Análisis visual

El análisis visual es un campo multidisciplinario de la ciencia y la tecnología que surgió de la visualización de la información y la visualización científica . Se centra en cómo el razonamiento analítico puede facilitarse mediante interfaces visuales interactivas . ^{[ 1 ]}

La analítica visual es "la ciencia del razonamiento analítico facilitado por interfaces visuales interactivas". ^{[ 2 ]} Puede abordar problemas cuyo tamaño, complejidad y necesidad de un análisis humano y automático estrechamente acoplado los harían intratables de otro modo. ^{[ 3 ]} La analítica visual impulsa el desarrollo científico y tecnológico en múltiples dominios, incluyendo el razonamiento analítico, la interacción humano-computadora, las transformaciones de datos, la representación visual para el cálculo y el análisis, la elaboración de informes analíticos y la transición de nuevas tecnologías a la práctica. ^{[ 4 ]} Como agenda de investigación, la analítica visual reúne a varias comunidades científicas y técnicas de la informática, la visualización de la información, las ciencias cognitivas y perceptivas, el diseño interactivo, el diseño gráfico y las ciencias sociales.

La analítica visual integra nuevas herramientas computacionales y teóricas con técnicas interactivas innovadoras y representaciones visuales para facilitar el diálogo entre humanos e información. El diseño de las herramientas y técnicas se basa en principios cognitivos , de diseño y perceptivos . Esta ciencia del razonamiento analítico proporciona el marco de razonamiento sobre el cual se pueden construir tecnologías de analítica visual tanto estratégicas como tácticas para el análisis, la prevención y la respuesta ante amenazas. El razonamiento analítico es fundamental para la tarea del analista de aplicar juicios humanos para llegar a conclusiones a partir de una combinación de evidencia y supuestos. ^{[ 2 ]}

El análisis visual comparte algunos objetivos y técnicas con la visualización de información y la visualización científica . Actualmente no existe un consenso claro sobre los límites entre estos campos, pero, en términos generales, las tres áreas se pueden distinguir de la siguiente manera:

• La visualización científica trabaja con datos que poseen una estructura geométrica natural (por ejemplo, datos de resonancia magnética, flujos de viento).
• La visualización de información maneja estructuras de datos abstractas como árboles o gráficos.
• El análisis visual se centra especialmente en combinar representaciones visuales interactivas con procesos analíticos subyacentes (por ejemplo, procedimientos estadísticos, técnicas de minería de datos ) de manera que se puedan realizar eficazmente actividades complejas de alto nivel (por ejemplo, comprensión, razonamiento, toma de decisiones).

La analítica visual busca combinar técnicas de visualización de información con técnicas de transformación y análisis computacional de datos. La visualización de información forma parte de la interfaz directa entre el usuario y la máquina, amplificando las capacidades cognitivas humanas de seis maneras básicas: ^{[ 2 ] [ 5 ]}

1. al aumentar los recursos cognitivos, como por ejemplo al utilizar un recurso visual para ampliar la memoria de trabajo humana,
2. al reducir la búsqueda, como por ejemplo al representar una gran cantidad de datos en un espacio pequeño,
3. al mejorar el reconocimiento de patrones, como cuando la información se organiza en el espacio por sus relaciones temporales,
4. al apoyar la fácil inferencia perceptiva de relaciones que de otro modo serían más difíciles de inducir,
5. mediante el monitoreo perceptivo de un gran número de eventos potenciales, y
6. al proporcionar un medio manipulable que, a diferencia de los diagramas estáticos, permite la exploración de un espacio de valores de parámetros.

Estas capacidades de visualización de información, combinadas con el análisis computacional de datos, pueden aplicarse al razonamiento analítico para apoyar el proceso de comprensión.

Como enfoque interdisciplinario, el análisis visual tiene sus raíces en la visualización de información, las ciencias cognitivas y la informática. El término y el alcance del campo fueron definidos a principios de la década de 2000 por investigadores como Jim Thomas , Kristin A. Cook , John Stasko , Pak Chung Wong , Daniel A. Keim y David S. Ebert . Como reacción a los ataques del 11 de septiembre de 2001, el Departamento de Seguridad Nacional de los Estados Unidos se estableció a finales de 2002, combinando docenas de agencias gubernamentales previamente separadas. Partiendo del trabajo previo sobre minería de datos visuales de Daniel A. Keim a partir de finales de la década de 1990, esto condujo simultáneamente al desarrollo de una agenda de investigación para el análisis visual. ^{[ 6 ] [ 7 ]} Como parte de estos esfuerzos, el Centro Nacional de Visualización y Análisis  (NVAC) en el Laboratorio Nacional del Noroeste del Pacífico se estableció en 2004, cuyo estatuto era desarrollar un sistema para mitigar la sobrecarga de información después de los ataques del 11 de septiembre de 2001 en la comunidad de inteligencia. Su trabajo de investigación determinó los desafíos centrales, planteó preguntas de investigación abiertas y posicionó el análisis visual como un nuevo dominio de investigación, en particular a través de la agenda de investigación de 2005 Iluminando el camino . ^{[ 2 ]} En 2006, la comunidad IEEE VIS liderada por Pak Chung Wong y Daniel A. Keim lanzó la Conferencia anual IEEE sobre Ciencia y Tecnología de Análisis Visual (VAST) , proporcionando un espacio dedicado a la investigación en análisis visual, que en 2020 se fusionó para formar la conferencia IEEE Visualization . En 2008, el alcance y los desafíos del análisis visual fueron definidos conceptualmente por Daniel A. Keim y Jim Thomas en su influyente libro sobre minería de datos visuales. ^{[ 8 ]} El dominio se refinó aún más como parte del programa FP7 VisMaster de la Comisión Europea a finales de la década de 2000. ^{[ 9 ]}

