349231_ja-JP

liliconcom

機能データエクスプローラー：非データサイエンティストへの結果の視覚化（2021-EU-30MP-765）

レベル：中級

 

Lohmann、データ駆動型開発責任者、Simon Stelzig

 

接着剤の配合とテープの開発の過程で、開発者は、実験計画法、履歴データの分析、または予備的な試行錯誤の実行から得られた収集データの分析を処理する際に、データサイエンティストによってサポートされます。 したがって、データスペシャリストは、結果について非スペシャリストと話し合い、複雑なデータ分析を非複雑な方法で提示する必要性に直面します。 特にスペクトルデータの分析の場合、データは分析のためにいくつかの特徴的な数に減らされることがよくあります。 ただし、開発者は依然として数値ではなくスペクトルを考慮しているため、結果の視覚化と解釈が困難になっています。 機能データエクスプローラーは、このような分析を実行し、スペクトルのような形式で結果を視覚化するための優れたツールです。 一例として、構造用粘着テープのレオロジー挙動、すなわち反応開始の配合成分への依存性を、Functional DataExplorerを使用して分析します。 別の例は、感圧接着剤の合成中のプロセスパラメータに対する分子量分布の依存性の分析です。 どちらの場合も、結果として得られる予測スペクトルは、開発者が洞察を得て、メカニズムの理解を深めるのに大いに役立ちます。

