349231_ja-JP

liliconcom

Functional Data Explorer: 非データ サイエンティスト向けの結果の視覚化 (2021-EU-30MP-765)

レベル: 中級

 

Simon Stelzig 氏、Lohmann、データ駆動型開発責任者

 

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データ サイエンティストのサポートを受けます。 したがって、データの専門家は結果について非専門家と話し合い、複雑なデータ分析を複雑ではない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値に削減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で考えるため、結果の視覚化と解釈が困難になります。 Functional Data Explorer は、このような分析を実行し、結果をスペクトルのような形式で視覚化するための優れたツールです。 一例として、構造用接着テープのレオロジー挙動、つまり反応開始の配合成分への依存性は、Functional Data Explorer を使用して分析されます。 別の例は、感圧接着剤の合成中のプロセス パラメーター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を理解す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	成績証明書
サイモン・ステルジグ	さて、皆さんこんにちは。 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です。 私は研究開発部門に所属しています。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お話したいと思います。
	それでは、始める前に、Lohmann 社について簡単に紹介します。 聞いたことはないかもしれませんが、日常的にその製品を使用しているか、目にしたことがあるかもしれません。
	それでは、ローマンに関する事実と数字をいくつか挙げてみましょう。 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、当社は粘着テープの生産会社です。 主に両面粘着テープを取り扱っており、当社は純粋なB2C企業ですので、
	当社の製品は、産業用の場合にのみご購入いただけます。 かなり古いので、ローマン社は今年で創業170年くらいになります。
	私たちは基本的に 2 つのパートに分かれており、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、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。 当社は全世界に 25 の拠点を持ち、従業員は約 1,800 名です。 そしておそらくとても興味深いのですが、
	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、多くの製品が非常に少数の顧客グループ向けの非常に少量のアプリケーションに焦点を当てています。
	したがって、当社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、ご存知のとおり、当社には多くのアプリケーションがあり、これらが当社の属する市場セグメントです。
	私たちの取り組みの 1 つは産業用途です。 これは主に窓やドア、あるいは建物や建設現場の屋内外での用途に適しています。
	あるいは、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を目にすることがあるかもしれません。 または、
	医療分野は主に診断用途、創傷治療向けです。 輸送分野で...自動車用、内装または外装用
	車のエンブレムの貼り付け。 たとえば、当社は粘着テープを提供するフレキシブル印刷用途のグラフィック業界にも参入しています。
	印刷版を袖に固定します。 ローマン テープ グループの 1 つの部門の 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があり、先ほども述べたもう 1 つの点は、当社の製品の約 90% がカスタマイズされているということです。 そして、ローマンに関するもう一つの事実は、
	当社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と、粘着層が必要になります。
	貼り付けたい対象物に接着または貼り付けます。
	キャリアが必要です。オプションで接着層とその反対側を運ぶキャリアも必要です。これは、当社が反対側にある両面接着テープのメーカーであるためです。
	接着層。 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、接着剤のベースポリマーである独自のポリマーを作ることができます。
	次に、ポリマーを接着剤配合物に配合する必要があります。次のステップでは、これをキャリア上に置き、次のような粘着テープの形にします。
	かなり大きい？ロールズ。 そして最後に、それを次の形式で提供できるようにします。
	顧客はそうありたいと望んでいます。 したがって、いくつかのダイカット、おそらく車のエンブレムがある場合、それらの粘着テープが必要です。特定の形式は必要ありません。お客様の要求に応じて、その特定の形式を提供します。
