Vocero
|
Transcripción
|
| Simon Stelzig |
Bien, hola a todos. Mi nombre es Simon Stelzig. Soy de Lohmann, los ingenieros de unión. Soy del departamento de investigación y desarrollo, y me gustaría contarles algo sobre el Explorador de datos funcionales y cómo se pueden utilizar para visualizar resultados para los científicos que no son científicos de datos. |
| |
Entonces, antes de comenzar, una breve introducción de la empresa Lohmann. Es posible que no hayas oído hablar de él, pero lo usas o es posible que te hayas encontrado con sus productos a diario. |
| |
Así que solo algunos datos y cifras sobre Lohmann. Entonces Lohmann tiene una facturación en 2019 de unos 600 millones de euros y la parte en la que estoy trabajando es Lohmann Tape Group y somos un productor de cintas adhesivas. Se trata principalmente de cintas adhesivas de doble cara y somos una empresa puramente B2C, por lo que solo |
| |
solo puede comprar nuestro producto cuando ... si es industrial ... para aplicaciones industriales. Somos bastante viejos, así que este año se cumplen aproximadamente 170 años desde que se fundó la empresa Lohmann. |
| |
Básicamente estamos divididos en dos partes, así que uno de los productos de cinta en el que estoy trabajando. Ese es el enfoque en el |
| |
cintas adhesivas para aplicaciones industriales y esa es nuestra marca de higiene. |
| |
Y somos activos a nivel mundial. Tenemos 25 sitios en todo el mundo, con aproximadamente 1.800 empleados. Y tal vez muy interesante |
| |
El 90% de nuestros productos son personalizados, por lo que tenemos una cartera de productos bastante compleja, donde tenemos una gran cantidad de productos enfocados en una cantidad muy pequeña de aplicaciones para un grupo muy pequeño de clientes. |
| |
Y entonces, somos el principal productor de cintas adhesivas o muchas cintas adhesivas de doble cara y usted sabe que tenemos muchas aplicaciones, y este es nuestro segmento de mercado en el que estamos. |
| |
Uno de los nuestros es la aplicación industrial. Eso es principalmente para ventanas y puertas o aplicaciones en interiores y exteriores en el área de edificación y construcción. |
| |
O puede encontrar productos Lohmann en electrodomésticos y dispositivos electrónicos, por ejemplo, como cintas adhesivas para fijar la cubierta trasera de los teléfonos inteligentes. O en el |
| |
segmentos médicos principalmente para aplicaciones de diagnóstico, cuidado de heridas. En el campo del transporte en el ... para automoción tal vez para interior o exterior |
| |
Adhesión de emblemas en los coches. También estamos, por ejemplo, en la industria gráfica para aplicaciones de impresión flexible donde entregamos cintas adhesivas. |
| |
para fijar la plancha de impresión en las mangas. Una de las ... una subdivisión de Lohmann Tape Group es la marca de higiene donde entregamos el sistema de cierre para pañales. |
| |
Una amplia gama de aplicaciones y otro punto que acabo de mencionar antes es que alrededor del 90% de nuestros productos están personalizados. Y otro hecho sobre Lohmann es |
| |
que nuestra cadena de valor es una cadena de valor muy profunda, por lo que si piensa en una cinta adhesiva, necesita una capa adhesiva que |
| |
se pega o se adhiere al sujeto al que desea adherirse. |
| |
Necesita un portador, opcionalmente un portador que lleve su capa adhesiva, y en el otro lado, que es debido a que somos un productor de las cintas adhesivas de doble cara que tiene en el otro lado nuevamente, |
| |
una capa adhesiva. Y la cadena de valor de Lohmann básicamente comienza desde el principio, por lo que podemos hacer nuestro propio polímero, el polímero base para un adhesivo. |
| |
Luego tenemos que formular el polímero en una formulación adhesiva, que luego colocamos en el siguiente paso sobre un soporte, siendo este en forma de cinta adhesiva en forma de |
| |
bastante grande ??? rollos. Y al final, podemos entregarlo en la forma |
| |
el cliente quiere que así sea. Entonces, si tiene algunos troqueles, tal vez algunos emblemas para automóviles, necesita tener esa cinta adhesiva que no necesita una forma específica, entregamos esa forma específica según lo requiera el cliente. |
