Altoparlante
|
Trascrizione
|
| Simone Stelzig |
Ok, quindi ciao a tutti. Mi chiamo Simon Stelzig. Vengo da Lohmann, gli ingegneri dell'incollaggio. Vengo dal dipartimento di ricerca e sviluppo e vorrei parlarvi oggi di Functional Data Explorer e di come utilizzarlo per visualizzare i risultati a non data scientist. |
| |
Quindi, prima di iniziare, una brevissima introduzione dell'azienda Lohmann. Potresti non averne sentito parlare, ma usi o potresti esserti imbattuto quotidianamente nei suoi prodotti. |
| |
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 noi siamo un produttore di nastri adesivi. Si tratta principalmente di nastri biadesivi e siamo una pura azienda B2C, quindi solo tu |
| |
puoi acquistare solo il nostro prodotto quando...se sei industriale...per applicazioni industriali. Siamo piuttosto vecchi, quindi quest'anno ricorrono circa 170 anni dalla fondazione dell'azienda Lohmann. |
| |
Fondamentalmente siamo divisi in due parti, quindi uno dei prodotti a nastro su cui sto lavorando. Questo è il focus sul |
| |
nastri adesivi per applicazioni industriali e questo è il nostro marchio per l'igiene. |
| |
E siamo attivi a livello globale. Abbiamo 25 siti 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 ristretto di clienti. |
| |
E così, siamo il principale produttore di nastri adesivi o molti nastri biadesivi e sai che abbiamo molte applicazioni, e questi sono il nostro segmento di mercato in cui ci troviamo. |
| |
Quindi uno dei nostri è l'applicazione industriale. Questo è principalmente per finestre e porte o applicazioni interne ed esterne nell'area dell'edilizia e delle costruzioni. |
| |
Oppure potresti imbatterti nei prodotti Lohmann negli elettrodomestici e nei dispositivi elettronici, ad esempio, come i nastri adesivi per fissare la cover posteriore degli smartphone. O nel |
| |
segmenti medici principalmente per applicazioni diagnostiche, cura delle ferite. Nel campo dei trasporti nel... per l'automotive forse per interni o esterni |
| |
adesione di emblemi sulle vetture. Siamo anche, ad esempio, nel settore grafico per applicazioni di stampa flessibile dove forniamo nastri adesivi |
| |
per fissare il piatto di stampa sulle maniche. Una delle...una suddivisione del Lohmann Tape Group è il marchio per l'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 supporto, opzionalmente un supporto che trasporta il tuo strato adesivo, e dall'altra parte, dato che siamo un produttore di nastri biadesivi che hai di nuovo dall'altra parte, |
| |
uno strato adesivo. E la catena del valore di Lohmann inizia praticamente dall'inizio, quindi possiamo creare il nostro polimero, quindi il polimero di base per un adesivo. |
| |
Quindi dobbiamo formulare quel 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 nel modulo |
| |
il cliente vuole che sia. Quindi, se hai dei tagli fustellati, forse alcuni emblemi per auto, devi avere quel nastro adesivo non ha bisogno di un modulo specifico, forniamo quel modulo specifico come richiesto dal cliente. |
| |
E la ricerca e sviluppo si concentra principalmente sulle prime tre parti, quindi per la polimerizzazione, la formulazione del rivestimento e per ottenere, come ho detto, molti dei nostri prodotti sono personalizzati, per arrivare il più velocemente possibile al obiettivo di soddisfare le nostre esigenze dei 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 la progettazione di esperimenti o l'esecuzione complessiva di molti esperimenti fornisce molti dati. |
| |
E facendo questi esperimenti o progettando 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 ti 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, essere i non data scientist. |
| |
Sono gli sviluppatori del prodotto finale e mi prendono come servizio per fare tutto il tempo di analisi dei dati. Nella maggior parte dei casi, estrai da quei dati da quei dati di spettri, parametri chiave che descrivono i tuoi dati di spettri. |
| |
Potrebbe essere, nel caso della polimerizzazione, 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 esegui l'analisi durante l'analisi dei dati, estrai quei parametri chiave e fai l'analisi, il più delle volte nell'analisi DOE classica su quei parametri chiave. |
| |
COSÌ |
| |
come data scientist, quindi io, 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, loro l'optimum dove vuoi che la tua formulazione o prodotto sia o raggiunga. |
| |
Fatto questo, fatta l'analisi, fatta l'ottimizzazione, ad un certo punto tu vai dal tuo, oppure io vado dai miei colleghi e presento i risultati. |
| |
E poiché ho svolto 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 nel settore... gli esperti nella loro competenza, 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 gli esperimenti sono stati fatti, ecco cosa ottengono l'analisi, vedono gli spettri dove io vedo i numeri. |
| |
Lascia sempre il problema che se presento i risultati e l'analisi in parametri chiave, pensano ancora in spettri. |
| |
