企业官网建设流程全解析

1. 这不是另一个“数据可视化库”，而是一把专为高维数据设计的手术刀

HiPlot 是 Meta（前 Facebook）在 2019 年底开源的一个交互式高维数据探索工具，它不渲染散点图矩阵，不生成热力图，也不做主成分降维后的二维投影——它用一种近乎反直觉的方式，把上百个维度的数据，直接“铺开”在你眼前，让你能用鼠标拖拽、筛选、分组、对比，像翻阅一本活页笔记本一样操作特征空间。核心关键词是：HiPlot、高维数据探索、平行坐标、交互式可视化、Meta 开源、实验分析。它解决的不是“怎么画得好看”，而是“当我的模型有 87 个超参数、每次训练输出 42 个评估指标、跑了 362 次实验，我如何在 5 分钟内定位出那组真正值得深挖的配置？”——这正是算法工程师、MLOps 工程师、A/B 测试分析师每天卡住的真实瓶颈。HiPlot 不要求你懂 t-SNE 的梯度更新，也不需要你调参 UMAP 的邻居数；它假设你已经跑出了数据，现在只缺一个“能听懂人话”的界面，帮你从混沌中揪出信号。它适合三类人：刚跑完第一轮超参搜索、面对满屏 CSV 文件发呆的初级算法同学；需要向产品/运营同事快速解释“为什么这个模型版本 AUC 高但延迟也高”的中级工程师；以及负责搭建内部实验平台、苦于现有 BI 工具无法承载多维指标联动分析的技术负责人。我第一次用它加载自己团队三个月积累的 1200+ 条训练日志时，只用了 90 秒就发现了两个被忽略的强负相关指标组合——这种“顿悟感”，是传统图表工具给不了的。

2. 为什么不用 Tableau / Plotly / Streamlit？HiPlot 的底层设计哲学拆解

2.1 它放弃“降维”，选择“重排”：平行坐标系的工程化重生

绝大多数高维可视化工具的默认路径是“降维—投影—绘图”：先用 PCA 或 t-SNE 把 100 维压到 2D，再画散点图。这条路的问题在于，降维过程本身会丢失信息，且不可逆。比如，t-SNE 对距离的保持是非线性的，两个点在降维后靠得很近，不代表它们在原始空间里相似；PCA 只保留方差最大的方向，而业务关键模式可能恰恰藏在方差小的次要成分里。HiPlot 的破局点很干脆：不降维，只重排。它采用平行坐标（Parallel Coordinates）作为基础视图，把每个维度变成一条垂直轴，数据点则表示为连接各轴上对应值的折线。100 个特征？就画 100 条竖线。这听起来原始，但 HiPlot 在三个层面做了深度工程优化：

• 轴排序智能算法：默认按 Pearson 相关系数对轴进行聚类排序，让高度相关的特征轴相邻，折线走向更平滑，便于肉眼识别模式。你也可以手动拖拽调整顺序，或按方差、缺失率、数据类型（数值/类别）自动分组。
• 折线渲染性能突破：原生平行坐标在数据量 >10k 时极易卡顿。HiPlot 使用 WebAssembly 编译核心计算逻辑，并结合 Canvas 分层渲染（背景轴、中层折线、前景高亮），实测在 2023 款 MacBook Pro 上流畅渲染 5 万条记录 × 120 维数据，帧率稳定在 58 FPS 以上。这背后是它把“哪些折线该显示/隐藏”这个判断逻辑完全前置到客户端内存，而非依赖服务端过滤。
• 交互语义精准映射：在平行坐标里，“刷选”（brushing）不是简单框选像素，而是定义维度区间。你在“学习率”轴上拖出 [1e-4, 5e-4] 区间，在“batch_size”轴上选中 {32, 64}，系统会实时计算满足所有条件的交集数据子集，并高亮其折线。这种布尔逻辑的交互，比在散点图上圈选几个点要严谨得多。

提示：平行坐标的经典缺陷是“视觉杂乱”（overplotting）。HiPlot 的解决方案不是加透明度（那样会损失细节），而是提供“折线聚合模式”：可切换为“密度图”（每条轴上显示该区间内数据点的数量分布）、“均值线”（显示所选子集在各轴上的均值轨迹）、或“最值带”（显示上下四分位数范围）。这相当于把“看线条”升级为“看统计分布”。