| |
Y la I + D + i se centra principalmente en las tres primeras partes del mismo, por lo que para la polimerización, la formulación del recubrimiento y para conseguir, como mencioné, muchos de nuestros productos son personalizados, para llegar lo más rápido posible al objetivo de cumplir con los requisitos de nuestros clientes que aplicamos |
| |
diseño de experimentos a lo largo del curso |
| |
de llegar al producto final y cumplir con los requisitos de nuestros clientes. |
| |
Y tener mucho |
| |
hacer el diseño de experimentos o hacer en general muchos experimentos también proporciona una gran cantidad de datos. |
| |
Y haciendo estos experimentos o el diseño de experimentos en ese curso y siendo una empresa química, muchos de los datos, en los resultados de los experimentos, obtienes muchos datos, muchos espectros. |
| |
Entonces, la mayoría de nuestros experimentos dan ... no le da un valor, no le da un número, le da un espectro. |
| |
Y, en la mayoría de los casos, si desea hacer los experimentos, como en mi caso, yo soy, digamos, los científicos de datos que brindan el servicio de planificar esos experimentos y analizar |
| |
experimentos y haciendo todo el análisis de datos para mis colegas, que podrían, en ese caso, no ser científicos de datos. |
| |
Son desarrolladores del producto final y me toman como un servicio para hacer todo el tiempo de análisis de datos. En la mayoría de los casos, extrae de esos datos de esos datos de espectros, parámetros clave que describen sus datos de espectros. |
| |
Eso podría ser, en el caso de la polimerización, que podría ser la distribución del peso molecular, podría significar el tamaño de su |
| |
polímero que obtenemos de la reacción, que podría ser el comienzo de una reacción para detectar el tipo de reacción mediante cualquier medio de medición u otra cosa. |
| |
Entonces, si realiza el análisis en el análisis de datos, extrae esos parámetros clave y realiza el análisis, la mayoría de las veces en el análisis DOE clásico sobre esos parámetros clave. |
| |
Asi que |
| |
como científico de datos, yo, como servicio a mis colegas, los desarrolladores, hago este análisis sobre esos parámetros clave. |
| |
Ellos me entregan también a mí, los requisitos del cliente y usted quiere cumplir con los requisitos de estos clientes, ellos lo óptimo donde quiere que esté su formulación o producto para estar o alcanzar. |
| |
Habiendo hecho esto, habiendo hecho el análisis, habiendo hecho la optimización, en algún momento vas a tu, o yo voy a mis compañeros y les presento los resultados. |
| |
Y como hice todo el análisis de los parámetros clave, también presento los resultados de esos parámetros clave. |
| |
El problema es que, aunque mis colegas de desarrollo o mis equipos de proyecto, son expertos en el área ... los expertos en su experiencia, pero no expertos en ciencia de datos. |
| |
Entonces, el problema aquí es que si hago el análisis de los parámetros clave y también hablo en el lenguaje de los parámetros clave, pero ellos, como expertos en su área de especialización, |
| |
todavía están pensando en espectros porque ahí es cuando se hicieron los experimentos, ese es el análisis que obtienen, ven espectros donde yo veo números. |
| |
Siempre queda el problema de que si presento los resultados y el análisis en parámetros clave, todavía piensan en espectros. |
| |
Así que siempre tienes el problema de que hablas en diferentes idiomas. Hablo en el lenguaje de los números, ellos hablan en el lenguaje de los espectros |
| |
lo que luego conduce al problema de que tienen que traducir esos números a su área de especialización, es decir, los espectros. |
| |
O tengo que traducir estos parámetros clave a su idioma, es decir, los espectros. Afortunadamente con el Explorador de datos funcionales, este es un tipo de traductor universal para resolver ese tipo de problema. |
| |
Y lo que hago, o quiero mostrarles hoy, es en tres ejemplos, cómo el Explorador de datos funcionales lo ayuda enormemente a superar esta barrera o esta barrera del idioma entre los científicos de datos que hablan de números y el desarrollador que piensa y habla en espectros. |
| |
