AI-տեսողական մետրը

1) Ի՞ նչ է AI-վիզուալիզացիան

Metric AI-վիզուալիզացիան ստանդարտ է, որտեղ մոդելները (ML/LLM) ինքնաբերաբար

1. ընտրում են գրաֆիկի և առանցքի տեղային տեսակը,

2. փամփուշտներ/անոմալիաներ/տենդենցային կոտրվածքներ,

3. ձևակերպում են բացատրական տեքստը (insight/narrative),

4. առաջարկում են գործողություններ (Next Best Action),

5. ձևերը հարմարեցնում են օգտագործողի համատեքստին և սարքին։

Նպատակն է նվազեցնել ճանապարհը խնդրից մինչև պատասխանը 'չարտերի ձեռքով ընտրելը, ավելի շատ ստուգողական իմաստ։

2) Լադոնի ճարտարապետությունը

1. Semantic Layer-ը մետրիկ/105-ի միասնական սահմանումներ է (գլոսարիա, բանաձևեր, ագրեգացիա, հասանելի)։

2. NL www.Query-ը բնական լեզվի հարցման փոխակերպումն է SQL/SPARQL/DSL-ում։

3. Query no Viz 'գրաֆիկայի և պարամետրերի քերականության մեքենան (առանցքներ, լոգ մասշտաբներ, գույնը/shape/size)։

4. Insight Engine 'անոմալիաների դետեկտիվ, breakpoinae, seasonality, causal hinae; ազդանշանների առաջնահերթությունները։

5. Narrative: Փաստարկային տեքստի արտադրությունը 'հղում արժեքներին և վստահելի ընդմիջումներին։

6. RAG 'ենթատեքստի խառնուրդ տվյալների/միգրացիայից (մետատվյալներ, բիզնես կանոնները)։

7. Policy Guardrails: Գաղտնիություն/հասանելիություն/դիմակավորում, թվերի և հղումների ստուգում։

8. Systivery: Վեբ-տեսակներ, բջջային քարտեր, PDF/դիպուկահարներ, webhooks CRM/Slack-ում։

3) Գրաֆիկների քերականությունը և մեքենայի ընտրությունը

Սկզբունքները

Ժամանակը ռուսական գիծ/area; կատեգորիաներ (388) ռուսական սյունակներ/սալիկներ; վիրավորում բար/առաջնորդություն; digistragma/violin/bert բաշխումը; հարաբերակցությունը scatter/heatmap է։

Լոգ-առանցքը էքսպոնենցիալ աճի ժամանակ։ նորմալացում (%) միասին; small multiples, երբ շարքը շատ է։

Գույնի ընտրություն 'ստատուսների համար սեմանտիկ պալիտրա; գույնը միաժամանակ նշվում է կարգի և կատեգորիաների ալիքով։

Ստորագրությունները միայն որտեղ իմաստ ունեն 'նվազագույնի հասցնել «թանաքը»։

ChartSpec (կեղծ-Vega-Lite)

yaml chart:
mark: line encoding:
x: {field: dt, type: temporal, timeUnit: day}
y: {field: ggr, type: quantitative, aggregate: sum}
color: {field: region, type: nominal, legend: top, limit: 6}
transforms:
- filter: "dt >= now()-90d"
- calculate: {expr: "rolling_mean(ggr,7)", as: "ggr_7d"}
annotations:
- rule: {type: "changepoint", method: "cusum"}
- band: {type: "confidence", metric: "ggr", level: 0.9}
interactions: {tooltip: true, zoom: "x", brush: "x"}

4) NL no Viz 'հարցից մինչև գրաֆիկա

Մտադրությունների պարսինգը 'մետրիկ, կտրվածքներ, ժամանակահատվածներ, ֆիլտրեր, ագրեգատներ։

Վալիդացիան սեմանտիկ շերտի վրա 'միայն թույլատրված դաշտեր/բանաձևեր։

Փոստի պրոցեսինգ 'աղյուսակի ընտրությունը դաշտերի և կարդինալության տեսակների, բինինգի/սեմպլինգի մեքենայի շեմն է։

Հետադարձ կապը 'ցույց տալ SQL/DSL և տվյալների դաունլոադ (դիմահարդարման հետ), որպեսզի ապահովեն վստահությունը։

DSL հարցման օրինակ

yaml ask: "Покажи GGR по странам за 90 дней, выдели резкие изменения"
metric: ggr dims: [country, dt]
filters: {dt: "last_90d"}
viz_hint: "line + changepoints"

5) Insight Engine: Ինչպես վերացնել «իմաստները»

