隨著信息技術爆發式增長，數據獲取感知計算能力遠遠超過處理數據的能力，高效認知人工智能與可視化的融合成為當前重要研究方向。
2019年5月31日，作為一個打醬油的聽眾，小編有幸參與了【IT星講堂】“科技之巔” 系列——《人工智能與可視化的融合：挑戰與機遇》講座。講座邀請了現任浙江大學計算機學院副院長、國家萬人計劃入選者、十三五國家重點研發計劃“雲計算與大數據”專家組成員陳為教授。
為了與讀者萌共同深入理解AI+可視化領域的無限可能性，小編特交出以下的課堂筆記：
人工智能與可視化
不得不說可視化（visual representation/visualization)一詞雖說由來已久但伴隨著人工智能技術的發展，不同行業以及科學領域與可視化結合點遠遠超出了我們大部分人的想象。
可視化的重要應用領域
在講座開篇，陳為教授便強調了當前隨著信息技術爆發式增長，數據獲取感知計算能力遠遠超過處理數據的能力，高效認知人工智能與可視化的融合成為當前重要研究方向。
基於數據的複雜性、人類認知的侷限性、應用的時空分離等問題，需要高表現力的可視表達方法，設計任務導向的探索式可視分析範式，實現複雜的時空場景數據管理、可視化與服務。結合人腦智能和機器智能，可視化方法能夠將兩者進行互補，並應用到更多實際的應用場景中。
接著陳為教授介紹了可視化服務等方面的技術成果和應用案例，具體內容包括了大數據在大科學、大工程、大安全、物聯網與智慧城市、互聯網與社交媒體等場景下的應用，探討了大數據可視化的對象、用戶和實際應用方面（宋詞文化可視化、NBA運動員職業生涯發展預測可視化以及大屏拼接沉浸式環境等）的研發趨勢。
大科學領域案例——國家衛星氣象中心全球大氣數據可視化平臺（浙江大學）
可視化也是對大工程仿真、實測、融合、預測、測試等不同環節產生的信息進行綜合理解和分析的必要手段。
大工程領域應用圖示
大工程領域應用圖示
智慧城市應用案例——阿里-浙大：蘇州城市大腦
浙大-新華網製作的數據新聞：宋詞文化可視化
圖中詳見互動版網址：http://fms.news.cn/swf/2018_sjxw/quansongci/index.html#/
聯邦可視化
當然除了上述應用，陳教授也重點提及了聯邦可視化的架構與發展趨勢。
在人工智能領域，長久以來存在一個難以取捨的問題——模型的準確性與可解釋性像“魚與熊掌”般不可兼得。簡單如線性迴歸、邏輯迴歸，過程清晰明確，但無法用於分析複雜的問題；複雜如神經網絡，機器學習過程和預測結果的準確來源於它繁複的結構。
隨著神經網絡模型的不斷髮展，為了得到更精確的結果，這個模型越來越大，從初始的三、五層，變成五十、上百層，加上千萬個樣本、數億個權重，這使人們更難理解機器做出的預測，模型的運行速度也更緩慢。
線性迴歸、邏輯迴歸這些簡單又準確的模型，能夠很好地解決一些基礎的問題。但是隨著數據驅動時代的來臨，龐大的數據量要求我們使用更復雜的模型去囊括數據呈現的各種情況。但複雜的機器學習模型就像一個“黑匣子”，我們將數據送進去，它把結果輸出來，那盒子中發生了什麼呢？
最近一段時間，業內人士都在強調聯邦學習在數據隱私方面的重大意義，那麼它是如何在不共享隱私數據的情況下，進行協同的訓練？聯邦學習不用匯聚模型訓練所需的數據進行集中計算，而是分散機器學習的計算到參與各方的數據庫上進行加密的分佈式計算。為了協調各個分佈式計算的節點，梯度相關數據需要被傳遞，這就需要對梯度相關數據進行隱私保護，防止原始數據被反向推算出來。整個模型訓練過程自始自終、沒有任何原始數據和原始數據的加密 / 脫敏數據被傳輸，從而保護了數據擁有者各自的隱私。
為了更好地使聯邦學習具備可解釋性，陳為教授提出面向可解釋聯邦學習的可視化。
面向聯邦學習的可視化流程
可視化過程可加入交互功能，使得算法與輸入數據可視化的同時，讓參與方進行拖拽式的互動以便更好地瞭解整個訓練流程。
舉例說明其中一個數據輸入與輸出的環節，如下圖所示，可視化結果可作為中間數據更好地訓練的同時也解決數據量過載的問題。
結語
一圖值千語，隨著人工智能與可視化的更好融合以及對模型內部狀態與機制的深入理解，相信聯邦學習可視化的探索會很快成功落地到平臺服務，從而助力算法研發和業務應用。
--END--
投稿或尋求報道：[email protected]
長按掃描上方二維碼加關注，
為您送上源源不斷的前沿知識！
閱讀更多 聯邦學習 的文章
