Les pipelines de visualisation scientifique codent des connaissances procédurales spécifiques au domaine avec des dépendances d'exécution strictes, rendant leur construction sensible aux étapes manquantes, à l'utilisation incorrecte des opérateurs ou à un ordre inapproprié. Ainsi, générer des pipelines de visualisation scientifique exécutables à partir de descriptions en langage naturel reste un défi pour les grands modèles de langage, en particulier dans des environnements basés sur le Web où l'autorisation de visualisation repose sur un assemblage explicite de code au niveau du pipeline. Dans ce travail, nous étudions la fiabilité de la génération de pipelines de visualisation scientifique basée sur LLM, en nous concentrant sur vtk.js en tant que bibliothèque de visualisation Web représentative. Nous proposons un flux de travail de génération augmentée par récupération consciente de la structure qui fournit des exemples de code vtk.js alignés sur le pipeline comme orientation contextuelle, soutenant la sélection correcte des modules, la configuration des paramètres et l'ordre d'exécution. Nous évaluons le flux de travail proposé à travers plusieurs tâches de visualisation scientifique multi-étapes et LLM, mesurant la fiabilité en termes d'exécutabilité du pipeline et d'effort de correction humaine. À cette fin, nous introduisons le coût de correction comme une mesure de la quantité d'intervention manuelle requise pour obtenir un pipeline valide. Nos résultats montrent que le contexte structuré et spécifique au domaine améliore considérablement l'exécutabilité du pipeline et réduit le coût de correction. Nous fournissons également une interface d'analyse interactive pour soutenir l'inspection par l'homme et l'évaluation systématique des pipelines de visualisation générés.
Zhao et al. (Jeudi,) ont étudié cette question.