Des guides concrets pour transformer un site en outil vraiment utile.

Auteurs indexés : Vasile Ciorna. Source : tel-05585299, version 1.

Avec l’accélération des percées technologiques au cours des dernières décennies, de plus en plus de moyens sont disponibles pour soutenir les entreprises dans leurs développements de produits. Bien que cela ne soit pas nouveau, on observe récemment une nette augmentation de l’utilisation de modèles d’apprentissage automatique au sein des entreprises. Cependant, la manière dont ces modèles sont utilisés influence considérablement l’équilibre risque-récompense ainsi que leur adoption. Ce projet présente des réflexions sur la conception de visualisations visant à soutenir efficacement l’utilisation des méthodes d’apprentissage automatique dans le cadre de la conception de produits. Nous identifions l’explicabilité des modèles et la création rapide de scénarios hypothétiques comme des piliers centraux pour l’utilisation et l’adoption de ces modèles. Ces enseignements ont été intégrés dans deux nouvelles applications de visualisation. Tout d’abord, Interact offre du support pour comprendre un modèle et valider ses mécanismes internes grâce à l’utilisation d’interactions statistiques. Il agit comme un outil “What-If” innovateur pour des modèles de régression. L’évaluation de cet outil auprès d’experts de l’industrie des pneumatiques a révélé que la conception des widgets graphiques de l’interface utilisateur était essentielle pour une utilisation efficiente. Plus précisément, l’anticipation des résultats et les indices de navigation ont été appréciés par nos évaluateurs. En conséquence, la littérature en visualisation a été examinée pour trouver des travaux incluant des widgets graphiques qui peuvent aider dans des flux de travail incluant ce type de modèles. Un navigateur en ligne permettant d’explorer ces travaux est mis à disposition. De plus, une étude de “crowdsourcing” a été réalisée pour comparer les courbes et les champs de couleur en tant que visualisation attachée à ces widgets pour les contextes à entrées multiples et à sorties multiples. Les courbes ont montré de meilleures performances par rapport aux champs de couleur pour les utilisateurs novices. Le deuxième outil, VisDM, s’appuie sur les expériences précédentes telles que le développement de Interact et se concentre sur les entrées multiples et les sorties multiples, avec un accent particulier sur la prise de décision dans la conception de produits. L’outil permet d’utiliser simultanément jusqu’à 7 modèles qui travaillent ensemble. Des widgets sophistiqués permettent d’anticiper efficacement les actions. Des méthodes de prise de décision multicritères facilitent le choix entre plusieurs alternatives concurrentes.

Auteurs indexés : Vasile Ciorna. Source : tel-05585299, version 1.

With the acceleration of technical breakthroughs in the past decades, more and more technical means are available to support companies in their product developments. While not new, lately, there is a clear expansion in the utilization of machine learning models within the internal processes of companies. However, the way these models are utilized is influencing the risk-reward balance as well as their adoption significantly. This project reports reflections on the design of visualizations to support effectively the utilization of machine learning methods in the frame of product design. We identify model explainability and rapid what-if scenario creation as central pillars for utilization and adoption. These learnings were integrated into two new visualization applications. Firstly, Interact is a novel What-If tool for regression models and an explainable artificial intelligence method. The tool provides single-model support to test and understand a model, validate its mechanisms through the utilization of statistical interactions, and anticipate on actions. The evaluation of this tool with experts from the tire industry revealed that the design of the user interface widgets was key for its effective utilization. More precisely, feedforward information and navigation cues were appreciated by our evaluators. Interact includes simple widgets that convey such information. However, our users requested, in addition, new capabilities for multi-model support. This new direction called for a more in-depth analysis of prior work on how to design and use navigation cues and embedded visualizations to convey feedforward information. Accordingly, we surveyed the visualization literature for work including “scented” or sophisticated widgets. An online browser allowing exploration of relevant work comprising “scented widgets” is made available. This literature survey allowed to identify a research opportunity related to suitable visualizations for multi-models or tradeoff contexts. Respectively, we conducted a crowdsourcing experiment to compare line charts and colorfields as effective cues for multi-inputs, multi-outputs contexts. Line charts showed better performance compared to colorfields for novice users. Secondly, VisDM, builds on previous experiences such as the development of Interact and focuses on multi-inputs, multi-outputs with a specific emphasis on decision-making in product design. The tool allows using simultaneously up to 7 models that work together to assess tradeoffs. Scented widgets allow anticipating on actions effectively, and Multi Criteria Decision Making methods allow deciding on competing alternatives.