Beaucoup de gens ont regardé David Hand, Imperial College London; Lene Bj ørg Cesar, Novozyme; Francisco Navarro, Solvay; et Aziza Yormirzaeva, Corning Environmental Technologies, discuter de l'apprentissage automatique et de l'intelligence artificielle.
Les téléspectateurs ont demandé beaucoup de bonnes questions, mais, en raison de contraintes de temps, accueillez Malcolm Moore de JMP n'a pas pu les atteindre tous pendant l'événement. Nous avons estimé que de nombreux membres de la grande communauté JMP partageaient ces questions et seraient intéressés par les réponses.
Q: Si l'augmentation du nombre de scientifiques ayant des compétences en données signifie une innovation et une livraison de produits plus rapides sur le marché, cela peut également signifier augmenter le risque de prendre de mauvaises décisions. Êtes-vous d'accord? Si tel est le cas, comment pouvons-nous atténuer ce risque?
R: L'analytique est un outil puissant qui peut être utilisé pour «voir des choses qui ne pourraient pas être vues sans lui, un peu comme un télescope ou un microscope», comme l'a dit un panéliste, mais comme tout outil, les risques découlent d'une mauvaise utilisation. Dans les grandes organisations, les data scientists ou les statisticiens au sein des centres d'excellence internes peuvent guider les experts des processus dans les meilleures pratiques des techniques analytiques. Cependant, le plus grand risque vient de contourner entièrement les experts en processus en faveur d'une dépendance excessive sur les machines pour prendre de bonnes décisions. Un examen attentif des résultats de toute entreprise analytique, par des experts en processus, est le meilleur moyen d'atténuer ce risque. D'un autre côté, il est tout aussi important de prendre en compte les risques de ne rien faire ou de maintenir le statu quo, comme perdre l'occasion d'augmenter la capacité d'innovation ou d'accélérer la mise sur le marché des produits.
Q: Suis-je le seul à constater que le biais pro-innovation empêche une discussion sensée sur les bases, telles que la définition du problème, le GIGO, le DOE et les systèmes de mesure?
R: Cette question a reçu de nombreux likes pendant l'événement. La réponse: non, vous n'êtes pas le seul. De toute évidence, ce sentiment est partagé par beaucoup. Il semblerait que, souvent, la précipitation à innover pousse les expérimentateurs à négliger les bases, comme vous les avez décrites, au profit d'une approche du développement à essayer et à voir ou à un facteur à la fois. Lorsque cela se produit, le meilleur conseil est de soulever ce point et de souligner la valeur de ces bases lors des discussions avec des collègues lors de la planification des expériences.
Q: On m'a demandé de prédire les inventions commercialement réussies à partir de la littérature brevetée et non brevetée. Les experts en ML et en IA sont-ils souvent invités à le faire?
R: David Hand a abordé cette question pendant la discussion. Les data scientists sont souvent invités à se lancer dans ce type d'exercice. (En particulier, les données sur les brevets sont un sujet d'analyse fréquent, comme on le voit dans cette présentation à un récent Sommet de la découverte JMP ). David a mentionné une situation similaire dans laquelle il a été chargé de créer un modèle pour prédire le succès des entreprises en démarrage, qu'il a qualifiée de «très, très difficile». Cependant, deux nouvelles fonctionnalités de JMP Pro 16 - l'analyse des sentiments et la sélection des termes - facilitent considérablement cet exercice. ( Cette courte vidéo montre comment ces fonctionnalités fonctionnent.)
Q: Beaucoup pensent que le véritable objectif de l'apprentissage automatique et de l'IA est que la technologie nous indique comment optimiser et / ou corriger les écarts de signal, comme dans les modèles de données de capteur. Dans quelle mesure sommes-nous loin d'atteindre cet objectif?