En un ejemplo, el primer ejemplo que quiero mostrarles, es un ejemplo muy simple, muy trivial, tal vez en una medida que describe la calidad de impresión en la impresión fractal. |
| |
experimentar. El segundo describe una medida que define una especie de reacción química. Y hay un tercero; es una medida que le da el peso molecular de un polímero |
| |
durante una reacción de polimerización. Dejaré de usar PowerPoint y pasaré a JMP, sí, ahí está. |
| |
Así que el primer ejemplo que mostré ... como les dije, es el análisis de la calidad de impresión. Así que haces la medición, y el espectro ideal y perfecto sería un |
| |
Recta muy recta que pasa por el origen con pendiente de 1. Entonces, ese sería el ideal si alcanzas ese punto perfecto, por lo que es una medida, esta vez la calidad de impresión. |
| |
Normalmente, lo que obtienes ... normal, es un entorno de la vida real. Obtenemos algo que no parece realmente una línea recta, pero está un poco desplazado hacia un valor más alto, por lo que no es una línea ... está doblada hacia arriba. |
| |
Entonces, ¿qué quieres hacer con esa información? Queremos ver o desea visualizar qué parámetros básicamente mueven o dobla la curva hacia arriba, por lo que no es ideal. |
| |
Así que voy a los parámetros clave de lo que definiríamos como parámetros clave o es básicamente la diferencia entre una línea recta y la línea real que obtienes. Así que es bastante simple, solo usa el |
| |
la diferencia ... es parte de la diferencia con este punto. |
| |
Entonces, si haces el análisis, entonces en los parámetros clave, también es ... es un análisis muy simple ahora. Utilizo un árbol de decisiones para obtener ... para obtener la pantalla aquí, qué parámetro influye más, esta desviación del espectro ideal y es bastante simple. Tenemos alrededor de 22 factores que influyen. |
| |
Ahí ves uno, que básicamente influye en algunos o influye en este alejamiento de esta situación ideal. |
| |
Y se llama este X 22, sea lo que sea, realmente no importa. Entonces, en un momento dado, si se mueve ... |
| |
si es mayor que cierto valor, obtienes, digamos, un número de 250, si se mueve por debajo de ese cierto valor, obtienes 196, el problema es, si le dijiste esto al desarrollo ... si se lo mostraste a un análisis de desarrollo, |
| |
él le preguntará si está bien o todavía está bien o está bien o está muy mal o es que tal vez sea adecuado y ese tipo de adecuado. |
| |
El problema es con el número puro, realmente no ves eso, así que porque él está hablando en un tipo diferente de ... en un área diferente con un idioma diferente. |
| |
Sin embargo, el uso del Explorador de datos funcionales puede ser de gran ayuda para responder la pregunta, porque si pasa al Explorador de datos funcionales y hace el mismo análisis en los datos de la función ... con el Explorador de datos funcionales, |
| |
obtienes algo que se muestra así. Entonces te muestra, te muestra a él o al desarrollador que le mostraste ... le muestras el gráfico. El gráfico al que está acostumbrado con el gráfico normalmente obtiene de sus mediciones o experimentos, los experimentos que hace. |
| |
Lo mismo ahora si tú, por ejemplo, si tiene el mismo parámetro que influye en la forma de la curva, pero si no te gusta eso muestra el que tiene el 250, |
| |
del análisis para el parámetro clave sería su 250, será 196 y verá la diferencia. Quiero decir que no es realmente una línea recta. |
| |
Pero si se mueve hacia abajo como al número más bajo, que muestra el número antes de que quieran evitar, 196, |
| |
no se ve tan mal así que ... no es realmente, quiero decir, una especie de línea recta perfecta, pero no es así, no tanto ... no está lejos de ser |
| |
una línea recta y tal vez en ese punto, si muestra este tipo de análisis a los no científicos de datos, el desarrollador, |
| |
tal vez eso ya sea lo suficientemente bueno para él, tal vez ese punto en el que dices está bien, no es una línea recta, no es perfecto, pero es bueno para el trabajo. |
| |
Básicamente, se adapta a las necesidades del cliente. Y eso es algo que él no ve por el número puro que le muestras. Entonces, en ese caso, es un ejemplo muy trivial, un ejemplo muy simple, |
