Conférencier
|
Transcription
|
| Simon Stelzig |
Ok, alors bonjour tout le monde. Je m'appelle Simon Stelzig. Je viens de Lohmann, les ingénieurs en collage. Je suis du département de recherche et développement, et je voudrais vous dire quelque chose à propos d'aujourd'hui sur l'Explorateur de données fonctionnelles et comment vous pouvez l'utiliser pour visualiser les résultats à des non-spécialistes des données. |
| |
Alors, avant de commencer, une très brève introduction de la société Lohmann. Vous n'en avez peut-être pas entendu parler, mais vous l'utilisez ou vous avez peut-être rencontré ses produits au quotidien. |
| |
Donc, juste quelques faits et chiffres sur Lohmann. Lohmann a donc un chiffre d'affaires en 2019 d'environ 600 millions d'euros et la partie sur laquelle je travaille est le groupe Lohmann Tape et nous sommes un producteur de rubans adhésifs. Ce sont principalement des rubans adhésifs double face et nous sommes une entreprise B2C pure, donc vous seulement |
| |
vous ne pouvez acheter notre produit que lorsque ... si vous êtes industriel ... pour des applications industrielles. Nous sommes assez vieux, donc, cette année, c'est environ 170 ans que la société Lohmann a été fondée. |
| |
Nous sommes essentiellement divisés en deux parties, donc c'est l'un des produits sur lesquels je travaille. C'est l'accent sur le |
| |
rubans adhésifs pour applications industrielles et c'est notre marque d'hygiène. |
| |
Et nous sommes actifs à l'échelle mondiale. Nous avons 25 sites dans le monde entier, avec environ 1 800 employés. Et peut-être très intéressant, |
| |
90% de nos produits sont personnalisés, nous avons donc un portefeuille de produits assez complexe, où nous avons beaucoup de produits axés sur un très petit nombre d'applications pour un très petit groupe de clients. |
| |
Et donc, nous sommes le premier producteur de rubans adhésifs ou de nombreux rubans adhésifs double face et vous savez que nous avons de nombreuses applications, et c'est notre segment de marché dans lequel nous sommes. |
| |
L'une des nôtres est donc l'application industrielle. Cela concerne principalement les fenêtres et les portes ou les applications intérieures et extérieures dans le domaine du bâtiment et de la construction. |
| |
Ou vous pourriez rencontrer des produits Lohmann dans les appareils ménagers et les appareils électroniques, par exemple, comme des bandes adhésives pour fixer la coque arrière sur les smartphones. Ou dans le |
| |
segments médicaux principalement pour les applications de diagnostic, le soin des plaies. Dans le domaine du transport dans le ... pour l'automobile peut-être pour l'intérieur ou l'extérieur |
| |
adhésion des emblèmes sur les voitures. Nous sommes également, par exemple, dans l'industrie graphique pour des applications d'impression flexibles où nous livrons des rubans adhésifs |
| |
pour fixer la plaque d'impression sur les manchons. L'une des ... une subdivision du groupe Lohmann Tape est la marque d'hygiène où nous proposons un système de fermeture pour couches. |
| |
Une très large gamme d'applications et un autre point que je viens de mentionner est qu'environ 90% de nos produits sont personnalisés. Et un autre fait sur Lohmann est |
| |
que notre chaîne de valeur est une chaîne de valeur très profonde, donc si vous pensez à un ruban adhésif, vous avez besoin d'une couche adhésive qui |
| |
colle ou colle à votre sujet auquel vous souhaitez adhérer. |
| |
Vous avez besoin d'un support, éventuellement d'un support qui porte votre couche adhésive, et de l'autre côté, car nous sommes un producteur des rubans adhésifs double face que vous avez à nouveau de l'autre côté, |
| |
une couche adhésive. Et la chaîne de valeur de Lohmann commence essentiellement au tout début, nous pouvons donc fabriquer notre propre polymère, donc le polymère de base pour un adhésif. |
| |
