Molte persone si sono sintonizzate per guardare David Hand, Imperial College London; Lene Bj ørg Cesar, Novozyme; Francisco Navarro, Solvay; e Aziza Yormirzaeva, Corning Environmental Technologies, discutere dell'apprendimento automatico e dell'intelligenza artificiale.
Gli spettatori hanno chiesto molte grandi domande, ma, a causa dei limiti di tempo, ospita Malcolm Moore da JMP non sono riuscito a raggiungerli tutti durante l'evento. Abbiamo ritenuto che molti nella più ampia comunità di JMP condividessero queste domande e sarebbero interessati alle risposte.
Sebbene aumentare il numero di scienziati che possiedono competenze in materia di dati significhi una più rapida innovazione e consegna dei prodotti sul mercato, può anche significare aumentare il rischio di prendere decisioni sbagliate. Sei d'accordo? In tal caso, come possiamo mitigare tale rischio?
R: L'analisi è uno strumento potente che può essere utilizzato per "vedere cose che non potrebbero essere viste senza di essa, proprio come un telescopio o un microscopio", come ha detto un membro del panel, ma come qualsiasi strumento, i rischi derivano da un uso improprio. Nelle organizzazioni più grandi, i data scientist o gli statistici all'interno dei Centri di eccellenza interni possono guidare gli esperti di processo nelle migliori pratiche delle tecniche analitiche. Tuttavia, il rischio maggiore deriva dal bypassare completamente gli esperti di processo a favore di un eccessivo affidamento sulle macchine per prendere buone decisioni. L'attenta considerazione dei risultati di qualsiasi attività analitica, da parte di esperti di processo, è il modo migliore per mitigare tale rischio. D'altra parte, è altrettanto importante considerare i rischi di non fare nulla o di mantenere lo status quo, come perdere l'opportunità di aumentare la capacità di innovazione o di accelerare i prodotti sul mercato.
Sono l'unico che trova che il pregiudizio pro-innovazione ostacola una discussione sensata delle basi, come la definizione del problema, GIGO, DOE e sistemi di misurazione?
A: Questa domanda ha ricevuto molti Mi piace durante l'evento. La risposta: no, non sei l'unico. Evidentemente, questo sentimento è condiviso da molti. Sembrerebbe che, spesso, la fretta di innovare induca gli sperimentatori a trascurare le basi, come le hai descritte, a favore di un approccio allo sviluppo "prova e vedi" o un fattore alla volta. Quando ciò accade, il miglior consiglio è di sollevare questo punto e sottolineare il valore di queste basi durante le discussioni con i colleghi durante la pianificazione degli esperimenti.
Mi è stato chiesto di prevedere invenzioni di successo commerciale dalla letteratura brevettuale e non brevettata. Gli esperti di ML e AI vengono spesso invitati a farlo?
A: David Hand ha affrontato questa domanda durante la discussione. Ai data scientist viene spesso chiesto di intraprendere questo tipo di esercizio. (In particolare, i dati sui brevetti sono un argomento frequente per l'analisi, come visto in questa presentazione in un recente JMP Discovery Summit ). David ha menzionato una situazione simile in cui è stato incaricato di creare un modello per prevedere il successo delle start-up, che ha descritto come "molto, molto difficile". Tuttavia, due nuove funzionalità di JMP Pro 16 - Sentiment Analysis e Term Selection - rendono questo esercizio molto più semplice. ( Questo breve video dimostra come funzionano queste funzionalità.)
Molti ritengono che il vero obiettivo dell'apprendimento automatico e dell'intelligenza artificiale sia che la tecnologia ci segnali su come ottimizzare e / o affrontare le deviazioni del segnale, come nei modelli di dati dei sensori. Quanto siamo lontani dal raggiungimento di tale obiettivo?
