Vad vi lärde oss på Openvis Conf Paris
Förra veckan reste delar av Datastory-teamet — Daniel, Arek, Jialing och undertecknad —till årets upplaga av Openvis Conf, en konferens om datavisualisering som för första gången lämnade USA och hölls i Paris.
Schemat var fullspäckat med föreläsningar av designers, datajournalister och programmerare i världsklass. Här är några spaningar vi gjorde och länkar som vi på tog med oss från Frankrike.
Daniel Lapidus
Sisi Wei (från ProPublica) talade om “Open Design” under parollen Let others redesign your work — hur gör en organisation för att låta användare remixa och omdesigna upplevelser och produkter på egen hand för att passa deras tycke och smak.
Detta fick mig att tänka på hur vi på Datastory kan erbjuda bättre verktyg för medskapare. Kan vi skapa verktyg som är flexibla och bjuder in till att medskapa design? Kan vi som komplement till att diskutera nya “features” med våra användare erbjuda en mer direkt miljö att omstöpa och förbättra verktyg?
Det var också kul att återupptäcka Open Street Map under “The Planet is the Dataset”. Open Street Map lever i skymundan av Google Maps men har ett fantastiskt rikt dataset med otroliga möjligheter att extrahera stora mängder data. Tjänsten underhålls numera av över 1 miljon volontärer.
Erik Escoffier berättade under seminariet hur enkelt det är att t.ex. analysera gatunamn eller ta reda på hur många frisörer, butiker eller skolor som finns inom en viss region. Med några enkla geografiska databasfrågor samlade han snabbt ihop 1000-tals rader med data för vidare analys.
Arek Mytych
Dagen före konferensen besökte vi utställningen 123 Data. Det var väldigt inspirerande att se hur datavisualisering kan se ut utan begränsningarna som webbformatet för med sig. Ett av projekten på utställningen var Moritz Stefaners Multiplicity, som han också berättade om under sin keynote på konferensen. Projektet utgick från en stor mängd instagrambilder som han använde för att skapa en visuell bild av Paris som kunde navigeras med hjälp av en joystick. (Mer om detta i Robins reflektioner nedan.)
Några andra saker jag tar med mig från konferensen är:
Federica Fragapane visade med sitt projekt om immigration till Italien hur mycket information och erfarenheter som kan rymmas i även kvantitativt små dataset.
Steven Franconeris föreläsning om långsamt vs snabbt tänkande var väldigt bra och tydliggjorde hur dessa två begrepp kan hjälpa en att skapa bättre dataviusaliseringar. Han har sammanfattat huvudpoängerna i den här Twittertråden.
Vissa sessioner var lite för tekniska för min smak. Å andra sidan blev det en bra balans på det stora hela. Maskininlärning är stort just nu, och så även Augmented Reality (AR). Om jag var en spelare skulle jag satsa pengar på att dessa två teknologier kommer att bli väldigt betydelsefulla i framtiden.
Jialing Li
Som designer föredrar jag att skriva och rita för att samla mina första intryck. Olika karaktärer, djur och grafer kan förmedla en mer intuitiv uppfattning av innehållet för mig och publiken och ger ett effektivt sätt att guida läsaren genom materialet.
Här följer några av mina anteckningar från konferensen.
Robin Linderborg
Att artificiell intelligens (AI) och maskininlärning (ML) är på frammarsch har nog inte gått någon förbi vid det här laget. Datorer kan nu slå människor i spel som schack och Go, ringa och boka restaurangbord, och jaga människor genom skogar (äntligen?).
Dessa teknologiska framsteg är både fantastiska och skrämmande, och får med rätta stor uppmärksamhet. Men nästan lika intressant är det som sker i kölvattnet av spetsforskningen. När “vanliga människor” kan lära sig och applicera tekniker från en domän och applicera dem inom sitt eget område. Vi fick se flera exempel på detta under konferensen och jag är övertygad om att det här bara är början.
Moritz Stefaners projekt Multiplicity utgår från en samling med tiotusentals fotografier av Paris. För att skapa reda i detta gigantiska material använder han först datorseende för att konvertera bilderna till ett format som en statistisk modell kan förstå. Därefter instruerar han modellen att gruppera bilderna efter typ av innehåll.
Fotografier av blommor hamnar i en låda, fotografier av människor bredvid Eiffeltornet i en annan. I slutändan bildar fotografierna inte bara ett vackert rutnät, utan tydliggör även trender av vad människor intresserar sig för (och kanske även hur pass förutsägbara vi är).
Ian Johnson från Google använde en liknande teknik i sin föreläsning Machine Learning for Visualization. I Googles lekfulla applikation Quick, Draw! får användaren ett ord (t.ex. katt) och ska snabbt rita objektet på skärmen. I dag har hundratusentals människor från hela världen testat spelet, och alla ritningar finns sparade i ett öppet dataset. Genom att gruppera bilderna efter ursprungsland och motiv kunde han hitta intressanta mönster som hade varit svårfångade, om inte omöjliga att hitta, med manuellt arbete. För den som vill leka med datasetet själv finns alla bilder att ladda ner här.
Ytterligare länkar
En visualisering av alla tweets från konferensen.
Både Moritz Stefaner och Ian Johnson använde en teknik från maskininlärdning som kallas t-SNE som du kan läsa mer om och utforska här.
Hela programmet till OpenVis Conf finns här: http://www.openvisconf.com/#speakers