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
サイモン・ステルジグ	さて、みなさん、こんにちは。 私の名前はサイモン・ステルジグです。 ボンディングエンジニアのローマンから来ました。 私は研究開発部門の出身です。今日は、Functional Data Explorerについて、またそれを使用してデータサイエンティスト以外の人に結果を視覚化する方法について説明したいと思います。
	それで、私が始める前に、ローマン社のいくつかの非常に短い紹介。 聞いたことがないかもしれませんが、日常的に使っているか、その製品に出くわしたことがあるかもしれません。
	だから、ローマンについてのいくつかの事実と数字。 つまり、ローマンの2019年の売上高は約6億ユーロで、私が取り組んでいるのはローマンテープグループであり、私たちは粘着テープのメーカーです。 それは主に両面粘着テープであり、私たちは純粋なB2C会社なので、あなただけです
	私たちの製品を購入できるのは、...産業用の場合...産業用アプリケーションの場合のみです。 私たちはかなり年をとっているので、今年はローマン社が設立されてから約170年になります。
	基本的に2つに分かれているので、そのうちの1つは私が取り組んでいるテープ製品です。 それが焦点です
	産業用粘着テープであり、それが当社の衛生ブランドです。
	そして、私たちはグローバルに活動しています。 全世界に25のサイトがあり、約1,800人の従業員がいます。 そして多分非常に興味深い、
	当社の製品の90％はカスタマイズされているため、非常に複雑な製品ポートフォリオがあり、非常に少数の顧客グループ向けに非常に少量のアプリケーションに焦点を当てた製品が多数あります。
	ですから、私たちは粘着テープや多くの両面粘着テープのトップメーカーであり、多くの用途があることをご存知でしょう。これらは私たちがいる市場セグメントです。
	したがって、私たちの1つは産業用アプリケーションです。 これは主に、窓やドア、または建物や建設エリアの屋内および屋外の用途向けです。
	または、スマートフォンの背面カバーを固定するための粘着テープなど、家電製品や電子機器でローマン製品に出くわすかもしれません。 またはで
	主に診断アプリケーション、創傷ケアのための医療セグメント。 輸送の分野では...自動車用多分インテリアまたはエクステリア用
	車へのエンブレムの付着。 また、たとえば、粘着テープを提供する柔軟な印刷アプリケーションのグラフィック業界にも参入しています。
	印刷版をスリーブに固定します。 ローマンテープグループの1つの下位区分の1つは、おむつの閉鎖システムを提供する衛生ブランドです。
	非常に幅広いアプリケーションと、先ほど申し上げたもう1つのポイントは、製品の約90％がカスタマイズされていることです。 そして、ローマンについてのもう一つの事実は
	私たちのバリューチェーンは非常に深いバリューチェーンであるため、粘着テープについて考える場合は、粘着層が必要です。
	あなたが固執したいあなたの主題に接着するか、またはくっつきます。
	あなたはキャリア、オプションであなたの接着剤層を運ぶキャリア、そして反対側に必要です、それは私たちがあなたが反対側に持っている両面接着テープの生産者であるためです、
	接着剤層。 そして、ローマンのバリューチェーンは基本的に最初から始まるので、私たちは独自のポリマーを作ることができます。つまり、接着剤のベースポリマーです。
	次に、そのポリマーを粘着剤配合物に配合する必要があります。これを次のステップでキャリアに貼り付けます。これは、次の形の粘着テープの形になります。
	かなり大きい???ロールズ。 そして最後に、私たちはそれを形で届けることができます
	顧客はそれを望んでいます。 したがって、ダイカットや車のエンブレムがある場合は、それらの粘着テープに特定のフォームを必要としないようにする必要があります。お客様の要求に応じて、その特定のフォームを提供します。
	そして、研究開発は主に最初の3つの部分に焦点を当てているため、重合、コーティングの配合、および取得するために、多くの製品がカスタマイズされており、可能な限り迅速に私たちが適用するお客様の要件を満たすための目標
	コース全体の実験計画
	最終製品に到達し、お客様の要件を満たすために。
	そしてたくさん持っている
	実験計画法を実行したり、全体的に多くの実験を実行したりすると、多くのデータも得られます。
	そして、そのコースでこれらの実験または実験計画法を実行し、化学会社であるため、多くのデータ、実験結果では、多くのデータ、多くのスペクトルが得られます。
	したがって、私たちの実験のほとんどは...あなたに値を与えません、あなたに数を与えません、それはあなたにスペクトルを与えます。
	そして、ほとんどの場合、私の場合のように、実験を行いたい場合、私は、たとえば、それらの実験を計画して分析するサービスを提供するデータサイエンティストです。
	実験を行い、私の同僚（その場合は非データサイエンティストである可能性があります）のためにデータ分析全体を実行します。
	彼らは最終製品の開発者であり、すべてのデータ分析時間を行うためのサービスとして私を連れて行ってくれます。 ほとんどの場合、これらのスペクトルデータからこれらのデータを抽出します。これは、スペクトルデータを説明する重要なパラメータです。
	それは、重合の場合、それは分子量分布であるかもしれません、それはあなたのサイズを意味するかもしれません
	私たちが反応から抜け出すポリマー、それは測定または何か他の手段によってある種の反応を検出するための反応の始まりかもしれません。
	したがって、データ分析で分析を行う場合は、それらの主要なパラメーターを抽出して分析を行います。ほとんどの場合、これらの主要なパラメーターに対する従来のDOE分析です。
	そう
	データサイエンティストとして、私は同僚である開発者へのサービスとして、これらの重要なパラメーターについてこの分析を行います。
	彼らはまた私に、顧客の要件を提供し、あなたはこれらの顧客の要件を満たしたいと思っています、彼らはあなたがあなたの処方または製品になりたい、または到達したい場所に最適です。
