Deep learning has been extensively used in many areas because of its proven benefit. However, developing deep learning is challenging. The master thesis aims to investigate suitable information visualization for the output of an automated deep learning model platform. The thesis has been carried with Bitynamics AB. The methodologies used are: 1) user research; 2) prototyping; 3) user evaluation. The design requirements are gathered from user research and study literature. The prototype offered the visualization, including a list of models, model comparison, model training, testing, and prediction result. Ten people have evaluated the prototype by using usability testing, subjective expert interview, and questionnaires. From the user evaluation, it indicates the prototype has addressed the user problems in deep learning. The result shows the prototype has good usability based on the SUS and has a completion rate of 100%. The participants’ feedback has been categorized into five labels: 1) defining and designing the necessary functionalities; 2) the importance of customization; 3) designing the information visualization; 4) user interaction with data; and 5) trustworthiness of the recommended actions for parameter tuning. These labels should be considered when designing the visual analytics of an automated deep learning output platform.

På grund av att dess bevisade förmåner har deep learning har använts utförligt inom många områden. Dock är utvecklingen av deep learning utmanande. Målet med denna masterexamensarbetesrapport är att undersöka lämpliga visualiseringar för produkten från en automatiserad deep learning -modellsplattform. Arbetet har utförts tillsammans med Bitynamics AB. Metodologierna som har använts är: 1) användarintervjuer; 2) utveckla prototyp; 3) användarutvärdering. Designkraven är hämtade från användarforskning och studieliteratur. Prototypen erbjöd visualiseringen, inklusive en lista av modeller, modelljämförelse, modellträning, testning och resultatförutspåelse. Tio personer har utvärderat prototypen genom användarvänlighetstest, subjektiv expertintervju och frågeformulär. Från användarutvärderingen, är det indikerat att prototypen har hanterat användarnas problem med deep learning. Resultaten visar att prototypen är användarvänlig, baserat på SUS och en slutförandeandel på 100%. Deltagarnas återkoppling har kategoriserats in i fem kategorier: 1) definera och designa de nödvändiga funktionaliteterna; 2) betydelsen av anpassning; 3) designa informationsvisualiseringen; 4) användarinteraktion med data; 5) tillförlitlighet till de rekommenderade handlingarna för att ställa in parametrar. Dessa kategorier bör tas I hänsyn när man designar de visuella analyserna från en automatiserad deep learning -plattform.