Revisites automatisées de visualisations avec les LLM

Créer un bon graphique qui transmet fidèlement et efficacement le message souhaité au public est à la fois un art et une science, généralement non enseignés dans le cursus de la science des données. Les revisites de visualisations sont des exercices où la communauté échange des feedbacks pour améliorer les graphiques et les visualisations de données. Les modèles de langage large multimodaux (LLM) peuvent-ils émuler cette tâche ? Étant donné un tracé sous forme de fichier image, ou le code utilisé pour le générer, un LLM, entraîné avec une liste de meilleures pratiques de visualisation, est employé pour générer semi-automatiquement des critiques constructives afin de produire un meilleur graphique. Notre système est centré sur l’ingénierie de prompts d’un modèle pré-entraîné, s’appuyant sur une combinaison de directives spécifiées par l’utilisateur et de toute connaissance latente des pratiques de visualisation de données pouvant se trouver dans le corpus d’entraînement du LLM. Contrairement à d’autres travaux, l’objectif n’est pas de générer des scripts de visualisation valides à partir de données brutes ou de prompts, mais d’éduquer l’utilisateur sur la façon d’améliorer ses visualisations existantes conformément à une interprétation des meilleures pratiques. Une évaluation quantitative est réalisée pour mesurer la sensibilité de l’agent LLM aux différents problèmes de tracés selon les types de graphiques. Nous mettons l’outil à disposition sous forme d’une applet simple auto-hébergée avec une interface Web accessible.