Methoden des maschinellen Lernens sind leistungsstark, aber schwer zu verstehen, insbesondere wenn sie als Teil ihres Trainingsprozesses oder bei der Verwendung als autonome Agenten ein komplexes zeitliches Verhalten zeigen. Wissenschaftler Shivam Agarwal hat zusammen mit Kollegen zwei neue interaktive Visualisierungsansätze entwickelt, die das komplexe Verhalten auf dem Bildschirm buchstäblich ausrollen und lesbar machen, was sich im Laufe der Zeit abspielt.

Der erste Visualisierungsansatz stellt das Verhalten von künstlichen Agenten beim Spielen eines Computerspiels dar. Das untersuchte spezifische Spiel ist eine Variante des traditionellen Bomberman-Spiels, bei dem die Spieler Bomben auf ein Brett legen und versuchen, sich gegenseitig zu eliminieren. Da Bombenlegestrategien analysiert werden, um ein besseres Verständnis der Erfolgsfaktoren zu erhalten, wird der Ansatz "Bombalytics" genannt. Er wurde bereits in Wettbewerben unter Forschern eingesetzt, um den besten künstlichen Agenten zu entwickeln.

Die zweite Visualisierungstechnik kann zeigen, wie eine automatische Methode immer besser lernt, Bilddaten in verschiedene Kategorien zu klassifizieren. Sich während dieses Trainingsprozesses ändernde Klassifikationen werden als visuelle Ströme dargestellt, die zwischen den Kategorien fließen. Der als "Set Streams" bezeichnete Ansatz unterstützt auch andere Szenarien und ist anwendbar auf alle Arten von sich überlappenden Kategorien, die sich im Laufe der Zeit verändern.

Beide Ansätze wurden kürzlich auf der EuroVis 2020 vorgestellt und werden als zwei unabhängige Artikel in dem internationalen Journal Computer Graphics Forum erscheinen. Die Konferenz sollte ursprünglich in Norrköping, Schweden, stattfinden, musste aber - wie aktuell andere Konferenzen auch - als eine virtuelle Veranstaltung mit interaktiven Live-Video-Streaming-Sessions durchgeführt werden.