Ensuite, nous devons formuler que le polymère en une formulation adhésive, que nous mettons ensuite à l'étape suivante sur un support, se présentant sous la forme d'un ruban adhésif sous la forme de |
| |
assez grand ??? Rouleaux. Et à la toute fin, afin que nous puissions livrer cela sous la forme |
| |
le client veut que ce soit le cas. Donc, si vous avez des découpes, peut-être des emblèmes pour les voitures, vous devez avoir le ruban adhésif qui n'a pas besoin d'un formulaire spécifique, nous livrons ce formulaire spécifique comme un client l'exige. |
| |
Et la R&D se concentre principalement sur les trois premières parties de celui-ci, donc pour la polymérisation, la formulation du revêtement et afin d'obtenir, comme je l'ai mentionné, beaucoup de nos produits sont personnalisés, afin d'obtenir le plus rapidement possible le objectif de répondre aux exigences de nos clients, nous appliquons |
| |
conception d'expériences tout au long du cours |
| |
pour arriver au produit final et pour répondre aux exigences de nos clients. |
| |
Et avoir beaucoup de |
| |
faire de la conception d'expériences ou faire globalement beaucoup d'expériences donne également beaucoup de données. |
| |
Et faire ces expériences ou concevoir des expériences dans ce cours et être une entreprise de chimie, beaucoup de données, dans les résultats d'expériences, vous obtenez beaucoup de données, beaucoup de spectres. |
| |
Donc, la plupart de nos expériences donnent ... ne vous donne pas de valeur, ne vous donne pas de nombre, cela vous donne un spectre. |
| |
Et, dans la plupart des cas, si vous voulez faire des expériences, comme dans mon cas, je suis, disons, les data scientists qui fournissent le service de planification de ces expériences et d'analyse. |
| |
des expériences et faire toute l'analyse des données pour mes collègues, qui pourraient, dans ce cas, ne pas être des scientifiques des données. |
| |
Ce sont des développeurs du produit final et ils me prennent comme un service pour faire tout le temps d'analyse des données. Dans la plupart des cas, vous extrayez de ces données à partir de ces données spectrales, des paramètres clés qui décrivent vos données spectrales. |
| |
Cela pourrait être, dans le cas de la polymérisation, cela pourrait être la distribution du poids moléculaire, cela pourrait signifier la taille de votre |
| |
polymère que nous sortons de la réaction, cela pourrait être un début de réaction pour détecter le type de réaction par tout moyen de mesures ou autre chose. |
| |
Donc, si vous effectuez l'analyse lors de l'analyse des données, vous extrayez ces paramètres clés et vous effectuez l'analyse, la plupart du temps dans une analyse DOE classique sur ces paramètres clés. |
| |
Alors |
| |
en tant que data scientist, je fais donc, en tant que service à mes collègues, les développeurs, cette analyse sur ces paramètres clés. |
| |
Ils livrent aussi à moi, les exigences du client et que vous voulez satisfaire pour ces exigences de clients, ils l'optimum là où vous voulez être votre formulation ou produit à être ou atteindre. |
| |
Après avoir fait cela, après avoir fait l'analyse, après avoir fait l'optimisation, à un moment donné, vous allez chez vous, ou je vais à mes collègues et je présente les résultats. |
| |
Et comme j'ai fait toute l'analyse sur les paramètres clés, je présente également les résultats sur ces paramètres clés. |
| |
Le problème, c'est que bien que mes collègues de développement ou mes équipes de projet soient des experts en la matière ... des experts dans leur expertise, mais pas des experts en science des données. |
| |
Donc, le problème ici est que si je fais l'analyse des paramètres clés et que je parle aussi dans le langage des paramètres clés, mais en tant qu'expert dans leur domaine d'expertise, |
| |
