多くの人がロンドンのインペリアル・カレッジのデイビッド・ハンドの講演を視聴しました。 Lene Bj ørg Cesar、ノボザイム。フランシスコ・ナバロ、ソルベイ。と Corning Environmental Technologies の Aziza Yormirzaeva が機械学習と人工知能について語ります。
視聴者からは多くの素晴らしい質問がありましたが、時間の制約により、 JMPの司会者マルコム ムーアはイベント中にすべての質問に答えることができませんでした。私たちは、より大きな JMP コミュニティの多くの人がこれらの質問を共有し、その答えに興味を持っていると感じました。
Q: データスキルを持つ科学者の数を増やすことは、より迅速なイノベーションと製品の市場投入を意味しますが、同時に、誤った決定を下すリスクが高ま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るでしょうか?
A: あるパネリストが述べたように、アナリティクスは「望遠鏡や顕微鏡と同じように、これがなければ見えなかったものを見る」ために使用できる強力なツールですが、他のツールと同様に、不適切な使用にはリスクが生じます。大規模な組織では、社内の Center of Excellence 内のデータ サイエンティストまたは統計専門家が、プロセスの専門家に分析手法のベスト プラクティスを指導できます。ただし、最大のリスクは、プロセスの専門家を完全に無視して、適切な意思決定を行うために機械に過度に依存することに由来します。プロセスの専門家が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最善の方法です。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、何もしないことや現状を維持することのリスクを考慮することも同様に重要です。
Q: イノベーション推進のバイアスが、問題の定義、GIGO、DOE、測定システムなどの基本事項についての賢明な議論の邪魔になっていると感じるのは私だけでしょうか?
A: この質問はイベント中に多くの「いいね！」を獲得しました。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に共有されています。多くの場合、革新を急ぐあまり、実験者は、あなたが説明したような基本を無視して、試してみる、または一度に 1 要素ずつ開発するアプローチを優先するようです。このような場合、最良のアドバイスは、実験を計画する際の同僚との議論の際に、この点を取り上げ、これらの基本の価値を強調することです。
Q: 特許文献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依頼されました。 ML と AI の専門家はよくこれを行うよう求められますか?
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、次のような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のJMP ディスカバリー サミット）。デビッド氏は、新興企業の成功を予測するモデルを作成するという任務を負った同様の状況について、「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 (センチメント分析と用語選択) により、このような作業が大幅に簡単になります。 ( この短いビデオは、これらの機能がどのように機能するかを示しています。)
Q: 機械学習と AI の本当の目標は、センサー データ パターンなどの信号の逸脱を最適化および/または対処する方法をテクノロジーから知らせてもらうことであると多くの人が感じています。その目標の達成までどれくらい遠いでしょうか?
A: この質問はパネルでも触れられました。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えなかったプロセスやパターンの理解を強化することで得られる価値を強調しましたが、これらの結果を解釈するプロセスの専門家が重要であることも強調しました。私たちは現在、機械が最適化、検出、解釈、信号を送信し、どのようなアクションを実行するかを決定できる段階に来ていますが、専門家を方程式から排除して機械が自律的にこれらを実行できるようにすることには大きなリスクが伴います。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、特に製造環境において何かが異なる方法で行われたという事実に対して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、変化を実現しようとする人に対する一般的な反応です。それを克服するためのアドバイスは、大きく考え、小さなことから始めて、成功を広めることです。機械学習は、大きな問題を解決したり、業界全体に革命を起こしたりするために使用できますが、ほとんどの人が気づかない小さな事柄にも役立ちます。あなたの会社、部門、チームは変化に抵抗があるかもしれませんが、社内の別の場所や自宅の近くに、同僚の共感を呼ぶような成功事例がすでに存在しているかもしれません。そんな物語を集めた作品が見つかりますここ。多くの場合、変化に対する恐怖が反発の原動力となっている可能性があります。そうだとすれば、スティック, 科学者やエンジニアが恐怖心を克服するのに役立つJMPの無料オンラインコースは役立つかもしれません。
Q: AI と教師なし ML、教師あり ML と予測/推論分析という用語の違いと重複に関して、混乱があるように感じます。より明確な定義があれば歓迎されます。
A：確かに！イベント中にパネリストが議論した内容に追加すると、SAS のこのページは、これらの用語の違いと重複を説明するのに非常に役立ちます。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広範な科学。
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、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、データ自体内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、周囲の世界 (製造プロセス、製品開発、気象パターン、株式市場など) についての知識と理解を予測または推論します。
Q: データの専門家と「物理的な」専門家 (センサー開発など) を結びつける最善の方法は何ですか?多くの場合、前者は物理的なアーティファクトについての理解が不足しており、もう一方は理想的なデータがどうあるべきかについての理解が不足しています。
A: 理想的には、データの専門家と物理的な専門家は同じ人です。 JMP は、個々のプロセスを理解するのに最適な立場にあるものの、必ずしもデータ サイエンスの背景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。可能であれば、統計学者やデータサイエンスの背景を持つ人が助言や監督の役割を果たし、プロセスの専門家の取り組みをサポートします。
このセッションの録音はありますか?どこで見つけられますか? (この話題が謎のままにならない限り...)
