Altoparlante
|
Trascrizione
|
| Simon Stelzig |
Ok, quindi ciao a tutti. Il mio nome è Simon Stelzig. Vengo da Lohmann, gli ingegneri dell'incollaggio. Vengo dal dipartimento di ricerca e sviluppo e vorrei raccontarvi qualcosa di oggi sul Functional Data Explorer e su come potete usarlo per visualizzare i risultati ai non data scientist. |
| |
Quindi, prima di iniziare, una brevissima presentazione dell'azienda Lohmann. Potresti non averne sentito parlare, ma usi o potresti esserti imbattuto nei suoi prodotti quotidianamente. |
| |
Quindi solo alcuni fatti e cifre su Lohmann. Quindi Lohmann ha un fatturato nel 2019 di circa 600 milioni di euro e la parte su cui sto lavorando è il Lohmann Tape Group e siamo un produttore di nastri adesivi. Si tratta principalmente di nastri biadesivi e siamo una pura azienda B2C, quindi solo tu |
| |
puoi acquistare il nostro prodotto solo quando ... se sei industriale ... per applicazioni industriali. Siamo piuttosto vecchi, quindi quest'anno sono passati circa 170 anni dalla fondazione dell'azienda Lohmann. |
| |
Fondamentalmente siamo divisi in due parti, quindi uno dei prodotti su nastro su cui sto lavorando. Questo è il focus sul |
| |
nastri adesivi per applicazioni industriali e questo è il nostro marchio di igiene. |
| |
E siamo attivi a livello globale. Abbiamo 25 sedi in tutto il mondo, con circa 1.800 dipendenti. E forse molto interessante, |
| |
Il 90% dei nostri prodotti è personalizzato, quindi abbiamo un portafoglio di prodotti piuttosto complesso, in cui molti prodotti si concentrano su una quantità molto ridotta di applicazioni per un gruppo molto piccolo di clienti. |
| |
E quindi, siamo il principale produttore di nastri adesivi o molti nastri biadesivi e sai che abbiamo molte applicazioni, e questo è il nostro segmento di mercato in cui ci troviamo. |
| |
Quindi una delle nostre è l'applicazione industriale. Questo è principalmente per finestre e porte o per applicazioni interne ed esterne nel settore dell'edilizia e delle costruzioni. |
| |
Oppure potresti imbatterti in prodotti Lohmann in elettrodomestici e dispositivi elettronici, ad esempio nastri adesivi per fissare la cover posteriore degli smartphone. O nel file |
| |
segmenti medici principalmente per applicazioni diagnostiche, cura delle ferite. Nel campo dei trasporti in ... per automotive magari per interni o per esterni |
| |
adesione degli emblemi sulle vetture. Ad esempio, operiamo anche nel settore della grafica per applicazioni di stampa flessibili in cui forniamo nastri adesivi |
| |
per fissare la lastra di stampa sulle maniche. Una delle ... una suddivisione del Lohmann Tape Group è il marchio di igiene in cui forniamo sistemi di chiusura per pannolini. |
| |
Quindi una gamma molto ampia di applicazioni e un altro punto che ho appena menzionato prima è che circa il 90% dei nostri prodotti è personalizzato. E un altro fatto su Lohmann è |
| |
che la nostra catena del valore è una catena del valore molto profonda, quindi se pensi a un nastro adesivo, hai bisogno di uno strato adesivo che |
| |
si incolla o si attacca al soggetto a cui si desidera aderire. |
| |
Hai bisogno di un corriere, opzionalmente un corriere che trasporta il tuo strato adesivo, e dall'altro lato, poiché siamo un produttore dei nastri biadesivi che hai di nuovo sull'altro lato, |
| |
uno strato adesivo. E la catena del valore di Lohmann inizia fondamentalmente all'inizio, quindi possiamo creare il nostro polimero, quindi il polimero di base per un adesivo. |
| |
Quindi dobbiamo formulare il polimero in una formulazione adesiva, che poi mettiamo nella fase successiva su un supporto, essendo esso sotto forma di un nastro adesivo sotto forma di |
| |
Abbastanza grande ??? rotoli. E alla fine, così possiamo consegnarlo nella forma |
| |
il cliente vuole che sia. Quindi, se hai delle fustelle, forse degli emblemi per auto, devi avere quel nastro adesivo che non ha bisogno di una forma specifica, forniamo quella forma specifica come richiesto dal cliente. |
| |