2.2 它不渲染“图表”，而是构建“探索会话”：状态即核心资产

传统 BI 工具的思维是“图表即成果”：你配好 X/Y 轴，导出 PNG，邮件发给老板。HiPlot 的设计原点完全不同——它认为探索过程的状态（state）才是最有价值的产出。每一次筛选、分组、轴排序、颜色映射，都被序列化为一个轻量级 JSON 对象（约 2–5 KB），你可以一键复制这个 state 链接，发给同事，对方打开链接就能看到一模一样的探索视角，无需共享原始数据。这个设计解决了团队协作中最痛的痛点：

• 场景一：你发现“当 dropout > 0.3 且 embedding_dim < 128 时，模型在长尾类上的 F1 下降超过 40%”，你想让同事验证。传统方式是你发 CSV + 截图 + 文字描述筛选条件；HiPlot 方式是你发一个https://hiplot.example.com/#state=xxx链接，对方点开即复现。
• 场景二：你正在调试一个新 loss 函数，跑了 200 次实验，想对比不同 weight_decay 设置下的表现。HiPlot 允许你为每个 weight_decay 值创建一个独立的“分组视图”（Group View），并保存为命名标签（如 “wd_1e-5”, “wd_1e-4”），后续所有筛选操作都可限定在某个分组内，或跨分组对比。这些分组配置同样被编码进 state。

这种“状态即接口”的设计，让 HiPlot 天然适配 MLOps 流水线。你可以把 HiPlot 的 state URL 写入实验报告的 Markdown，或嵌入内部 Wiki 页面，甚至通过 API 动态生成 state 并推送到 Slack 机器人——它不再是一个“看数据的工具”，而是一个“传递洞察的协议”。

2.3 它拒绝“通用”，专注“实验数据”：领域特化的数据模型

HiPlot 没有试图兼容任意 CSV。它的数据模型（Data Model）是为机器学习实验日志深度定制的：

• 强制区分“指标”（Metrics）与“参数”（Parameters）：导入数据时，必须明确指定哪些列是模型输入参数（如 learning_rate, hidden_layers），哪些是输出指标（如 val_acc, inference_latency_ms, memory_mb）。这种语义划分直接驱动 UI 行为：参数轴默认支持区间刷选，指标轴则支持阈值高亮（如标红所有 latency > 200ms 的记录）。
• 原生支持嵌套结构解析：真实实验日志常含 JSON 字段，如"hyperparams": {"optimizer": "adam", "lr_schedule": "cosine"}。HiPlot 可自动展开嵌套字段，生成hyperparams.optimizer,hyperparams.lr_schedule等扁平化列名，避免用户手动预处理。
• 智能类型推断与修正：它能识别"0.001"是数值而非字符串，但也会给你留出修正入口——如果某列本应是类别型（如 model_version），却被误判为数值，你可在列设置面板中一键切换类型，系统会立即重绘该轴为离散标签模式。

这种领域聚焦，让它在“实验分析”这个垂直场景里，比通用工具快一个数量级。你不需要花 20 分钟配置“仪表盘”，HiPlot 加载完数据，UI 就已准备好让你开始探索。

3. 从零到上线：HiPlot 部署、数据准备与核心交互实操全链路

3.1 三种部署方式选型：本地开发、团队共享、生产集成

HiPlot 提供三种官方部署路径，选择取决于你的使用场景和团队规模：

选型逻辑详解：

• 如果你是算法工程师，今天就想看看手头这份sweep_results.csv，无脑选 Python CLI。它零依赖、启动快，且自带热重载——你修改 CSV 后刷新浏览器即可更新视图，连重启都不用。
• 如果你是 MLOps 工程师，要为整个算法团队提供一个统一的实验分析入口，Docker 是唯一合理选择。它隔离环境，支持 Nginx 反向代理 + Basic Auth 做简易权限控制（如auth_basic "HiPlot Access"; auth_basic_user_file /etc/nginx/.htpasswd;），且挂载目录后，所有成员上传的新 CSV 都会自动出现在 UI 的数据列表中。
• 如果你正在重构公司内部的模型训练平台，希望点击某次实验的“分析”按钮就直接跳转 HiPlot 视图，必须用 React 组件嵌入。这是唯一能实现深度状态同步的方式：例如，当用户在平台主界面筛选了 “status=completed & model_type=bert”，你可以将这个筛选条件动态注入 HiPlot 的filters属性，实现无缝联动。

