Mucha gente sintonizó para ver a David Hand, Imperial College London; Lene Bj ørg Cesar, Novozyme; Francisco Navarro, Solvay; y Aziza Yormirzaeva, Corning Environmental Technologies, discutir el aprendizaje automático y la inteligencia artificial.
Los espectadores preguntaron muchas preguntas interesantes, pero, debido a limitaciones de tiempo, el anfitrión Malcolm Moore de JMP no pude llegar a todos ellos durante el evento. Sentimos que muchos en la gran comunidad de JMP compartieron estas preguntas y estarían interesados en las respuestas.
P: Si bien aumentar el número de científicos con habilidades en datos significa una innovación y una entrega de productos más rápidas al mercado, también puede significar un aumento del riesgo de tomar decisiones equivocadas. ¿Estás de acuerdo? Si es así, ¿cómo podemos mitigar ese riesgo?
R: La analítica es una herramienta poderosa que se puede utilizar para "ver cosas que no se podrían ver sin ella, como un telescopio o un microscopio", como dijo un panelista, pero como cualquier herramienta, los riesgos surgen del uso inadecuado. En organizaciones más grandes, los científicos de datos o estadísticos dentro de los Centros de excelencia internos pueden guiar a los expertos en procesos en las mejores prácticas de técnicas analíticas. Sin embargo, el mayor riesgo proviene de pasar por alto a los expertos en procesos por completo a favor de una dependencia excesiva de las máquinas para tomar buenas decisiones. La consideración cuidadosa de los resultados de cualquier esfuerzo analítico, por parte de expertos en procesos, es la mejor manera de mitigar ese riesgo. Por otro lado, también es igualmente importante considerar los riesgos de no hacer nada o mantener el status quo, como perder la oportunidad de aumentar la capacidad de innovación o acelerar la comercialización de productos.
P: ¿Soy el único que encuentra que el sesgo a favor de la innovación se interpone en el camino de una discusión sensata de los conceptos básicos, como la definición del problema, GIGO, DOE y sistemas de medición?
R: Esta pregunta recibió muchos me gusta durante el evento. La respuesta: No, no eres el único. Evidentemente, este sentimiento es compartido por muchos. Parecería que, a menudo, la prisa por innovar hace que los experimentadores descuiden los conceptos básicos, como los ha descrito, en favor de un enfoque de desarrollo de probar y ver o de un factor a la vez. Cuando esto sucede, el mejor consejo es plantear este punto y enfatizar el valor de estos conceptos básicos durante las discusiones con los colegas al planificar experimentos.
P: Se me ha pedido que prediga invenciones comercialmente exitosas a partir de literatura de patentes y no patentes. ¿Se les suele pedir a los expertos en ML e IA que hagan esto?
R: David Hand abordó esta pregunta durante la discusión. A los científicos de datos a menudo se les pide que se embarquen en este tipo de ejercicio. (En particular, los datos de patentes son un tema frecuente de análisis, como se ve en esta presentación en un reciente Cumbre de descubrimiento de JMP ). David mencionó una situación similar en la que se le asignó la tarea de crear un modelo para predecir el éxito de las empresas de nueva creación, lo que describió como "muy, muy difícil". Sin embargo, dos nuevas funciones en JMP Pro 16 - Análisis de opinión y Selección de términos - facilitan significativamente este ejercicio. ( Este breve video demuestra cómo funcionan estas características).
P: Muchos sienten que el verdadero objetivo del aprendizaje automático y la inteligencia artificial es que la tecnología nos indique cómo optimizar y / o abordar las desviaciones de la señal, como en los patrones de datos de los sensores. ¿Qué tan lejos estamos de alcanzar ese objetivo?
R: El panel también abordó esta cuestión. Cada miembro enfatizó el valor ganado al aprovechar ML e IA para aumentar la comprensión de procesos o patrones que no podrían haberse visto sin estos métodos, pero también la importancia de que los expertos en procesos interpreten estos hallazgos. Ahora estamos en un punto en el que las máquinas pueden optimizar, detectar, interpretar, señalar e incluso decidir qué acciones tomar, pero existen enormes riesgos al permitirles implementarlas de manera autónoma eliminando a los especialistas de la ecuación. Por cierto, Explorador funcional de datos en JMP Pro es una gran herramienta de aprendizaje automático para analizar datos de sensores.
P: ¿Ha experimentado un retroceso por el hecho de que algo se hizo de una manera diferente históricamente, específicamente en el entorno de fabricación? Si es así, ¿qué hizo para ayudar a persuadir a las personas a utilizar las nuevas herramientas y funciones disponibles?
R: El rechazo es una respuesta común a cualquiera que intente implementar un cambio. El consejo para superarlo es pensar en grande, empezar de a poco y difundir sus éxitos. El aprendizaje automático se puede utilizar para resolver grandes problemas o revolucionar industrias enteras, pero también puede ayudar con cosas pequeñas que están bajo el radar de la mayoría de las personas. Y aunque su empresa, departamento o equipo puede resistirse al cambio, es posible que ya existan historias de éxito en otras partes de su empresa o cerca de casa que resonarán con sus colegas. Puedes encontrar una colección de tales historias. aquí . A menudo, el miedo al cambio puede estar impulsando el retroceso. Si ese es el caso, CONSEJOS , El curso en línea gratuito de JMP que puede ayudar a científicos e ingenieros a superar sus miedos, puede resultar útil.
P: Siento que existe cierta confusión en torno a las diferencias y superposiciones entre los términos AI y ML no supervisado, así como ML supervisado y análisis predictivo / inferencial. Se agradecería un conjunto de definiciones más claro .
R: ¡De hecho! Para agregar a lo que los panelistas discutieron durante el evento, esta página de SAS hace un gran trabajo al explicar las diferencias y superposiciones entre estos términos. En breve:
Inteligencia artificial: la amplia ciencia de la construcción de máquinas para imitar las habilidades humanas.
Aprendizaje automático: un subconjunto específico de IA relacionado con las técnicas mediante las cuales las máquinas están capacitadas para aprender.
Aprendizaje supervisado: el desarrollo de modelos para clasificar, explicar o predecir resultados en datos utilizando datos con resultados conocidos.
Aprendizaje sin supervisión: comparar o diferenciar puntos de datos basados en patrones o estructuras subyacentes dentro de los datos mismos, sin el uso de variables de respuesta.
Análisis predictivo / inferencial: utilizar el aprendizaje supervisado o no supervisado para hacer predicciones o inferir conocimientos y comprensión sobre el mundo que nos rodea (procesos de fabricación, desarrollo de productos, patrones climáticos, mercados de valores, etc.).
P: ¿Cuál es la mejor manera de reunir a los expertos en datos y a los expertos "físicos" (por ejemplo, desarrollo de sensores)? Muy a menudo, el primero no comprende los artefactos físicos, mientras que el otro no comprende cómo deberían verse los datos ideales.
R: De manera óptima, los expertos en datos y los expertos físicos son las mismas personas. JMP ofrece el poder de la analítica a los científicos e ingenieros que están en la mejor posición para comprender sus procesos individuales, pero que no necesariamente tienen experiencia en ciencia de datos. Siempre que sea posible, los estadísticos y aquellos con experiencia en ciencia de datos desempeñan funciones de asesores o supervisores para apoyar a los expertos en procesos en sus esfuerzos.
¿Existe una grabación de esta sesión y dónde puedo encontrarla? (A menos que este tema siga siendo un misterio ...)