| |
pero espero que le dé la esencia de que el uso de un Explorador de datos funcional le permite hablar en el lenguaje de los expertos, de los no científicos de datos, tal vez del desarrollador del material. |
| |
Y hablar en su área o en su idioma, lo ayuda a obtener esta información y no tiene que traducir el número en información dentro de un espectro, pero él ve eso y tal vez obtenga la respuesta que necesita. |
| |
De nuevo, un ejemplo muy trivial, muy simple, pero entiendo ... Espero que les muestre la esencia de lo que son los datos ... Function Data Explorer o les ayuda a lograr. |
| |
Entonces, pasando al segundo ejemplo, ese es el comienzo de la reacción química que desea detectar. |
| |
¿Y lo hacemos haciendo el ??? medición y desea ver un cambio en el módulo durante ... si calienta una determinada formulación química. Normalmente hay dos grandes espectros; el espectro se vería así, |
| |
donde hacia arriba en un cierto punto, el módulo cambia, se mueve abruptamente hacia arriba. Eso es normalmente aquí, es el comienzo de la reacción química. Entonces, el parámetro clave, que está extrayendo de ese espectro, cuál es el punto donde el módulo comienza a subir bruscamente. |
| |
los |
| |
El parámetro clave para un buen extracto es ese punto para encontrar el punto. Ahora puede ser un poco más complicado calcular un punto a partir de los datos originales sin procesar, pero sin embargo, puede hacerlo, verificar el punto donde comienza la reacción y luego hacer el análisis en el parámetro clave. |
| |
Haciendo eso, |
| |
lo que se obtiene de este análisis del parámetro clave es un modelo que le permite predecir el tipo de reacción química basándose, en este ejemplo, en cinco parámetros. Asi que, |
| |
Yo veré. De acuerdo, el punto de ... el punto o estos parámetros clave al comienzo de la reacción química es ... puede depender de esos ... depende de esos tres parámetros |
| |
y básicamente obtienes el rango de algo así como 70 grados donde la reacción química comienza a algo alrededor de 100 grados Celsius (oh, lo siento, ese es el incorrecto). |
| |
a unos 100 grados, sí. Entonces, nuevamente, reduce el espectro total a un número, |
| |
dando al desarrollo una pista de dónde comienza esta reacción química. |
| |
Haciendo el mismo análisis y también los datos ... ya tienes los datos, así que si quieres extraer los parámetros clave, también necesitas los datos sin procesar, por lo que también tienes los datos sin procesar disponibles. |
| |
Así que no ... no es mucho más esfuerzo ... más esfuerzo para hacer el análisis dentro del Explorador de datos funcionales usando un método de regresión estándar en los parámetros clave. |
| |
Asi que, |
| |
usando la misma cantidad o los mismos datos y usando el Explorador de datos funcionales para |
| |
Analizar los datos solo toma un par de segundos para calcular el resultado. |
| |
Ahí está. |
| |
Una vez más, ahora puede modelar todo el espectro, y qué ... así que en ese caso particular, no le mostré al desarrollador el análisis de los parámetros clave, pero les mostré primero el Explorador de datos funcionales, los resultados del Explorador funcional de datos. |
| |
Y cuando me acabo de mudar ... comencé a moverme y mostrarles esto y comencé a moverme alrededor de los factores que influyen, se dieron cuenta de inmediato. |
| |
que el punto de la reacción cambia. Así que no tuve que decirles que los puntos comenzaron a moverse porque ellos son los expertos en el campo ... de ser los expertos en los datos del espectro, |
| |
Inmediatamente reconocieron que básicamente el inicio de la reacción química cambia, como pueden ver aquí, ven que comienza a cambiar. |
| |
El otro es lo que ves, porque ahora básicamente has modelado los espectros completos, no solo modelas el parámetro clave, lo que ves |
| |
que la forma en que se ven los espectros cambia totalmente si lo mueves. Entonces, por ejemplo, verán que el pico comenzó a moverse y la altura del pico |
| |
cambios. Eso fue algo que también se reconoció inmediatamente después de que vieron estos este análisis. |
| |
