Exploration interactive et intelligente des données

Interactive & Intelligent Data Exploration

• Auteur / Autrice : Antonios Mandamadiotis
• Direction : Sihem Amer-yahia, Georgia Koutrika
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble

Mots clés

Mots clés libres

Exploration de données

Apprentissage automatique

Apprentissage en ligne

Data Exploration

Machine Learning

Online Learning

Résumé

L'analyse exploratoire des données (EDA) est un processus critique et chronophage qui oblige les utilisateurs à étudier les données afin de détecter des modèles, des anomalies et de préparer les données pour les modèles d'apprentissage automatique (ML). L'automatisation de ce processus est un problème encore plus difficile pour diverses raisons. Nous envisageons des outils alimentés par l'IA qui permettent un dialogue guidé et interactif avec l'utilisateur pour aider les utilisateurs à découvrir rapidement des parties de données ou des informations d'intérêt. Nous considérons ce processus lié par une communication bidirectionnelle où : (a) un système intelligent découvre et recommande des données/informations intéressantes, adaptées aux besoins de l'utilisateur, et (b) l'utilisateur interagit avec le système, fournissant des commentaires qui guident l'exploration traiter. Notre objectif est d'étudier les défis qui découlent de ce paradigme d'exploration, de développer de nouvelles techniques interactives d'exploration de données qui allient efficience et efficacité, de développer des méthodologies pour l'évaluation de tels systèmes et d'évaluer systématiquement nos algorithmes et systèmes en utilisant différentes données et cas d'utilisation.

Exploratory Data Analysis (EDA) is a critical and time consuming process that requires users to investigate data in order to detect patterns, anomalies and prepare data for machine learning (ML) models. Automating this process is an even harder problem for various reasons. We are envisioning AI-powered tools that enable a guided, interactive dialogue with the user to help users quickly discover data parts or insights of interest. We consider this process bound by a two-way communication where: (a) an intelligent system discovers and recommends interesting data/insights, tailored to the user's needs, and (b) the user interacts with the system, providing feedback that guides the exploration process. Our goal is to study the challenges that arise from this exploration paradigm, develop new interactive data exploration techniques that combine efficiency with effectiveness, develop methodologies for the evaluation of such systems, and systematically evaluate our algorithms and systems using different data and use cases.