Chat2VIS: создание визуализаций данных на естественном языке с использованием больших языковых моделей ChatGPT, Codex и GPT-3

Область визуализации данных давно стремится разработать решения для создания визуализаций непосредственно из текста на естественном языке. Исследования в области интерфейсов на естественном языке (NLI) способствовали развитию таких методов. Однако разработка работоспособных NLI всегда была сложной задачей из-за присущей естественному языку неоднозначности, а также неясных и плохо сформулированных пользовательских запросов, которые затрудняют существующим языковым моделям распознавание намерений пользователя. Вместо традиционного пути разработки новых поколений языковых моделей в настоящем исследовании предлагается использовать достижения в области предварительно обученных больших языковых моделей (LLM), таких как ChatGPT и GPT-3, для непосредственного преобразования свободно сформулированного текста на естественном языке в код, создающий соответствующие визуализации. В статье представлена новая система Chat2VIS, использующая возможности LLM, и показано, что эффективная разработка промптов позволяет более эффективно решать сложную задачу понимания языка, обеспечивая более простые и точные сквозные решения по сравнению с ранее предложенными подходами. Chat2VIS демонстрирует, что LLM в сочетании с предложенными промптами обеспечивают надежный способ построения визуализаций по запросам на естественном языке, даже если запросы содержат многочисленные ошибки или сформулированы недостаточно полно. Это решение также существенно снижает затраты на разработку систем NLI, одновременно обеспечивая более широкие возможности вывода визуализаций по сравнению с традиционными подходами обработки естественного языка (NLP), основанными на вручную разработанных грамматических правилах и специализированных моделях. Кроме того, в исследовании показано, как конструировать промпты LLM таким образом, чтобы сохранять безопасность и конфиденциальность данных, обеспечивая при этом применимость к различным наборам данных. В работе сравнивается производительность GPT-3, Codex и ChatGPT в нескольких тематических исследованиях и проводится сопоставление полученных результатов с результатами предыдущих исследований.