Vocero
|
Transcripción
|
| Simón Stelzig |
Bien, hola a todos. Mi nombre es Simón 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 puede usarlo para visualizar resultados para los 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 usas o te has encontrado con sus productos a diario. |
| |
Así que solo algunos datos y cifras sobre Lohmann. 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 productores de cintas adhesivas. Se trata principalmente de cintas adhesivas de doble cara y somos una empresa B2C pura, 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 unos 170 años desde que se fundó la empresa Lohmann. |
| |
Básicamente estamos divididos en dos partes, por lo que uno de los productos de cinta es en el que estoy trabajando. Ese es el enfoque en el |
| |
cintas adhesivas para aplicaciones industriales y esa es nuestra marca de higiene. |
| |
Y estamos globalmente activos. Tenemos 25 sitios en todo el mundo, con aproximadamente 1800 empleados. Y tal vez muy interesante, |
| |
El 90 % de nuestros productos se personalizan, por lo que tenemos una cartera de productos bastante compleja, donde tenemos muchos productos enfocados en una cantidad muy pequeña de aplicaciones para un grupo muy pequeño de clientes. |
| |
Y así, somos el principal productor de cintas adhesivas o muchas cintas adhesivas de doble cara y tenemos muchas aplicaciones, y este es nuestro segmento de mercado en el que estamos. |
| |
Así que una de las nuestras es la aplicación industrial. Eso es principalmente para ventanas y puertas o aplicaciones en interiores y exteriores en el área de construcción y edificación. |
| |
O puede encontrar productos de Lohmann en electrodomésticos y dispositivos electrónicos, por ejemplo, como cintas adhesivas para fijar la cubierta posterior 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 autos. También estamos, por ejemplo, en la industria gráfica para aplicaciones de impresión flexible donde entregamos cintas adhesivas |
| |
para fijar la placa de impresión en las mangas. Una de las subdivisiones de Lohmann Tape Group es la marca de higiene donde ofrecemos sistemas de cierre para pañales. |
| |
Muy amplia gama de aplicaciones y otro punto que acabo de mencionar es que alrededor del 90% de nuestros productos son 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 pega a su tema al que desea adherirse. |
| |
Necesita un soporte, opcionalmente un soporte que lleva su capa adhesiva, y en el otro lado, ya que somos productores 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, por lo que el polímero base para un adhesivo. |
| |
Luego, tenemos que formular ese polímero en una formulación adhesiva, que luego colocamos en el siguiente paso en un soporte, en forma de cinta adhesiva en forma de |
| |
bastante grande ??? rollos Y al final, podemos entregar eso en la forma |
| |
el cliente quiere que sea. Entonces, si tiene algunos troquelados, tal vez algunos emblemas para automóviles, necesita tener esas cintas adhesivas, no necesita una forma específica, entregamos esa forma específica según lo requiera el cliente. |
| |
Y la I+D se centra principalmente en las tres primeras partes, 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 a la objetivo 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 teniendo mucho |
| |
hacer el diseño de experimentos o hacer muchos experimentos en general también proporciona muchos 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 te da un valor, no te da un número, te da un espectro. |
| |
Y, en la mayoría de los casos, si quiere hacer los experimentos, como en mi caso, yo soy, digamos, los científicos de datos que brindan el servicio de planificación de esos experimentos y análisis. |
| |
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 espectro, parámetros clave que describen sus datos de espectro. |
| |
Eso podría ser, en el caso de la polimerización, 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 por cualquier medio de medición o algo más. |
| |
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. |
| |
Entonces |
| |
Como científico de datos, yo, como servicio a mis colegas, los desarrolladores, hago este análisis de esos parámetros clave. |
| |
También me entregan los requisitos del cliente y usted desea cumplir con estos requisitos de los clientes, ellos son el lugar óptimo donde desea que esté o alcance su formulación o producto. |
| |
Habiendo hecho esto, habiendo hecho el análisis, habiendo hecho la optimización, en algún momento vas a tu, o voy a mis compañeros y les presento los resultados. |
| |
Y dado que 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... 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 fue entonces cuando se realizaron 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. Yo hablo en el lenguaje de los números, ellos hablan en el lenguaje de los espectros, |
| |
lo que luego lleva 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 una especie 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 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. |
| |
experimento. El segundo describe una medida que define una especie de reacción química. Y hay un tercero; es una medida que te da el peso molecular de un polímero |
| |
durante una reacción de polimerización. Dejo ahora de usar PowerPoint y paso a JMP, sí, ahí está. |
| |
Entonces, 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 1. Eso sería lo ideal si llegas a eso perfecto, así que es una medida, esta vez la calidad de impresión. |