E l'R & D si concentra principalmente sulle prime tre parti di esso, quindi per la polimerizzazione, la formulazione del rivestimento e per ottenere, come ho accennato, molti dei nostri prodotti vengono personalizzati, in modo da arrivare il più velocemente possibile al l'obiettivo di soddisfare i requisiti dei nostri clienti che applichiamo |
| |
progettazione di esperimenti durante il corso |
| |
di arrivare al prodotto finale e di soddisfare le esigenze dei nostri clienti. |
| |
E avere un sacco di |
| |
anche progettare esperimenti o fare molti esperimenti fornisce molti dati. |
| |
E facendo questi esperimenti o la progettazione di esperimenti in quel corso ed essendo un'azienda chimica, molti dati, nei risultati degli esperimenti, ottieni molti dati, molti spettri. |
| |
Quindi, la maggior parte dei nostri esperimenti dà ... non ti dà un valore, non ti dà un numero, ti dà uno spettro. |
| |
E, nella maggior parte dei casi, se vuoi fare gli esperimenti, come nel mio caso, io sono, diciamo, i data scientist che forniscono il servizio di pianificazione di quegli esperimenti e analisi |
| |
esperimenti e facendo l'intera analisi dei dati per i miei colleghi, che potrebbero, in tal caso, non essere scienziati dei dati. |
| |
Sono gli sviluppatori del prodotto finale e mi prendono come un servizio per fare tutto il tempo di analisi dei dati. Nella maggior parte dei casi, estrai da quei dati da quei dati spettri, parametri chiave che descrivono i tuoi dati spettri. |
| |
Potrebbe essere, nel caso della polimerizzazione, che potrebbe essere la distribuzione del peso molecolare, potrebbe significare la dimensione del tuo |
| |
polimero che otteniamo dalla reazione, che potrebbe essere l'inizio di una reazione per rilevare il tipo di reazione con qualsiasi mezzo di misurazione o qualcos'altro. |
| |
Quindi, se fai l'analisi durante l'analisi dei dati, estrai quei parametri chiave e fai l'analisi, il più delle volte nella classica analisi DOE su quei parametri chiave. |
| |
Così |
| |
come scienziato dei dati, quindi, come servizio ai miei colleghi, gli sviluppatori, faccio questa analisi su quei parametri chiave. |
| |
Forniscono anche a me, le esigenze del cliente e tu vuoi soddisfare le esigenze di questi clienti, sono l'ottimale dove vuoi essere la tua formulazione o prodotto da raggiungere. |
| |
Fatto questo, dopo aver fatto l'analisi, dopo aver fatto l'ottimizzazione, ad un certo punto vai dal tuo, oppure vado dai miei colleghi e ti presento i risultati. |
| |
E poiché ho fatto tutte le analisi sui parametri chiave, presento anche i risultati su quei parametri chiave. |
| |
Il problema è che, sebbene i miei colleghi di sviluppo oi miei team di progetto, siano esperti nell'area ... gli esperti nella loro esperienza, ma non esperti di scienza dei dati. |
| |
Quindi il problema qui è che se faccio l'analisi sui parametri chiave e parlo anche nella lingua dei parametri chiave, ma loro come esperti nella loro area di competenza, |
| |
stanno ancora pensando agli spettri perché è allora che sono stati fatti gli esperimenti, questo è ciò che l'analisi che ottengono, vedono gli spettri dove vedo i numeri. |
| |
Rimane sempre il problema che se presento i risultati e l'analisi in parametri chiave, pensano ancora per spettri. |
| |
Quindi hai sempre il problema di parlare in lingue diverse. Parlo nel linguaggio dei numeri, parlano nel linguaggio degli spettri, |
| |
il che quindi porta al problema che devono tradurre quei numeri nella loro area di competenza, ovvero gli spettri. |
| |
Oppure, devo tradurre questi parametri chiave nella loro lingua che significa gli spettri. Fortunatamente con Functional Data Explorer, questo è una sorta di traduttore universale per risolvere quel tipo di problema. |
| |
E quello che faccio, o voglio mostrarti oggi, è su tre esempi, come il Functional Data Explorer ti aiuta molto a superare questa barriera o questa barriera linguistica tra i data scientist che parlano numeri e lo sviluppatore che pensa e parla in spettri. |
| |
In un esempio, quindi il primo esempio che voglio mostrarti, è un esempio molto semplice, molto banale, forse su una misurazione che descrive la qualità di stampa nella stampa frattale |