A: Questa domanda è stata toccata anche dal pannello. Ogni membro ha enfatizzato il valore acquisito sfruttando il machine learning e l'IA per aumentare la comprensione di processi o modelli che non avrebbero potuto essere visti senza questi metodi, ma anche l'importanza degli esperti di processo per interpretare questi risultati. Siamo a un punto in cui le macchine possono ottimizzare, rilevare, interpretare, segnalare e persino decidere quali azioni intraprendere, ma consentire loro di implementarle autonomamente rimuovendo gli specialisti dall'equazione comporta enormi rischi. A proposito, Data Explorer funzionale in JMP Pro è un ottimo strumento di machine learning per analizzare i dati dei sensori.
Hai sperimentato un respingimento sul fatto che qualcosa è stato fatto in modo diverso storicamente, in particolare nell'ambiente di produzione? In tal caso, cosa hai fatto per convincere le persone a utilizzare i nuovi strumenti e funzionalità disponibili?
R: Il pushback è una risposta comune a chiunque cerchi di implementare il cambiamento. Il consiglio per superarlo è pensare in grande, iniziare in piccolo e trasmettere i tuoi successi. L'apprendimento automatico può essere utilizzato per risolvere grandi problemi o rivoluzionare interi settori, ma può anche aiutare con piccole cose che sono sotto il radar per la maggior parte delle persone. E sebbene la tua azienda, dipartimento o team possa essere resistente al cambiamento, potrebbero già esserci storie di successo altrove nella tua azienda o vicino a casa che risuoneranno con i tuoi colleghi. Puoi trovare una raccolta di queste storie Qui . Spesso, la paura del cambiamento può guidare il respingimento. Se è il caso, STIPS , Il corso online gratuito di JMP che può aiutare scienziati e ingegneri a superare le loro paure, potrebbe rivelarsi utile.
Sento che ci sia una certa confusione riguardo alle differenze e alle sovrapposizioni tra i termini AI e ML senza supervisione, così come ML supervisionato e analisi predittiva / inferenziale. Sarebbe gradito un insieme più chiaro di definizioni .
A: Effettivamente! Per aggiungere a ciò che i relatori hanno discusso durante l'evento, questa pagina da SAS fa un ottimo lavoro nello spiegare le differenze e le sovrapposizioni tra questi termini. In breve:
Intelligenza artificiale: l'ampia scienza della costruzione di macchine per imitare le capacità umane.
Apprendimento automatico: un sottoinsieme specifico dell'IA relativo alle tecniche mediante le quali le macchine sono addestrate ad apprendere.
Apprendimento supervisionato: lo sviluppo di modelli per classificare, spiegare o prevedere i risultati nei dati utilizzando dati con output noti.
Apprendimento senza supervisione: confrontare o differenziare i punti dati in base a modelli o strutture sottostanti all'interno dei dati stessi, senza l'uso di variabili di risposta.
Analisi predittiva / inferenziale: utilizzare l'apprendimento supervisionato o non supervisionato per fare previsioni o dedurre conoscenza e comprensione del mondo che ci circonda (processi di produzione, sviluppi dei prodotti, modelli meteorologici, mercati azionari, ecc.).
Qual è il modo migliore per riunire gli esperti di dati e gli esperti "fisici" (ad esempio, sviluppo di sensori)? Molto spesso, il primo manca di comprensione degli artefatti fisici, mentre l'altro manca di capire come dovrebbero apparire i dati ideali.
R: In modo ottimale, gli esperti di dati e gli esperti fisici sono le stesse persone. JMP offre la potenza dell'analisi agli scienziati e agli ingegneri che si trovano nella posizione migliore per comprendere i propri processi individuali, ma che non hanno necessariamente un background nella scienza dei dati. Ove possibile, gli statistici e coloro che hanno esperienza nel campo della scienza dei dati ricoprono ruoli di consulenza o supervisione per supportare gli esperti di processo nei loro sforzi.
Esiste una registrazione di questa sessione e dove posso trovarla? (A meno che questo argomento non rimanga un mistero...)
