聚焦信息技术领域 为产业发声

导读

近年，大数据与人工智能的发展如火如荼，可视化作为连接人与数据的桥梁，迎来了又一波荣景。关于可视化，它在国内外的起源有何不同？国内外在可视化研究上的思路与应用又有何不同？未来，可视化与可是分析是否会因人工智能发展逐渐完备而逐渐消失？就此，中国图象图形学学会可视化与可视分析专委会与九州连线联合推出“可视化百人谈”，对可视化领域的内容及成果进行专访，以下为九州连线采访世界知名可视化专家、悉尼大学信息技术学院Peter Eades教授的采访实录（文末附最新观点）：

Peter Eades：悉尼大学信息技术学院荣休教授，于1978年澳大利亚国立大学获得博士学位，以研究图绘制而闻名。

数据应用催生可视化

九州连线：您当初为什么进入可视化领域？

Peter Eades ：我最开始接触可视化是因为有产业需求。当时澳大利亚的两个大公司，其中一个是矿业公司，他们想让我绘制从上到下的公司组织架构图。另一个公司是澳大利亚的TELSTRA公司（澳大利亚电信）。他们想在一张大纸上画一个图，显示通讯过程。希望在这个图里显示出能帮助他们找出规律的信息，帮助下一步决策，启发商业思考。

不过，当时我们接触的可视化更多地是二维的图。现在的学生，他们在做可视化时有非常大的数据，甚至高维数据，在颜色要求、大小比例上更复杂一些。

九州连线：像您之前做可视化是先从应用着手，而现在的学生只能从数据入手。这对现在的学生而言，做可视化似乎变得更困难了。

Peter Eades ：虽然现在的数据量看起来很多，但是那时候并没有能用的工具，可能都是用手画的，一切需要从头开始。而现在的学生可以用很多的工具帮助他们一起完成，做可视化也并没用那么难。

九州连线：您在做可视化过程中有哪些特别有意思的事？

Peter Eades ：有意思的是我认为可以把可视化当做玩具来做，它可以显示在不同的形式上。当时我做的可视化不是显示在手机屏幕上，而是鞋子或者沙发上，这时候会觉得非常有趣。

九州连线：您目前更多地在做图可视化，这不免涉及到可视化工作的评价。如何评价一个可视化工作的好坏？它的评价标准是怎样的？

Peter Eades ：首先从科学的推理角度对可视化进行评价，要考虑可视化对于数据是否真实对应。其次，评价是一个相对比较难的问题，比如在图的绘制里，可以用边交叉的方式进行，对于大的图而言，大家并没有一些公用的标准。所以如何科学地评价标准，是需要我们持续做的事。

国外数据分析以理论驱动为主

九州连线：国内外在做可视化上是否存在一些步骤、程序或者思维上的差异？

Peter Eades ：国内外的差异在于数据驱动和理论驱动。国际上理论驱动的多，而中国数据驱动的多一点，当然这也不是坏事。数据驱动的可以吸引更多工业界的投入，激发人们在应用上的思考。我看到中国的可视化工作不仅有很多高质量工作，也有很多亮点。

九州连线：您认为中国是否需要将可视化当做一个单独的学科？

Peter Eades ：可视化里边包括很多其他的学科，比如数学、算法、计算机图形、艺术等，我个人认为视情况分析。在中国有不少研究组，这些成员来自不同领域，他们在一起工作，比如教授可以号召很多学生一起做研究；但是国外不是这样的，国外很难建设一个跨学科建设的小组。因此，这时候有一个单独的学科更容易进行下一步的研究。