| |
sperimentare. Il secondo descrive una misura che definisce una sorta di reazione chimica. E ce n'è una terza; è una misura che ti dà il peso molecolare di un polimero |
| |
durante una reazione di polimerizzazione. Smetterò ora di usare PowerPoint e passerò a JMP, sì, eccolo. |
| |
Quindi il primo esempio che ho mostrato ... come ti ho detto, è l'analisi della qualità di stampa. Quindi fai la misurazione e gli spettri ideali e perfetti sarebbero a |
| |
linea molto dritta che attraversa l'origine con pendenza 1. Quindi sarebbe l'ideale se raggiungessi quella perfetta, quindi è una misura, questa volta la qualità di stampa. |
| |
Normalmente, quello che ottieni ... normale, è un ambiente di vita reale. Otteniamo qualcosa che non sembra proprio una linea retta ma è leggermente spostato verso un valore più alto, quindi non è una linea ... è piegata verso l'alto. |
| |
Allora cosa vuoi fare con queste informazioni? Vogliamo vedere o vuoi schermare quali parametri sostanzialmente sposta o piega la curva verso l'alto, quindi non è l'ideale. |
| |
Quindi vado ai parametri chiave di ciò che definiremmo parametri chiave o è fondamentalmente la differenza tra una linea retta e la linea effettiva che ottieni. Quindi è piuttosto semplice, devi solo usare il file |
| |
la differenza ... è una parte della differenza con questo punto. |
| |
Quindi se fai l'analisi, poi sui parametri chiave, è anche ... è un'analisi ora molto semplice. Uso un albero decisionale per ottenere il ... per ottenere la schermata qui quale parametro influenza di più, questa deviazione dallo spettro ideale ed è piuttosto semplice. Abbiamo circa 22 fattori di influenza. |
| |
Eccone uno, che fondamentalmente ha un'influenza su alcuni o influenza questo distacco da questa situazione ideale. |
| |
E si chiama X 22, qualunque cosa sia, non ha molta importanza. Quindi a un certo punto se si muove ... |
| |
se è maggiore di un certo valore, ottieni un numero, diciamo, 250, se si sposta al di sotto di quel determinato valore, ottieni 196, il problema è che se lo dicessi allo sviluppo ... se lo mostrassi a un analisi dello sviluppo, |
| |
vi chiederà se è buono o è ancora buono o è molto cattivo o è forse adatto e quel tipo di adatto. |
| |
Il problema è con il numero puro, non lo vedi davvero, quindi perché sta parlando in un tipo diverso di ... in un'area diversa con una lingua diversa. |
| |
E l'utilizzo di Functional Data Explorer può davvero aiutarti molto a rispondere alla domanda, tuttavia, perché se passi a Functional Data Explorer e fai la stessa analisi nei dati nella funzione ... con Functional Data Explorer, |
| |
ottieni qualcosa che mostra come questo. Quindi ti mostra, mostra lui o lo sviluppatore che gli hai mostrato ... gli mostri il grafico. Il grafico a cui è abituato con il grafico ottiene normalmente dalle sue misurazioni o dai suoi esperimenti, gli esperimenti che fa. |
| |
La stessa cosa ora se tu, ad esempio, se ha lo stesso parametro che influenza la forma della curva, ma se non ti piace quello mostra quello con il 250, |
| |
dall'analisi per il parametro chiave sarebbe il tuo 250, sarà 196 e vedi la differenza. Voglio dire che non è proprio una linea retta. |
| |
Ma se scende come al numero più basso, che mostra il numero prima di voler evitare, |
| |
non sembra poi così male ... non è proprio, voglio dire, una sorta di linea retta perfetta, ma non è così, non tanto ... non è lontano dall'essere |
| |
una linea retta e forse a quel punto, se mostri questo tipo di analisi ai non data scientist, lo sviluppatore, |
| |
forse è già abbastanza buono per lui, forse quel punto in cui dici ok non è una linea retta non è perfetto, ma è buono per il lavoro. |
| |
Fondamentalmente, si adatta alle esigenze del cliente. Ed è qualcosa che non vede dal numero puro che gli mostri. Quindi in quel caso è un esempio molto banale, un esempio molto semplice, |
| |
ma spero che ti dia l'essenza che l'utilizzo di un Functional Data Explorer ti consente di parlare nel linguaggio degli esperti, dei non data scientist, forse dello sviluppatore del materiale. |
