Visualisering för förståelse och utveckling av maskininlärning

Nya verktyg för design och analys av arkitektur på hög nivå är därför en av de större utmaningarna vid utvecklingen av nästa generations algoritmer för maskininlärning.

I detta projekt utvecklar vi interaktiva visualiseringsmetoder som gör både inlärningsprocessen och lösningen effektivare för både utvecklare och användare. Genom att använda djupinlärning inom datorseende som ett första exempel, tar vi ett helhetsgrepp med syfte att undersöka olika metoder att på samma gång visualisera data som ska läras in, nätverksstrukturer och uppnådda resultat.

Systemet kombinerar både nya och traditionella metoder för visualisering med de senaste metoderna som tagits fram specifikt för maskininlärning, vilket innebär att vi anpassar systemet för behoven hos både utvecklare och systemarkitekter.

Informerade val för utvecklare

För utvecklare är visualiseringarna integrerade i en miljö där verktyg finns för att analysera såväl funktionen som kvaliteten på den data som används för inlärning, liksom även för analys av systemets prestanda. Intuitiva visuella modeller ger utvecklaren möjlighet till informerade val av såväl hur data ska samlas in som hur arkitekturen ska skapas. En annan utmaning är att analysera och kvantifiera skillnader mellan olika domäner, framför allt när inlärningsdata och valideringsdata kommer från olika håll.

För systemarkitekter fungerar verktyget som ett visuellt analys- och felsökningsverktyg för design av arkitektur och system. I vårt system integrerar vi också en utvecklingsmiljö med gränssnitt mot visuella felsökningsverktyg för maskininlärningsbibliotek som TensorFlow.