	これを行った後、分析を行った後、最適化を行った後、ある時点であなたはあなたのところに行くか、私は同僚のところに行き、結果を提示します。
	また、主要なパラメーターについてすべての分析を行ったので、それらの主要なパラメーターの結果も示します。
	問題は、私の開発同僚やプロジェクトチームですが、彼らはその分野の専門家です...彼らの専門知識の専門家ですが、データサイエンスの専門家ではありません。
	したがって、ここでの問題は、私が主要なパラメータの分析を行い、主要なパラメータの言語で話す場合、彼らは専門分野の専門家として、
	彼らはまだスペクトルを考えています。なぜなら、それが実験が行われたときであり、それが彼らが得た分析であり、私が数字を見るところにスペクトルを見るからです。
	結果と分析を主要なパラメータで提示した場合でも、スペクトルで考えるという問題が常に残ります。
	ですから、あなたはいつもあなたが異なる言語で話すことをするという問題を抱えています。 私は数字の言語で話します、彼らはスペクトルの言語で話します、
	次に、それらの数値をスペクトルを意味する専門分野に変換する必要があるという問題が発生します。
	または、これらの重要なパラメータを、スペクトルを意味する言語に翻訳する必要があります。 幸いなことに、Functional Data Explorerを使用すると、これはそのような問題を解決するための一種の万能翻訳機です。
	そして、今日私がしていること、または今日お見せしたいことは、3つの例で、Functional Data Explorerが、データサイエンティストが数字を話し、開発者がスペクトルで考えて話している間のこの障壁またはこの言語の障壁を克服するのにどのように大いに役立つかです。
	一例では、最初に紹介したい例ですが、これは非常に単純で非常に些細な例であり、フラクタル印刷の印刷品質を表す測定値である可能性があります。
	実験。 2つ目は、ある種の化学反応を定義する測定について説明します。 そして3つ目があります。それはあなたにポリマーの分子量を与える測定です
	重合反応中。 PowerPointの使用をやめて、JMPに移動します。
	だから私が示した最初の例は...私があなたに言ったように、印刷品質の分析です。 したがって、測定を行うと、理想的で完璧なスペクトルは次のようになります。
	傾きが1の原点を通る非常に直線。 完璧に到達した場合はそれが理想的です。これは1つの測定値であり、今回は印刷品質です。
	通常、あなたが得るもの...通常、それは現実の環境です。 実際には直線ではないように見えますが、少し高い値にシフトしているため、線ではありません...上に曲がっています。
	それで、あなたはその情報で何をしたいですか？ どのパラメータが基本的に曲線を上向きに移動または曲げているかを確認したい、またはスクリーニングしたいので、理想的ではありません。
	だから私は私たちがキーパラメータとして定義するもののキーパラメータに行きます、あるいはそれは基本的に直線とあなたが得る実際の線との違いです。 とても簡単です、あなたはただ使うだけです
	違い...それはこの点との違いの一部です。
	したがって、分析を行う場合、主要なパラメータについても、それは...非常に単純な今の分析です。 私は決定木を使用して...どのパラメーターが最も影響を与えるかをここで取得します。これは理想的なスペクトルから離れて曲がり、非常に簡単です。 約22の影響要因がありました。
	そこに、基本的にいくつかに影響を与えるか、この理想的な状況から離れるこの曲がりに影響を与えるものがあります。
	そしてそれはこのX22と呼ばれ、それが何であれ、実際には問題ではありません。 だからある時点でそれが動くと...
	それが特定の値よりも大きい場合、たとえば250の数を取得し、その特定の値を下回ると196を取得します。問題は、これを開発に指示した場合...開発分析、
	彼はあなたに尋ねます、196良いか、254まだ良いか、それとも非常に悪いか、それともおそらく適切で、その種の適切なものですか。
	問題は純粋な数にあります、あなたはそれを実際には見ません、それで彼は異なる種類で話しているので...異なる言語で異なる地域で。
	ただし、Functional Data Explorerを使用すると、質問に答えるのに非常に役立ちます。FunctionalDataExplorerに移動して、関数内のデータで同じ分析を行うと、Functional DataExplorerを使用して
	あなたはこのように見える何かを手に入れます。 つまり、それはあなたを示しています、それは彼またはあなたが彼に示した開発者を示しています...あなたは彼にグラフを示しています。 彼がグラフで慣れているグラフは、通常、彼の測定値または彼の実験、彼が行う実験から得られます。
	たとえば、曲線の形状に影響を与える同じパラメータを持っている場合は同じですが、それが気に入らない場合は、250のパラメータが表示されます。
	キーパラメータの分析から、250になり、196になり、違いがわかります。 つまり、実際には直線ではありません。
	しかし、それが下の数字のように下に移動した場合、それは彼らが維持したい前の数字を示しています、196、
	見た目はそれほど悪くないので...実際には、完璧な直線のようなものではありませんが、そうではありません、それほど多くはありません...それはそう遠くないです
	直線であり、おそらくその時点で、この種の分析を非データサイエンティスト、開発者、
	多分それは彼にとってすでに十分であるかもしれません、多分あなたが大丈夫と言うその点それはそれが完璧ではない直線ではありません、しかしそれはそれが仕事にとって良いことです。
	基本的に、それは顧客のニーズに適合します。 そして、それはあなたが彼に見せた純粋な数からは彼には見えないものです。 したがって、その場合、それは非常に些細な例であり、非常に単純な例です。
	しかし、Functional Data Explorerを使用することで、専門家、非データサイエンティスト、おそらく資料の開発者の言語で話すことができるという本質が得られることを願っています。