| |
E tu parli nella sua zona o nella sua lingua, lo aiuta a ottenere questa intuizione e non deve tradurre il numero in intuizione in uno spettro, ma lui lo vede e forse ottiene la risposta di cui ha bisogno. |
| |
Quindi di nuovo, esempio molto banale, molto semplice, ma ottengo ... spero che ti mostri l'essenza di ciò che i dati ... Funzione Data Explorer è o ti aiuta a ottenere. |
| |
Quindi, passando al secondo esempio, questo è l'inizio della reazione chimica che vuoi rilevare. |
| |
E lo facciamo facendo il ??? misura e vuoi vedere un cambiamento nel modulo durante il ... se riscaldi una certa formulazione chimica. Normalmente ci sono due grandi spettro; lo spettro sarebbe simile, |
| |
dove in alto ad un certo punto il modulo cambia, si sposta ripidamente verso l'alto. Normalmente è qui, è l'inizio della reazione chimica. Quindi il parametro chiave, che stai estraendo da quegli spettri, qual è il punto in cui il modulo inizia bruscamente a salire. |
| |
Il |
| |
parametro chiave per una buona estrazione è quel punto per trovare il punto. Ora potrebbe essere un po 'più complicato calcolare un punto dai dati grezzi originali, ma tuttavia, puoi farlo, controllare il punto in cui inizia la reazione ed eseguire quindi l'analisi sul parametro chiave. |
| |
Facendo questo, |
| |
ciò che si ottiene da questa analisi sul parametro chiave è un è un modello che consente di prevedere il tipo di reazione chimica in base, in questo esempio, a cinque parametri. Così, |
| |
Vedrò. Ok, il punto di ... il punto o questi questi parametri chiave all'inizio della reazione chimica è ... può dipendere da quelli ... dipende da quei tre parametri |
| |
e fondamentalmente ottieni la gamma da qualcosa come 70 gradi in cui la reazione chimica inizia a qualcosa di circa 100 gradi Celsius (oh mi dispiace, è quello sbagliato). |
| |
a circa 100 gradi, sì. Quindi, di nuovo, riduci gli spettri totali in un numero, |
| |
dando allo sviluppo un indizio su dove inizia questa reazione chimica. |
| |
Facendo la stessa analisi e anche i dati ... hai già i dati, quindi se vuoi estrarre i parametri chiave, hai bisogno anche dei dati grezzi, in modo da avere anche i dati grezzi disponibili. |
| |
Quindi non ... non è davvero molto più sforzo ... più sforzo per eseguire l'analisi all'interno di Functional Data Explorer utilizzando un metodo di regressione standard sui parametri chiave. |
| |
Così, |
| |
utilizzando la stessa quantità o gli stessi dati e utilizzando Functional Data Explorer per |
| |
analizzare i dati richiede solo un paio di secondi per calcolare il risultato. |
| |
Eccolo. |
| |
Ancora una volta, ora puoi modellare l'intero spettro, e cosa ... quindi in quel caso particolare, non ho mostrato allo sviluppatore per l'analisi sui parametri chiave, ma ho mostrato loro prima il Functional Data Explore, i risultati del Data Explorer funzionale. |
| |
E quando mi sono appena trasferito ... ho iniziato a muovermi e mostrare loro questo e ho iniziato a muovermi intorno ai fattori di influenza, hanno immediatamente notato |
| |
che il punto della reazione cambia. Quindi non ho dovuto dire loro che i punti hanno iniziato a muoversi perché sono gli esperti nel campo ... di essere gli esperti sui dati dello spettro, |
| |
hanno immediatamente riconosciuto che fondamentalmente l'inizio della reazione chimica cambia, come puoi vedere qui, vedi che inizia a cambiare. |
| |
L'altro quello che vedi, perché ora hai praticamente modellato gli spettri completi, non modifichi solo il parametro chiave, ciò che vedi |
| |
che il modo in cui appaiono gli spettri cambia totalmente se lo muovi. Quindi, ad esempio, vedranno che il picco ha iniziato a muoversi e l'altezza del picco |
| |
i cambiamenti. Questo è stato anche riconosciuto subito dopo aver visto queste analisi. |
| |
Ed era la differenza è sul parametro chiave, se estrai la possibilità a un parametro chiave che significa una sorta di reazione chimica, puoi usare altri parametri chiave, forse. |
| |