注意：Docker 镜像默认监听0.0.0.0:8080，若部署在云服务器，请确认安全组放行该端口。实测发现，某些企业网络会拦截 WebSocket 连接（HiPlot 用它传输实时筛选状态），若页面加载后交互无响应，优先检查浏览器控制台是否有WebSocket connection to 'ws://...' failed报错，此时需在 Nginx 配置中显式开启 WebSocket 支持：

location / { proxy_pass http://localhost:8080; proxy_http_version 1.1; proxy_set_header Upgrade $http_upgrade; proxy_set_header Connection "upgrade"; }

3.2 数据准备黄金法则：让 HiPlot “一眼看懂”你的实验日志

HiPlot 对数据格式宽容，但遵循以下四条法则，能让探索效率提升 3 倍以上：

法则一：列名即语义，杜绝模糊命名
错误示范：col1,acc_val,time—— HiPlot 无法区分time是训练耗时还是时间戳。
正确示范：learning_rate,val_accuracy,training_duration_s,model_version,dataset_size_kb。
原理：HiPlot 的列设置面板会根据列名关键词（如_acc,_loss,_time,_size）自动建议数据类型和轴样式。val_accuracy会被标记为“指标”，默认启用阈值高亮；model_version则被识别为“类别参数”，轴显示为离散标签。

法则二：数值列必须为纯数字，空值用null或NaN
错误示范："120ms","N/A",""—— HiPlot 会将整列判为字符串，失去区间刷选能力。
正确示范：120.0,null,NaN（CSV 中可写为空单元格，HiPlot 会自动识别）。
实操技巧：用 Pandas 预处理时，用df['inference_time_ms'] = pd.to_numeric(df['inference_time_ms'], errors='coerce')强制转换，errors='coerce'会把所有非数字转为NaN。

法则三：类别型参数，值域尽量精简（≤ 50 个唯一值）
原因：HiPlot 的类别轴采用标签云布局，值过多会导致标签重叠、难以点击。若model_architecture有 200 个变体，应预先聚类为{"bert": ["bert-base", "bert-large"], "roberta": ["roberta-base", ...]}，新增一列arch_family。
补救方案：HiPlot 提供“值映射”功能。在列设置中点击... → Map values，可将多个原始值映射到一个新标签，如["resnet50_v1", "resnet50_v2"] → "ResNet50"。

法则四：时间戳列，必须为 ISO 8601 格式（UTC）
正确格式：2023-10-15T14:23:18Z或2023-10-15T14:23:18.123Z。
HiPlot 会自动识别该列为时间轴，启用时间范围刷选（如拖选 10 月 10 日至 10 月 15 日的所有实验），并支持按小时/天/周聚合显示密度。

数据准备完整脚本（Python）：

import pandas as pd import numpy as np # 读取原始日志（可能含嵌套 JSON） df = pd.read_json("raw_experiments.json", lines=True) # 展开嵌套 hyperparams 字段 hp_df = pd.json_normalize(df['hyperparams']) df = pd.concat([df.drop('hyperparams', axis=1), hp_df], axis=1) # 清洗数值列 for col in ['val_acc', 'train_loss', 'inference_latency_ms']: df[col] = pd.to_numeric(df[col], errors='coerce') # 创建时间戳列（假设原始有 'start_time' 和 'end_time'） df['duration_s'] = (pd.to_datetime(df['end_time']) - pd.to_datetime(df['start_time'])).dt.total_seconds() # 生成 arch_family 映射 arch_map = { 'bert-base-uncased': 'BERT', 'bert-large-uncased': 'BERT', 'roberta-base': 'RoBERTa', 'roberta-large': 'RoBERTa' } df['arch_family'] = df['model_name'].map(arch_map).fillna('Other') # 保存为 HiPlot 友好格式 df.to_csv("hiplot_ready.csv", index=False, na_rep="null") print("✅ 数据已就绪！共", len(df), "条记录，", len(df.columns), "个维度")

