Conférencier
|
Transcription
|
| Simon Stelzig |
Bon, alors bonjour tout le monde. Je m'appelle Simon Stelzig. Je viens de Lohmann, les ingénieurs de liaison. Je suis du département de recherche et développement, et j'aimerais vous parler aujourd'hui de l'explorateur de données fonctionnelles et de la façon dont vous pouvez l'utiliser pour visualiser les résultats à des non-scientifiques. |
| |
Donc, avant de commencer, une très courte présentation de la société Lohmann. Vous n'en avez peut-être pas entendu parler, mais vous utilisez ou vous avez peut-être rencontré ses produits au quotidien. |
| |
Donc, juste quelques faits et chiffres sur Lohmann. Donc Lohmann a 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. Il s'agit principalement de rubans adhésifs double face et nous sommes une entreprise purement B2C, donc vous ne |
| |
vous ne pouvez acheter que notre produit lorsque... si vous êtes industriel... pour des applications industrielles. Nous sommes assez vieux donc, cette année, cela fait environ 170 ans que la société Lohmann a été fondée. |
| |
Nous sommes fondamentalement divisés en deux parties, donc l'un des produits it's tape sur lesquels je travaille. C'est l'accent mis 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 une très petite quantité 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 beaucoup d'applications, et c'est notre segment de marché où nous sommes. |
| |
L'application industrielle est donc l'une des nôtres. C'est principalement pour 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 électroménagers et les appareils électroniques, par exemple, comme les rubans adhésifs 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 les applications d'impression flexibles où nous livrons des rubans adhésifs |
| |
pour fixer la plaque d'impression sur les manches. L'une des subdivisions du groupe Lohmann Tape est la marque d'hygiène où nous fournissons un système de fermeture pour les couches. |
| |
Donc 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 à propos de 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 |
| |
se colle ou se colle sur votre sujet auquel vous souhaitez adhérer. |
| |
Vous avez besoin d'un support, éventuellement un support qui porte votre couche adhésive, et de l'autre côté, puisque nous sommes un producteur des rubans adhésifs double face que vous avez encore 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 ce polymère dans une formulation adhésive, que nous mettons ensuite à l'étape suivante sur un support, sous la forme d'un ruban adhésif sous la forme de |
| |
assez grand ??? Rouleaux. Et à la toute fin, pour que nous puissions livrer cela sous la forme |
| |
le client veut que ce soit. Donc, si vous avez des découpes, peut-être des emblèmes pour les voitures, vous avez besoin de ces rubans adhésifs qui n'ont pas besoin d'un formulaire spécifique, nous livrons ce formulaire spécifique à la demande du client. |
| |
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 que nous appliquons |
| |
conception d'expériences tout au long du cours |
| |
d'arriver au produit final et de répondre aux exigences de nos clients. |
| |
Et ayant beaucoup de |
| |
faire de la conception d'expériences ou faire beaucoup d'expériences donne également beaucoup de données. |
| |
Et faire ces expériences ou la conception d'expériences dans ce cours et étant une entreprise chimique, beaucoup de données, dans les résultats des expériences, vous obtenez beaucoup de données, beaucoup de spectres. |
| |
Ainsi, la plupart de nos expériences donnent... ne vous donnent pas de valeur, ne vous donnent pas de nombre, elles vous donnent un spectre. |
| |
Et, dans la plupart des cas, si vous voulez faire les expériences, comme dans mon cas, je suis, disons, les scientifiques des données fournissant le service de planification de ces expériences et d'analyse |
| |
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 les développeurs du produit final, et ils me prennent comme service pour faire tout le temps d'analyse des données. Dans la plupart des cas, vous extrayez de ces données de ces données de spectres, des paramètres clés qui décrivent vos données de spectres. |
| |
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, qui pourrait être un début de réaction pour détecter le type de réaction par tout moyen de mesure ou autre chose. |
| |
Donc, si vous faites l'analyse au niveau de l'analyse des données, vous extrayez ces paramètres clés et vous faites l'analyse, la plupart du temps dans l'analyse DOE classique sur ces paramètres clés. |
| |
Donc |
| |
en tant que data scientist, donc moi, en tant que service à mes collègues, les développeurs, je fais cette analyse sur ces paramètres clés. |
| |
Ils me livrent aussi, les exigences des clients et vous voulez répondre aux exigences de ces clients, ils l'optimum où vous voulez être votre formulation ou produit à atteindre ou à atteindre. |
| |
Après avoir fait cela, après avoir fait l'analyse, après avoir fait l'optimisation, à un moment donné, vous allez voir vos collègues ou je vais voir mes collègues et je présente les résultats. |
| |
Et puisque j'ai fait toute l'analyse sur les paramètres clés, je présente également les résultats sur ces paramètres clés. |
| |
Le problème est que, bien que mes collègues de développement ou mes équipes de projet, ce soient des experts dans le domaine... des experts dans leur domaine, mais pas des experts de la science des données. |
| |
Donc, le problème ici est que si je fais l'analyse sur les paramètres clés et que je parle aussi dans le langage des paramètres clés, mais qu'en tant qu'expert dans leur domaine d'expertise, |
