Wizualizacja mierników sztucznej inteligencji

1) Co to jest obrazowanie AI

1. wybór odpowiedniego typu i osi wykresu

2. podświetlenie wzorców/anomalii/złamań trendu,

3. sformułować tekst objaśniający (wgląd/narracja),

4. sugerują działania (następne najlepsze działanie),

5. dostosowanie widoku do kontekstu użytkownika i urządzenia.

Celem jest skrócenie ścieżki od pytania do odpowiedzi: mniej ręcznego doboru wykresu, więcej możliwych do zweryfikowania znaczeń.

2) Architektura w dłoni

1. Warstwa semantyczna: jednolite definicje mierników/wymiarów (słownik, wzory, agregacje, akcesje).
2. NL → Query-Konwertuje naturalne zapytanie językowe do SQL/SPARQL/DSL.
3. Zapytanie → Viz: automatyczny wybór gramatyki graficznej i parametrów (osie, wagi dziennika, kolor/kształt/rozmiar).
4. Silnik wglądu: wykrywanie anomalii, punkty awaryjne, sezonowość, wskazówki przyczynowe; priorytety sygnału.
5. Narracja: generowanie rzeczywistego tekstu w odniesieniu do wartości i przedziałów ufności.
6. RAG: Mieszanie kontekstowe z katalogu danych/konfiguracji (metadane, zasady działalności).
7. Guardrails Policy: prywatność/dostęp/maskowanie, weryfikacja numerów i odniesień.
8. Dostawa: widżety internetowe, karty mobilne, PDF/migawki, haki w CRM/Slack.

3) Gramatyka wykresów i automatycznego wyboru

• Czas → linia/obszar; kategorie (≤ 8) → kolumny/płytki; ranking → bar/leadboard; dystrybucja → histogram/skrzypce/pudełko; scatter/heatmap → korelacje.
• Oś kłód przy wzroście wykładniczym; normalizacja (%) przy ułamkach; małe wielokrotności - gdy istnieje wiele odcinków.
• Wybór kolorów: palety semantyczne do statusów; kolor, zarówno kanał kolejności, jak i kategorii.
• Podpisy mają tylko znaczenie: minimalizujemy „atrament”.

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 → Viz: od pytania do harmonogramu

Zamiar parsowania: metryczne, sekcje, okres, filtry, kruszywa.
Walidacja na warstwie semantycznej: dozwolone tylko pola/wzory.
Po przetworzeniu: wybór mapy według typu pola i kardynalności, automatyczne binning progów/pobieranie próbek.
Opinie: Pokaż SQL/DSL i pobieranie danych (maskowane), aby zbudować zaufanie.

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) Silnik wglądu: Jak generować „znaczenia”

• Anomalie: rozkład STL, ESD/Prophet, BOCPD; kierunek/wielkość/zaufanie etykiety.
• Złamania trendu: test CUSUM/Chow; miejscowych regresji.
• Sezonowość/kampanie: porównanie „holiday vs regular day”, podniesienie do poziomu bazowego.
• Segment kierowcy: Shapley/funkcja znaczenie nad regresją tabelaryczną lub zwiększanie gradientu.
• Przyczyny: wskazanie do jednoczesnych zmian (w obrębie obserwacji) + przypomnienie „to jest korelacja”.

1. wpływ na metrykę biznesową, 2) siłę efektu, 3) nowość, 4) pewność siebie.

6) Pokolenie narracji (tekst)

Wymagania: fakty z liczbami i datami, wskazanie podstawy porównania, dokładność terminów.

7) Dostosowanie kontekstowe (personalizacja)

Role: poziom C - karty i narracje KPI; kierownicy - cięcia i wpisy; analityka - SQL/DSL i parametry modelu.
Urządzenie: kompaktowe sparkliny na telefonie komórkowym, pełne viz na pulpicie.
Geo/język/waluta/strefa czasowa - automatyczna.

8) Wyjaśnienie i zaufanie

Każdy podpis na wykresie jest klikalny → ujawnia obliczenia (wzór, agregacje, filtry).
Wskazujemy niepewność statystyczną (paski zaufania, pręty błędów).
Dla opisów LLM: RAG według metadanych, uzgodnienie liczby według źródła (sprawdzenie ilości/zakresów).
Dziennik zmian: wersja wzorów, zbiorów danych, wykresu.

