Mucha gente sintonizó para ver a David Hand, del Imperial College de Londres; Lene Bjørg Cesar, Novozyme; Francisco Navarro, Solvay; y Aziza Yormirzaeva, Corning Environmental Technologies, analizan el aprendizaje automático y la inteligencia artificial.
Los espectadores hicieron muchas preguntas interesantes, pero, debido a limitaciones de tiempo, el presentador Malcolm Moore de JMP no pudo responderlas todas durante el evento. Sentimos que muchos miembros de la comunidad JMP en general compartían estas preguntas y estarían interesados en las respuestas.
P: Si bien aumentar el número de científicos con conocimientos de datos significa acelerar la innovación y la entrega de productos al mercado, también puede significar aumentar el riesgo de tomar decisiones equivocadas. ¿Estás de acuerdo? Si es así, ¿cómo podemos mitigar ese riesgo?
R: La analítica es una poderosa herramienta 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 de un uso inadecuado. En organizaciones más grandes, los científicos de datos o los 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 ignorar por completo a los expertos en procesos y confiar excesivamente en las máquinas para tomar buenas decisiones. La mejor manera de mitigar ese riesgo es una consideración cuidadosa de los resultados de cualquier esfuerzo analítico por parte de expertos en procesos. 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 considera que el sesgo a favor de la innovación obstaculiza una discusión sensata de los conceptos básicos, como la definición del problema, GIGO, DOE y los 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 usted los ha descrito, en favor de un enfoque de desarrollo de prueba 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 colegas al planificar experimentos.
P: Me han pedido que prediga invenciones comercialmente exitosas a partir de literatura sobre patentes y no patentes. ¿A menudo se les pide esto a los expertos en ML e IA?
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 enesta presentaciónen un recienteCumbre de descubrimiento del 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 de JMP Pro 16 (análisis de sentimiento y selección de términos) hacen que este ejercicio sea mucho más fácil. ( Este breve vídeo muestra cómo funcionan estas funciones).
P: Muchos sienten que el verdadero objetivo del aprendizaje automático y la IA 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?
Respuesta: Esta cuestión también fue abordada por el panel. Cada miembro enfatizó el valor obtenido al aprovechar el aprendizaje automático y la inteligencia artificial 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. 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 forma autónoma eliminando a los especialistas de la ecuación. Por cierto,Explorador de datos funcionalesJMP Pro es una excelente herramienta de aprendizaje automático para analizar datos de sensores.
P: ¿Ha experimentado reacciones negativas por el hecho de que algo se haya hecho históricamente de manera diferente, 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 para cualquiera que intente implementar un cambio. El consejo para superarlo es pensar en grande, empezar poco 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 pequeñas cosas que pasan desapercibidas para la mayoría de las personas. Y si bien 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 en sus colegas. Puedes encontrar una colección de tales historias.aquí. A menudo, el miedo al cambio puede estar impulsando el rechazo. Si ese es el caso,CONSEJOS, el curso gratuito en línea 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 IA y ML no supervisado, así como ML supervisado y análisis predictivo/inferencial. Sería bienvenido un conjunto de definiciones más claras .
R: ¡De hecho! Para agregar a lo que los panelistas discutieron durante el evento,esta pagina de SAShace un gran trabajo al explicar las diferencias y superposiciones entre estos términos. En breve:
Inteligencia artificial: la ciencia amplia de construir máquinas para imitar las capacidades humanas.
Aprendizaje automático: un subconjunto específico de IA relacionado con las técnicas mediante las cuales se entrena a las máquinas para aprender.
Aprendizaje supervisado: el desarrollo de modelos para clasificar, explicar o predecir resultados en datos utilizando datos con resultados conocidos.
Aprendizaje no supervisado: comparar o diferenciar puntos de datos en función de 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 conocimiento 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, en el desarrollo de sensores)? Muy a menudo, el primero carece de comprensión de los artefactos físicos, mientras que el otro carece de comprensión de cómo deberían ser los datos ideales.
R: Lo ideal es que los expertos en datos y los expertos físicos sean las mismas personas. JMP ofrece el poder del análisis 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 asesoramiento o supervisión 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...)
