Im Machine Learning wird meistens das beste Modell aus einer Fülle an Modellkandidaten ausgewählt, indem man verschiedene Modelltypen, Hyperparameter oder Feature Teilmengen testet. Durch die Weiterentwicklungen im Deep Learning werden solche Modellselektionen noch eine Stufe schwieriger wegen dem immens grossen Parametersuchraum. In unserem Fall wollen wir das menschliche Wissen, insbesondere interaktive Visualisierung nutzen, um das Verfahren zu verbessern, was einen effizienteren Trainingsprozess generiert und ebenso bessere Modelle für gegebene Anwendungen. Eine solche Anwendung liegt im Bereich der Meeresbiologie, zum Beispiel, um die akustischen Signale von Walen zu untersuchen und miteinander zu vergleichen.

Der Ansatz wurde in einer Fallstudie mit Meeresbiologen evaluiert, wobei mehrere Modelle auf realen Daten trainiert wurden, um Bartenwale mit Hilfe von Unterwasseraufzeichnungen zu klassifizieren. Die akustischen Aufnahmen aus diesem Experiment wurden entlang der Küsten der Atlantischen Provinzen Kanadas aufgezeichnet. Diese akustischen Daten wurden nun analysiert, um Aufschlüsse über das Walverhalten zu bekommen. Insbesondere waren die Meeresbiologen daran interessiert, wie sich solche akustischen Signale mit Industrielärm oder dem von vorbeifahrenden Schiffen vereinen lässt, das heisst, wie der Einfluss solcher unnatürlichen Geräusche auf die akustischen Signale von Walen ist.