可视化与可视分析利用高带宽的视觉感知通道， 将数据转换为图形表达， 辅以交互手段， 以增强人对数据的认知能力， 在态势感知、关联分析、决策辅助等方面展示了强大的赋能作用。随着以深度学习为代表的人工智能技术的突破性进展， 面向人工智能的可视化和人工智能驱动的可视化受到了可视化、机器学习、数据挖掘等领域的高度关注。
一方面， 可视化与可视分析在改善人工智能的基础数据质量和可解释性方面发挥了巨大作用 。高质量训练数据是高性能人工智能应用的必要前提。针对异常检测、数据标记等需要大量人工劳动的任务， 利用可视化与可视分析技术提高其效率， 是当前的研究热点之一 。更令人关注的是人工智能的可解释性问题。以深度神经网络为例， 它具有非线性非凸、多层结构、海量参数、弱语义特征等特点， 被认为是一个难以解释的“黑盒子”。在自动驾驶、智能医疗、金融投资等高风险决策领域， 可解释性成为阻碍领域技术发展的瓶颈问题。可视化可以帮助提升机器学习的透明度， 增强人对大规模复杂机制的认知能力。各领域在基于可视化的深度学习解释方法方面进行了大量的研究工作， 例如患者未来状态预测、机器人训练策略 ， 以及自然语言处理任务。
另一方面， 人工智能技术的进步为可视化与可视分析的发展提供了强有力的工具。针对复杂数据、复杂模式等需要呈现大量信息的可视化任务， 利用机器学习技术能够去除数据噪声、提取关键信息，从而减少视觉混乱、增强可视化效果 。同时， 利用人工智能技术拟合数据特征和可视编码也为可视化布局带来了新的机遇。数据特征和可视编码的结合催生了更具表现力的可视化设计 ; 利用人工智能技术的海量数据自动化布局避免了耗时的数据操作和数据计算 ; 人工智能技术还被应用于解决大规模数据可视化中的交互效率难题， 例如体数据渲染中智能视角选择、区块链智能合约交互式构建和大型网络的交互式可视探索。
目前， 可视化与人工智能的交叉研究已经表现出了巨大的潜力， 促进了可视化与人工智能领域的关键技术发展。在如下方面， 可视化与人工智能的交叉研究有望取得较大突破。
（一）协同可视分析中的数据隐私保护
数据分布在多个数据拥有方， 是大数据应用场景中的常态， 自然产生了多方参与的协同可视分析任务。然而， 由于数据版权或隐私保护问题， 这些数据拥有方往往无法直接共享数据。协同可视分析有两项关键挑战。首先， 如何在不交互数据的情况下生成联合数据可视化结果。其次， 数据可视化结果如何保护数据隐私。目前， 对于第一个问题的研究还较少。安全多方计算、联邦学习等方法为解决数据孤岛问题提供了思路。如何将这些方法应用于协同数据可视分析， 是值得研究的方向。
（二）可解释机器学习
首先， 目前的大部分研究聚焦于模型训练后的离线分析。但深度学习模型的训练本身是一个耗时的过程， 随着深度学习模型规模和训练数据量的进一步增长， 训练时长已增加到数天甚至数周。及时发现训练过程中的偏差并进行诊断和决策具有重要的意义。类似地， 在在线学习过程中， 训练过程随着流数据的到来持续进行， 离线分析模式往往难以及时捕捉数据和模型的变化， 从而无法提供有效的指导。研究深度学习的在线可视分析方法， 在训练过程中对模型进行监督和指导， 具有重要的研究意义。
（三）智能特征提取
人工智能的进展改变了特征提取的流程， 减少了特征工程的工作量， 通过端到端的形式提供数据的压缩表达。另一方面， 人工智能提供了多种嵌入方法， 将复杂类型数据转换到易于理解的高维空间。因此， 基于人工智能的特征提取为可视化与可视分析提供了简洁的表达基础。用于可视化与可视分析的特征提取面临的挑战在于: 自动提取的特征不一定具有明确的语义信息， 不利于理解与解释。如何根据分析需求定制语义特征提取方法， 是当前需要解决的难题。
（四）可视化的自动生成
自动可视化从数据自动生成能够准确表达重要模式的可视化视图， 对缺乏相关知识和技能的普通用户具有重要的作用。当前主要有两类方法。第1类是基于设计经验知识， 将可视化设计问题归约成最优化问题求解。这一类方法效果较好， 具有较高的可理解性。但最优化原则的提炼需要较多的设计经验和尝试。第2类方法是采用具有端到端性质的深度学习， 跳过了对设计原则的总结阶段。当前， 在大图的布局、大规模数据体绘制等算法上， 深度学习模型取得了良好的效果。但由于数据空间和可视化视图空间都非常庞大， 训练深度学习模型需要大量的高质量训练数据。对于大多数可视化视图而言， 训练数据集的生成是一个需要攻克的难题。
（五）智能交互
人机交互是可视分析中不可或缺的一环， 目前的挑战主要包括两个方面。首先是精确的选择。如何在全体数据集中精确地选取包含感兴趣模式的子集， 是当前研究的热点问题， 例如在点云数据中选取感兴趣部分， 在时空数据中选取保护特定模式的时间段。其次是大规模数据的交互难题。由于存储和计算方面的压力， 大规模数据的交互一直是一个挑战。人工智能技术通过压缩表达、智能索引、查询预测等方法， 为解决交互难题提供了技术途径。如何提出准确、普适的智能交互方法， 将是未来研究的重点。
（六）智能故事叙述
可视化的核心功能是信息的表达， 如何用可视化讲好一个故事， 是可视化研究的重要主题。随着人工智能技术的发展， 利用可视化进行故事叙述的研究进一步变为智能故事叙述。具体而言， 智能故事叙述主要体现在以下方面: 首先， 是故事的自动拆解与自动化生成。会有更多的研究致力于提炼故事叙述的元素、将组成故事的可视化表达进行拆解与总结， 进一步地支持故事的自动化生成。其次， 在自动化的基础上， 智能故事叙述的第二个体现是多样性， 智能的意义在于可以学习不同的故事风格、叙述手法、可视化表达， 进行组合与创造， 产生新的多种多样的可视化故事叙述。最后是人机融合， 用户可以用极小的交互代价， 利用机器智能构造出符合用户心中构思的故事的样子， 即在多样的故事中能够快速智能地构造出符合用户预期的可视化故事。
本文由蜡笔聊最炫科技原创，欢迎关注，带你一起长知识！