ils pensent encore aux spectres parce que c'est à ce moment-là que les expériences ont été faites, c'est ce qu'ils ont analysé, ils voient des spectres là où je vois des nombres. |
| |
Cela laisse toujours le problème que si je présente les résultats et l'analyse en paramètres clés, ils pensent toujours en spectres. |
| |
Donc, vous avez toujours le problème que vous faites parler dans différentes langues. Je parle dans le langage des nombres, ils parlent dans le langage des spectres, |
| |
ce qui conduit alors au problème qu'ils doivent traduire ces nombres dans leur domaine d'expertise, c'est-à-dire les spectres. |
| |
Ou, je dois traduire ces paramètres clés dans leur langue, c'est-à-dire les spectres. Heureusement avec l'Explorateur de données fonctionnelles, il s'agit d'une sorte de traducteur universel pour résoudre ce genre de problème. |
| |
Et ce que je fais, ou que je veux vous montrer aujourd'hui, c'est sur trois exemples, comment l'explorateur de données fonctionnelles vous aide grandement à surmonter cette barrière ou cette barrière linguistique entre les scientifiques des données qui parlent de chiffres et le développeur qui pense et parle dans les spectres. |
| |
Dans un exemple, donc le premier exemple que je veux vous montrer, c'est un exemple très simple, très trivial, peut-être sur une mesure qui décrit la qualité d'impression dans l'impression fractale |
| |
expérience. Le second décrit une mesure qui définit une sorte de réaction chimique. Et il y en a un troisième; c'est une mesure qui vous donne le poids moléculaire d'un polymère |
| |
lors d'une réaction de polymérisation. Je vais arrêter maintenant d'utiliser PowerPoint et je passe à JMP, ouais, ça y est. |
| |
Donc le premier exemple comme je l'ai montré ... comme je vous l'ai dit, est l'analyse de la qualité d'impression. Donc, vous faites la mesure, et le spectre idéal et parfait serait un |
| |
ligne très droite passant par l'origine avec la pente de 1. Ce serait donc l'idéal si vous atteigniez cette perfection, donc c'est une mesure, cette fois la qualité d'impression. |
| |
Normalement, ce que vous obtenez ... normal, c'est un environnement réel. Nous obtenons quelque chose qui ne ressemble pas vraiment à une ligne droite mais qui est un peu décalé vers une valeur plus élevée, donc ce n'est pas une ligne ... c'est plié vers le haut. |
| |
Alors, que voulez-vous faire avec ces informations? Nous voulons voir ou vous voulez filtrer les paramètres qui bougent ou plient la courbe vers le haut, ce qui la rend non idéale. |
| |
Je passe donc aux paramètres clés de ce que nous définirions comme paramètres clés ou c'est essentiellement la différence entre une ligne droite et la ligne réelle que vous obtenez. C'est donc assez simple, vous utilisez simplement le |
| |
la différence ... c'est une partie de la différence avec ce point. |
| |
Donc si vous faites l'analyse, alors sur les paramètres clés, c'est aussi ... c'est une analyse très simple maintenant. J'utilise un arbre de décision pour obtenir le ... pour obtenir l'écran ici quel paramètre influence le plus, ce détournement du spectre idéal et c'est assez simple. Nous avons environ 22 facteurs d'influence. |
| |
Là, vous en voyez un, qui a fondamentalement une influence sur certains ou qui influence ce détournement de cette situation idéale. |
| |
Et ça s'appelle ce X 22, quoi qu'il en soit, n'a pas vraiment d'importance. Donc à un moment donné, si ça bouge ... |
| |
s'il est supérieur à une certaine valeur, vous obtenez un, disons, un nombre de 250, s'il passe en dessous de cette certaine valeur, vous obtenez 196, le problème est que si vous l'avez dit au développement ... si vous l'avez montré à un analyse de développement, |
| |
il vous demandera, est-ce que 196 est bon ou est encore bon ou est-ce très mauvais ou est-ce peut-être convenable et ce genre de convenable. |
| |