九州连线：谈到可视分析，它和通常的大数据分析有哪些异同？

Peter Eades ：人的因素在可视分析里起到的作用更大，但是在其他的大数据分析里，人的因素很少，因为大数据分析更多的用来统计数据。

人工智能并不能取代可视分析

九州连线：国外企业界对于可视化的接受程度如何？

Peter Eades ：可视化有两种：一种是展现，帮助人们理解东西，从而作为交流的工具；另一种是用可视化探索、发现未知的规律。马云、马化腾、李彦宏等这个大咖都是在互联网当中取得了巨大的成功，同时他们也给大众创业、万众创新这个口号做了一个响应，他们表示做互联网可以给普通人有梦想的人机会，让有梦想的人成功，现在是互联网时代，一台电脑一部手机就可以在家创业，月入六位想成功V我叄澪肆柒壹澪柒肆贰贰或关注“钻石人生园”详解，你做不做这份事业都在那里，你干不干都有人在干，互联网就是现在的主流趋势，未来五年是一个新老交替的五年，很多旧行业可能会消失，但很多新的行业随之出现。。

澳大利亚和西方的企业界很喜欢可视化，尤其是在第二种上表现出极大的兴趣。他们认为从可视化中可以得到很多的东西，但是研究中实际输出的可视化产品还没有完全达到他们的期望，还有很多工作要做。

九州连线：未来随着人工智能或者大数据的逐渐完备，可视化是否还有存在的必要？

Peter Eades ：一方面，人工智能和数据分析已经存在很多年了，但是他们实际上产生的价值总是达不到我们期望的效果。想要让人工智能或者大数据完全替代可视分析，还需要很长时间。

另一方面，如果用人工智能只是想要得到一个结果，那很有可能替代可视分析。但是在大多数情况下，人们想要知道更多的结果，以及是什么原因导致了这样的结果，或者他们背后的一些东西，可视分析在这时候会有很大用处。

Peter Eades：关于《如何衡量可视化的好坏》的几点看法

在第五届中国可视化与可视分析大会（ChinaVis 2018）上，Peter Eades在“面向新时代的可视分析”专题报告中，作了题为《How do you know whether your visualization is correct？》的报告。

图为Peter Eades作大会报告

他提到，以点边图为例，当数据规模小的时候，从可视化布局结果可以得到原始数据的所有信息。而当数据规模变大时，布局往往会有视觉混淆，导致原始数据信息的丢失，因而可视化结果的可信度(faithfulness)下降。

如果一个可视化结果和原始数据是一一映射的关系，或者说可以从可视化结果中完全恢复原有的布局信息，那么这个可视化是可信的。在实际中，为了提高可视化结果的可读性，往往会采用采样、聚合等操作，导致结果的可信度降低。

接下来，Peter Eades教授还介绍了针对大图布局的Shape-based评价指标。该方法在得到图的布局结果后，从中提取节点的位置集合，计算邻近图(Proximity graph)。邻近图可以使用K近邻、平面三角化等方法。最后比较邻近图与原始图拓扑的差异性来反应图布局的质量。

随后Eades教授还在Panel中提到，在当前的可视化研究中，技术的好坏通常通过案例来衡量，这是不充分的。数据通过可视化函数（visualization function）转换为图片，图片又经过感知函数（perception function）被人类所理解。在这一过程中，可视化函数是否对数据进行了准确无误的转换，人类是否准确理解了图片中的信息？

心理学理论和试验可以用来验证人类对图片的理解质量，而对于数据到图片的转换质量，如之前所述，是通过不充分的案例研究来完成的。可视化函数的质量需要通过数学理论和推理来保证。对于某项任务，我们从数据中获取的结论应该和从图片中获取的一致。

紧接着，Eades教授又对可视化要解决的问题做了归纳。他认为，如果一项任务不是NP问题或者反NP问题，使用可视化来传达真实性（communicating truth）或者虚伪性（communicating falsity）是不可行的；如果一项任务是NP问题，那么使用可视化来传达真实性是可行的；如果一项任务是NP完全问题，那么可以使用可视化来传达真实性，但是从数据的可视化表达中确定真相（determining truth）是不可行的；如果一项任务是P问题，那么使用可视化来传达真实性，以及从可视化中确定真相均是可行的。

之后，Eades教授提出一个疑问，可视化中存在“完全”（completeness）的概念吗？如果存在，对于一个没有解决的任务，如果我们可以找到它的可视化解，那么一大类问题都会存在可视化解。最后，Eades教授指出，数学推理或许不是可视化的良方，但它会对可视化的发展大有帮助。

声明：