Visual analytics

I inledningen i kapitel 1 definierar vi visuell dataanalys (VA) som vetenskapen om att stödja mänskligt tänkande och situationsuppfattning med hjälp av visuella representationer där interaktion är en viktig del av analysprocessen. Dessutom noterar vi att VA är en vetenskap som är i gränslandet mellan beteendevetenskaper och datavetenskap. Vi betonar att VA är beroende av människor för att uppnå integrerad kunskap, för upptäckter och insikter. Den kreativa process som stöds av visualiseringar är normalt inte automatisk utan förlitar sig på mänsklig förståelse, upptäckter och insikter. Det behövs därför träning i att tolka representationer och använda visualiseringsverktyg för att uppnå insikter och situationsförståelse. Målgruppen för denna rapport är FOI-forskare som behöver veta mer om visualisering. Visualiseringsverktyg och visuella representationer är i många fall djupt rotade i arbetsprocesser i organisationen och har utvecklats organiskt när människor lär sig att använda VA-verktyg för att utföra och kommunicera sitt arbete. Nya medarbetare behöver utbildning i att förstå och använda de visualiseringar som används i organisationen. Metoderna för visuell dataanalys kan användas för, men är inte beroende av, de stora samlingar av data i vissa organisationer och företag som stereotypt benämns "Big Data". Kapitel 2 undersöker de senaste tre årens utveckling inom visuella representationer och interaktionstekniker. Det visar att kända riktlinjer från de mest ärevördiga experterna i visuell dataanalys inte alltid vilar på vetenskaplig grund och i minst ett rapporterat fall står i konflikt med den senaste psykologiska forskningen. Kapitel 3 handlar om interaktiv visualisering av flerdimensionella data. Många tillämpningar lider av "dimensionsförbannelsen", vilket innebär att antalet alternativ att presentera visuellt är överväldigande stort. Detta är oftast på grund av en så kallad "kombinatorisk explosion", där varje nytt ja- eller nej-alternativ som läggs till beslutsutrymmet fördubblar antalet beslutsvägar att analysera. Kapitel 3 presenterar två huvudsakliga metoder för att hantera detta i visualisering: 1) behandla alla dimensioner lika i syfte att utforska beslutsrymden utan förutfattade meningar, och 2) att minska antalet dimensioner genom att tillämpa matematiska metoder såsom exempelvis principalkomponentanalys (PCA) i syfte att göra viktiga val synliga bland röran av alternativ. För vart och ett av dessa metodologiska grenar granskas flera olika VA-metoder. I många ledningssituationer inom affärsvärlden, produktion, logistik och militärväsendet kämpar ledare med att hantera ett mycket stort antal alternativ. Det är ofta svårt att göra en fullständig uppsättning handlingsalternativ begripliga för ledare under sådana omständigheter. Helst bör visuella representationer användas för att orientera chefen i den täta undervegetationen av handlingsmöjligheter och möjliga utfall. Kapitel 4 handlar om hur man löser denna typ av problem genom visuell dataanalys och vi finner att forskarsamhället har lagt liten vikt vid denna problemtyp. Trots detta definieras i kapitel 4 problemet med att visuellt representera flera alternativ och pekar på möjliga lösningar och forskningsinriktningar. Data fångas från interaktion i användargränssnitt, genereras av simuleringar eller genom mätningar och är därför aldrig en exakt bild av verkligheten. Data är osäkra på grund av användarfel, orealistiska simuleringsmodeller och mätfel. Denna osäkerhet skulle kunna göra visuella representationer av data vilseledande. Kapitel 5 behandlar osäkerhet i VA med fokus på visualisering av osäkerhet och de metoder vi behöver för att göra användaren medveten om osäkerheter i underliggande data - och i de visuella representationerna. Problemet är att osäkerheten är en extra dimension att visualisera i de uppgifter som ofta redan är tyngda av flerdimensionella data, så som beskrivs i kapitel 3. Vi går härefter mer i detalj in på ett illustrativt exempel på en praktisk tillämpning av VA. Numerisk strömningsmekanik (CFD) är en grundläggande fysikalisk vetenskap som är viktig i processer så som fordonskonstruktion, konstruktion av jetmotorer eller fartygsskrov. Strömningsmekanik är också avgörande för många försvars- och säkerhetstillämpningar, inklusive förståelse för spridning av farliga ämnen och för undervattenstillämpningar. Kapitel 6 handlar om hur visuell dataanalys används i verksamhet baserad på CFD och visar därmed hur VA fungerar i verklig forskning. Det bör påpekas att VA är djupt integrerat i forskarnas arbetsprocess och särskilt i efterbehandlingen där data från en CFD-simulering analyseras och jämförs med experimentella data i syfte att förstå resultatet. Simuleringsresultat visualiseras i syfte att hjälpa forskarna till bättre insikter som kan leda till nya lösningar på det aktuella problemet. Kapitel 6 diskuterar vidare hur många organisationer har utvecklat sina egna visualiseringsverktyg och representationer och nämner hur viktig programvara med öppen källkod ofta är. Författarnas sammanfattande synpunkter på visuell dataanalys finns i kapitel 7, där vi påpekar att intelligens och kreativitet i VA- processen kommer från människor och att teknik så som virtuell verklighet kommer att vara viktig för utvecklingen av VA. Vidare beskriver vi tillämpningar av VA för försvarstillämpningar. I sektion 7.4 visar vi att läsaren med fördel kan betrakta varje kapitel i denna rapport som grönt ektoplasma som väller ut ur högdimensionella sprickor i väggarna i det stolta bygget som är visuell dataanalys.