	研究開発は主に最初の 3 つの部分に焦点を当てています。そのため、重合、コーティングの配合、そして先ほど述べたように、当社の製品の多くはカスタマイズされており、できるだけ早く製品化することができます。私たちが適用する顧客要件を満たすという目標
	コース全体にわたる実験の計画
	最終製品に到達し、顧客の要求を満たすために。
	そしてたくさん持っているのは、
	実験計画法を行ったり、全体的に多くの実験を行ったりすると、大量のデータが得られます。
	化学会社なので、そのコースで実験や実験計画を行うと、実験結果として大量のデータ、スペクトルが得られます。
	つまり、私たちの実験のほとんどは、値を与えるのではなく、数値を与えるのではなく、スペクトルを与えるのです。
	そして、ほとんどの場合、私の場合のように、あなたが実験をしたい場合、私は、たとえば、実験の計画と分析のサービスを提供するデータサイエンティストです。
	同僚のために実験を行ったり、データ分析全体を行ったりします。その場合、同僚はデータ サイエンティストではない可能性があります。
	彼らは最終製品の開発者であり、私をサービスとしてデータ分析に費やします。 ほとんどの場合、それらのスペクトル データから、スペクトル データを説明する主要なパラメーターを抽出します。
	それは、重合の場合、分子量分布である可能性があり、分子の大きさを意味する可能性があります。
	反応から得られるポリマーは、測定などの手段でどのような反応かを検出するための反応の始まりとなる可能性があります。
	したがって、データ分析で分析を行う場合は、これらの重要なパラメーターを抽出し、ほとんどの場合、それらの重要なパラメーターに対する古典的な DOE 分析で分析を実行します。
	それで
	データ サイエンティストである私は、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基づいてこの分析を行っています。
	彼らはまた、私に顧客の要求を提供し、あなたがこれらの顧客の要求に応えたいと望む、または到達したい配合や製品の最適化を提供します。
	これを実行し、分析を実行し、最適化を実行した後、ある時点で、あなたがあなたのところに行くか、私が同僚のところに行き、結果を提示します。
	そして、主要なパラメータに関するすべての分析を行ったので、それらの主要なパラメータに関する結果も提示します。
	問題は、私の開発同僚やプロジェクト チームは、その分野の専門家ではありますが、専門知識の専門家ではありますが、データ サイエンスの専門家ではないということです。
	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、ただし彼らは専門分野の専門家として、
	彼らはまだスペクトルについて考えています。なぜなら、実験が行われたのはその時であり、それが彼らが得た分析であり、私が数字を見ている場所で彼らはスペクトルを見ているからです。
	私が結果と分析を主要なパラメータで提示しても、彼らは依然としてスペクトルで考えているという問題が常に残ります。
	つまり、異なる言語で話すという問題が常に発生します。 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、
	すると、それらの数値をスペクトルを意味する専門分野に変換しなければならないという問題が生じます。
	あるいは、これらの主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 は、その種の問題を解決するための一種の汎用トランスレーターです。
	そして、私が行っていること、または今日お見せしたいことは、数値を話すデータ サイエンティストとスペクトルで考えて話す開発者との間の障壁や言語の壁を克服するのに Functional Data Explorer がどのように役立つのかという 3 つの例です。
	一例として、最初にお見せしたい例は、非常にシンプルで簡単な例で、おそらくフラクタル印刷の印刷品質を説明する測定に基づいています。
	実験。 2 つ目は、一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。それはポリマーの分子量を与える測定値です
	重合反応中。 PowerPoint の使用をやめて、JMP に行きます。はい、あります。
	最初の例は、先ほども述べたように、印刷品質の分析です。 それで測定を行うと、理想的で完璧なスペクトルは次のようになります。
	原点を通り、傾き 1 の非常に直線的な線。 完璧に到達できればそれが理想なので、それは 1 つの測定値であり、今回は印刷品質です。
	通常、あなたが得るものは...普通、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るものが得られますが、値が高い方向に少しシフトしているため、これは線ではなく、上に曲がっています。
	それで、その情報を使って何をしたいですか? 私たちは、どのパラメータが基本的にカーブを上向きに移動または曲げて理想的でないかを確認したい、またはスクリーニングしたいと考えています。
	そこで、キー パラメータとして何を定義するかというキー パラメータに進みます。つまり、基本的には、直線と実際に得られる線との差です。 非常に簡単です。ただ使用するだけです。
	違い...この点での違いの一部です。
	したがって、主要なパラメータに関して分析を行うと、これは非常に単純な分析になります。 私はデシジョン ツリーを使用して、どのパラメータが最も影響を及ぼしているか、理想的なスペクトルから逸脱している画面を取得します。これは非常に簡単です。 約 22 の影響因子が見つかりました。
	そこには、基本的に一部の人々に影響を与えているか、この理想的な状況から遠ざかっている影響が見られます。
