Viele Leute schalteten sich ein, um David Hand vom Imperial College London zu sehen. Lene Bj ørg Cesar, Novozyme; Francisco Navarro, Solvay; und Aziza Yormirzaeva, Corning Environmental Technologies, Diskutieren Sie maschinelles Lernen und künstliche Intelligenz.
Die Zuschauer fragten viele tolle Fragen, aber aus zeitlichen Gründen Gastgeber Malcolm Moore aus JMP war nicht in der Lage, alle während der Veranstaltung zu erreichen. Wir hatten das Gefühl, dass viele Mitglieder der größeren JMP-Community diese Fragen teilten und sich für die Antworten interessieren würden.
F: Während die Erhöhung der Anzahl von Wissenschaftlern mit Datenkenntnissen eine schnellere Innovation und Lieferung von Produkten auf den Markt bedeutet, kann dies auch das Risiko von Fehlentscheidungen erhöhen. Sind Sie einverstanden? Wenn ja, wie können wir dieses Risiko mindern?
A: Analytics ist ein Elektrowerkzeug, mit dem „Dinge gesehen werden können, die ohne es nicht zu sehen wären, ähnlich wie mit einem Teleskop oder einem Mikroskop“, wie ein Diskussionsteilnehmer sagte. Wie bei jedem Werkzeug entstehen jedoch Risiken durch unsachgemäße Verwendung. In größeren Organisationen können Datenwissenschaftler oder Statistiker in internen Kompetenzzentren Prozessexperten in Best Practices für Analysetechniken einweisen. Das größte Risiko besteht jedoch darin, dass die Prozessexperten vollständig zugunsten einer übermäßigen Abhängigkeit von Maschinen umgangen werden, um gute Entscheidungen zu treffen. Eine sorgfältige Prüfung der Ergebnisse eines Analysevorhabens durch Prozessexperten ist der beste Weg, um dieses Risiko zu mindern. Andererseits ist es ebenso wichtig, die Risiken zu berücksichtigen, nichts zu tun oder den Status Quo beizubehalten, z. B. die Möglichkeit zu verlieren, die Innovationskapazität zu erhöhen oder Produkte schneller auf den Markt zu bringen.
F: Bin ich der einzige, der feststellt, dass eine Pro-Innovation-Tendenz einer vernünftigen Diskussion der Grundlagen wie der Definition des Problems, von GIGO, DOE und Messsystemen im Wege steht?
A: Diese Frage hat während der Veranstaltung viele Likes erhalten. Die Antwort: Nein, du bist nicht der einzige. Offensichtlich wird dieses Gefühl unter vielen geteilt. Es scheint, dass ein Innovationsschub häufig dazu führt, dass Experimentatoren die Grundlagen, wie Sie sie beschrieben haben, zugunsten eines Try-and-See- oder One-Factor-at-Time-Ansatzes für die Entwicklung vernachlässigen. In diesem Fall ist es am besten, diesen Punkt anzusprechen und den Wert dieser Grundlagen in Gesprächen mit Kollegen bei der Planung von Experimenten hervorzuheben.
F: Ich wurde gebeten, kommerziell erfolgreiche Erfindungen aus der Patent- und Nichtpatentliteratur vorherzusagen. Werden ML- und AI-Experten häufig darum gebeten?
A: David Hand hat diese Frage während der Diskussion angesprochen. Datenwissenschaftler werden häufig gebeten, sich auf diese Art von Übung einzulassen. (Insbesondere Patentdaten sind ein häufiges Thema für die Analyse, wie in diese Präsentation bei einem neueren JMP Discovery Summit ). David erwähnte eine ähnliche Situation, in der er beauftragt wurde, ein Modell zu erstellen, um den Erfolg von Start-up-Unternehmen vorherzusagen, das er als „sehr, sehr schwierig“ bezeichnete. Zwei neue Funktionen in JMP Pro 16 - Stimmungsanalyse und Termauswahl - erleichtern eine solche Übung jedoch erheblich. (( Dieses kurze Video zeigt, wie diese Funktionen funktionieren.)
F: Viele glauben, dass das wahre Ziel des maschinellen Lernens und der KI darin besteht, dass die Technologie uns signalisiert, wie Signalabweichungen optimiert und / oder behoben werden können, beispielsweise in Sensordatenmustern. Wie weit sind wir von diesem Ziel entfernt?