运行此脚本后，hiplot_ready.csv可直接被 HiPlot 加载，且 90% 的列类型和语义已被自动识别。

3.3 核心交互七步法：从加载到发现洞见的完整工作流

以一份典型的 NLP 模型超参搜索日志（1200 行 × 45 列）为例，演示如何在 7 分钟内完成一次深度探索：

步骤一：加载与初始观察（< 30 秒）
启动 HiPlot 后，点击+ Add experiment，选择hiplot_ready.csv。加载完成后，UI 自动呈现所有 45 列为平行轴。第一眼观察重点：

• 查看右上角Stats面板：Total rows: 1200,Missing values: 3.2%（若缺失率 > 10%，需警惕数据质量问题）；
• 扫描轴标签：确认val_f1,inference_latency_ms,memory_usage_mb等关键指标轴已出现，且learning_rate,batch_size等参数轴为数值型（轴上有滑块图标）。

步骤二：建立基线分组（1 分钟）
点击顶部Groups→+ New group，命名为Baseline，在弹窗中设置规则：model_name contains "bert-base"。HiPlot 立即用蓝色高亮所有 bert-base 实验的折线。再建一个New_Arch组，规则为model_name contains "roberta"，用橙色高亮。此时，两条颜色分明的折线簇已形成直观对比基线。

步骤三：定位异常模式（2 分钟）
在inference_latency_ms轴上，拖出一个宽泛区间[150, 300]（覆盖大部分数据），观察其他轴变化：

• 在val_f1轴上，发现该延迟区间的 F1 值普遍集中在0.82–0.85，但有约 15 条折线的 F1 突然跌至0.72以下；
• 切换到attention_heads轴，发现这些异常点全部集中在attention_heads = 8；
• 再切到hidden_size轴，确认它们同时满足hidden_size = 768。
  → 初步假设：attention_heads=8 & hidden_size=768的组合存在性能陷阱。

步骤四：验证因果（1.5 分钟）
创建新组Hypothesis_Test，规则为attention_heads == 8 and hidden_size == 768。HiPlot 高亮 22 条记录。点击Compare groups，选择Baseline（bert-base）与Hypothesis_Test，UI 自动生成对比表格：

步骤五：深挖根因（1 分钟）
在Hypothesis_Test组内，对learning_rate轴进行精细刷选：尝试[1e-5, 3e-5]，发现 F1 无改善；扩大到[1e-4, 5e-4]，F1 回升至0.81。说明问题可通过调高学习率缓解。再检查warmup_steps轴，发现所有异常点warmup_steps < 500，而正常点普遍≥ 1000。→ 根因指向 warmup 不足。

步骤六：保存与分享（30 秒）
点击右上角Share→Copy link，得到一个包含所有分组、筛选、轴排序状态的 URL。粘贴到 Slack，附言：“紧急发现：bert-base 在 attention_heads=8 & hidden_size=768 时，warmup_steps<500 会导致 F1 下降 9.5%，已附复现链接”。

步骤七：导出洞察（30 秒）
点击Export→Export selected rows as CSV，导出Hypothesis_Test组的 22 条记录，用于后续代码级 debug。或选择Export as PNG，截取当前平行坐标视图（含高亮和分组色块），插入周报 PPT。

这套七步法，是我团队内部培训新人的标准流程。它把模糊的“看数据”转化为可重复、可验证、可分享的结构化动作。

4. 高频踩坑实录：那些 HiPlot 文档不会告诉你的实战经验

4.1 数据加载失败的五大隐形杀手与解法

HiPlot 加载失败通常不报错，而是静默显示空白页或“0 rows”。以下是我在 37 个不同项目中总结的五大元凶：

实操心得：我养成了一个习惯——任何新数据集，必先用csvkit做一次健康检查：csvstat your_data.csv。它会输出每列的类型、缺失率、唯一值数、最小/最大值。若某列Type: text但Unique values: 1200（等于总行数），基本可判定是数值列被污染，需重点清洗。

4.2 交互卡顿的性能调优三板斧

当数据量超过 5 万行或维度 > 80 时，HiPlot 可能出现拖拽延迟、刷选卡顿。这不是 Bug，而是 Web 渲染的物理极限。我的三板斧是：

第一板斧：客户端数据采样（最有效）
HiPlot 支持在加载时启用采样。在 CLI 启动时加参数：

hiplot --port 8080 --data experiments.csv --sample 0.1

--sample 0.1表示随机抽取 10% 的行（1200 行 → 120 行）。别小看这一步——120 行数据的探索速度是 1200 行的 10 倍，且人类肉眼识别模式的能力在 100–200 条折线时达到峰值。记住：探索的目的是找模式，不是看全量。找到模式后，再用全量数据验证。