Ազդանշաններ

Անոմալիա ՝ STL դեկոմոզիա, ESD/Prophet, BOCPD; նշում ենք ուղղությունը/արժեքը/վստահությունը։

Միտման կոտրվածքներ ՝ CUSUM/Chow test; տեղական ռեգրեսիա։

Սեզոնայնությունը/քարոզարշավը 'համեմատել «արձակուրդը սովորական օր», uplift-ը դեպի Baisline։

Սեգմենտներ ՝ Shapley/feature imult.ru պլաստիկ ռեգրեսիայի կամ գրադիենտ բուստինգի վերևում։

Պատճառահետևանքային հուշումներ 'զուգահեռ փոփոխությունների նշումը (դիտարկման շրջանակներում) + հիշեցումը «սա հարաբերակցություն է»։

Ինսայթ առաջնահերթությունները

1. ազդեցություն բիզնեսի մետրիկայի վրա, 2) ազդեցության ուժը, 3) նոր, 4) վստահություն։

6) Նարրատիվի գեներացիան (տեքստ)

Պահանջները ՝ թվերի և ամսաթվերի փաստերը, համեմատության հիմքը, տերմինների ճշգրտությունը։

Ձևանմուշներ

💡 > GGR մեծացել է + 12։ 4% w/w (p95 CI: +9. 8…+14. 7) TR-ում Promo-X 2025-10-12 քարոզարշավի մեկնարկից հետո։ Հիմնական ներդրումը 'Sports + 18 տոկոսը, Slots + 7 տոկոսը։ Հնարավոր պատճառը բջջային (Android, + 11 տոկոսը) ավելացումն է։ Սա դիտարկումն է, ոչ պատճառահետևանքային ապացույց"։

7) Հարմարեցում ենթատեքստին (անհատականացում)

Դերերը ՝ C-level - KPI քարտեր և նարրատիվներ; ղեկավարներ 'կտրվածքներ և ալերտներ; Վերլուծաբանները SQL/DSL և մոդելների պարամետրեր են։

Սարքը 'կոմպակտ sparklines metille, fultviz-ի վրա։

Գեո/լեզուն/արժույթը/ժամացույցի գոտին ինքնաբերաբար է։

8) Բացատրություն և վստահություն

Կլիկաբելնի գրաֆիկի վրա յուրաքանչյուր ստորագրություն բացահայտում է հաշվարկը (բանաձևը, ագրեգացիան, ֆիլտրերը)։

Մենք նշում ենք վիճակագրական անորոշությունը (վստահության շերտեր, error bars)։

LLM-նկարագրությունների համար ՝ RAG մետատվյալով, թվերի իջեցումը աղբյուրով (գումարների/միջակայքերի ստուգում)։

Փոփոխությունների լոգ 'բանաձևերի, դանիացիների, աղյուսակի տարբերակը։

9) Որակը և SLO-ի տեսողությունները

Latency p95 rendering, Time-first-insight, հաջողակ NL հարցումների մասը։

Intainability score (թվերի/հղումների/CI-ի առկայությունը նարրատիվում)։

Accuracy NL→SQL (ex. exact-match ստանդարտ պահանջների վրա)։

Accessibility: հակադրություն, alt-տեքստ, ստեղնաշար, դալոնիզմի ռեժիմ։

10) Հասանելիությունը (A11y) և UX-patternes

Գունավոր պալիտրա, որոնք կախված չեն գույնի ընկալումից։ կրկնօրինակումը ձևի/պաթերի է։

Տեքստային այլընտրանքները և ստանդարտ-table-ը տեղադրված են գրաֆիկի մոտ։

Ֆոկուս թակարդներ, խելացի ընթացակարգ; մասշտաբը առանց օսերի կոտրելու։

11) Անվտանգությունն ու գաղտնիությունը

RSA/CLS-ը հարցումների և տվյալների մակարդակում։

Masking/bining հազվագյուտ կատեգորիաների համար, որպեսզի խուսափի re-identifae-ից։

NL-հարցերի ամսագրերը 'PDN-սեյֆը' պոտենցիալ PII։

Սկրինշոտների/CSV արտահանումը երկրորդային նշանով և մետատվական տարբերակներով։

12) Տնտեսագիտություն և արժեք

Cost-a.ru: Թայլերի/արդյունքների փոխանակում, «տաք» վիտրինի նյութափոխանակություն, sempling վերափոխման համար։

«Ծանր» NL հարցումների սահմանափակումը (scan caps), հետաձգված ռենդերը մեծ շարքերի համար։

Դետեկտիվացման համար էժան մոդելները + գիշերային գնահատման ծանր պարամետրերը։

13) Անտիպատերնի

«Avto-աղյուսակը միշտ ճիշտ է»։ Անհրաժեշտ է բարձրացնել տեսակը/կարդինալիզմը/տրամաբանությունը։