Quindi hai sempre il problema di parlare in lingue diverse. Io parlo nel linguaggio dei numeri, loro parlano nel linguaggio degli spettri, |
| |
il che porta quindi al problema che devono tradurre quei numeri nella loro area di competenza, ovvero gli spettri. |
| |
Oppure devo tradurre questi parametri chiave nella loro lingua, cioè 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 Functional Data Explorer ti aiuta notevolmente a superare questa barriera o questa barriera linguistica tra i data scientist che parlano di 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. La seconda descrive una misura che definisce una sorta di reazione chimica. E ce n'è un terzo; 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 vi ho mostrato...come vi ho detto, è l'analisi della qualità di stampa. Quindi fai la misurazione e gli spettri ideali e perfetti sarebbero a |
| |
retta molto retta passante per l'origine con pendenza 1. Quindi sarebbe l'ideale se raggiungi quel perfetto, 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 spostata verso un valore più alto, quindi non è una linea... è piegata verso l'alto. |
| |
Quindi cosa vuoi fare con queste informazioni? Vogliamo vedere o vuoi schermare quali parametri sostanzialmente spostano o piegano la curva verso l'alto in modo da renderla non ideale. |
| |
Quindi vado ai parametri chiave di quelli che definiremmo come parametri chiave o è fondamentalmente la differenza tra una linea retta e la linea effettiva che ottieni. Quindi è abbastanza semplice, basta usare il |
| |
la differenza ... è una parte della differenza con questo punto. |
| |
Quindi, se fai l'analisi, quindi sui parametri chiave, è anche ... è un'analisi molto semplice ora. Uso un albero decisionale per ottenere il... per ottenere lo schermo qui quale parametro influenza di più, questo allontanamento 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 piegarsi lontano 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 diciamo un numero di 250, se scende al di sotto di quel certo valore, ottieni 196, il problema è che se lo dici allo sviluppo... se lo mostri a un analisi dello sviluppo, |
| |
ti chiederà, è 196 buono o è 254 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, però, 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 normalmente ottiene dalle sue misurazioni o dai suoi esperimenti, gli esperimenti che fa. |
| |
La stessa cosa ora se tu, per 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 verso il numero più basso, che mostra il numero prima che vogliano tenersi da, 196, |
| |
non sembra poi così male... non è davvero, voglio dire, una sorta di linea retta perfetta, ma non è così, non così tanto... non è molto lontano dall'essere |
| |
una linea retta e forse a quel punto, se mostri questo tipo di analisi ai non data scientist, allo sviluppatore, |
| |
forse è già abbastanza buono per lui, forse quel punto che dici ok non è una linea retta non è perfetto, ma va bene 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 nella lingua 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, ancora una volta, un esempio molto banale, molto semplice, ma capisco ... spero che ti mostri l'essenza di ciò che i dati ... Function Data Explorer è o ti aiuta a raggiungere. |
| |
Quindi, passando al secondo esempio, quello 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 spettri; lo spettro sarebbe simile a quello, |
| |
dove a un certo punto, il modulo cambia, si muove ripido 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 un buon estratto è quel punto per trovare il punto. Ora potrebbe essere un po' più complicato calcolare un punto dai dati grezzi originali, ma comunque puoi farlo, controlla il punto in cui inizia la reazione e poi fai 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 sulla base, in questo esempio, di cinque parametri. COSÌ, |
| |
Vedrò. Ok, il punto del... 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 fino a qualcosa di circa 100 gradi Celsius (oh mi dispiace, è quella sbagliata.) |
| |
a circa 100 gradi, sì. Quindi, di nuovo, riduci gli spettri totali a 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, quindi hai 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 il 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 l'analisi dei parametri chiave, ma ho mostrato prima l'esplorazione dei dati funzionali, i risultati del Esploratore di dati funzionali. |
| |
E quando mi sono appena trasferito ... ho iniziato a muovermi e mostrare loro questo e ho iniziato a muovermi tra i fattori di influenza, se ne sono accorti immediatamente |
| |
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 sostanzialmente l'inizio della reazione chimica cambia, come potete vedere qui, vedete che inizia a cambiare. |
| |
L'altro quello che vedi, perché ora hai praticamente modellato gli spettri completi, non modelli solo il parametro chiave, quello che vedi |
| |
che il modo in cui gli spettri appaiono cambia totalmente se lo sposti. Quindi, ad esempio, vedranno che il picco ha iniziato a muoversi e l'altezza del picco |
