CoDA: 협업 데이터 시각화를 위한 에이전트 기반 시스템

초록

심층 연구는 데이터 분석을 혁신적으로 변화시켰지만, 데이터 과학자들은 여전히 자연어 질의에서 강력한 자동화의 필요성을 강조하며 시각화를 수동으로 제작하는 데 상당한 시간을 할애하고 있습니다. 그러나 현재의 시스템은 여러 파일과 반복적 정제를 포함하는 복잡한 데이터셋을 다루는 데 어려움을 겪고 있습니다. 기존의 접근 방식, 즉 단순한 단일 또는 다중 에이전트 시스템은 초기 질의 파싱에 초점을 맞추는 반면 데이터 복잡성, 코드 오류, 최종 시각화 품질을 강력하게 관리하지 못해 작업을 지나치게 단순화하는 경우가 많습니다. 본 논문에서는 이 문제를 협업적 다중 에이전트 문제로 재구성합니다. 우리는 메타데이터 분석, 작업 계획, 코드 생성, 자기 반영을 위해 전문화된 LLM 에이전트를 활용하는 다중 에이전트 시스템인 CoDA를 소개합니다. 우리는 이 파이프라인을 공식화하여 메타데이터 중심 분석이 토큰 제한을 우회하고 품질 주도 정제가 견고성을 보장하는 방법을 보여줍니다. 광범위한 평가를 통해 CoDA가 전체 점수에서 상당한 향상을 이루며 경쟁력 있는 베이스라인을 최대 41.5%까지 능가함을 입증합니다. 이 연구는 시각화 자동화의 미래가 고립된 코드 생성이 아닌 통합적이고 협업적인 에이전트 워크플로우에 있음을 보여줍니다.

English

Deep research has revolutionized data analysis, yet data scientists still devote substantial time to manually crafting visualizations, highlighting the need for robust automation from natural language queries. However, current systems struggle with complex datasets containing multiple files and iterative refinement. Existing approaches, including simple single- or multi-agent systems, often oversimplify the task, focusing on initial query parsing while failing to robustly manage data complexity, code errors, or final visualization quality. In this paper, we reframe this challenge as a collaborative multi-agent problem. We introduce CoDA, a multi-agent system that employs specialized LLM agents for metadata analysis, task planning, code generation, and self-reflection. We formalize this pipeline, demonstrating how metadata-focused analysis bypasses token limits and quality-driven refinement ensures robustness. Extensive evaluations show CoDA achieves substantial gains in the overall score, outperforming competitive baselines by up to 41.5%. This work demonstrates that the future of visualization automation lies not in isolated code generation but in integrated, collaborative agentic workflows.

CoDA: 협업 데이터 시각화를 위한 에이전트 기반 시스템

CoDA: Agentic Systems for Collaborative Data Visualization

초록

Support