Viele Leute schalteten ein, um David Hand, Imperial College London; Lene Bjørg Cesar, Novozyme; Francisco Navarro, Solvay; und Aziza Yormirzaeva, Corning Environmental Technologies, diskutieren maschinelles Lernen und künstliche Intelligenz.
Die Zuschauer stellten viele tolle Fragen, aber aus Zeitgründen konnte Moderator Malcolm Moore von JMP nicht alle während der Veranstaltung beantworten. Wir hatten das Gefühl, dass viele in der größeren JMP-Community diese Fragen teilten und an den Antworten interessiert wären.
F: Während die Erhöhung der Zahl von Wissenschaftlern mit Datenkenntnissen eine schnellere Innovation und Markteinführung von Produkten bedeutet, kann dies auch ein erhöhtes Risiko falscher Entscheidungen bedeuten. Sind Sie einverstanden? Wenn ja, wie können wir dieses Risiko mindern?
A: Analytics ist ein Elektrowerkzeug, mit dem man „Dinge sehen kann, die man ohne es nicht sehen könnte, ähnlich wie ein Teleskop oder ein Mikroskop“, wie ein Diskussionsteilnehmer sagte, aber wie bei jedem Werkzeug birgt die unsachgemäße Verwendung Risiken. In größeren Organisationen können Datenwissenschaftler oder Statistiker in internen Kompetenzzentren Prozessexperten in Best Practices für Analysetechniken einführen. Das größte Risiko besteht jedoch darin, die Prozessexperten völlig außer Acht zu lassen und sich bei der Entscheidungsfindung zu sehr auf Maschinen zu verlassen. Eine sorgfältige Prüfung der Ergebnisse jeder Analyse durch Prozessexperten ist der beste Weg, dieses Risiko zu mindern. Andererseits ist es ebenso wichtig, die Risiken zu berücksichtigen, die mit dem Nichtstun oder der Beibehaltung des Status quo einhergehen, z. B. dem Verlust der Chance, die Innovationsfähigkeit zu steigern oder die Markteinführung von Produkten zu beschleunigen.
F: Bin ich der Einzige, der der Meinung ist, dass eine innovationsfreundliche Voreingenommenheit einer vernünftigen Diskussion der Grundlagen, wie der Definition des Problems, GIGO, DOE und Messsystemen, im Wege steht?
A: Diese Frage erhielt während der Veranstaltung viele „Gefällt mir“-Angaben. Die Antwort: Nein, Sie sind nicht der Einzige. Offensichtlich wird dieses Gefühl von vielen geteilt. Es scheint, dass der Innovationsdrang oft dazu führt, dass Experimentatoren die Grundlagen, wie Sie sie beschrieben haben, vernachlässigen und stattdessen einen Ansatz des Ausprobierens oder eines Faktors nach dem anderen bevorzugen. Wenn dies geschieht, ist es der beste Rat, diesen Punkt anzusprechen und den Wert dieser Grundlagen bei Diskussionen mit Kollegen bei der Planung von Experimenten hervorzuheben.
F: Ich wurde gebeten, kommerziell erfolgreiche Erfindungen anhand von Patent- und Nichtpatentliteratur vorherzusagen. Werden ML- und KI-Experten oft gebeten, dies zu tun?
A: David Hand ging während der Diskussion auf diese Frage ein. Datenwissenschaftler werden oft gebeten, sich auf diese Art von Übung einzulassen. (Insbesondere Patentdaten sind ein häufiges Thema für Analysen, wie in gezeigtdiese Präsentationbei einem kürzlichJMP Discovery Summit). David erwähnte eine ähnliche Situation, in der er mit der Entwicklung eines Modells zur Vorhersage des Erfolgs von Start-up-Unternehmen beauftragt wurde, was er als „sehr, sehr schwierig“ bezeichnete. Zwei neue Funktionen in JMP Pro 16 – Stimmungsanalyse und Begriffsauswahl – machen eine solche Übung jedoch erheblich einfacher. ( Dieses kurze Video zeigt, wie diese Funktionen funktionieren.)
F: Viele glauben, dass das wahre Ziel von maschinellem Lernen und KI darin besteht, dass die Technologie uns signalisiert, wie wir Signalabweichungen, beispielsweise in Sensordatenmustern, optimieren und/oder beheben können. Wie weit sind wir von diesem Ziel entfernt?