| |
i cambiamenti. Questo è stato qualcosa che è stato riconosciuto anche subito dopo aver visto queste analisi. |
| |
Ed era la differenza sul parametro chiave, se estrai la possibilità di un parametro chiave che significa una sorta di reazione chimica, puoi usare un altro parametro chiave, forse. |
| |
indicando la posizione dell'optimum o la posizione del picco massimo qui o l'altezza del picco massimo. |
| |
E poi puoi utilizzare i dati spettrali in diversi tipi di parametri chiave analizzando successivamente quei parametri chiave e mostrandoli loro, calcolando un ottimo. |
| |
Ma la cosa buona è che, se usi Functional Data Explorer, ottieni tutte queste informazioni in una sola |
| |
analisi. E tu, come ho detto prima, smetti di parlare o tu... non parli in numeri, ma parli nel loro, o parli nel loro linguaggio di dati spettrali e non devi tradurre questi parametri chiave nel loro mondo degli spettri più. |
| |
Sì, e 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 stavo parlando e che serve sostanzialmente a determinare 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 |
| |
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 ben noti 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 polidispersità, |
| |
che è la massa molare media di massa divisa per la massa molare media numerica. |
| |
Quel parametro, il PDI, la polidispersità, ti dà un'indicazione dell'ampiezza o della dimensione del... o dell'ampiezza della tua distribuzione del tuo 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 rifare 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 polidispersità, |
| |
sotto tre parametri chiave. E vedi... quello che vedi è che la massa molare media numerica non cambia molto se cambi questi quattro fattori, quindi l'influenza su questi quattro fattori sulla massa molare media numerica, non è troppo piccola. È abbastanza grande ed è abbastanza significativo |
| |
sulla massa molare media di massa, 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 è che da questo numero non si vede come appare la distribuzione, quindi non ti dà la forma, e diciamo che, nel nostro caso, è molto importante avere una forma perché |
| |
influisce notevolmente sulla lavorabilità di un polimero. COSÌ |
| |
avendo solo tre numeri e magari la polidispersità, non ti dà o non ti dice se la forma...o |
| |
se la distribuzione è quella distribuzione monomolecolare, bimodale, trimodale qualunque. |
| |
Quello che vedi o potresti semplicemente parlare della dispersione 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 a disposizione i dati grezzi, puoi utilizzare di nuovo Esplora dati funzionali per ottenere queste informazioni o ottenere molte più informazioni da questi ... 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, quindi non c'è niente di speciale nell'analisi, quindi anche all'inizio di... utilizzare Functional Data Explorer non è niente di speciale, niente |
| |
fuori dall'ordinario, che inserisci le tue esportazioni come Y, inserisci il tuo ID campione, quindi inserisci i tuoi fattori dal tuo DOE. |
| |
Mettili dentro, premi il pulsante di avvio e praticamente è tutto. E puoi praticamente ora ... puoi adattarlo con i parametri del modello. |
| |
Ma è una procedura molto semplice, molto diretta e, ancora una volta, ottieni molte più informazioni sulle parti sottostanti di interesse, semplicemente riducendo tutti quei dati ad alcuni parametri chiave. In quel caso, |
| |
Intendo averti mostrato che un 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, per 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 raggiunge 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, guardando solo quei tre numeri sì. |
| |
Ma qui, potrebbe darti un'indicazione o potresti innescare qualcosa nello sviluppatore perché quella 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 meglio il passo successivo a pianificare i prossimi esperimenti anche meglio di prima, solo avendo visto questi numeri. |
| |
Giusto, quindi sono alla fine della mia... presentazione del mio esempio, quindi potrei sperare di poterti mostrare che Functional Data Explorer consente 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 dei 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, essendo un'azienda chimica, dati spettrali, e non hai A |
| |
buttare via dati preziosi per ridurre i dati spettrali in alcuni parametri chiave e fare l'analisi sui parametri chiave. |
| |
Dover 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 sulla 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, usando l'FDE spesso ti dà molte più intuizioni, ti dà una visione più profonda del meccanismo sottostante. |
| |
E non devi, diciamo, buttare via molti dati preziosi durante il processo di riduzione dei dati spettrali in alcuni parametri chiave. |
| |
Con questo, vorrei ringraziare voi, miei colleghi del reparto R&S per aver svolto tutto il lavoro sperimentale, quindi 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. |