Los conjuntos de datos utilizados en el proceso de análisis visual provienen de fuentes heterogéneas (por ejemplo, internet, periódicos, libros, experimentos científicos, sistemas expertos ). De estas ricas fuentes, se seleccionan los conjuntos de datos S = S ₁ , ..., S _m , donde cada S _i , i ∈ (1, ..., m) consta de atributos A _i1 , ..., A _ik . El objetivo o resultado del proceso es la comprensión I . Esta comprensión se obtiene directamente del conjunto de visualizaciones creadas V o mediante la confirmación de hipótesis H como resultado de métodos de análisis automatizados. Esta formalización del proceso de análisis visual se ilustra en la siguiente figura. Las flechas representan las transiciones de un conjunto a otro.

De manera más formal, el proceso de análisis visual es una transformación F: S → I , donde F es una concatenación de funciones f ∈ {D _W , V _X , H _Y , U _Z } definidas de la siguiente manera:

D _W describe la funcionalidad básica de preprocesamiento de datos con D _W  : S → S y W ∈ {T, C, SL, I} incluyendo funciones de transformación de datos D _T , funciones de limpieza de datos D _C , funciones de selección de datos D _SL y funciones de integración de datos D _I que son necesarias para que las funciones de análisis sean aplicables al conjunto de datos.

V _W , W ∈ {S, H} simboliza las funciones de visualización, que son funciones que visualizan datos V _S  : S → V o funciones que visualizan hipótesis V _H  : H → V .

H _Y , Y ∈ {S, V} representa el proceso de generación de hipótesis. Distinguimos entre funciones que generan hipótesis a partir de datos H _S  : S → H y funciones que generan hipótesis a partir de visualizaciones H _V  : V → H .

Además, las interacciones del usuario U _Z , Z ∈ {V, H, CV, CH} son una parte integral del proceso de análisis visual. Las interacciones del usuario pueden afectar solo a las visualizaciones U _V  : V → V (es decir, seleccionar o ampliar), o pueden afectar solo a las hipótesis U _H  : H → H al generar una nueva hipótesis a partir de las dadas. Además, se puede llegar a conclusiones a partir de las visualizaciones U _CV  : V → I o de las hipótesis U _CH  : H → I.

El preprocesamiento típico de datos que aplica funciones de limpieza, integración y transformación de datos se define como D _P = D _T (D _I (D _C (S ₁ , ..., S _n ))) . Después del paso de preprocesamiento, se aplican a los datos métodos de análisis automatizados H _S = {f _s1 , ..., f _sq } (es decir, estadística, minería de datos, etc.) o métodos de visualización V _S  : S → V, V _S = {f _v1 , ..., f _vs } , para revelar patrones como se muestra en la figura anterior. ^{[ 11 ]}

En general, para procesar los datos se utiliza el siguiente paradigma:

Analice primero: muestre lo importante: haga zoom, filtre y analice más a fondo: detalles a pedido ^{[ 8 ]}

• Boris Kovalerchuk y James Schwing (2004). Análisis visual y espacial: avances en minería de datos, razonamiento y resolución de problemas.
• Guoping Qiu (2007). Avances en sistemas de información visual: 9ª Conferencia Internacional (VISUAL).
• Personal de IEEE, Inc. (2007). Ciencia y tecnología de análisis visual (VAST), un simposio de IEEE 2007.
• May Yuan, Kathleen y Stewart Hornsby (2007). Computación y visualización para la comprensión de la dinámica en dominios geográficos.
• Daniel Keim, Gennady Andrienko, Jean-Daniel Fekete, Carsten Görg, Jörn Kohlhammer y Guy Melançon (2008). Analítica visual: definición, proceso y desafíos . En Andreas Kerren, John T. Stasko, Jean-Daniel Fekete y Chris North (Eds.), Visualización de la información: cuestiones y perspectivas centradas en el ser humano, páginas 154-175, Lecture Notes in Computer Science 4950, Springer Berlin Heidelberg.
• Dominando la era de la visualización: Solución de problemas con análisis visual (2010) (pdf)
• Kawa Nazemi (2014). Visualización semántica adaptativa. Asociación EurographicsTesis doctoral de la TU Darmstadt. Eurographics.

• Contenido multimedia relacionado con el análisis visual en Wikimedia Commons.