	そして、これは X 22 と呼ばれていますが、それが何であれ、実際には重要ではありません。 それで、ある時点でそれが動くと...
	特定の値より大きい場合は、たとえば 250 という数値が得られ、その特定の値を下回る場合は 196 が得られます。問題は、これを開発者に伝えた場合...それを開発者に見せた場合です。開発分析、
	彼はあなたに、196 は良いのか、それとも 254 はまだ良いのか、それとも非常に悪いのか、あるいはそれが適切で、そのような種類の適切なものなのかと尋ねます。
	問題は純粋な数字にあり、実際にはそれがわかりません。なぜなら、彼は別の種類の、別の地域で、別の言語で話しているからです。
	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。ただし、Functional Data Explorer に移動して、Functional Data Explorer を使用して関数内のデータに対して同じ分析を行うと、
	このようなものを取得します。 つまり、それはあなたを示し、彼またはあなたが彼に見せた開発者を示します...あなたは彼にグラフを示します。 彼がグラフに慣れているのは、通常、彼の測定や実験、つまり彼が行った実験から得たものです。
	たとえば、カーブ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でも、250 のパラメータが表示されるのが気に入らない場合は、同じことが起こります。
	主要なパラメータの分析から、あなたの値は 250 ですが、それは 196 となり、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、それが下位の数字、つまり彼らが保持したい前の数字を示すように下がった場合、196、
	見た目はそれほど悪くないので...実際には、つまり、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...それはそう遠くないです
	この種の分析をデータ サイエンティスト以外の開発者に見せると、おそらくその時点で、
	もしかしたら、彼にとってはもうそれで十分なのかもしれない、もしかしたらあなたはその点で大丈夫だと言うかもしれない、それは直線ではない、完璧ではない、でもそれは仕事にとっては良いことだ。
	基本的にはお客様のニーズに応えます。 そしてそれは、あなたが彼に見せる純粋な数字からは見えないものです。 この場合、これは非常に単純な例です。
	ただし、Functional Data Explorer を使用すると、専門家の言語、非データ サイエンティストの言語、おそらく資料の開発者の言語で会話できるという本質が伝われば幸いです。
	そして、あなたが彼の地域や彼の言語で話していることは、彼がこの洞察を得るのに役立ちます、そしてそれは数値をスペクトルへの洞察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、これでデータの本質がわかると思います...Function Data Explorer が何であるか、または達成に役立つことを願っています。
	2 番目の例に進みます。これが、検出したい化学反応の始まりです。
	そしてそれを行うには、???を実行します。測定中に、特定の化学配合物を加熱した場合の弾性率の変化を確認したいとします。 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、
	特定の点で弾性率が変化し、急激に上向きに移動します。 通常はここで、化学反応の始まりです。 そのスペクトルから抽出する重要なパラメータは、弾性率が急激に上昇し始めるポイントです。
	の
	適切な抽出を行うための重要なパラメータは、そのポイントを見つけるためのポイントです。 元の生データからポイントを計算するのは少し複雑になるかもしれませんが、それでも、反応が開始するポイントを確認し、主要なパラメーターの分析を行うことができます。
	それをやって、
	重要なパラメータの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。 それで、
	見てみます。 さて、化学反応の開始時の重要な点は...これらのパラメータ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
	基本的には、化学反応が始まる 70 度程度から、摂氏 100 度程度までの範囲になります (すいません、間違っています)。
	100度くらいまで、そうですね。 もう一度、合計スペクトルを 1 つの数値に換算します。
	この化学反応がどこから始まるのかを開発に手がかりを与えます。
	同じ分析とデータを実行すると...データはすでにあるので、主要なパラメータを抽出したい場合は生データも必要になるため、生データも利用できます。
	したがって、そうではありません...主要なパラメーターの標準回帰法を使用して Functional Data Explorer 内で分析を行うのに、実際にはそれほど手間がかかりません...さらに手間がかかります。
	それで、
	同じ量または同じデータを使用し、Functional Data Explorer を使用して、
	データを分析して結果を計算するのに数秒しかかかりません。
	そこにそれがある。
	繰り返しますが、スペクトル全体をモデル化できるようになりました。つまり、その特定のケースでは、主要なパラメーターの分析について開発者には見せませんでしたが、最初に Functional Data Explore の結果を見せました。機能データエクスプローラー。