| |
ils pensent toujours aux spectres parce que c'est à ce moment-là que les expériences ont été faites, c'est ce que l'analyse qu'ils obtiennent, 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 de 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 chiffres 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 permettant de résoudre ce type de problème. |
| |
Et ce que je fais, ou que je veux vous montrer aujourd'hui, c'est sur trois exemples, comment le Functional Data Explorer vous aide grandement à surmonter cette barrière ou cette barrière de langage entre les data scientists parlant des chiffres et le développeur pensant et parlant en 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. La seconde 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 d'utiliser PowerPoint et je passe à JMP, oui, ça y est. |
| |
Donc premier exemple comme je l'ai montré... comme je vous l'ai dit, c'est l'analyse de la qualité d'impression. Donc, vous faites la mesure, et les spectres idéaux et parfaits seraient un |
| |
droite très droite passant par l'origine avec une pente de 1. Ce serait donc l'idéal si vous atteignez ce parfait, c'est donc 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 courbé vers le haut. |
| |
Alors, que voulez-vous faire de ces informations ? Nous voulons voir ou vous voulez filtrer quels paramètres déplacent ou courbent 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, il vous suffit d'utiliser 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 maintenant une analyse très simple. J'utilise un arbre de décision pour obtenir le ... pour obtenir l'écran ici quel paramètre influence le plus, cette flexion loin du spectre idéal et c'est assez simple. Nous avons environ 22 facteurs d'influence. |
| |
Là, vous en voyez un, qui fondamentalement a une influence sur certains ou influence cette inclinaison loin de cette situation idéale. |
| |
Et ça s'appelle ce X 22, peu importe ce que c'est, ça n'a pas vraiment d'importance. Donc à un moment donné si ça bouge... |
| |
s'il est supérieur à une certaine valeur, vous obtenez, disons, un nombre de 250, s'il descend 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 du développement, |
| |
il vous demandera, est-ce que 196 est bon ou est-ce que 254 est encore bon ou est-ce très mauvais ou est-ce peut-être approprié et ce genre de approprié. |
| |
Le problème est avec le nombre pur, vous ne le voyez pas vraiment, donc parce qu'il parle dans un type différent de... dans un domaine différent 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 que 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 descend comme le nombre inférieur, qui montre le nombre avant qu'ils ne veulent s'en tenir, 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 point, si vous montrez ce type d'analyse aux non-data scientists, au développeur, |
| |
peut-être que c'est déjà assez bon pour lui, peut-être qu'à ce moment-là vous dites d'accord ce n'est pas une ligne droite ce n'est pas parfait, mais c'est c'est bon pour le travail. |
| |
Fondamentalement, cela correspond au besoin du client. Et c'est quelque chose qu'il ne voit pas 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 fonctionnel vous permet de parler dans la langue des experts, des non scientifiques des données, peut-être du développeur du matériel. |
| |
Et vous parlez dans son domaine ou dans sa langue, cela l'aide à obtenir cette perspicacité et il n'a pas à traduire le nombre en perspicacité dans un spectre mais il voit cela, et peut-être obtenir la réponse dont il a besoin. |
| |
Donc, encore une fois, un exemple très trivial, très simple, mais je reçois ... J'espère qu'il vous montre l'essence de ce que les données ... La fonction Data Explorer est ou vous aide à réaliser. |
| |
Donc, en passant au deuxième exemple, c'est le début de la réaction chimique que vous voulez détecter. |
| |
Et nous le faisons 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 spectres ; le spectre ressemblerait à ça, |
| |
où à un certain point, le module change, il se déplace fortement 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 à augmenter brusquement. |
| |
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 modèle qui vous permet de prédire le type de réaction chimique en fonction, dans cet exemple, de cinq paramètres. Donc, |
| |
Je verrai. D'accord, le point de ... le point ou ces paramètres clés au début de la réaction chimique est ... peut dépendre de ceux ... 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. |
| |
Donc, |
| |
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, maintenant vous pouvez modéliser l'ensemble du spectre, et quoi... donc dans ce cas particulier, je n'ai pas montré au développeur l'analyse des paramètres clés, mais je leur ai d'abord montré l'exploration des données fonctionnelles, les résultats de la Explorateur de données fonctionnelles. |
| |
Et quand je viens de déménager ... j'ai commencé à me déplacer et à leur montrer cela et j'ai commencé à contourner les facteurs d'influence, ils ont immédiatement remarqué |
| |
que le point de la réaction change. Donc, je n'ai 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 sur les données du spectre, |
| |
ils ont immédiatement reconnu que le début de la réaction chimique change, comme vous pouvez le voir ici, vous voyez que ça commence à changer. |
| |
L'autre ce que vous voyez, parce que maintenant vous modélisez essentiellement le spectre complet, vous ne modélisez pas seulement le paramètre clé, ce que vous voyez |