indicando la posizione dell'ottimo o la posizione del picco massimo qui o l'altezza del picco massimo. |
| |
E poi puoi usare i dati spettrali in diversi tipi di parametri chiave analizzando successivamente quei parametri chiave e mostrandoli loro, calcolare un ottimo. |
| |
Ma la cosa buona è che, se usi il Functional Data Explorer, ottieni tutte queste informazioni in una |
| |
analisi. E tu, come ho detto prima, smetti di parlare o tu ... non stai parlando in numeri, ma parli nella loro, o parli nella loro lingua di dati spettrali e non devi tradurre questi parametri chiave più nel loro mondo degli spettri. |
| |
Sì, quindi ottieni molte più informazioni su questi in Functional Data Explorer e forse ottengono una visione più approfondita dei processi sottostanti. |
| |
Sì, ora vengo all'ultimo e ultimo esempio. È il |
| |
processo di polimerizzazione di cui parlavo e che fondamentalmente determina la distribuzione del peso molecolare, |
| |
che è il risultato della reazione di polimerizzazione. E ancora, come ho già detto, determinare la distribuzione molecolare è anche tipicamente complicato |
| |
per ottenere o ridurre un'intera distribuzione in determinati parametri chiave. Quindi normalmente, come appare uno spettro tipico? Quindi mettiamo il tuo normale spettro tipico che mostra la massa molare di un polimero, quindi crea tutto il numero di unità ripetitive che hai in una catena polimerica. |
| |
Ed è quello che ottieni dalla reazione chimica e dalla misurazione. Quindi i parametri chiave che sono è ben noto o è un parametro chiave, devi ... |
| |
questa è la massa molare media numerica e la massa molare media di massa, la massa molare media Z e la polidispersione, |
| |
che è la massa molare media di massa divisa per la massa molare media numerica. |
| |
Quel parametro, il PDI, la polidispersione, ti dà un'indicazione dell'ampiezza o della dimensione del ... o dell'ampiezza della tua distribuzione del peso molecolare. |
| |
Ancora una volta, avendo questi quattro parametri chiave che calcoli dai tuoi dati grezzi o dai tuoi dati spettrali, ancora una volta abbiamo già quei dati disponibili per |
| |
calcolare i parametri chiave. Puoi fare di nuovo l'analisi usando tecniche standard che niente, niente di speciale. |
| |
E poi ottieni un modello sul tuo ... questo caso, sono quattro parametri che violano il tuo, in questo caso tre, non ho inserito la polidispersione, |
| |
sotto tre parametri chiave. E vedi ... quello che vedi che la massa molare media numerica non cambia davvero molto se modifichi questi quattro fattori, quindi l'influenza su questi quattro fattori sulla massa molare media numerica, non è troppo piccola. È abbastanza grande ed è piuttosto significativo |
| |
sulla massa massa molare media, come puoi vedere qui. Quindi puoi spostarlo abbastanza, quindi la differenza è abbastanza grande, quindi è di circa 150.000? per mole in totale, la differenza tra l'impostazione più bassa e l'impostazione più alta. |
| |
Ma, nel senso che questo, questo numero cambia in modo abbastanza significativo e questo non significa anche che la tua dispersione dovrebbe variare o dovrebbe essere ... o dovrebbe cambiare molto. |
| |
Il problema era che non vedi da questo numero è l'aspetto della distribuzione, quindi non ti dà la forma, e diciamo, nel nostro caso, è molto importante avere forma perché |
| |
influisce notevolmente sulla lavorabilità di un polimero. Così |
| |
avendo solo tre numeri e forse la polidispersione, non ti dà o non ti dice, se la forma ... o |
| |
se la distribuzione è quella monomolica, bimodale, trimodale qualunque. |
| |
Quello che vedi o potresti semplicemente parlare della dispersità forse ti dà un'indicazione dell'ampiezza della distribuzione, ma non ti dice se hai un picco, due picchi o tre picchi. |
| |
Ma c'è abbastanza ... fa una grande differenza nelle caratteristiche finali del materiale che otteniamo |
| |
del polimero o modificare le prestazioni del nostro nastro adesivo in fase di sviluppo. |
| |