第二板斧：禁用非必要轴（立竿见影）
平行坐标轴越多，渲染压力越大。点击右上角Axes→Hide all，然后只勾选你当前关心的 8–12 个核心维度（如val_f1,latency,lr,batch_size,arch_family,warmup_steps）。HiPlot 会立即移除其他轴，帧率瞬间回升。我常把这称为“聚焦模式”，就像显微镜调焦。

第三板斧：启用 WebGL 渲染（高级）
HiPlot 的 Canvas 渲染在高负载下会降级为 CPU 渲染。若你的 GPU 性能强劲，可强制启用 WebGL：

• 在浏览器地址栏输入chrome://flags（Chrome）
• 搜索WebGL，将WebGL 2.0和WebGL Draft Extensions设为Enabled
• 重启浏览器
  实测在 RTX 3060 笔记本上，启用 WebGL 后，10 万行 × 50 维数据的刷选延迟从 800ms 降至 120ms。

4.3 协作中的状态同步陷阱与避坑指南

HiPlot 的 state URL 是协作利器，但也埋着三个深坑：

陷阱一：State URL 过期
State URL 本质是前端序列化，不依赖后端存储。但如果 HiPlot 实例重启，或数据文件被移动/重命名，URL 中的dataId会失效，打开后显示Experiment not found。
避坑：永远不要只发 URL。标准操作是：

1. 发 URL；
2. 同时附上数据文件的 SHA256 哈希值（shasum -a 256 experiments.csv）；
3. 注明 HiPlot 版本（hiplot --version）。
   这样，接收方即使 URL 失效，也能用哈希值校验数据一致性，并用相同版本重新加载。

陷阱二：跨浏览器状态不一致
Safari 对 WebAssembly 的支持略滞后，某些复杂 state（含大量嵌套分组）在 Safari 中可能解析失败，显示为空白。
避坑：团队内部约定，HiPlot 协作统一使用 Chrome 或 Firefox。在 Wiki 中注明：“HiPlot 探索请使用 Chrome 110+ 或 Firefox 115+”。

陷阱三：敏感参数泄露
State URL 中的filters参数会明文包含筛选条件，如learning_rate=[0.001,0.002]。若你用 HiPlot 分析含 API Key 或数据库密码的实验日志（极不推荐！），这些密钥可能被编码进 state。
避坑：

• 绝对禁止在 HiPlot 中加载含敏感信息的原始日志；
• 预处理脚本中加入脱敏步骤：df['api_key'] = 'REDACTED'；
• 在 HiPlot 的Import options中，勾选Ignore columns，手动排除password,secret,token等关键词列。

5. 超越平行坐标：HiPlot 的进阶玩法与生态扩展

5.1 用自定义 CSS 覆盖默认主题，打造团队专属分析界面

HiPlot 的 UI 是基于 React 构建的，但提供了 CSS 变量注入机制，允许你无需修改源码即可定制外观。这在企业内部部署时极为实用——你可以把 HiPlot 的蓝白主题，替换成公司 VI 色系，增强品牌一致性。

操作步骤：

1. 创建自定义 CSS 文件company-theme.css：

:root { --hp-primary-color: #0056b3; /* 替换为公司主色 */ --hp-secondary-color: #007bff; --hp-bg-color: #f8f9fa; --hp-font-family: "Helvetica Neue", Arial, sans-serif; } .hp-axis-label { font-weight: 600; } .hp-group-badge { border-radius: 4px; }

2. 启动 HiPlot 时挂载该文件：

# Docker 方式 docker run -p 8080:8080 \ -v $(pwd)/company-theme.css:/hiplot/theme.css \ -e HI_PLOT_CSS_URL="/theme.css" \ facebookresearch/hiplot

3. 访问http://localhost:8080，UI 即应用新主题。

效果：所有按钮、分组标签、轴标签的颜色和字体都会更新。更进一步，你可以用 CSS 选择器隐藏不需要的 UI 元素，如#hp-sidebar { display: none; }隐藏左侧导航栏，让界面更专注数据本身。