R: Cette question a également été abordée par le panel. Chaque membre a souligné la valeur acquise en tirant parti du ML et de l'IA pour augmenter la compréhension des processus ou des modèles qui n'auraient pas pu être vus sans ces méthodes, mais aussi l'importance des experts en processus pour interpréter ces résultats. Nous sommes maintenant à un point où les machines peuvent optimiser, détecter, interpréter, signaler et même décider des actions à entreprendre, mais il y a des risques énormes à leur permettre de les mettre en œuvre de manière autonome en supprimant les spécialistes de l'équation. D'ailleurs, Explorateur de données fonctionnelles dans JMP Pro est un excellent outil d'apprentissage automatique pour analyser les données des capteurs.
Q: Avez-vous ressenti du recul sur le fait que quelque chose était fait d'une manière différente historiquement, en particulier dans l'environnement de fabrication? Dans l'affirmative, qu'avez-vous fait pour persuader les gens d'utiliser les nouveaux outils et fonctionnalités disponibles?
R: Le refoulement est une réponse courante à quiconque tente de mettre en œuvre un changement. Le conseil pour le surmonter est de voir grand, de commencer petit et de diffuser vos succès. L'apprentissage automatique peut être utilisé pour résoudre de gros problèmes ou révolutionner des industries entières, mais il peut également aider avec de petites choses qui sont sous le radar pour la plupart des gens. Et même si votre entreprise, votre service ou votre équipe résiste au changement, il se peut qu'il y ait déjà des réussites ailleurs dans votre entreprise ou à proximité de chez vous qui résonneront avec vos collègues. Vous pouvez trouver une collection de ces histoires ici . Souvent, la peur du changement peut être à l'origine du recul. Si c'est le cas, ÉTAPES , Le cours en ligne gratuit de JMP qui peut aider les scientifiques et les ingénieurs à surmonter leurs peurs, peut s'avérer utile.
Q: Je pense qu'il y a une certaine confusion autour des différences et des chevauchements entre les termes IA et ML non supervisé, ainsi que ML supervisé et analytique prédictive / inférentielle. Un ensemble de définitions plus clair serait le bienvenu .
R: En effet! Pour ajouter à ce que les panélistes ont discuté pendant l'événement, cette page de SAS fait un excellent travail pour expliquer les différences et les chevauchements entre ces termes. En bref:
Intelligence artificielle: la vaste science de la construction de machines pour imiter les capacités humaines.
Apprentissage automatique: un sous-ensemble spécifique d'IA lié aux techniques par lesquelles les machines sont entraînées à apprendre.
Enseignement supervisé: le développement de modèles pour classer, expliquer ou prédire les résultats dans les données en utilisant des données avec des extrants connus.
Apprentissage non supervisé: comparer ou différencier les points de données en fonction de modèles ou de structures sous-jacentes dans les données elles-mêmes, sans utiliser de variables de réponse.
Analyse prédictive / inférentielle: utiliser un apprentissage supervisé ou non pour faire des prédictions ou déduire des connaissances et une compréhension du monde qui nous entoure (processus de fabrication, développements de produits, conditions météorologiques, marchés boursiers, etc.).
Q: Quelle est la meilleure façon de réunir les experts en données et les experts «physiques» (par exemple, développement de capteurs)? Très souvent, le premier manque de compréhension des artefacts physiques, tandis que l'autre ne comprend pas à quoi devraient ressembler les données idéales.
R: De manière optimale, les experts en données et les experts physiques sont les mêmes personnes. JMP offre la puissance de l'analyse aux scientifiques et aux ingénieurs qui sont les mieux placés pour comprendre leurs processus individuels, mais qui n'ont pas nécessairement une formation en science des données. Dans la mesure du possible, les statisticiens et les personnes ayant une formation en science des données exercent des fonctions de conseil ou de supervision pour soutenir ces experts en processus dans leurs efforts.
Existe-t-il un enregistrement de cette session et où puis-je le trouver ? (A moins que ce sujet ne reste un mystère...)