	そして、私がちょうど移動したとき...動き回ってこれを見せ、影響を与え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ということです。 ですから、彼らはその分野の専門家であり、スペクトルデータの専門家であるため、ポイントが動き始めたと伝える必要はありませんでした。
	彼らは、基本的に化学反応の始まりが変化することをすぐに認識しました。ここでわかるように、変化し始めていることがわかります。
	もう 1 つは、表示されているものです。これで、基本的に完全なスペクトルがモデル化されました。主要なパラメーターだけをモデル化したわけではありません。
	動かすとスペクトルの見え方が全く変わるということです。 したがって、たとえば、頂点が動き始めたことと、頂点の高さがわかります。
	変化します。それは、彼らもこの分析を見た直後に認識されたことでした。
	そして、違いはキーパラメータにあり、ある種の化学反応を意味する 1 つのキーパラメータにチャンスを抽出した場合、別のキーパラメータを使用できる可能性があります。
	最適値の位置、最大ピークの位置、または最大ピークの高さを伝えます。
	そして、スペクトル データをさまざまな種類のキー パラメーターに使用し、それらのキー パラメーターを分析して表示し、最適値を計算することができます。
	しかし、良い点は、Functional Data Explorer を使用すると、すべての情報が 1 つにまとめられることです。
	分析。そして、前に述べたように、あなたは話すのをやめるか、...数字で話しているのではなく、彼らの言葉で話しているか、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はや彼らのスペクトルの世界へ。
	そうですね、Functional Data Explorer ではこれらに関するさらに多くの情報が得られ、基礎となるプロセスについてより深い洞察が得られるかもしれません。
	はい、いよいよ最後の最後の例に移ります。 それは
	私が話した重合プロセスは基本的に分子量分布を決定するためのもので、
	これは重合反応の結果です。 そして、繰り返しになりますが、先ほども述べたように、分子分布を決定することも通常は困難です。
	分布全体を特定の主要パラメータに取得または削減します。 では、通常、典型的なスペクトルはどのように見えるのでしょうか? 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力して、ポリマー鎖に含まれる繰り返し単位のすべての数を計算してみましょう。
	それが化学反応と測定から得られるものです。 したがって、重要なパラメータがよく知られているか、重要なパラメータであるかについては、次のことを行う必要があります...
	それは数平均モル質量、質量平均モル質量、Z 平均モル質量、および多分散性です。
	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、分子量分布の広さまたはサイズの指標を与えます。
	繰り返しになりますが、生データまたはスペクトル データから計算されるこれら 4 つの主要なパラメータがあれば、そのデータはすでに利用可能です。
	主要なパラメータを計算します。 特別なことは何も必要としない標準的な手法を使用して、再度分析を行うことができます。
	そして、あなたはモデルを取得します...この場合、それはあなたの上で4つの侵害パラメータです、この場合は3つです、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 4 つの因子を変更しても、数平均モル質量は実際にはあまり変化しないことがわかります。したがって、これら 4 つの因子が数平均モル質量に及ぼす影響は、それほど大きくありません。 かなり大きくて意味深です
	ここでわかるように、質量平均モル質量に基づいて計算されます。 かなり動かすことができるので、その差はかなり大きく、15万くらい？合計モルあたり、最低設定と最高設定の差。
	しかし、これは、この数値がかなり大きく変化することを意味しており、分散が変化する必要がある、または変化する必要がある...またはかなり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、この数字からは分布がどのように見えるかがわからないことであり、そのため形状が得られないということです。たとえば、私たちの場合、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な影響を与えます。 それで
	数値が 3 つしかなく、おそらく多分散性があるため、その形状が何かを与えることも、教えてくれることもありません...
	分布がモノモル分布、二峰性、三峰性であれば何でも構いません。
	分散度について観察したり話したりすることで、分布の広さを示すことができるかもしれませんが、ピークが 1 つであるか、2 つであるか、または 3 つであるかはわかりません。
	しかし、最終的に得られる材料特性にはかなり...かなり大きな違いが生じます。
	ポリマーの変化、または開発中の粘着テープの性能の変更。
	ここで、もう一度、生データがすでに利用可能であるため、これらの洞察を得るために、またはこれらのデータからさらに多くの情報を取得するために、関数データ エクスプローラーを再度使用することができます...これらすべてのデータは、これらの主要なパラメーターだけから得られます。
	もう一度言いますが、数秒かかりますが、これで完了です。
	そして、もう一度言いますが、分析には特別なことは何もありません。つまり、Functional Data Explorer の操作を開始することも、特別なことではありません。