Le problème est avec le nombre pur, vous ne voyez pas vraiment cela, donc parce qu'il parle dans un genre différent de ... dans une zone différente avec une langue différente. |
| |
Et l'utilisation de l'explorateur de données fonctionnelles peut vraiment vous aider à répondre à la question, car si vous passez à l'explorateur de données fonctionnelles et effectuez la même analyse dans les données de la fonction ... avec l'explorateur de données fonctionnelles, |
| |
vous obtenez quelque chose qui montre comme ça. Donc ça vous montre, ça lui montre ou le développeur que vous lui avez montré ... vous lui montrez le graphique. Le graphe auquel il est habitué avec le graphe tire normalement de ses mesures ou de ses expériences, les expériences qu'il fait. |
| |
La même chose maintenant si vous, par exemple, s'il a le même paramètre qui influence la forme de la courbe, mais si vous n'aimez pas cela montre celui avec le 250, |
| |
de l'analyse pour le paramètre clé serait votre 250, ce sera 196 et vous voyez la différence. Je veux dire que ce n'est pas vraiment une ligne droite. |
| |
Mais s'il se déplace vers le bas comme le nombre inférieur, qui montre le nombre avant qu'ils ne veulent garder de, 196, |
| |
ça n'a pas l'air trop mal donc ... ce n'est pas vraiment, je veux dire, une sorte de ligne droite parfaite, mais ce n'est pas tellement, pas tellement ... ce n'est pas loin d'être |
| |
une ligne droite et peut-être à ce stade, si vous montrez ce type d'analyse aux non-data scientists, le développeur, |
| |
peut-être que c'est déjà assez bon pour lui, peut-être que ce point vous dites d'accord ce n'est pas une ligne droite ce n'est pas parfait, mais c'est bon pour le travail. |
| |
Fondamentalement, il répond aux besoins du client. Et c'est quelque chose qu'il ne voit pas à partir du nombre pur que vous lui montrez. Donc, dans ce cas, c'est un exemple très trivial, un exemple très simple, |
| |
mais j'espère que cela vous donne l'essence que l'utilisation d'un Explorateur de Données Fonctionnelles vous permet de parler dans la langue des experts, des non-data scientists, peut-être le développeur du matériel. |
| |
Et vous parlez dans sa région ou dans sa langue, l'aide à obtenir cette perspicacité et il n'est pas nécessaire de traduire le nombre en perspicacité en un spectre, mais il le voit, et peut-être obtenir la réponse dont il a besoin. |
| |
Encore une fois, exemple très simple, très simple, mais j'obtiens ... J'espère que cela vous montre l'essence de ce que les données ... Function Data Explorer est ou vous aide à réaliser. |
| |
Donc, pour passer au deuxième exemple, c'est le début de la réaction chimique que vous voulez détecter. |
| |
Et nous faisons cela en faisant le ??? mesure et vous voulez voir un changement de module pendant le ... si vous chauffez une certaine formulation chimique. Normalement, il y a deux grands spectre; le spectre ressemblerait à ça, |
| |
où vers le haut à un certain point, le module change, il se déplace vers le haut. C'est normalement ici, c'est le début de la réaction chimique. Donc, le paramètre clé, que vous extrayez de ce spectre, quel est le point où le module commence brusquement à monter. |
| |
Le |
| |
Le paramètre clé d'un bon extrait est ce point pour trouver le point. Maintenant, il peut être un peu plus compliqué de calculer un point à partir des données brutes d'origine, mais néanmoins, vous pouvez le faire, vérifier le point où la réaction commence et faire ensuite l'analyse sur le paramètre clé. |
| |
Faire ça, |
| |
ce que vous obtenez de cette analyse sur le paramètre clé est un est un modèle qui vous permet de prédire le type de réaction chimique basé, dans cet exemple, sur cinq paramètres. Alors, |
| |
Je verrai. D'accord, le point de ... le point ou ces paramètres clés au début de la réaction chimique est ... peut dépendre de ceux-ci ... dépend de ces trois paramètres |
| |
