Molte persone si sono sintonizzate per guardare David Hand, Imperial College London; Lene Bjørg Cesar, Novozyme; Francisco Navarro, Solvay; e Aziza Yormirzaeva, Corning Environmental Technologies, discutono di machine learning e intelligenza artificiale.
Gli spettatori hanno posto molte domande interessanti ma, a causa dei limiti di tempo, il conduttore Malcolm Moore di JMP non è riuscito a rispondere a tutte durante l'evento. Abbiamo ritenuto che molti nella comunità JMP più ampia condividessero queste domande e sarebbero interessati alle risposte.
Se da un lato aumentare il numero di scienziati con competenze in materia di dati significa innovazione e immissione più rapide dei prodotti sul mercato, dall'altro può anche significare aumentare il rischio di prendere decisioni sbagliate. Sei d'accordo? Se sì, come possiamo mitigare questo 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 affermato un relatore, ma come ogni 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 affidamento eccessivo alle macchine per prendere buone decisioni. Un'attenta considerazione dei risultati di qualsiasi sforzo analitico, da parte di esperti di processo, è il modo migliore per mitigare tale rischio. D’altro canto, è altrettanto importante considerare i rischi derivanti dal non fare nulla o dal mantenere lo status quo, come perdere l’opportunità di aumentare la capacità di innovazione o di accelerare l’immissione dei prodotti sul mercato.
Sono l'unico a ritenere che i pregiudizi a favore dell'innovazione ostacolino una discussione sensata degli aspetti fondamentali, come la definizione del problema, GIGO, DOE e i sistemi di misurazione?
R: 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 porti gli sperimentatori a trascurare le basi, come le hai descritte tu, a favore di un approccio allo sviluppo "provare e vedere" o "un fattore alla volta". Quando ciò accade, il miglior consiglio è sollevare questo punto ed enfatizzare il valore di questi principi fondamentali durante le discussioni con i colleghi quando si pianificano gli esperimenti.
Mi è stato chiesto di prevedere le invenzioni di successo commerciale dalla letteratura brevettuale e non brevettuale. Agli esperti di machine learning e intelligenza artificiale viene spesso chiesto di farlo?
R: 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 inquesta presentazionein un recenteSummit sulla scoperta di JMP). David ha menzionato una situazione simile in cui gli è stato assegnato il compito 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 – Analisi del sentiment e Selezione dei termini – rendono questo esercizio notevolmente più semplice. ( Questo breve video mostra come funzionano queste funzionalità.)
Molti ritengono che il vero obiettivo dell'apprendimento automatico e dell'intelligenza artificiale sia quello di far sì che la tecnologia ci indichi come ottimizzare e/o affrontare le deviazioni del segnale, come nei modelli di dati dei sensori. Quanto siamo lontani dal raggiungere questo obiettivo?
R: Anche questa questione è stata affrontata dal panel. Ciascun membro ha sottolineato il valore ottenuto sfruttando il machine learning e l'intelligenza artificiale per aumentare la comprensione di processi o modelli che non avrebbero potuto essere rilevati senza questi metodi, ma anche l'importanza che gli esperti di processo interpretino questi risultati. Siamo a un punto in cui le macchine possono ottimizzare, rilevare, interpretare, segnalare e persino decidere quali azioni intraprendere, ma ci sono enormi rischi nel consentire loro di implementarle in modo autonomo rimuovendo gli specialisti dall’equazione. A proposito,Esplora dati funzionaliin JMP Pro è un ottimo strumento di apprendimento automatico per l'analisi dei dati dei sensori.
Hai subito reazioni negative riguardo al fatto che qualcosa è stato fatto in un modo diverso storicamente, in particolare nell'ambiente produttivo? Se sì, 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 propri 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 della maggior parte delle persone. E mentre la tua azienda, dipartimento o team potrebbe essere restio al cambiamento, potrebbero già esserci storie di successo altrove nella tua azienda o vicino a casa che avranno risonanza con i tuoi colleghi. Puoi trovare una raccolta di queste storieQui. Spesso, la paura del cambiamento può guidare la reazione. Se è il caso,STELI, il corso online gratuito di JMP che può aiutare scienziati e ingegneri a superare le loro paure, potrebbe rivelarsi utile.
Ritengo che ci sia una certa confusione riguardo alle differenze e alle sovrapposizioni tra i termini AI e ML non supervisionato, così come ML supervisionato e analisi predittiva/inferenziale. Sarebbe auspicabile una serie di definizioni più chiare .
R: Infatti! Per aggiungere a ciò che hanno discusso i relatori durante l'evento,questa pagina da SASfa 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.
Machine learning: un sottoinsieme specifico dell’intelligenza artificiale relativo alle tecniche con cui le macchine vengono addestrate ad apprendere.
Apprendimento supervisionato: lo sviluppo di modelli per classificare, spiegare o prevedere i risultati nei dati utilizzando dati con risultati noti.
Apprendimento non supervisionato: confronto o differenziazione di punti dati in base a modelli o strutture sottostanti all'interno dei dati stessi, senza l'uso di variabili di risposta.
Analisi predittiva/inferenziale: utilizzo dell'apprendimento supervisionato o non supervisionato per fare previsioni o dedurre conoscenza e comprensione del mondo che ci circonda (processi di produzione, sviluppo di prodotti, modelli meteorologici, mercati azionari, ecc.).
Qual è il modo migliore per riunire gli esperti di dati e gli esperti “fisici” (ad esempio, lo sviluppo di sensori)? Molto spesso, il primo non comprende gli artefatti fisici, mentre l’altro non comprende come dovrebbero apparire i dati ideali.
R: In condizioni ottimali, gli esperti di dati e gli esperti fisici sono le stesse persone. JMP offre la potenza dell'analisi agli scienziati e agli ingegneri che sono nella posizione migliore per comprendere i loro processi individuali, ma che non hanno necessariamente un background nella scienza dei dati. Ove possibile, gli statistici e coloro che hanno un background in scienza dei dati svolgono ruoli di consulenza o di 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 voglia rimanere un mistero...)