5.2 与 MLflow 深度集成：一键跳转实验分析

MLflow 是最流行的开源 ML 生命周期平台，但它内置的实验对比功能较弱。HiPlot 可完美补足这一环。关键在于利用 MLflow 的artifact_uri和 HiPlot 的--data参数。

集成方案：

1. 在 MLflow Tracking Server 中，为每次实验保存一个hiplot_data.csv作为 artifact：

import mlflow import pandas as pd # 训练结束后 results_df = pd.DataFrame({ 'val_f1': [0.85], 'latency_ms': [210], 'learning_rate': [1e-4], 'batch_size': [32] }) results_df.to_csv("hiplot_data.csv", index=False) mlflow.log_artifact("hiplot_data.csv", artifact_path="hiplot")

2. 在 MLflow UI 的实验详情页，添加一个自定义按钮：

<!-- 注入到 MLflow UI 的 custom.js --> document.querySelector('.experiment-view').insertAdjacentHTML('beforeend', ` <button onclick="window.open('http://hiplot.internal:8080/?data='+encodeURIComponent('/mlflow-artifacts/'+experiment_id+'/hiplot/hiplot_data.csv'))"> 🔍 Analyze with HiPlot </button> `);

3. 点击按钮，自动跳转 HiPlot 并加载该实验的专属数据。

优势：无需导出 CSV，无需手动上传，分析入口与实验生命周期绑定。我们团队已将此集成写入 CI/CD 流水线，每次模型训练完成，HiPlot 分析链接自动出现在 Slack 通知中。

5.3 构建自动化洞察报告：用 Python 脚本驱动 HiPlot 分析

HiPlot 的核心价值在于交互，但某些场景需要自动化——例如，每日凌晨扫描昨日所有实验，自动生成“Top 3 异常模式”报告。这时，我们绕过 UI，直接用 Python 脚本模拟 HiPlot 的分析逻辑。

核心思路：HiPlot 的筛选逻辑本质是 Pandas 的布尔索引。我们可以复用其数据模型，用脚本实现相同计算：

import pandas as pd import numpy as np def auto_insight_report(df): """自动检测三类异常模式""" insights = [] # 1. 检测指标负相关（如 latency ↑ 但 f1 ↓） corr = df[['val_f1', 'inference_latency_ms']].corr().iloc[0,1] if corr < -0.3: insights.append(f"⚠️ 强负相关：val_f1 与 latency 相关系数 {corr:.3f}") # 2. 检测参数组合异常（如特定 lr+bs 组合 F1 普遍偏低） grouped = df.groupby(['learning_rate', 'batch_size'])['val_f1'].agg(['mean', 'count']) low_f1_groups = grouped[grouped['mean'] < 0.8].nlargest(3, 'count') if not low_f1_groups.empty: insights.append(f"🔍 低 F1 组合：{list(low_f1_groups.index)}") # 3. 检测离群点（F1 低于均值 2σ） f1_mean, f1_std = df['val_f1'].mean(), df['val_f1'].std() outliers = df[df['val_f1'] < f1_mean - 2*f1_std] if len(outliers) > 0: insights.append(f"🚨 离群点：{len(outliers)} 条记录 val_f1 < {f1_mean-2*f1_std:.3f}") return insights # 每日执行 df = pd.read_csv("daily_experiments.csv") report = auto_insight_report(df) print("\n".join(report)) # 输出可直接粘贴到日报中

这个脚本不依赖 HiPlot 运行时，却实现了其核心分析能力。它证明了 HiPlot 的价值不仅在于 UI，更在于它所倡导的“高维数据探索范式”——这种范式可以被任何编程语言复现。

6. HiPlot 不是终点，而是起点：当探索完成之后

HiPlot 解决了“如何从高维数据中快速发现模式”这个问题，但它不回答“接下来做什么”。在我经手的 127 个 HiPlot 项目中，探索结束后的行动路径，往往决定了项目成败。这里分享三条经过验证的实践路径：

路径一：闭环到训练流水线（推荐指数 ★★★★★）
发现模式后，立即将其转化为训练脚本的硬性约束。例如，HiPlot 揭示warmup_steps < 500是性能杀手，那么在训练代码中加入断言：

assert args.warmup_steps >= 500, f"Warmup too short: {args.warmup_steps}. See HiPlot insight on 2023-10-15."

并在 CI