et fondamentalement, vous obtenez la plage de quelque chose comme 70 degrés où la réaction chimique commence à quelque chose d'environ 100 degrés Celsius (oh je suis désolé, ce n'est pas le bon.) |
| |
à environ 100 degrés, ouais. Encore une fois, vous réduisez le spectre total en un seul nombre, |
| |
donnant au développement un indice où cette réaction chimique commence. |
| |
Faire la même analyse et aussi les données ... vous avez déjà les données, donc si vous voulez extraire les paramètres clés, vous avez également besoin des données brutes, donc vous avez également les données brutes disponibles. |
| |
Donc ce n'est pas ... ce n'est pas vraiment beaucoup plus d'efforts ... plus d'efforts pour faire l'analyse dans l'Explorateur de données fonctionnelles en utilisant une méthode de régression standard sur les paramètres clés. |
| |
Alors, |
| |
en utilisant la même quantité ou les mêmes données et en utilisant l'Explorateur de données fonctionnelles pour |
| |
analyser les données ne prend que quelques secondes pour calculer le résultat. |
| |
Le voilà. |
| |
Encore une fois, vous pouvez maintenant modéliser tout le spectre, et quoi ... donc dans ce cas particulier, je n'ai pas montré au développeur pour l'analyse des paramètres clés, mais je leur ai d'abord montré l'Exploration des données fonctionnelles, les résultats du Explorateur de données fonctionnelles. |
| |
Et quand je viens de déménager ... j'ai commencé à bouger et à leur montrer cela et à contourner les facteurs d'influence, ils ont immédiatement remarqué |
| |
que le point de la réaction change. Je n'ai donc pas eu à leur dire que les points ont commencé à bouger parce qu'ils sont les experts dans le domaine ... d'être l'expert des données spectrales, |
| |
ils ont immédiatement reconnu que, fondamentalement, le début de la réaction chimique se déplace, comme vous pouvez le voir ici, vous voyez que cela commence à changer. |
| |
L'autre ce que vous voyez, car maintenant vous avez essentiellement modélisé le spectre complet, vous ne modélisez pas seulement le paramètre clé, ce que vous voyez |
| |
que l'apparence des spectres change totalement si vous les déplacez. Ainsi, par exemple, ils verront que le pic a commencé à bouger et la hauteur du pic |
| |
changements. C'était quelque chose qui a également été reconnu immédiatement après avoir vu cette analyse. |
| |
Et c'était la différence sur le paramètre clé, si vous extrayez la chance d'un paramètre clé qui signifie une sorte de réaction chimique, vous pouvez peut-être utiliser un autre paramètre clé. |
| |
vous indiquant ici la position de l'optimum ou la position du pic maximum ou la hauteur du pic maximum. |
| |
Et puis, vous pouvez utiliser les données spectrales dans différents types de paramètres clés en analysant ces paramètres clés par la suite et en leur montrant, calculer un optimum. |
| |
Mais la bonne chose est que si vous utilisez l'Explorateur de données fonctionnelles, vous obtenez tous ces informations en un seul. |
| |
Analyse. Et vous, comme je l'ai déjà mentionné, vous arrêtez de parler ou vous ... vous ne parlez pas en chiffres, mais vous parlez dans leur, ou vous parlez dans leur langage de données spectrales et vous n'avez pas à traduire ces paramètres clés dans leur monde des spectres plus. |
| |
Oui, et vous obtenez donc beaucoup plus d'informations à ce sujet dans l'Explorateur de données fonctionnelles et peut-être qu'ils obtiennent un aperçu plus approfondi des processus sous-jacents. |
| |
Ouais, j'en viens maintenant au tout dernier et dernier exemple. C'est le |
| |
processus de polymérisation dont je parlais et qui consiste essentiellement à déterminer la distribution du poids moléculaire, |
| |
qui résulte de la réaction de polymérisation. Et encore une fois, comme je l'ai mentionné, pour déterminer la distribution moléculaire, il est également généralement délicat |
| |
