Data-to-Dashboard: Multi-Agent LLM Framework for Insightful Visualization in Enterprise Analytics

要約

LLMSの急速な進歩により、データ分析における多様なエージェントシステムの作成につながり、LLMSの機能を利用して洞察の生成と視覚化を改善しました。
このホワイトペーパーでは、ドメイン検出、概念抽出、マルチパリスペクト分析生成、および反復自己反省が可能なモジュラーLLMエージェントを介して、データからダッシュボードのパイプラインを自動化するエージェントシステムを提示します。
既存のチャートQAシステムとは異なり、当社のフレームワークは、ドメイン関連の知識を取得し、閉じたオントロジーや質問テンプレートに依存せずに多様なデータセットに適応することにより、ビジネスアナリストの分析的推論プロセスをシミュレートします。
さまざまなドメインの3つのデータセットでシステムを評価します。
シングルプロムプトベースラインでGPT-4Oに対してベンチマークされたこのアプローチは、カスタマイズされた評価メトリックと定性的な人間の評価で測定されるように、洞察力、ドメインの関連性、分析の深さの改善を示しています。
この作業は、生データから視覚化へのパスを橋渡しするための新しいモジュラーパイプラインに貢献し、ビジネス分析のドメイン専門家によるループ内検証の新しい機会を開きます。
すべてのコードは、https：//github.com/77luvc/d2d_data2dashboardにあります

要約(オリジナル)

The rapid advancement of LLMs has led to the creation of diverse agentic systems in data analysis, utilizing LLMs’ capabilities to improve insight generation and visualization. In this paper, we present an agentic system that automates the data-to-dashboard pipeline through modular LLM agents capable of domain detection, concept extraction, multi-perspective analysis generation, and iterative self-reflection. Unlike existing chart QA systems, our framework simulates the analytical reasoning process of business analysts by retrieving domain-relevant knowledge and adapting to diverse datasets without relying on closed ontologies or question templates. We evaluate our system on three datasets across different domains. Benchmarked against GPT-4o with a single-prompt baseline, our approach shows improved insightfulness, domain relevance, and analytical depth, as measured by tailored evaluation metrics and qualitative human assessment. This work contributes a novel modular pipeline to bridge the path from raw data to visualization, and opens new opportunities for human-in-the-loop validation by domain experts in business analytics. All code can be found here: https://github.com/77luvC/D2D_Data2Dashboard

arxiv情報

提供元, 利用サービス

arxiv.jp, Google