Too much ink. Բարդ 3D/dom-axis առանց պահանջարկի։

Առանց անորոշության նշելու։ Տեքստերը հնչում են «կատեգորիկ», բայց մոլորեցնում են։

NL-ը SQL-ն առանց սեմանտիկ շերտի։ Փխրունությունն ու համախմբման սխալները։

Կախարդական ինսայթ առանց թվերի։ Անվստահություն և գործիքից հրաժարվելը։

14) Ճանապարհային քարտեզը

1. Foundation: սեմանտիկ շերտ, գլոսարիում, հասանելի (RSA/CLS), NL no SQL-ի թեստային հավաքածուներ։

2. MVP NL-ը Viz-ն է 'առաջին 10 հարցերը, ավտո-աղյուսակը քերականության մեջ, տեսակների/կարդինալիզմի վալիդացիան։

3. Insight Engine: անոմալիաներ/breakpoinae, առաջնահերթություններ, CI-ի հիմնական նարատիվներ։

4. RAG & Trust: միացնել մետատվյալներ/բանաձևերը, UI-ի ապացույցների ամսագիրը։

5. A1y և Altail 'հարմարվողական քարտեր, alt տեքստեր, հակադրություն/ստեղնաշար։

6. FinOps: kashi/նյութափոխանակություն, սկանների լիմիտներ, բեռի ավելցուկ։

7. Scale 'կերպարը դերերով, NLG ձևանմուշները, որոնք տեղադրված են CRM/նախազգուշացման մեջ։

15) Չեկի թուղթը նախքան թողարկումը

Մետրիկները և չափումները նկարագրված են սեմանտիկ շերտում։ RF-ն արգելված է։
Աղյուսակի Avto-ընտրությունը վալիդացվում է տեսակների/արմատների/կանոնների համաձայն։
Նարրատիվները պարունակում են թվեր, համեմատություններ, բազիս և վստահելի միջակայք։
Ներառված են անորոշության/error-bars շերտերը (որտեղ կիրառելի է)։
NL no SQL/DSL-ն անցնում է ստանդարտ թեստեր; տեսանելի է SQL դիտելը օգտագործողի համար։
RFC/CLS-ը և դիմակավորումը աշխատում են tooltips/winds-ում։
A1y: հակադրություն, alt-տեքստեր, միգրացիա, դալոնիզմի ռեժիմ։
Քաշ/նյութափոխանակություն/սկանների լիմիտներ տրամադրված են. SLO/արժեքները հավաքվում են։
Բանաձևի/գծապատկերների տարբերակների լոգները. կոճակը «բողոքել ինսայթ»։

16) Մինի ձևանմուշները

16. 1 Մեքենան ընտրելու քաղաքականություն

yaml auto_chart_policy:
time_series: ["line","area"]
categories_max: 8 distribution: ["histogram","boxplot"]
correlation: ["scatter","heatmap"]
choose_log_scale_if: growth_rate>0.15/week small_multiples_if: series_count>6

16. 2 Ինսայթ քարտ

yaml insight:
id: "ggr_tr_spike_2025_10_12"
metric: ggr segment: {country: "TR", device: "Android"}
change: {type: "wow", delta_pct: 12.4, ci95: [9.8,14.7]}
drivers: ["Sports +18%", "Slots +7%"]
confidence: 0.86 actions: ["увеличить лимит кампании TR Android на 10%"]
disclaimer: "наблюдение, не доказанная причинность"

16. 3 Օրինակ NL-ը SQL-ն UI-ում (լուսավորությամբ)

sql
-- Вопрос: "Как менялся ARPPU по устройствам за 30 дней?"
select dt::date as dt, device_os, avg(revenue_per_payer) as arppu from mart_daily_player where dt >= current_date - interval '30 day'
group by 1,2 order by 1,2;

16. 4 Թեստային հավաքածու NL no Viz

yaml tests:
- ask: "Покажи распределение депозитов за неделю"
expect:
chart: "histogram"
binning: true field: "deposit_amount"

17) Արդյունքը

AI-վիզուալիզացիան ոչ թե «խելացի նկարներ» է, այլ ընթացքի միջով 'NL/Query Insight Insight Insightine-ի սերմական շերտը։ Ճիշտ պահակախմբերի դեպքում (գաղտնիությունը, թվերի ստուգումը, անորոշությունը, A1y, FinOps) այն վերածում է հաշվետվությունները վիրահատական լուծումների, արագացնում է վերլուծությունը և բարձրացնում է տվյալների մշակույթը ամբողջ կազմակերպությունում։