	そして、あなたは彼の地域または彼の言語で話しているので、彼がこの洞察を得るのを助け、数字を洞察に変換してスペクトルに変換する必要はありませんが、彼はそれを見て、おそらく彼が必要とする答えを得るでしょう。
	繰り返しになりますが、非常に些細で非常に単純な例ですが、私は得ます...データが何であるかの本質を示していることを願っています...関数データエクスプローラーは、あなたが達成するのに役立ちます。
	したがって、2番目の例に移ると、それが検出したい化学反応の始まりです。
	そして、私たちは???を行うことによってそれを行います測定中に、特定の化学製剤を加熱した場合の弾性率の変化を確認したい場合。 通常、2つの大きなスペクトルがあります。スペクトルはそのようになります、
	ある時点で弾性率が変化すると、急上昇します。 それは通常ここにあります、それは化学反応の始まりです。 したがって、そのスペクトルから抽出している重要なパラメータは、モジュラスが急激に上昇し始めるポイントです。
	ザ・
	適切な抽出の重要なパラメータは、ポイントを見つけるためのポイントです。 元の生データからからポイントを計算するのは少し複雑かもしれませんが、それでも、それを実行し、反応が開始するポイントを確認してから、キーパラメーターの分析を実行できます。
	それをやって、
	重要なパラメータに関するこの分析から得られるのは、この例では5つのパラメータに基づいて化学反応の種類を予測できるモデルです。 そう、
	わかります。 さて、化学反応の開始時のポイントまたはこれらの重要なパラメータは...それらに依存する可能性があります...これらの3つのパラメータに依存します
	基本的に、化学反応が始まる70度のようなものから、摂氏約100度のようなものまでの範囲が得られます（申し訳ありませんが、それは間違っています）。
	ええ約100度まで 繰り返しになりますが、スペクトル全体を1つの数値に減らします。
	この化学反応が始まる手がかりを開発に与えます。
	同じ分析とデータを実行すると...すでにデータが存在するため、主要なパラメーターを抽出する場合は、生データも必要になるため、生データも利用可能になります。
	したがって、重要なパラメータに対して標準の回帰法を使用して、Functional DataExplorer内で分析を行うのはそれほど多くの労力ではありません。
	そう、
	同じ量または同じデータを使用し、Functional DataExplorerを使用して
	データの分析は、結果を計算するのに数秒かかります。
	そこにそれがある。
	繰り返しになりますが、スペクトル全体をモデル化できるようになりました。その特定のケースでは、主要なパラメーターの分析のために開発者に見せませんでしたが、最初に機能データ探索を示しました。機能データエクスプローラー。
	そして、私が引っ越したばかりのとき...動き回って彼らにこれを見せ始め、影響力のある要因の周りを動き始めたとき、彼らはすぐに気づきました
	反応のポイントが変わること。 だから私は彼らがその分野の専門家であるためにポイントが動き始めたことを彼らに言う必要はありませんでした...スペクトルデータの専門家であるということです、
	彼らはすぐに、基本的に化学反応の開始がシフトすることを認識しました。ここで見ることができるように、それがシフトし始めることがわかります。
	もう1つは、基本的に完全なスペクトルをモデル化したため、重要なパラメーターをモデル化するだけでなく、表示されるものも表示されます。
	スペクトルを動かすと、スペクトルの見え方が完全に変わります。 したがって、たとえば、ピークが動き始め、ピークの高さがわかります。
	変化します。それは、彼らがこれらの分析を見た直後にも認識されたものでした。
	そして、違いは重要なパラメータにあるということでした。ある種の化学反応を意味する1つの重要なパラメータへのチャンスを抽出すると、おそらく別の重要なパラメータを使用できます。
	ここでの最適の位置または最大ピークの位置または最大ピークの高さを示します。
	次に、スペクトルデータをさまざまな種類のキーパラメータに使用して、それらのキーパラメータを後で分析し、それらに表示して、最適値を計算できます。
	ただし、Functional Data Explorerを使用すると、この情報がすべて1つにまとめられるのは良いことです。
	分析。そして、あなたは、私が前に述べたように、あなたは話すのをやめるか、あなたは...あなたは数字で話しているのではなく、彼らの中で話している、またはあなたはスペクトルデータの彼らの言語で話しているので、これらの重要なパラメータを翻訳する必要はありませんもうスペクトルの彼らの世界に。
	そうです、Functional Data Explorerでこれらについてより多くの情報を取得し、基礎となるプロセスについてより深い洞察を得ることができます。
	ええ、今、私は最後の最後の例に行き着きます。 それは
	私が話していた重合プロセス、それは基本的に分子量分布を決定することです、
	これは重合反応の結果です。 繰り返しになりますが、私が述べたように、分子分布を決定することも通常は注意が必要です
	分布全体を特定の重要なパラメーターに取得または削減します。 それで、通常、典型的なスペクトルはどのように見えますか？ それでは、ポリマーのモル質量を示す通常の典型的なスペクトルを入れて、ポリマー鎖にある繰り返し単位の数をすべて作成しましょう。
	そして、それはあなたが化学反応と測定から得るものです。 それで、それがよく知られているか、それが重要なパラメータである重要なパラメータは、あなたがしなければなりません...
	これは、数平均モル質量、質量平均モル質量、Z平均モル質量、および多分散度です。
	これは、質量平均モル質量を数平均モル質量で割ったものです。
	そのパラメータであるPDI、多分散度は、分子量分布の幅やサイズ、または幅を示します。
	繰り返しになりますが、生データまたはスペクトルデータから計算するこれらの4つの主要なパラメータがあるので、次のことができるように、すでにそのデータを利用できます。