Y la diferencia está en el parámetro clave, si extrae la oportunidad de un parámetro clave que significa una especie de reacción química, puede usar otros parámetros clave, tal vez. |
| |
indicándole la posición del óptimo o la posición del pico máximo aquí o la altura del pico máximo. |
| |
Y luego puede usar los datos espectrales en diferentes tipos de parámetros clave analizando esos parámetros clave posteriormente y mostrándolos, calcular un óptimo. |
| |
Pero lo bueno es que si usa el Explorador de datos funcionales, todos obtendrán esta información en una |
| |
análisis. Y usted, como mencioné antes, deja de hablar o usted ... no está hablando en números, pero habla en su, o habla en su idioma de datos espectrales y no tiene que traducir estos parámetros clave en su mundo de los espectros más. |
| |
Sí, y entonces obtienes mucha más información sobre estos en Functional Data Explorer y tal vez obtengan una visión más profunda de los procesos subyacentes. |
| |
Sí, ahora llego al último y último ejemplo. Es el |
| |
proceso de polimerización del que estaba hablando y eso es básicamente para determinar la distribución del peso molecular, |
| |
que es el resultado de la reacción de polimerización. Y de nuevo, como he mencionado, determinar la distribución molecular también suele ser complicado |
| |
para obtener o reducir una distribución completa en ciertos parámetros clave. Entonces, normalmente, ¿cómo se ve un espectro típico? Así que pongamos su espectral típico normal mostrando la masa molar de un polímero, así que haga todo el número de unidades repetidas que tiene en una cadena de polímero. |
| |
Y eso es lo que se obtiene de la reacción química y de la medición. Entonces, los parámetros clave que son bien conocidos o es un parámetro clave, tienes que ... |
| |
esa es la masa molar promedio en número, y la masa molar promedio en masa, la masa molar promedio Z y la polidispersidad, |
| |
que es la masa molar promedio en masa dividida por la masa molar promedio en número. |
| |
Ese parámetro, el PDI, la polidispersidad, le da una indicación de la amplitud o el tamaño de ... o el ancho de su distribución de peso molecular. |
| |
Nuevamente, teniendo estos cuatro parámetros clave que calcula a partir de sus datos sin procesar o sus datos espectrales, nuevamente ya tenemos esos datos disponibles para poder |
| |
calcular los parámetros clave. Puede volver a hacer el análisis utilizando técnicas estándar que nada, nada lujoso. |
| |
Y luego obtienes un modelo sobre tu ... este caso, son cuatro parámetros infractores en tu, en este caso tres, no puse polidispersidad, |
| |
bajo tres parámetros clave. Y ves ... lo que ves es que la masa molar promedio numérica realmente no cambia mucho si cambias estos cuatro factores, por lo que la influencia de esos cuatro factores en la masa molar promedio numérica no es demasiado pequeña. Es bastante grande y bastante significativo. |
| |
en la masa molar promedio de masa, como puede ver aquí. Entonces, puedes moverlo bastante, por lo que la diferencia es bastante grande, ¿entonces son alrededor de 150,000? por mol en total, la diferencia entre la configuración más baja y la más alta. |
| |
Pero, lo que significa que este, este número cambia de manera bastante significativa y esto no significa también que su dispersidad debería variar o debería ser ... o debería cambiar mucho. |
| |
El problema es que no ves en este número la forma en que se ve la distribución, por lo que no te da la forma, y digamos, en nuestro caso, es muy importante tener forma porque |
| |
afecta la procesabilidad de un polímero de manera bastante dramática. Asi que |
| |
teniendo solo tres números y tal vez la polidispersidad, no te da o no te dice, si la forma ... o |
| |
si la distribución es esa distribución monomodal, bimodal, trimodal cualquiera. |
| |
Lo que ve o podría simplemente hablar sobre la dispersión tal vez le dé una indicación de la amplitud de la distribución, pero no le dice si tiene un pico, dos picos o tres picos. |
| |
Pero hay bastante ... hace una gran diferencia en las características finales del material que obtenemos |
| |
del polímero o cambiar el rendimiento de nuestra cinta adhesiva en desarrollo. |
| |