| |
que l'apparence du spectre change totalement si vous le déplacez. Ainsi, par exemple, ils verront que le pic a commencé à bouger et la hauteur du pic |
| |
changements. C'est quelque chose qui a également été reconnu immédiatement après avoir vu ces analyses. |
| |
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 utiliser un autre paramètre clé, peut-être. |
| |
vous indiquant la position de l'optimum ou la position du pic maximum ici 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 les leur montrant, calculer un optimum. |
| |
Mais la bonne chose est que si vous utilisez l'explorateur de données fonctionnelles, vous obtenez toutes ces informations en une seule |
| |
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 donc vous obtenez beaucoup plus d'informations à ce sujet dans Functional Data Explorer et peut-être qu'ils obtiennent un aperçu plus approfondi des processus sous-jacents. |
| |
Ouais, maintenant j'en viens 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 ? Mettons donc votre spectre typique normal montrant la masse molaire d'un polymère afin de faire 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 en 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 de... 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 qui n'ont rien d'extraordinaire. |
| |
Et puis vous obtenez un modèle sur votre... ce cas, il y a quatre paramètres contrefaits sur votre, dans ce cas trois, je n'ai pas mis la polydispersité dedans, |
| |
sous trois paramètres clés. Et vous voyez... ce que vous voyez que la masse molaire moyenne en nombre ne change pas vraiment beaucoup si vous modifiez ces quatre facteurs, donc l'influence de ces quatre facteurs sur la masse molaire moyenne en nombre, ce n'est pas trop peu. C'est assez grand et c'est assez significatif |
| |
sur la masse molaire moyenne en masse, comme vous pouvez le voir ici. Vous pouvez donc tout à fait le déplacer autour de lui, 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 nombre, 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 une forme car elle |
| |
affecte considérablement l'aptitude au traitement d'un polymère. Donc |
| |
n'ayant que trois nombres et peut-être la polydispersité, cela 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 vous pourriez simplement parler de la dispersité vous donne peut-être une indication de l'étendue de la distribution, mais cela ne vous dit pas si vous avez un pic, deux pics ou trois pics. |
| |
Mais il y a assez... 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 aviez déjà les données brutes disponibles, vous pouvez utiliser à nouveau l'explorateur de données fonctionnelles afin d'obtenir ces informations ou d'obtenir beaucoup plus d'informations à partir de ces... 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, ce n'est rien d'extraordinaire, rien |
| |
hors de l'ordinaire, que vous tirez dans vos exportations en tant que 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 essentiellement maintenant... vous pouvez l'adapter aux paramètres du modèle. |
| |
Mais c'est une procédure très simple et très directe et, encore une fois, vous obtenez beaucoup plus d'informations sur les parties d'intérêt sous-jacentes, en réduisant simplement toutes ces données à certains paramètres clés. Dans ce cas, |
| |
Je veux dire vous avoir montré qu'un paramètre clé ne change pas vraiment beaucoup, l'autre oui, 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, parce que si vous voyez comment... avant de voir ce point qui change beaucoup, l'autre ne l'a pas fait. |
| |
Si vous savez sorte de changement, cependant, par exemple, dans ce cas. |
| |
Ce pic ressemble plus à une épaule, ce n'est pas vraiment un pic, mais si vous changez vos facteurs d'influence, vous arrivez à un point où il atteint vraiment un pic. |
| |
Oui, donc il y a vraiment un deuxième pic, et cela vous dit peut-être quelque chose sur le mécanisme de polymérisation ou le mécanisme de polymérisation sous-jacent |
| |
que vous n'obtenez pas à partir des paramètres clés, en regardant simplement ces trois chiffres ouais. |
| |
Mais ici, cela peut vous donner une indication ou déclencher quelque chose chez le développeur car 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 l'étape suivante ou l'aide à mieux faire l'étape suivante pour planifier les prochaines expériences encore mieux qu'avant, juste après avoir vu ces chiffres. |
| |
Bon, je suis à la fin de mon... présentation de mon exemple, donc j'espère que je pourrais vous montrer que l'explorateur de données fonctionnelles permet vraiment de visualiser le |
| |
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 spécialistes des données, donc |
| |
ils |
| |
ne croient pas ou ne sont peut-être pas tellement intéressés par la façon d'obtenir les résultats, mais ils sont plus intéressés par les résultats et les |
| |
problème qu'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 pour |
| |
jetez des données précieuses afin de réduire les données spectrales à certains paramètres clés et effectuez l'analyse sur les paramètres clés. |
| |
Devoir expliquer quels paramètres clés réellement... comment ils affectent les spectres, les formes de 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 pourriez 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'avez pas besoin, 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, d'avoir fait tout le travail expérimental, afin que je puisse me tenir ici devant vous pour 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. |