Ora, ancora una volta, poiché avevi già i dati grezzi disponibili, puoi utilizzare di nuovo il Functional Data Explorer per ottenere queste informazioni o ottenere molte più informazioni da queste ... tutti questi dati solo da quei parametri chiave. |
| |
Ancora una volta, ci vogliono un paio di secondi, ma poi hai finito. |
| |
E, ancora una volta, non c'è niente di speciale nell'analisi, quindi anche all'inizio di ... per utilizzare Functional Data Explorer non è niente di speciale, niente |
| |
fuori dall'ordinario, che prendi le tue esportazioni come Y, inserisci il tuo ID campione, quindi inserisci i tuoi fattori dal tuo DOE. |
| |
Inseriscili, premi il pulsante di avvio e in pratica il gioco è fatto. E puoi fondamentalmente ora ... puoi adattarlo ai parametri del modello. |
| |
Ma è una procedura molto semplice, molto diretta e, ancora una volta, ottieni molte più informazioni sulle parti di interesse sottostanti, riducendo semplicemente tutti quei dati ad alcuni parametri chiave. In quel caso, |
| |
Voglio dire averti mostrato che l'unico parametro chiave non cambia molto, l'altro sì, ma non ti dà la forma, quindi non ti dà un'indicazione o la sensazione sulla distribuzione. |
| |
In tal caso, usare di nuovo questo strumento ti dà quell'intuizione, perché se vedi come ... prima di vedere quel punto che cambia molto, l'altro no. |
| |
Se conosci una sorta di cambiamento, però, ad esempio, in quel caso. |
| |
Quel picco è più simile a una spalla, non è davvero un picco, ma se cambi i tuoi fattori di influenza arrivi a un punto in cui in realtà ottiene un picco. |
| |
Sì, quindi ottiene davvero un secondo picco, e questo ti dice qualcosa sul meccanismo di polimerizzazione o sul meccanismo di polimerizzazione sottostante |
| |
che non ottieni dai parametri chiave, semplicemente guardando quei tre numeri, sì. |
| |
Ma qui, potrebbe darti un'indicazione o potresti innescare qualcosa nello sviluppatore perché questa è la sua area di competenza. Potresti innescare qualcosa che lo aiuti a capire il meccanismo sottostante e poi |
| |
lo aiuta a fare il passo successivo o lo aiuta a fare il passo successivo meglio per pianificare i prossimi esperimenti successivi anche meglio di prima, solo dopo aver visto questi numeri. |
| |
Bene, quindi sono alla fine del mio ... presentando il mio esempio, quindi potrei sperare di poterti mostrare che il Functional Data Explorer abilita davvero la visualizzazione del |
| |
risultati agli sviluppatori nella loro area di competenza. Voglio dire, tieni presente che la maggior parte, diciamo nel nostro caso, la maggior parte degli sviluppatori non sono scienziati di dati, quindi |
| |
essi |
| |
non credono o forse non sono così interessati a come arrivare ai risultati ma sono più interessati ai risultati e al |
| |
problema c'è ... o se il Functional Data Explorer, diciamo, ti permette di parlare nella loro lingua o nella loro area di competenza che significa, nel nostro caso, essere un'azienda chimica, dati spettrali e non hai per |
| |
buttare via dati preziosi per ridurre i dati spettrali in alcuni parametri chiave e fare l'analisi sui parametri chiave. |
| |
Dovendo spiegare quali parametri chiave effettivamente ... come influenzano gli spettri, le forme degli spettri, la forma degli spettri, ma puoi semplicemente usare i dati e poi |
| |
inizierai a mostrare loro queste influenze sui fattori che stai studiando sulla forma e la forma degli spettri e su come cambiano gli spettri. |
| |
E in molti casi, in alcuni casi, potresti ottenere la stessa intuizione, ma in molti casi, l'analisi, utilizzando l'FDE spesso ti dà una visione molto più approfondita, ti dà una visione più profonda del meccanismo sottostante. |
| |
E non è necessario, diciamo, buttare via molti dati preziosi durante il processo di riduzione dei dati spettrali in alcuni parametri chiave. |
| |
Detto questo, desidero ringraziare voi, i miei colleghi del dipartimento di ricerca e sviluppo per aver svolto tutto il lavoro sperimentale, così posso stare qui di fronte a voi per presentare i bei risultati. E |
| |
Ho finito con la mia presentazione. Grazie per la vostra attenzione. In caso di domande, non esitare a chiedere. Grazie mille. |