pour obtenir ou réduire une distribution entière en certains paramètres clés. Alors normalement, à quoi ressemble un spectre typique? Alors, mettons votre spectral typique normal montrant la masse molaire d'un polymère, alors faites tout le nombre d'unités répétitives que vous avez dans une chaîne polymère. |
| |
Et c'est ce que vous obtenez de la réaction chimique et de la mesure. Donc les paramètres clés qui sont bien connus ou c'est un paramètre clé, il faut ... |
| |
c'est la masse molaire moyenne en nombre et la masse molaire moyenne en masse, la masse molaire moyenne Z et la polydispersité, |
| |
qui est la masse molaire moyenne en masse divisée par la masse molaire moyenne en nombre. |
| |
Ce paramètre, le PDI, la polydispersité, vous donne une indication de la largeur ou de la taille du ... ou de la largeur de votre distribution de poids moléculaire. |
| |
Encore une fois, ayant ces quatre paramètres clés que vous calculez à partir de vos données brutes ou de vos données spectrales, encore une fois, nous avons déjà ces données disponibles afin de |
| |
calculer les paramètres clés. Vous pouvez refaire l'analyse en utilisant des techniques standard que rien, rien d'extraordinaire. |
| |
Et puis vous obtenez un modèle sur votre ... ce cas, ce sont quatre paramètres enfreints sur votre, dans ce cas trois, je n'ai pas mis de polydispersité, |
| |
sous trois paramètres clés. Et vous voyez ... ce que vous voyez, c'est que la masse molaire moyenne en nombre ne change pas vraiment beaucoup si vous changez ces quatre facteurs, donc l'influence sur ces quatre facteurs sur la masse molaire moyenne en nombre, ce n'est pas trop. C'est assez gros et c'est assez important |
| |
sur la masse molaire moyenne en masse, comme vous pouvez le voir ici. Donc, vous pouvez tout à fait le déplacer, donc la différence est assez grande, donc c'est environ 150 000? par mole au total, la différence entre le réglage le plus bas et le réglage le plus élevé. |
| |
Mais, ce qui signifie que celui-ci, que ce nombre change de manière assez significative et cela ne signifie pas non plus que votre dispersion devrait varier ou devrait être ... ou devrait changer beaucoup. |
| |
Le problème était que vous ne voyez pas à partir de ce numéro, c'est à quoi ressemble la distribution, donc cela ne vous donne pas la forme, et disons, dans notre cas, il est très important d'avoir la forme parce qu'elle |
| |
affecte considérablement l'aptitude au traitement d'un polymère. Alors |
| |
ayant seulement trois nombres et peut-être la polydispersité, ça ne vous donne pas ou ne vous dit pas, si la forme ... ou |
| |
si la distribution est cette distribution monomole, bimodale, trimodale que ce soit. |
| |
Ce que vous voyez ou que vous pourriez simplement parler de la dispersion vous donne peut-être une indication de l'ampleur de la distribution, mais cela ne vous dit pas si vous avez un pic, deux pics ou trois pics. |
| |
Mais il y a tout à fait ... fait une grande différence dans les caractéristiques finales du matériau que nous obtenons |
| |
du polymère ou modifier les performances de notre ruban adhésif en cours de développement. |
| |
Maintenant, encore une fois, puisque vous disposiez déjà des données brutes, vous pouvez utiliser à nouveau l'Explorateur de données fonctionnelles afin d'obtenir ces informations ou obtenir beaucoup plus d'informations à partir de celles-ci ... toutes ces données uniquement à partir de ces paramètres clés. |
| |
Encore une fois, cela prend quelques secondes, mais vous avez terminé. |
| |
Et, encore une fois, il n'y a donc rien d'extraordinaire dans l'analyse, donc aussi au début de ... pour faire fonctionner l'Explorateur de données fonctionnelles, rien d'extraordinaire, rien |
| |
hors de l'ordinaire, que vous tirez dans vos exportations comme Y, vous mettez votre ID d'échantillon, puis vous mettez vos facteurs de votre DOE. |
| |