	通常とは異なり、エクスポートを Y として取得し、サンプル ID を入力してから、DOE からの係数を入力します。
	それらを入れてスタートボタンを押すだけです。 そして、基本的にはこれでモデルパラメータを当てはめることができます。
	しかし、これは非常にシンプルで簡単な手順であり、すべてのデータをいくつかの重要なパラメーターに絞り込むだけで、対象となる根本的な部分についてさらに多くの洞察が得られます。 その場合、
	つまり、1 つの重要なパラメータは実際にはあまり変化せず、もう 1 つのパラメータは変化するということを示しましたが、形式が示されていないため、分布に関する指標や感覚は得られません。
	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、ある点が大きく変化する前に、他の点が変化していないことがわかるからです。
	ただし、たとえばその場合、何らかの変化を知っている場合はそうです。
	そのピークは肩に似ており、実際にはピークではありませんが、影響を与える要因を変えると、実際にピークが得られる点に到達します。
	そうですね、実際には 2 番目のピークがあり、それによって、おそらく重合機構または根底にある重合機構について何かがわかります。
	それは、これら 3 つの数字を見ただけでは、主要なパラメータからは得られません。
	しかし、ここでは、それが開発者の専門分野であるため、それがヒントを与えたり、開発者に何かを引き起こす可能性があります。 あなたは、彼が根底にあるメカニズムを理解するのに役立つ何かを引き起こすかもしれません。
	これらの数字を見ただけで、次のステップを実行するのに役立ち、次の実験を以前よりも適切に計画するために次のステップを実行するのに役立ちます。
	そうですね、私の例の紹介は終わりに近づいています。そこで、Functional Data Explorer によって実際にデータの視覚化が可能になることを示すことができれば幸いです。
	開発者に自分の専門分野の結果を提供します。 つまり、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、覚えておいてください。
	彼ら
	結果に至る方法については信じていないか、あまり興味がないかもしれませんが、結果とその結果にもっと興味があります。
	問題があります...または、Functional Data Explorer で、たとえば、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、化学会社であるため、スペクトル データを持っていないことを意味します。に
	スペクトルデータをいくつかの重要なパラメータに削減し、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。
	実際にどのような重要なパラメータがスペクトル、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、データを使用するだけで済みます。
	あなたは、スペクトルの形や形状、そして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、より多くの洞察が得られ、根底にあるメカニズムに対するより深い洞察が得られます。
	また、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すプロセス中に、大量の貴重なデータを破棄する必要はありません。
	ということで、ここに立って素晴らしい結果を発表できるよう、すべての実験作業を行ってくれた研究開発部門の同僚に感謝したいと思います。 と
	私のプレゼンテーションは終わりました。 ご清聴ありがとうございました。 ご質問がございましたら、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す。

サミットのベスト起こるデータの視覚化エネルギー省予測モデリングRe: Functional Data Explorer: 非データ サイエンティスト向けの結果の視覚化 (2021-EU-30MP-765)

ベン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で、非常に大きな価値が追加されます。 理解しやすく、同時に非常にインパクトのある例を含む素晴らしいプレゼンテーションをありがとう。

 

Re: Functional Data Explorer: 非データ サイエンティスト向けの結果の視覚化 (2021-EU-30MP-765)

素晴らしいですね@高等学校、これについてさらに詳しく話せる時間があればいいですね！ Discovery Europe 2022 に引き続き注目していきたいと思います!

Re: Functional Data Explorer: 非データ サイエンティスト向けの結果の視覚化 (2021-EU-30MP-765)

@ベンフランシス： ありがとう。 はい、ある程度まではそうなります。 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: Functional Data Explorer: 非データ サイエンティスト向けの結果の視覚化 (2021-EU-30MP-765)

共通言語を通じてコラボレーションする方法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、ご発表ありがとうございました。 この効果的なコミュニケーションにより、同僚は自分たちでデータ サイエンスを行うことに興味を持つようになりましたか?