많은 사람들이 런던 임페리얼 칼리지 데이비드 핸드를 시청했습니다. Lene Bj ørg Cesar, Novozyme; Francisco Navarro, Solvay; 코닝 환경 기술, Aziza Yormirzaeva, 기계 학습 및 인공 지능에 대해 논의합니다.
시청자들이 물었다 많은 훌륭한 질문이 있지만 시간 제약으로 인해 호스트 Malcolm Moore는 JMP 이벤트 중에 그들 모두를 얻을 수 없었습니다. 우리는 더 큰 JMP 커뮤니티의 많은 사람들이 이러한 질문을 공유하고 답변에 관심이있을 것이라고 생각했습니다.
Q : 데이터 기술을 보유한 과학자의 수가 늘어 나면 더 빠른 혁신과 제품 출시를 의미하지만 잘못된 결정을 내릴 위험이 높아질 수도 있습니다. 동의하십니까? 그렇다면 어떻게 그 위험을 완화 할 수 있습니까?
A : 분석은 한 패널리스트가 말했듯이 "망원경이나 현미경처럼 그것 없이는 볼 수 없었던 것을 볼 수있는"전동 도구이지만 다른 도구와 마찬가지로 부적절한 사용으로 인해 위험이 발생합니다. 대규모 조직에서는 내부 Centers of Excellence 내의 데이터 과학자 또는 통계학자가 분석 기술의 모범 사례에서 프로세스 전문가를 안내 할 수 있습니다. 그러나 가장 큰 위험은 올바른 결정을 내리기 위해 기계에 과도하게 의존하도록 전적으로 프로세스 전문가를 우회하는 것입니다. 프로세스 전문가가 분석 노력의 결과를 신중하게 고려하는 것이 이러한 위험을 완화하는 가장 좋은 방법입니다. 다른 한편으로, 혁신 역량을 높이거나 제품을 시장에 출시 할 기회를 잃는 것과 같이 아무것도하지 않거나 현상 유지에 따른 위험을 고려하는 것도 똑같이 중요합니다.
Q : 혁신을 추구하는 편견이 문제 정의, GIGO, DOE 및 측정 시스템과 같은 기본 사항에 대한 현명한 논의를 방해하는 것을 발견 한 유일한 사람입니까?
A :이 질문은 이벤트 기간 동안 많은 좋아요를 받았습니다. 대답 : 아니요, 당신 만이 아닙니다. 분명히 이러한 감정은 많은 사람들과 공유됩니다. 종종 혁신을 서두르면 실험자가 기본 사항을 소홀히하여 개발에 대한 시도 및 관찰 또는 한 번에 한 가지 접근 방식을 선호하는 것처럼 보입니다. 이런 일이 발생하면 가장 좋은 조언은 실험을 계획 할 때 동료와 토론하는 동안이 점을 높이고 이러한 기본 사항의 가치를 강조하는 것입니다.
Q : 특허 및 비 특허 문헌에서 상업적으로 성공한 발명품을 예측해 달라는 요청을 받았습니다. ML 및 AI 전문가가 자주이 작업을 요청합니까?
A : David Hand는 토론 중에이 질문에 대해 언급했습니다. 데이터 과학자는 종종 이러한 유형의 운동을 시작하라는 요청을받습니다. (특히 특허 데이터는 분석의 빈번한 주제입니다. 이 프레젠테이션 최근에 JMP 디스커버리 서밋 ). 데이비드는 신생 기업의 성공을 예측하는 모델을 만드는 임무를 맡은 유사한 상황을 언급했는데,이를 "매우, 매우 어렵다"고 설명했습니다. 그러나 JMP Pro 16의 두 가지 새로운 기능 (감정 분석 및 용어 선택)을 사용하면 이러한 작업을 훨씬 쉽게 수행 할 수 있습니다. ( 이 짧은 비디오 이러한 기능이 어떻게 작동하는지 보여줍니다.)
Q : 많은 사람들이 기계 학습 및 AI의 진정한 목표는 센서 데이터 패턴에서와 같이 신호 편차를 최적화 및 / 또는 해결하는 방법에 대해 기술이 우리에게 신호를 보내는 것이라고 생각합니다. 그 목표를 달성하기까지 얼마나 걸립니까?