A: Diese Frage wurde auch vom Panel angesprochen. Jedes Mitglied betonte den Wert, der durch die Nutzung von ML und AI gewonnen wurde, um das Verständnis von Prozessen oder Mustern zu verbessern, die ohne diese Methoden nicht möglich gewesen wären, aber auch die Bedeutung von Prozessexperten für die Interpretation dieser Ergebnisse. Wir sind jetzt an einem Punkt angelangt, an dem Maschinen optimieren, erkennen, interpretieren, signalisieren und sogar entscheiden können, welche Maßnahmen zu ergreifen sind. Es besteht jedoch ein enormes Risiko, dass sie diese autonom implementieren können, indem sie Spezialisten aus der Gleichung entfernen. Apropos, Funktionsdaten-Explorer in JMP Pro ist ein großartiges Werkzeug für maschinelles Lernen zur Analyse von Sensordaten.
F: Haben Sie einen Rückschlag über die Tatsache erlebt, dass etwas historisch anders gemacht wurde, insbesondere in der Fertigungsumgebung? Wenn ja, was haben Sie getan, um die Menschen davon zu überzeugen, die neuen verfügbaren Tools und Funktionen zu nutzen?
A: Pushback ist eine häufige Reaktion auf alle, die versuchen, Änderungen umzusetzen. Der Rat zur Überwindung ist, groß zu denken, klein anzufangen und Ihre Erfolge zu verbreiten. Maschinelles Lernen kann verwendet werden, um große Probleme zu lösen oder ganze Branchen zu revolutionieren, aber es kann auch bei kleinen Dingen helfen, die für die meisten Menschen unter dem Radar stehen. Und während Ihr Unternehmen, Ihre Abteilung oder Ihr Team möglicherweise gegen Änderungen resistent ist, gibt es möglicherweise bereits Erfolgsgeschichten an anderer Stelle in Ihrem Unternehmen oder in der Nähe Ihres Zuhauses, die bei Ihren Kollegen Anklang finden. Sie können eine Sammlung solcher Geschichten finden Hier . Oft kann die Angst vor Veränderungen den Pushback antreiben. Wenn das der Fall ist, SCHRITTE Der kostenlose Online-Kurs von JMP, der Wissenschaftlern und Ingenieuren helfen kann, ihre Ängste zu überwinden, könnte sich als nützlich erweisen.
F: Ich bin der Meinung, dass die Unterschiede und Überschneidungen zwischen den Begriffen AI und unbeaufsichtigte ML sowie überwachte ML und prädiktive / inferentielle Analysen etwas verwirrend sind. Eine klarere Definition wäre willkommen .
A: In der Tat! Um das zu ergänzen, was die Diskussionsteilnehmer während der Veranstaltung besprochen haben, diese Seite von SAS macht einen großartigen Job bei der Erklärung der Unterschiede und Überschneidungen zwischen diesen Begriffen. Zusamenfassend:
Künstliche Intelligenz: die breite Wissenschaft des Maschinenbaus zur Nachahmung menschlicher Fähigkeiten.
Maschinelles Lernen: eine bestimmte Untergruppe von KI, die sich auf die Techniken bezieht, mit denen Maschinen zum Lernen trainiert werden.
Überwachtes Lernen: die Entwicklung von Modellen zur Klassifizierung, Erklärung oder Vorhersage von Ergebnissen in Daten unter Verwendung von Daten mit bekannten Ergebnissen.
Unbeaufsichtigtes Lernen: Vergleichen oder Differenzieren von Datenpunkten basierend auf Mustern oder zugrunde liegenden Strukturen innerhalb der Daten selbst ohne Verwendung von Antwortvariablen.
Predictive / Inferential Analytics: Verwenden von überwachtem oder unbeaufsichtigtem Lernen, um Vorhersagen zu treffen oder auf Wissen und Verständnis über die Welt um uns herum (Herstellungsprozesse, Produktentwicklungen, Wettermuster, Aktienmärkte usw.) zu schließen.
F: Wie lassen sich die Datenexperten und die „physischen“ Experten (z. B. Sensorentwicklung) am besten zusammenbringen? Sehr oft fehlt dem ersten das Verständnis für physikalische Artefakte, während dem anderen das Verständnis dafür fehlt, wie ideale Daten aussehen sollten.
A: Optimalerweise sind die Datenexperten und physischen Experten dieselben Personen. JMP bietet Wissenschaftlern und Ingenieuren, die am besten in der Lage sind, ihre individuellen Prozesse zu verstehen, aber nicht unbedingt einen Hintergrund in der Datenwissenschaft haben, die Kraft der Analytik. Wenn möglich, fungieren Statistiker und Personen mit datenwissenschaftlichem Hintergrund als Berater oder Aufseher, um diese Prozessexperten bei ihren Bemühungen zu unterstützen.