	重要なパラメータを計算します。 何も、何も派手ではない標準的な手法を使用して、分析を再度行うことができます。
	そして、あなたはあなたのモデルを手に入れます...この場合、それはあなたの4つの侵害パラメータです、この場合3つ、私は多分散性を入れませんでした、
	3つの重要なパラメータの下で。 そして、ご覧のとおり...これらの4つの要素を変更しても、数の平均モル質量は実際にはあまり変化しないので、これらの4つの要素が数の平均モル質量に与える影響はそれほど大きくありません。 それはかなり大きく、それはかなり重要です
	あなたがここで見ることができるように、質量平均モル質量で。 それで、あなたはそれをかなり動かすことができます、それで違いはかなり大きいです、それでそれは約15万ですか？合計モルあたり、最低設定と最高設定の差。
	しかし、これは、この数が非常に大幅に変化することを意味します。これは、分散度が変化する必要がある、または変化する必要がある、または大きく変化する必要があるという意味でもありません。
	問題は、この数値からは分布がどのように見えるかがわからないため、形状が得られないことでした。たとえば、この場合、形状を持つことが非常に重要です。
	ポリマーの加工性に非常に劇的に影響します。 そう
	数字が3つしかないので、多分散性があるので、形がわからないか、わかりません...または
	分布がそのモノモル分布である場合、バイモーダル、トリモーダル。
	あなたが見ているもの、または分散度について話しているだけで、分布の広さを示しているかもしれませんが、1つのピーク、2つのピーク、または3つのピークがあるかどうかはわかりません。
	しかし、かなり...私たちが得る最終的な材料特性にかなり大きな違いがあります
	ポリマーのまたは開発中の粘着テープの性能を変更します。
	繰り返しになりますが、生データはすでに利用可能であるため、Functional Data Explorerを再度使用して、これらの洞察を得たり、これらからより多くの情報を取得したりできます...これらのデータはすべて、これらの主要なパラメーターからのみ取得できます。
	繰り返しになりますが、数秒かかりますが、それで完了です。
	そして、繰り返しになりますが、分析については何も派手ではないので、最初から...機能データエクスプローラーを操作することは、何も派手ではなく、何もありません
	エクスポートをYとしてプルする通常とは異なり、サンプルIDを入力してから、DOEからファクターを入力します。
	それらを入れて、スタートボタンを押すと、基本的にはそれだけです。 そして、あなたは基本的に今あなたができる...あなたはそれをモデルパラメータに合わせることができる。
	しかし、これは非常に単純で非常に単純な手順であり、繰り返しになりますが、これらのすべてのデータをいくつかの重要なパラメーターに減らすだけで、関心のある基礎となる部分についてより多くの洞察を得ることができます。 その場合、
	つまり、1つの重要なパラメーターは実際にはあまり変化しないことを示しましたが、もう1つのパラメーターは変化しますが、フォームが得られないため、分布についての指標や感覚が得られません。
	その場合、このツールを再度使用すると、その洞察が得られます。なぜなら、その方法を確認すると、1つのポイントが大きく変化するのを見る前に、もう1つのポイントは変化しなかったからです。
	ただし、ある種の変更を知っている場合は、たとえばその場合です。
	そのピークは肩のようなもので、実際にはピークではありませんが、影響要因を変更すると、実際にピークに達するようになります。
	ええ、それは本当に2番目のピークを取得します、そしてそれはおそらく重合メカニズムまたは基礎となる重合メカニズムについて何かを教えてくれます
	これらの3つの数値を見るだけでは、主要なパラメータからは得られません。
	しかし、ここでは、それがあなたに示唆を与えるかもしれませんし、それが彼の専門分野であるため、開発者に何かを引き起こすかもしれません。 あなたは彼が根本的なメカニズムを理解するのを助ける何かを引き起こし、そして
	これらの数字を見ただけで、彼が次のステップを実行するのを助けたり、次の次の実験を以前よりもさらにうまく計画するために次のステップをより良く実行するのを助けます。
	さて、これで終わりです...私の例を示しているので、Functional DataExplorerが実際に
	専門分野の開発者に結果をもたらします。 つまり、ほとんどの場合、たとえば私たちの場合、ほとんどの開発者はデータサイエンティストではないので、
	彼ら
	結果にたどり着く方法については信じていないか、それほど興味がないかもしれませんが、彼らは結果と
	問題があります...または、たとえば、Functional Data Explorerで、彼らの言語または専門分野で話すことができる場合、つまり、私たちの場合、化学会社であり、スペクトルデータであり、に
	スペクトルデータをいくつかの重要なパラメータに減らし、重要なパラメータの分析を行うために、貴重なデータを破棄します。
	実際にどの重要なパラメータを説明する必要があります...それらがスペクトル、スペクトルの形式、スペクトルの形状にどのように影響するかを説明する必要がありますが、データを使用してから
	スペクトルの形と形、およびスペクトルがどのように変化するかについて研究している要因に対するこれらの影響を示し始めます。
	多くの場合、場合によっては同じ洞察が得られるかもしれませんが、多くの場合、FDEを使用した分析により、はるかに多くの洞察が得られ、基礎となるメカニズムについてより深い洞察が得られます。
	また、たとえば、スペクトルデータをいくつかの重要なパラメータに変換するプロセス中に、多くの貴重なデータを破棄する必要はありません。
	それでは、研究開発部門の同僚の皆さん、すべての実験作業をしてくれたことに感謝します。あなたの前に立って、素晴らしい結果を発表することができます。 そして
	プレゼンテーションは終了です。 ご清聴ありがとうございました。 ご不明な点がございましたら、お気軽にお問い合わせください。 どうもありがとうございました。