| |
Normalmente, lo que obtienes... normal, es un entorno de 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 doblado hacia arriba. |
| |
Entonces, ¿qué quieres hacer con esa información? Queremos ver o desea ver qué parámetros básicamente mueven o doblan la curva hacia arriba para que no sea 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... ahora es un análisis muy simple. Utilizo un árbol de decisión para obtener... para obtener la pantalla aquí, qué parámetro influye más, esto se aleja del espectro ideal y es bastante simple. Tenemos alrededor de 22 factores que influyen. |
| |
Ahí ves uno, que básicamente tiene una influencia en algunos o influye en que se desvíe de esta situación ideal. |
| |
Y se llama este X 22, sea lo que sea, realmente no importa. Así que en un momento si se mueve... |
| |
si es mayor que cierto valor, obtienes, digamos, un número de 250, si se mueve por debajo de cierto valor, obtienes 196, el problema es que si le dijiste esto a desarrollo... si se lo mostraste a un análisis de desarrollo, |
| |
él te preguntará, es 196 bueno o es 254 todavía bueno o es muy malo o es tal vez adecuado y más o menos adecuado. |
| |
El problema es con el número puro, realmente no lo ves, porque él está hablando en un tipo diferente de... en un área diferente con un idioma diferente. |
| |
Sin embargo, usar el Explorador de datos funcionales realmente puede ayudarlo mucho a 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, le muestra a él o al desarrollador que le mostraste ... le muestras el gráfico. El gráfico al que está acostumbrado con el gráfico normalmente se obtiene de sus medidas o sus experimentos, los experimentos que hace. |
| |
Lo mismo ahora si usted, por ejemplo, si tiene el mismo parámetro que influye en la forma de la curva, pero si no le gusta que 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 evitarlo, 196, |
| |
no se ve tan mal así que... en realidad no es, quiero decir, una especie de línea recta perfecta, pero no lo es tanto, no tanto... no está lejos de ser |
| |
una línea recta y tal vez en ese punto, si muestra este tipo de análisis a los que no son 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 ajusta a la necesidad del cliente. Y eso es algo que no ve en 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 idioma de los expertos, de los que no son científicos de datos, tal vez el desarrollador del material. |
| |
Y usted está hablando en su área o en su idioma, lo ayuda a obtener esta percepción y no tiene que traducir el número en percepción en un espectro, pero él ve eso, y tal vez obtenga la respuesta que necesita. |
| |
De nuevo, un ejemplo muy trivial y muy simple, pero entiendo... Espero que les muestre la esencia de lo que son los datos... La función Explorador de datos es 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 arriba en cierto punto, el módulo cambia, se mueve abruptamente hacia arriba. Eso normalmente está aquí, es el comienzo de la reacción química. Entonces, el parámetro clave, que está extrayendo de ese espectro, cuál es el punto en el que el módulo comienza a subir bruscamente. |
| |
El |
| |
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 sin procesar originales, pero sin embargo, puede hacerlo, verificar el punto donde comienza la reacción y luego realizar el análisis en el parámetro clave. |
| |
Haciendo eso, |
| |
lo que 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. Entonces, |
| |
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 desde algo así como 70 grados donde comienza la reacción química hasta algo así como 100 grados centígrados (oh, lo siento, ese es el incorrecto). |
| |
a unos 100 grados, sí. De nuevo, reduce los espectros totales a un número, |
| |
dando al desarrollo una pista de dónde comienza esta reacción química. |
| |
Haciendo el mismo análisis y también los datos... ya tiene los datos, por lo que si desea extraer los parámetros clave, también necesita los datos sin procesar, por lo que también tiene los datos sin procesar disponibles. |
| |
Así que no... realmente no es mucho más esfuerzo... más esfuerzo hacer el análisis dentro del Explorador de datos funcionales usando un método de regresión estándar en parámetros clave. |
| |
Entonces, |
| |
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. |
| |
Nuevamente, ahora puede modelar todo el espectro, y qué... entonces, en ese caso particular, no mostré al desarrollador el análisis de los parámetros clave, pero primero les mostré la Exploración de datos funcionales, los resultados de la Explorador de datos funcionales. |
| |
Y cuando me acabo de mudar... comencé a moverme y mostrarles esto y comencé a moverme alrededor de los factores influyentes, inmediatamente notaron |
| |
que el punto de la reacción cambia. Así que no tuve que decirles que los puntos comenzaron a moverse porque son los expertos en el campo... de ser los expertos en los datos del espectro, |
| |
Inmediatamente reconocieron que básicamente el comienzo de la reacción química cambia, como pueden ver aquí, ven que comienza a cambiar. |
| |
El otro lo que ves, porque ahora básicamente modelaste el espectro completo, no solo modelas el parámetro clave, lo que ves |
| |
que la apariencia del espectro 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 ver estos este análisis. |
| |
Y la diferencia está en el parámetro clave, si extrae la posibilidad de un parámetro clave que significa una especie de reacción química, puede usar otros parámetros clave, tal vez. |