9) Jakość wizualizacji i SLO

Latency p95 rendering, time-to-first-insight, share of successful NL requests.
Wynik wyjaśnienia (obecność liczb/linków/CI w narracji).
Dokładność NL → SQL (dokładne dopasowanie zapytań referencyjnych).
Dostępność: kontrast, alt-text, klawiatura, tryb ślepoty kolorów.

10) Dostępność (A11y) i wzory UX

Palety kolorów, które nie zależą od percepcji kolorów; powielanie kolor-forma/wzór.
Alternatywy tekstowe i widok tabeli danych obok wykresu.
Pułapki ostrości, rozsądne zamówienie zakładki; skalowanie bez łamania osi.

11) Bezpieczeństwo i prywatność

RLS/CLS na żądanie i poziom danych narzędzi.
Maskowanie/bining dla rzadkich kategorii w celu uniknięcia ponownej identyfikacji.
Dzienniki pytań NL - PD Safe: Tokenizacja/przegląd potencjalnych PIIs.
Eksportuj zrzuty ekranu/CSV - ze znakiem wodnym i metadanymi wersji.

12) Ekonomia i koszty

Świadomość kosztów: płytki/wyniki buforowania, zmaterializowanie „gorących” sklepów, pobieranie próbek do podglądów.
Ograniczenie „ciężkich” żądań NL (czapki skanowania), opóźnione renderowanie dla dużych serii.
Tanie modele do podstawowego wykrywania + ciężkie oceny offline w nocy.

13) Antypattery

"Auto Chart zawsze ma rację. "Potrzebna jest walidacja typów/kardynalności/logika metryczna.
Za dużo atramentu. Złożone 3D/dual-axis bez potrzeby → zniekształcenia.
Bez niepewności. Teksty brzmią „kategorycznie”, ale wprowadzają w błąd.
NL → SQL bez warstwy semantycznej. Błędy kruchości i agregacji.
Magiczne spostrzeżenia bez odniesienia do liczb. Nieufność i porzucenie instrumentu.

14) Plan działania w zakresie wdrażania

1. Fundament: warstwa semantyczna, słownik mierników, akcesje (RLS/CLS), zestawy testowe NL → SQL.
2. MVP NL → Viz: top 10 pytań, gramatyka, walidacja typu/kardynalności.
3. Insight Engine: anomalie/breakpointy, priorytety, podstawowe narracje z CI.
4. RAG & Trust: connect metadane/formuły, logowanie dowodów w interfejsie użytkownika.
5. A11y i mobilne: karty adaptacyjne, teksty alt, kontrast/klawiatura.
6. FinOps: bufory/materializacje, limity skanowania, profile obciążenia.
7. Skala: personalizacja według roli, szablony NLG scenariusza, integracje/wpisy CRM.

15) Lista kontrolna przed zwolnieniem

• Metryki i wymiary opisano w warstwie semantycznej; WYBIERZ nie jest dozwolone.
• Zaznaczenie mapy automatycznej jest zatwierdzane według typu/kardynalności/zasad.
• Narracje zawierają liczby, porównania, podstawy i zakres ufności.
• Uwzględniono pręty błędów (w stosownych przypadkach).
• NL → SQL/DSL przechodzi wartości odniesienia; wyświetl SQL dla użytkownika.
• RLS/CLS i maskowanie pracy w tooltips/eksport.
• A11y: kontrast, teksty alt, nawigacja kart, tryb ślepoty kolorów.
• Skonfigurowane limity pamięci podręcznej/materializacji/skanowania; SLO/panele kosztowe zebrane.
• Dzienniki wersji formuły/wykresu; przycisk „narzekać na wgląd”.

16) Mini szablony

16. 1 Polityka harmonogramu automatycznego dopasowania

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 Karta wglądu

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 Przykład NL → SQL w interfejsie użytkownika (podświetlany)

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 Zestaw testowy dla NL → Viz

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

17) Sedno sprawy

Wizualizacja AI metryki nie jest „sprytne zdjęcia”, a poprzez proces: warstwa semantyczna → NL → Zapytanie → Zapytanie → Viz → Silnik wglądu → wyjaśnione narracje → działania i kontrola zaufania. Dzięki odpowiednim barierom (prywatność, sprawdzanie numerów, niepewność, A11y, FinOps), przekształca raportowanie w rozwiązania operacyjne, przyspiesza analizę i podnosi kulturę pracy z danymi w całej organizacji.