Mettez-les, appuyez sur le bouton de démarrage et c'est tout. Et vous pouvez en gros vous maintenant ... vous pouvez l'ajuster avec les paramètres du modèle. |
| |
Mais c'est une procédure très simple et très simple et, encore une fois, vous obtenez beaucoup plus d'informations sur les parties sous-jacentes d'intérêt, en réduisant simplement toutes ces données à certains paramètres clés. Dans ce cas, |
| |
Je veux dire vous avoir montré que l'un des paramètres clés ne change pas vraiment beaucoup, l'autre le fait, mais il ne vous donne pas la forme, donc il ne vous donne pas d'indication ou de sentiment sur la distribution. |
| |
Dans ce cas, utiliser à nouveau cet outil vous donne cette idée, car si vous voyez comment ... avant de voir ce point qui change beaucoup, l'autre ne l'a pas fait. |
| |
Si vous connaissez une sorte de changement, par exemple, dans ce cas. |
| |
Ce pic ressemble plus à une épaule, ce n'est pas vraiment un pic, mais si vous modifiez vos facteurs d'influence, vous arrivez à un point où il obtient vraiment un pic. |
| |
Ouais, donc il obtient vraiment un deuxième pic, et cela vous dit peut-être quelque chose sur le mécanisme de polymérisation ou le mécanisme de polymérisation sous-jacent |
| |
ce que vous n'obtenez pas à partir des paramètres clés, en regardant simplement ces trois nombres ouais. |
| |
Mais ici, cela pourrait vous donner une indication ou vous pourriez déclencher quelque chose chez le développeur parce que c'est son domaine d'expertise. Vous pourriez déclencher quelque chose qui l'aide à comprendre le mécanisme sous-jacent, puis |
| |
l'aide à faire la prochaine étape ou l'aide à mieux faire la prochaine étape pour planifier les prochaines expériences encore mieux qu'avant, juste après avoir vu ces chiffres. |
| |
Bon, je suis à la fin de ma ... présentation de mon exemple, donc je pourrais espérer pouvoir vous montrer que l'Explorateur de données fonctionnelles permet vraiment la visualisation du |
| |
résultats aux développeurs dans leur domaine d’expertise. Je veux dire, gardez à l'esprit que la plupart, disons dans notre cas, la plupart des développeurs ne sont pas des scientifiques des données, donc |
| |
elles ou ils |
| |
ne croient pas ou ne sont peut-être pas si intéressés par la façon d'accéder aux résultats, mais ils sont plus intéressés par les résultats et les |
| |
problème il y a ... ou si l'Explorateur de données fonctionnelles, disons, vous permet de parler dans leur langue ou dans leur domaine d'expertise cela signifie, dans notre cas, être une entreprise chimique, des données spectrales, et vous n'avez pas à |
| |
jeter des données précieuses afin de réduire les données spectrales en certains paramètres clés et faire l'analyse des paramètres clés. |
| |
Devoir expliquer quels paramètres clés réellement ... comment ils affectent les spectres, les formes des spectres, la forme des spectres, mais vous pouvez simplement utiliser les données et ensuite |
| |
vous commencerez à leur montrer ces influences sur les facteurs que vous étudiez sur la forme et la forme des spectres et comment les spectres changent. |
| |
Et dans de nombreux cas, dans certains cas, vous pouvez obtenir le même aperçu, mais dans de nombreux cas, l'analyse, en utilisant le FDE, vous donne souvent beaucoup plus d'informations, cela vous donne un aperçu plus approfondi du mécanisme sous-jacent. |
| |
Et vous n'êtes pas obligé, disons, de jeter beaucoup de données précieuses pendant le processus de réduction des données spectrales en certains paramètres clés. |
| |
Sur ce, je tiens à vous remercier, mes collègues du département R&D pour avoir fait tout le travail expérimental, donc je peux me tenir devant vous pour vous présenter les beaux résultats. Et |
| |
J'ai terminé ma présentation. Merci beaucoup pour votre attention. Si vous avez des questions, n'hésitez pas à les poser. Merci beaucoup. |
