许多人收看了伦敦帝国理工学院的戴维·汉德。莱恩·比杰（Lene Bj） ørgCesar，Novozyme；索尔维弗朗西斯科·纳瓦罗（Francisco Navarro）；康宁环境技术有限公司的Aziza Yormirzaeva和讨论机器学习和人工智能。
观众问许多大问题，但由于时间限制，来自的主持人马尔科姆·摩尔（Malcolm Moore） JMP在活动期间无法接触到所有人。 我们认为，更大的JMP社区中的许多人都分享了这些问题，并且会对答案感兴趣。
问：增加拥有数据技能的科学家的数量意味着更快地创新和将产品推向市场，这也意味着增加做出错误决定的风险。 你同意？ 如果是这样，我们如何减轻这种风险？
答：正如一位专家小组成员所说，分析是一种强大的工具，可以用来“看到没有它就无法看到的东西，就像望远镜或显微镜一样”，但是像任何工具一样，使用不当也会带来风险。 在大型组织中，内部卓越中心内的数据科学家或统计人员可以指导流程专家了解分析技术的最佳实践。 但是，最大的风险来自完全绕过流程专家，以至于过分依赖机器来做出正确的决策。 过程专家会仔细考虑任何分析工作的结果，这是减轻这种风险的最佳方法。 另一方面，考虑无所作为或维持现状的风险也同样重要，例如失去增加创新能力或加快产品上市速度的机会。
问：我是唯一发现亲创新偏见妨碍对基础知识进行理性讨论的人，例如定义问题，GIGO，DOE和测量系统吗？
答：在活动期间，这个问题获得了很多好评。 答案：不，您不是唯一的一个。 显然，这种观点在许多人之间是共享的。 似乎经常是因为急于创新，导致实验人员忽视了基础知识（如您所描述的那样），而采用了一种尝试一看或一次考虑一个因素的开发方法。 发生这种情况时，最好的建议是提出这一点，并在计划实验时与同事进行讨论时强调这些基础知识的价值。
问：我被要求根据专利和非专利文献来预测商业上成功的发明。 机器学习和AI专家经常被问到吗？
答：大卫·汉德（David Hand）在讨论中谈到了这个问题。 经常要求数据科学家着手进行这种类型的练习。 （特别是，专利数据是分析的常见主题，如这个演讲在最近JMP探索峰会）。 David提到了一种类似的情况，他负责创建一个模型来预测初创公司的成功，他形容这是“非常非常困难”。但是，JMP Pro 16中的两个新功能–情感分析和术语选择–使这种练习变得更加容易。 （这个短片演示这些功能的工作原理。）
问：许多人认为机器学习和AI的真正目标是让技术向我们发出信号，说明如何优化和/或解决信号偏差（例如传感器数据模式）。 我们离实现这个目标还有多远？
答：小组成员也提到了这个问题。 每个成员都强调了通过利用ML和AI来增强对没有这些方法无法看到的过程或模式的理解的价值，而且还强调了过程专家解释这些发现的重要性。 我们现在处于机器可以优化，检测，解释，发出信号甚至决定采取什么措施的时刻，但是存在巨大的风险，即通过从方程式中剔除专家，允许他们自主地实施这些措施。 顺便一提，功能数据浏览器在JMP Pro中，它是用于分析传感器数据的出色机器学习工具。
问：您是否经历过这样的事实，即过去以某种方式（特别是在制造环境中）以不同的方式进行了处理？ 如果是这样，您是怎么做的以说服人们使用现有的新工具和功能？
答：对于任何试图实施变更的人，回推是一种普遍的反应。 克服它的建议是大胆思考，从小处着手，并传播您的成功。 机器学习可以用来解决大问题或使整个行业发生革命，但它也可以帮助解决大多数人无法掌握的小事情。 虽然您的公司，部门或团队可能无法适应变化，但您公司中其他地方或附近的成功故事可能会引起同事的共鸣。 您可以找到此类故事的集合这里。 通常，对变化的恐惧可能会导致退缩。 如果是这样的话STIPS ，JMP的免费在线课程可以帮助科学家和工程师克服恐惧，这可能是有用的。
问：我觉得AI和无监督的ML，监督的ML和预测性/推论性分析之间的区别和重叠存在一些混淆。 欢迎提供更清晰的定义。
答：的确如此！ 要添加小组成员在活动期间讨论的内容， SAS的此页面在解释这些术语之间的差异和重叠方面做得非常出色。 简而言之：
人工智能：模仿人类能力的建筑机械的广泛科学。
机器学习：与培训机器学习技术有关的AI的特定子集。
监督学习：开发模型以使用具有已知输出的数据对数据的结果进行分类，解释或预测。
无监督学习：根据数据本身内的模式或基础结构比较或区分数据点，而无需使用响应变量。
预测/推论分析：使用有监督或无监督的学习来进行预测或推断关于我们周围世界的知识（了解制造过程，产品开发，天气状况，股票市场等）。
问：将数据专家和“物理”专家（例如传感器开发）召集在一起的最佳方法是什么？ 通常，第一个缺乏对物理伪像的理解，而另一个则缺乏对理想数据的外观的理解。
答：最好是，数据专家和物理专家是同一个人。 JMP将分析的力量提供给最适合了解他们各自过程的科学家和工程师，但他们不一定具有数据科学背景。 在可能的情况下，统计学家和具有数据科学背景的人员将担任顾问或监督角色，以支持这些过程专家的努力。
是否有本次会议的录音？在哪里可以找到？ （除非这个话题是个谜……）