Ahora, nuevamente, dado que ya tenía los datos brutos disponibles, puede usar nuevamente el Explorador de datos funcionales para obtener estos conocimientos u obtener mucha más información de estos ... todos estos datos solo de esos parámetros clave. |
| |
Una vez más, toma un par de segundos, pero ya está. |
| |
Y, una vez más, no hay nada lujoso en el análisis, así que también al comienzo de ... operar el Explorador de datos funcionales no es nada lujoso, nada |
| |
fuera de lo común, que extrae sus exportaciones como Y, coloca su ID de muestra, luego ingresa sus factores de su DOE. |
| |
Póngalos, presione el botón de inicio y básicamente eso es todo. Y básicamente puedes ahora ... puedes ajustarlo con los parámetros del modelo. |
| |
Pero es un procedimiento muy simple, muy directo y, nuevamente, obtienes mucha más información sobre las partes subyacentes de interés, simplemente reduciendo todos esos datos a algunos parámetros clave. En ese caso, |
| |
Me refiero a haberte mostrado que un parámetro clave realmente no cambia mucho, el otro sí, pero no te da la forma, por lo que no te da una indicación o el sentimiento sobre la distribución. |
| |
En ese caso, usar nuevamente esta herramienta te da esa idea, porque si ves cómo ... antes de ver ese punto que cambia mucho, el otro no lo hizo. |
| |
Sin embargo, si conoce algún tipo de cambio, por ejemplo, en ese caso. |
| |
Ese pico es más como un hombro, no es realmente un pico, pero si cambias tus factores de influencia, llegas a un punto en el que realmente se pone en un pico. |
| |
Sí, entonces realmente obtiene un segundo pico, y eso le dice algo sobre tal vez el mecanismo de polimerización o el mecanismo de polimerización subyacente. |
| |
que no obtienes de los parámetros clave, con solo mirar esos tres números, sí. |
| |
Pero aquí, podría darle una indicación o podría activar algo en el desarrollador porque esa es su área de especialización. Puede activar algo que le ayude a comprender el mecanismo subyacente y |
| |
le ayuda a dar el siguiente paso o le ayuda a dar el siguiente paso mejor para planificar los siguientes experimentos incluso mejor que antes, con solo haber visto estos números. |
| |
Bien, estoy al final de mi ... presentando mi ejemplo, así que espero poder mostrarles que el Explorador de datos funcionales realmente permite la visualización de la |
| |
resultados a los desarrolladores en su área de especialización. Quiero decir, tenga en cuenta que la mayoría en, digamos en nuestro caso, la mayoría de los desarrolladores no son científicos de datos, por lo que |
| |
ellos |
| |
no creen o tal vez no estén tan interesados en cómo llegar a los resultados, pero están más interesados en los resultados y la |
| |
problema que hay ... o si el Explorador de datos funcionales, digamos, le permite hablar en su idioma o en su área de especialización, eso significa, en nuestro caso, ser una empresa química, datos espectrales, y no tiene a |
| |
Deseche los datos valiosos para reducir los datos espectrales a algunos parámetros clave y haga el análisis de los parámetros clave. |
| |
Tener que explicar qué parámetros clave realmente ... cómo afectan los espectros, las formas de los espectros, la forma de los espectros, pero puede usar los datos y luego |
| |
comenzará a mostrarles esta influencia sobre los factores que está estudiando sobre la forma y la forma de los espectros y cómo cambian los espectros. |
| |
Y en muchos casos, en algunos casos, es posible que obtenga la misma información, pero en muchos casos, el análisis, utilizando el FDE, a menudo le brinda mucha más información, le brinda una visión más profunda del mecanismo subyacente. |
| |
Y no tiene que, digamos, tirar una gran cantidad de datos valiosos durante el proceso de reducción de los datos espectrales en algunos parámetros clave. |
| |
Con eso, me gustaría agradecerles a mis colegas del departamento de I + D por hacer todo el trabajo experimental, así que puedo estar aquí frente a ustedes para presentarles los buenos resultados. Y |
| |
Terminé con mi presentación. Muchas gracias por su atención. Si tiene alguna pregunta, no dude en preguntar. Muchísimas gracias. |
