 efficace<\/strong>. La visualizzazione \u00e8 lo strumento pi\u00f9 adatto quando \u00e8 necessario aumentare le capacit\u00e0 umane, NON a rimpiazzare le persone con algoritmi per prendere decisioni. Si tratta quindi di uno strumento molto orientato all\u2019essere umano: non ci serve quando abbiamo una soluzione completamente automatica di cui ci fidiamo, ma se non sappiamo ancora quali siano le domande a cui vogliamo rispondere, allora ecco che diventa uno strumento di analisi insostituibile.<\/p>\n\n\n\n

Perch\u00e9 funziona?<\/h2>\n\n\n\n

La rappresentazione visuale funziona perch\u00e9 \u00e8 una possibile forma di rappresentazione esterna, in cui portiamo \u201cle cose\u201d dalla nostra testa verso l\u2019esterno. In pratica rimpiazziamo la cognizione<\/strong> con la percezione<\/strong>. Prendiamo questa tabella:<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

E\u2019 estremamente difficile da comprendere anche per gli addetti ai lavori: l\u2019essere umano \u00e8 capace di leggere un singolo numero, il successivo e cos\u00ec via ma tenere traccia di tutto nella nostra mente \u00e8 impossibile perch\u00e9 non ne abbiamo la capacit\u00e0. Una visualizzazione dei dati ci pu\u00f2 aiutare a trovare (e a spiegare ad un altro essere umano) cosa significano quei numeri.<\/p>\n\n\n\n

 Quali sono i possibili casi d\u2019uso? <\/p>\n\n\n\n

  1. Fornire agli utenti uno strumento a lungo termine, ad esempio analisi esplorative di dati.<\/li>
  2. Presentare in maniera chiara i risultati trovati. <\/li>
  3. Aiutare gli sviluppatori di modelli a trovare e raffinare parametri.<\/li>
  4. Trovare rapidamente delle anomalie.<\/li><\/ol>\n\n\n\n

    Se riusciamo a liberare la testa dalla sequenza di numeri, possiamo ambire a trovare domande di livello pi\u00f9 alto. Guardate queste due immagini:<\/p>\n\n\n\n

    \"\"
    Fonte: halfdaycourse20 (ubc.ca<\/a><\/figcaption><\/figure>\n\n\n\n

    Perch\u00e9 nel secondo grafico c\u2019\u00e8 una maggiore concentrazione di punti verdi? E\u2019 proprio quello che il grande fisico americano Richard Feynman raccont\u00f2 a un suo intervistatore: lui pensava \u201csulla\u201d carta. Il suo processo mentale si estendeva dalla sua testa verso una rappresentazione fisica delle sue idee. Un diagramma di Feynman riassume un fenomeno estremamente complesso in maniera semplice: a partire da tutti i possibili diagrammi esistenti per una data interazione si pu\u00f2 tornare \u201cindietro\u201d al calcolo numerico di una probabilit\u00e0.<\/p>\n\n\n\n

    \"Feynman<\/figure>\n\n\n\n

    Un altro esempio interessante \u00e8 il quartetto di Anscombe, un insieme di quattro dataset che hanno identiche descrizioni statistiche ma distribuzioni dei dati completamente diverse: ci\u00f2 appare evidente quando andiamo a visualizzare queste distribuzioni.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Se bastano 11 punti a generare questa confusione, cosa pu\u00f2 succedere se i punti sono centinaia di migliaia? Se i dati cambiano in maniera estremamente dinamica? Se abbiamo dati provenienti da fonti eterogenee che si stanno mescolando? Uno sguardo semplice di un occhio umano riuscirebbe ad accorgersi subito di questa complessit\u00e0.<\/p>\n\n\n\n

    Risolvere problemi con la visualizzazione dei dati<\/h2>\n\n\n\n

    Attenzione per\u00f2 a non credere che basti una libreria di visualizzazione col suo armamentario di grafici per trovare velocemente una risposta. Ogni coppia formata da un set di dati e  da un certo numero di domande a cui vogliamo rispondere ha le proprie peculiarit\u00e0, per le quali un particolare tipo di grafico che ci ha risolto problemi tante volte diventa completamente inutile.<\/p>\n\n\n\n

    Cosa dobbiamo fare allora quando ci troviamo ad affrontare un problema armati di un framework di visualizzazione? Esistono quattro livelli differenti da prendere in considerazione. <\/p>\n\n\n\n

    Anzitutto, il livello del dominio applicativo: sappiamo quanto sia importante esserne esperti. Ci\u00f2 \u00e8 vero non solo nell\u2019architettura del software: dobbiamo imparare a guardare i dati come lo fanno gli esperti del dominio. Chi sono questi esperti? Quali sono le loro aspettative? E le loro necessit\u00e0? Riassumendo, avvicinarsi alla concezione del mondo secondo l\u2019utente.<\/p>\n\n\n\n

    Ma poi occorre andare avanti perch\u00e9 tutto ci\u00f2 che abbiamo imparato dal primo livello va tradotto dal linguaggio del dominio a quello della visualizzazione (o del software). Il secondo livello \u00e8 quello dell\u2019astrazione. Astrarre i dati (capire ci\u00f2 che va visualizzato) e astrarre le domande (perch\u00e9 l\u2019utente \u00e8 interessato a quei dati). L\u2019aspetto pi\u00f9 affascinante delle astrazioni si evidenzia quando troviamo similitudini in campi completamente diversi: finanza e astrofisica, calcio e agricoltura, etc. Anche se i vocabolari specifici sono molto diversi, scopriamo che dal punto di vista della visualizzazione sono domini molto simili. Dunque, invece di trovare soluzioni a casaccio, dovremmo capire se abbiamo gi\u00e0 incontrato in passato un\u2019astrazione simile.<\/p>\n\n\n\n

    Il terzo livello \u00e8 quello del linguaggio (o livello tecnico secondo altre definizioni): come mostrare il dato, mentre il quarto livello \u00e8 quello dell\u2019algoritmo: pensare a una computazione efficiente per la visualizzazione dei dati.<\/p>\n\n\n\n

    Ogni livello nasconde insidie che vanno risolte<\/p>\n\n\n\n

    1. Dominio: non abbiamo compreso le necessit\u00e0 dell\u2019utente<\/li>
    2. Astrazione: stiamo mostrando la cosa sbagliata<\/li>
    3. Linguaggio: la maniera in cui stiamo mostrando i dati \u00e8 sbagliata<\/li>
    4. Algoritmo: il codice \u00e8 troppo lento<\/li><\/ol>\n\n\n\n

      Non \u00e8 banale, perch\u00e9, mentre abbiamo studiato tecniche per rendere i nostri algoritmi pi\u00f9 veloci, non possiamo dire di essere anche esperti di psicologia cognitiva. Come capire se stiamo usando il linguaggio sbagliato? Se stiamo disegnando i dati in una maniera che non funziona per la percezione umana? E i primi due livelli? Possiamo dire di essere esperti di antropologia e\/o etnografia? Un contadino, un operaio, un impiegato, sono tutti utenti estremamente diversi.<\/p>\n\n\n\n

      Date un\u2019occhiata a questi siti web giornalistici, nei quali la visualizzazione dei dati \u00e8 usata in maniera magistrale per fornire un supporto ai lettori.<\/p>\n\n\n\n