| |
diciéndote 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 mostrándoselos, calcular un óptimo. |
| |
Pero lo bueno es que, si usa el Explorador de datos funcionales, obtendrá toda esta información en uno |
| |
análisis. Y tú, como mencioné antes, dejas de hablar o tú... no estás hablando en números, sino que hablas en su, o hablas en su idioma de datos espectrales y no tienes que traducir estos parámetros clave en su mundo de los espectros nunca más. |
| |
Sí, y entonces obtienes mucha más información sobre estos en el Explorador de datos funcionales 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 que es básicamente para determinar la distribución del peso molecular, |
| |
que es el resultado de la reacción de polimerización. Y nuevamente, como mencioné, determinar la distribución molecular también suele ser complicado. |
| |
obtener o reducir una distribución completa a ciertos parámetros clave. Entonces, normalmente, ¿cómo se ve un espectro típico? Entonces, pongamos su espectro típico normal que muestre 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 obtienes de la reacción química y de la medición. Entonces, los parámetros clave, que son bien conocidos o son un parámetro clave, tiene 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, con estos cuatro parámetros clave que calcula a partir de sus datos sin procesar o sus datos espectrales, ya tenemos esos datos disponibles para |
| |
calcular los parámetros clave. Puede volver a hacer el análisis utilizando técnicas estándar que nada, nada sofisticado. |
| |
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 en número realmente no cambia mucho si cambias estos cuatro factores, por lo que la influencia de esos cuatro factores en la masa molar promedio en número, no es demasiado pequeña. Es bastante grande y es bastante significativo. |
| |
en la masa molar promedio en masa, como se puede ver aquí. Entonces, puedes moverlo bastante, por lo que la diferencia es bastante grande, ¿entonces es alrededor de 150,000? por mol en total, la diferencia entre el ajuste más bajo y el ajuste más alto. |
| |
Pero, lo que significa que este, que este número cambia bastante y esto no significa que su dispersión debería variar o debería ser... o debería cambiar bastante. |
| |
El problema que no ves en este número es 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. Entonces |
| |
teniendo solo tres numeros y quizas la polidispersidad, no te da o no te dice, si la forma...o |
| |
si la distribución es esa distribución monomol, bimodal, trimodal cualquiera. |
| |
Lo que ve o podría simplemente hablar de 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 sin procesar disponibles, puede usar nuevamente el Explorador de datos funcionales para obtener esta información u obtener mucha más información de estos... todos estos datos solo de esos parámetros clave. |
| |
Una vez más, toma un par de segundos, pero luego ya está. |
| |
Y, una vez más, no hay nada lujoso en el análisis, así que también al comienzo de... para operar el Explorador de datos funcionales no es nada lujoso, nada |
| |
fuera de lo común, que obtiene sus exportaciones como Y, ingresa 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, de nuevo, 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 en realidad no cambia mucho, el otro sí, pero no te da la forma, por lo que no te da una indicación o la sensación sobre la distribución. |
| |
En ese caso, usar de nuevo esta herramienta te da esa idea, porque si ves cómo... antes de ver ese punto que cambia mucho, el otro no. |
| |
Si sabe tipo de cambio, aunque, por ejemplo, en ese caso. |
| |
Ese pico es más como un hombro, en realidad no es un pico, pero si cambias tus factores de influencia, llegas a un punto en el que realmente alcanza un pico. |
| |
Sí, realmente obtiene un segundo pico, y eso te dice algo sobre 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 darte una indicación o podrías desencadenar algo en el desarrollador porque esa es su área de especialización. Puede desencadenar algo que lo ayude a comprender el mecanismo subyacente y luego |
| |
lo ayuda a dar el siguiente paso o lo ayuda a hacer mejor el siguiente paso para planificar los próximos experimentos incluso mejor que antes, solo después de 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, digamos en nuestro caso, la mayoría de los desarrolladores no son científicos de datos, por lo que |
| |
ellos |
| |
no creen o tal vez no están 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, te permite hablar en su idioma o en su área de especialización, eso significa, en nuestro caso, ser una empresa química, datos espectrales, y no tienes a |
| |
deseche datos valiosos para reducir los datos espectrales a algunos parámetros clave y realice el análisis de los parámetros clave. |
| |
Tener que explicar qué parámetros clave en realidad... cómo afectan a los espectros, las formas de los espectros, la forma de los espectros, pero puedes usar los datos y luego |
| |
comenzará a mostrarles esta influencia en 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 que usa 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, quiero agradecerles a ustedes, mis colegas del departamento de I+D, por hacer todo el trabajo experimental, para poder estar aquí frente a ustedes y presentarles los buenos resultados. Y |
| |
He terminado con mi presentación. Muchas gracias por su atención. Si tiene alguna pregunta, no dude en preguntar. Muchas gracias. |