サミットのベスト起こるデータの視覚化DOE予測モデリングRe：機能データエクスプローラー：非データサイエンティストへの結果の視覚化（2021-EU-30MP-765）

共通言語でのコラボレーションの仕方についてのあなたの視点は本当に楽しかったです@高等学校、プレゼンテーションありがとうございます。 この効果的なコミュニケーションにより、同僚はデータサイエンスを自分で行うことに興味を持っていますか？  

Re：機能データエクスプローラー：非データサイエンティストへの結果の視覚化（2021-EU-30MP-765）

@benfrancis ： ありがとうございました。 はい、ある程度はそうです。 そして、それは間違いなくデータサイエンスの全体的なトピックへの関心を生み出します。

Re：機能データエクスプローラー：非データサイエンティストへの結果の視覚化（2021-EU-30MP-765）

素晴らしいですね@高等学校、うまくいけば、これについてさらに話すことができる時間があるでしょう！ 私はDiscoveryEurope 2022のために指を交差させ続けます！

Re：機能データエクスプローラー：非データサイエンティストへの結果の視覚化（2021-EU-30MP-765）

ベンズのコメントに同意します。 データサイエンスの観点ではなく、受信者の言語に焦点を当てることは、そのような大きな価値を追加します！ わかりやすく、同時に非常にインパクトのある例を備えたこの素晴らしいプレゼンテーションに感謝します。