A: Diese Frage wurde auch im Panel angesprochen. Jedes Mitglied betonte den Mehrwert, der durch den Einsatz von ML und KI entsteht, um das Verständnis von Prozessen oder Mustern zu verbessern, die ohne diese Methoden nicht erkennbar gewesen wären, aber auch die Bedeutung von Prozessexperten für die Interpretation dieser Ergebnisse. Wir sind jetzt an einem Punkt angelangt, an dem Maschinen optimieren, erkennen, interpretieren, signalisieren und sogar entscheiden können, welche Maßnahmen sie ergreifen sollen. Es birgt jedoch enorme Risiken, wenn man ihnen erlaubt, diese autonom umzusetzen, indem man Spezialisten aus der Gleichung entfernt. Übrigens,Funktionsdaten-Explorerin JMP Pro ist ein großartiges maschinelles Lerntool zur Analyse von Sensordaten.
F: Haben Sie Widerstand gegen die Tatsache erlebt, dass in der Vergangenheit etwas anders gemacht wurde, insbesondere im Fertigungsumfeld? Wenn ja, was haben Sie getan, um die Menschen davon zu überzeugen, die neuen verfügbaren Tools und Funktionen zu nutzen?
A: Pushback ist eine häufige Reaktion auf jeden, der versucht, Veränderungen umzusetzen. Der Rat zur Überwindung lautet: Denken Sie groß, fangen Sie klein an und verbreiten Sie Ihre Erfolge. Maschinelles Lernen kann eingesetzt werden, um große Probleme zu lösen oder ganze Branchen zu revolutionieren, aber es kann auch bei kleinen Dingen helfen, die für die meisten Menschen unter dem Radar bleiben. Und auch wenn Ihr Unternehmen, Ihre Abteilung oder Ihr Team sich möglicherweise gegen Veränderungen sträubt, kann es sein, dass es an anderer Stelle in Ihrem Unternehmen oder in Ihrer Nähe bereits Erfolgsgeschichten gibt, die bei Ihren Kollegen Anklang finden. Eine Sammlung solcher Geschichten finden Sie hierHier. Oft ist die Angst vor Veränderungen der Auslöser für den Widerstand. Wenn das der Fall ist,STIPPS, der kostenlose Online-Kurs von JMP, der Wissenschaftlern und Ingenieuren helfen kann, ihre Ängste zu überwinden, könnte sich als nützlich erweisen.
F: Ich habe das Gefühl, dass es einige Verwirrung hinsichtlich der Unterschiede und Überschneidungen zwischen den Begriffen KI und unbeaufsichtigtes ML sowie überwachtes ML und prädiktive/inferentielle Analyse gibt. Klarere Definitionen wären wünschenswert .
A: Tatsächlich! Als Ergänzung zu dem, was die Diskussionsteilnehmer während der Veranstaltung besprochen haben,Diese Seite von SASleistet hervorragende Arbeit bei der Erklärung der Unterschiede und Überschneidungen zwischen diesen Begriffen. Zusamenfassend:
Künstliche Intelligenz: die umfassende Wissenschaft, Maschinen zu bauen, um menschliche Fähigkeiten nachzuahmen.
Maschinelles Lernen: eine spezifische Teilmenge der KI, die sich auf die Techniken bezieht, mit denen Maschinen zum Lernen trainiert werden.
Überwachtes Lernen: die Entwicklung von Modellen zur Klassifizierung, Erklärung oder Vorhersage von Ergebnissen in Daten unter Verwendung von Daten mit bekannten Ausgaben.
Unüberwachtes Lernen: Vergleichen oder Differenzieren von Datenpunkten basierend auf Mustern oder zugrunde liegenden Strukturen innerhalb der Daten selbst, ohne Verwendung von Antwortvariablen.
Prädiktive/inferentielle Analyse: Verwendung von überwachtem oder unbeaufsichtigtem Lernen, um Vorhersagen zu treffen oder Wissen und Verständnis über die Welt um uns herum abzuleiten (Herstellungsprozesse, Produktentwicklungen, Wettermuster, Aktienmärkte usw.).
F: Wie bringt man die Datenexperten und die „physischen“ Experten (z. B. Sensorentwicklung) am besten zusammen? Sehr oft fehlt dem ersten das Verständnis für physikalische Artefakte, während dem anderen das Verständnis dafür fehlt, wie ideale Daten aussehen sollten.
A: Im Idealfall sind die Datenexperten und die physischen Experten dieselben Personen. JMP stellt die Leistungsfähigkeit der Analyse den Wissenschaftlern und Ingenieuren zur Verfügung, die ihre individuellen Prozesse am besten verstehen können, aber nicht unbedingt über einen Hintergrund in der Datenwissenschaft verfügen. Wo möglich, fungieren Statistiker und Personen mit datenwissenschaftlichem Hintergrund in beratender oder überwachender Funktion, um diese Prozessexperten bei ihren Bemühungen zu unterstützen.