A :이 질문은 패널에서도 다루었습니다. 각 구성원은 이러한 방법 없이는 볼 수 없었던 프로세스 또는 패턴에 대한 이해를 높이기 위해 ML과 AI를 활용하여 얻은 가치뿐만 아니라 이러한 결과를 해석하는 프로세스 전문가의 중요성도 강조했습니다. 우리는 이제 기계가 최적화, 감지, 해석, 신호를 보내고 취해야 할 조치를 결정할 수있는 시점에 있지만, 전문가를 방정식에서 제거하여 자율적으로 구현할 수있는 엄청난 위험이 있습니다. 그런데 기능 데이터 탐색기 JMP Pro는 센서 데이터 분석을위한 훌륭한 기계 학습 도구입니다.
Q : 특히 제조 환경에서 과거와는 다른 방식으로 수행되었다는 사실에 대한 반발을 경험 한 적이 있습니까? 그렇다면 사람들이 새로운 도구와 기능을 사용하도록 설득하기 위해 무엇을 했습니까?
A : 푸시 백은 변화를 구현하려는 모든 사람에게 일반적인 반응입니다. 이를 극복하기위한 조언은 크게 생각하고, 작게 시작하고, 성공을 방송하는 것입니다. 머신 러닝은 큰 문제를 해결하거나 전체 산업을 혁신하는 데 사용할 수 있지만, 대부분의 사람들에게 레이더 아래에있는 작은 일에도 도움이 될 수 있습니다. 그리고 회사, 부서 또는 팀이 변화에 저항 할 수 있지만 회사의 다른 곳이나 집 근처에 동료들과 공감할 수있는 성공 사례가 이미있을 수 있습니다. 그런 이야기 모음을 찾을 수 있습니다 여기 . 종종 변화에 대한 두려움이 반발을 일으킬 수 있습니다. 그럴 경우 STIPS , 과학자와 엔지니어가 두려움을 극복하는 데 도움이되는 JMP의 무료 온라인 과정은 유용 할 수 있습니다.
Q : AI와 비지도 ML,지도 ML과 예측 / 추론 분석의 차이점과 겹침에 대해 약간의 혼란이 있다고 생각합니다. 보다 명확한 정의를 환영합니다. .
A : 그렇습니다! 패널리스트가 이벤트 중에 논의한 내용을 추가하기 위해 SAS의이 페이지 이 용어들 사이의 차이점과 겹침을 설명하는 데 큰 역할을합니다. 요컨대 :
인공 지능 : 인간의 능력을 모방하는 기계를 만드는 광범위한 과학.
기계 학습 : 기계가 학습하도록 훈련되는 기술과 관련된 AI의 특정 하위 집합.
지도 학습 : 출력이 알려진 데이터를 사용하여 데이터의 결과를 분류, 설명 또는 예측하는 모델 개발.
비지도 학습 : 응답 변수를 사용하지 않고 데이터 자체 내의 패턴 또는 기본 구조를 기반으로 데이터 포인트를 비교하거나 차별화합니다.
예측 / 추론 분석 : 지도 또는 비지도 학습을 사용하여 우리 주변의 세계에 대한 지식과 이해를 예측하거나 추론합니다 (제조 프로세스, 제품 개발, 날씨 패턴, 주식 시장 등).
Q : 데이터 전문가와 "물리적"전문가 (예 : 센서 개발)를 하나로 모으는 가장 좋은 방법은 무엇입니까? 첫 번째는 물리적 아티팩트에 대한 이해가 부족한 반면 다른 하나는 이상적인 데이터가 어떤 모습이어야하는지 이해하지 못하는 경우가 많습니다.
A : 최적으로 데이터 전문가와 물리적 전문가는 같은 사람입니다. JMP는 개별 프로세스를 이해하기 가장 좋은 위치에 있지만 반드시 데이터 과학에 대한 배경 지식이없는 과학자와 엔지니어에게 분석 기능을 제공합니다. 가능한 경우 통계 학자 및 데이터 과학 배경이있는 사람들은 자문 또는 감독 역할을 수행하여 해당 프로세스 전문가의 노력을 지원합니다.
이 세션의 녹음이 있으며 어디에서 찾을 수 있습니까? (이 주제가 미스터리로 남아 있지 않는 한...)
