多くの人々がロンドンのインペリアルカレッジのデビッドハンドを見るために同調しました。レネBj ørgCesar、Novozyme;フランシスコナバロ、ソルベイ;およびAzizaYormirzaeva、Corning Environmental Technologies、機械学習と人工知能について話し合います。
視聴者は尋ねましたたくさんの素晴らしい質問がありますが、時間の制約のため、ホストのMalcolmMooreはJMPイベント中にそれらすべてに到達することができませんでした。 より大きなJMPコミュニティの多くがこれらの質問を共有し、回答に興味があると感じました。
Q：データスキルを持つ科学者の数を増やすことは、製品のイノベーションと市場への迅速な提供を意味しますが、誤った決定を行うリスクを高めることも意味します。 同意しますか？ もしそうなら、どうすればそのリスクを軽減できますか？
A：あるパネリストが言ったように、アナリティクスは「望遠鏡や顕微鏡のように、アナリティクスなしでは見ることができなかったものを見る」ために使用できる電動工具ですが、他のツールと同様に、不適切な使用からリスクが発生します。 大規模な組織では、内部のセンターオブエクセレンス内のデータサイエンティストまたは統計学者が、分析手法のベストプラクティスについてプロセスの専門家を指導できます。 ただし、最大のリスクは、プロセスの専門家を完全に迂回して、適切な意思決定を行うためにマシンに過度に依存することから生じます。 プロセスの専門家による分析作業の結果を慎重に検討することが、そのリスクを軽減するための最良の方法です。 一方で、イノベーション能力を高めたり、製品の市場投入を加速したりする機会を失うなど、何もしない、または現状を維持するリスクを考慮することも同様に重要です。
Q：イノベーション促進のバイアスが、問題の定義、GIGO、DOE、測定システムなどの基本についての賢明な議論の邪魔になると思うのは私だけですか？
A：この質問は、イベント中に多くのいいねを受け取りました。 答え：いいえ、あなただけではありません。 明らかに、この感情は多くの人の間で共有されています。 多くの場合、革新を急ぐと、実験者は、あなたが説明したように、基本を無視して、開発への試用または一度に1つの要素のアプローチを支持するように思われます。 これが起こったとき、最良のアドバイスは、実験を計画するときに同僚と話し合うときに、この点を上げてこれらの基本の価値を強調することです。
Q：特許および非特許文献から商業的に成功した発明を予測するように求められました。 MLとAIの専門家はよくこれを行うように求められますか？
A：David Handは、ディスカッション中にこの質問に答えました。 データサイエンティストは、この種の演習に着手するように求められることがよくあります。 （特に、特許データは、に見られるように、分析の対象となることがよくあります。このプレゼンテーション最近でJMPディスカバリーサミット）。 デビッドは、スタートアップ企業の成功を予測するためのモデルの作成を任された同様の状況について言及し、「非常に、非常に難しい」と述べました。ただし、JMP Pro 16の2つの新機能である感情分析と用語選択により、このような演習が非常に簡単になります。 （（この短いビデオこれらの機能がどのように機能するかを示します。）
Q：機械学習とAIの真の目標は、センサーのデータパターンなど、信号の偏差を最適化および/または対処する方法についてテクノロジーに信号を送ることであると多くの人が感じています。 その目標を達成することからどれくらい離れていますか？
A：この質問はパネルによっても触れられました。 各メンバーは、MLとAIを活用して、これらの方法なしでは見ることができなかったプロセスやパターンの理解を深めることによって得られる価値だけでなく、これらの調査結果を解釈するプロセスの専門家の重要性も強調しました。 現在、マシンは最適化、検出、解釈、シグナリング、さらには実行するアクションの決定を行うことができますが、方程式からスペシャリストを削除することで、これらを自律的に実装できるようにすることには大きなリスクがあります。 ところで、機能データエクスプローラーJMP Proは、センサーデータを分析するための優れた機械学習ツールです。
Q：歴史的に、特に製造環境で何かが異なる方法で行われたという事実に対する反発を経験したことがありますか？ もしそうなら、利用可能な新しいツールや機能を使用するように人々を説得するために何をしましたか？
A：プッシュバックは、変更を実装しようとする人に対する一般的な対応です。 それを克服するためのアドバイスは、大きく考え、小さく始め、成功を放送することです。 機械学習は、大きな問題を解決したり、業界全体に革命をもたらしたりするために使用できますが、ほとんどの人にとっては目立たない小さなことにも役立ちます。 そして、あなたの会社、部門、またはチームは変化に抵抗するかもしれませんが、あなたの会社の他の場所または家の近くに同僚と共鳴するサクセスストーリーがすでにあるかもしれません。 あなたはそのような物語のコレクションを見つけることができますここに。 多くの場合、変化への恐れが押し返しを引き起こしている可能性があります。 そうだとすれば、ヒント、科学者やエンジニアが恐怖を克服するのに役立つJMPの無料オンラインコースが役立つかもしれません。
Q：AIと教師なしMLの用語、および教師ありMLと予測/推論分析の違いと重複について、混乱が生じていると思います。 より明確な定義のセットを歓迎します。
A：確かに！ パネリストがイベント中に話し合ったことに加えて、 SASのこのページこれらの用語の違いと重複を説明するのに素晴らしい仕事をします。 要するに：
人工知能：人間の能力を模倣する機械を構築する幅広い科学。
機械学習：機械が学習するように訓練される技術に関連するAIの特定のサブセット。
教師あり学習：既知の出力を持つデータを使用して、データの結果を分類、説明、または予測するためのモデルの開発。
教師なし学習：応答変数を使用せずに、データ自体のパターンまたは基礎となる構造に基づいてデータポイントを比較または区別します。
予測/推論分析：教師あり学習または教師なし学習を使用して、予測を行ったり、私たちの周りの世界（製造プロセス、製品開発、気象パターン、株式市場など）に関する知識と理解を推測したりします。
Q：データの専門家と「物理的な」専門家（センサー開発など）をまとめる最良の方法は何ですか？ 多くの場合、最初のデータは物理的なアーティファクトの理解に欠け、もう1つのデータは理想的なデータがどのように見えるべきかを理解していません。
A：最適には、データの専門家と物理の専門家は同じ人物です。 JMPは、個々のプロセスを理解するのに最適な立場にあるが、必ずしもデータサイエンスのバックグラウンドを持っていない科学者やエンジニアに、分析の力を提供します。 可能な場合、統計学者およびデータサイエンスのバックグラウンドを持つ人々は、これらのプロセスの専門家の取り組みをサポートするための助言または監督の役割を果たします。
このセッションの記録はありますか？どこで見つけることができますか？ （このトピックが謎のままである場合を除いて...）
