크리스탈리스: 진화하는 결정화와 의미적 앵커링을 통한 협조적 다중 관점 시각화 생성

협조적 다중 관점 시각화 생성의 어려움

대규모 언어 모델(LLM)들은 개별 그래프를 생성할 수 있지만, 데이터 흐름을 공유하고 상호 작용하는 여러 시각화의 협조적 다중 관점 시각화(CMV)는 아직도 도달하기 어렵다. 이는 데이터 변환, 시각화 인코딩 및 상호 작용 조정 간의 밀접한 field-level 결합으로 인해 하나의 구성 요소의 오류가 다른 구성 요소의 유효성을 무효화시킬 수 있기 때문이다. 대규모 언어 모델(LLM)과 도메인 지식 및 사용자 전문성을 결합하여 종단 간 분석 성능을 추구하는 대신, 우리는 대규모 언어 모델(LLM)이 구조적으로 정확한 CMV를 신뢰성 있게 생성할 수 있는지, 그리고 이것이 가능한 추상화가 무엇인지에 대한 기초적인 질문에 목표를 두었다. 이를 위해 Crystalis라는 프레임워크를 제시하였다. Crystalis는 쿼리 중심의 CMV 모델링을 기반으로 하며, CMV를 데이터, 시각화, 상호 작용의 세 가지 구성 요소와 세 가지 추상화 수준으로 구성된 의존성 그래프 위에 있는 구조화된 쿼리로 분할한다. Crystalis에서 두 가지 상보적인 기전이 작동한다: 진전하는 핵생성은 의존성 순서에 따라 각 쿼리를 수직적으로 requirement에서 object로 크리스탈화시킨다. 반면, 의미적 앵커링은 각 수준에서 쿼리의 수평적 일관성을 강제하기 위해 레이어드 논리적 체크를 통해 작동한다. 이러한 메커니즘은 Crystalis가 구조적으로 정확한 CMV를 신뢰성 있게 생성할 수 있도록 한다.

성능 평가 및 사용자 연구

Crystalis의 성능은 5개의 선두적인 대규모 언어 모델(LLM)로 구성된 12개의 작업 벤치마크에서 평가되었다. 평가 결과, Crystalis는 종단 간 성공률 75%를 달성하였으며, 동일한 기초 모델에 대한 에이전트 코딩 기준선보다 상당히 우수한 성능을 나타냈다. 또한, 12명의 전문가가 참여한 사용자 연구는 Crystalis의 분해 및 반복적인 개선 워크플로의 사용 가능성을 확인하였다. 이러한 결과는 Crystalis가 협조적 다중 관점 시각화 생성을 위한 효과적인 프레임워크임을 시사한다.