많은 사람들이 Imperial College London의 David Hand를 시청했습니다. Lene Bj ørg Cesar, Novozyme; 프란시스코 나바로, 솔베이; Corning Environmental Technologies의 Aziza Yormirzaeva가 머신 러닝과 인공 지능에 대해 논의합니다.
시청자들은 좋은 질문을 많이 했지만 시간 제약으로 인해 이벤트가 진행되는 동안 JMP 의 진행자 Malcolm Moore가 모든 질문에 답변할 수 없었습니다. 우리는 JMP 커뮤니티의 많은 사람들이 이러한 질문을 공유했으며 답변에 관심을 가질 것이라고 느꼈습니다.
Q: 데이터 기술을 갖춘 과학자의 수를 늘리면 혁신이 빨라지고 제품을 시장에 출시할 수 있다는 뜻이지만, 잘못된 결정을 내릴 위험이 높아진다는 뜻이기도 합니다. 동의하시나요? 그렇다면 어떻게 그 위험을 완화할 수 있습니까?
A: 분석은 한 패널리스트가 말했듯이 "망원경이나 현미경처럼 그것 없이는 볼 수 없는 것을 보는 데" 사용할 수 있는 강력한 도구이지만 다른 도구와 마찬가지로 부적절한 사용으로 인해 위험이 발생합니다. 대규모 조직에서는 내부 Center of Excellence 내의 데이터 과학자 또는 통계학자가 프로세스 전문가에게 분석 기술의 모범 사례를 안내할 수 있습니다. 그러나 가장 큰 위험은 올바른 결정을 내리기 위해 기계에 지나치게 의존하기 위해 프로세스 전문가를 완전히 우회하는 데서 발생합니다. 프로세스 전문가가 분석 노력의 결과를 주의 깊게 고려하는 것이 해당 위험을 완화하는 가장 좋은 방법입니다. 반면에, 혁신 역량을 높이거나 제품 출시 속도를 높일 수 있는 기회를 잃는 등 아무 것도 하지 않거나 현상 유지를 유지할 경우의 위험을 고려하는 것도 똑같이 중요합니다.
Q: 혁신 지지 편향이 문제 정의, GIGO, DOE, 측정 시스템 등 기본 사항에 대한 합리적인 논의를 방해한다고 생각하는 사람은 저뿐인가요?
A: 이 질문은 이벤트 기간 동안 많은 좋아요를 받았습니다. 대답: 아니요, 당신만이 유일한 사람은 아닙니다. 분명히 이러한 감정은 많은 사람들에게 공유됩니다. 종종 혁신에 대한 성급한 노력으로 인해 실험자들은 당신이 설명했듯이 기본을 무시하고 시험해 보거나 한 번에 한 가지 요소를 고려하는 개발 접근 방식을 선호하는 것 같습니다. 이럴 때 가장 좋은 조언은 실험을 계획할 때 동료들과 논의하면서 이 점을 제기하고 이러한 기본의 가치를 강조하는 것이다.
Q: 특허 및 비특허 문헌을 통해 상업적으로 성공적인 발명품을 예측해 달라는 요청을 받았습니다. ML 및 AI 전문가에게 이러한 작업을 요청하는 경우가 자주 있습니까?
A: David Hand는 토론 중에 이 질문을 언급했습니다. 데이터 과학자는 종종 이러한 유형의 작업을 시작하도록 요청받습니다. (특히 특허 데이터는 분석의 빈번한 주제입니다.이 프레젠테이션최근에JMP 디스커버리 서밋). 데이비드는 스타트업 기업의 성공을 예측하기 위한 모델을 만드는 임무를 맡았던 유사한 상황을 언급했는데, 그는 이것이 “매우, 매우 어렵다”고 표현했습니다. 그러나 JMP Pro 16의 두 가지 새로운 기능인 감정 분석과 용어 선택을 사용하면 이러한 작업이 훨씬 쉬워집니다. ( 이 짧은 비디오에서는 이러한 기능이 어떻게 작동하는지 보여줍니다.)
Q: 많은 사람들이 머신러닝과 AI의 진정한 목표는 센서 데이터 패턴과 같은 신호 편차를 최적화 및/또는 해결하는 방법에 대한 기술 신호를 보내는 것이라고 생각합니다. 그 목표를 달성하려면 얼마나 남았나요?
A: 이 질문은 패널에서도 다루어졌습니다. 각 구성원은 ML 및 AI를 활용하여 이러한 방법 없이는 볼 수 없었던 프로세스나 패턴에 대한 이해를 강화함으로써 얻을 수 있는 가치와 이러한 결과를 해석하는 프로세스 전문가의 중요성을 강조했습니다. 이제 우리는 기계가 최적화, 감지, 해석, 신호를 보내고 어떤 조치를 취할지 결정할 수 있는 시점에 와 있습니다. 그러나 방정식에서 전문가를 제거하여 기계가 이를 자율적으로 구현하도록 허용하는 데에는 엄청난 위험이 있습니다. 그런데,기능적 데이터 탐색기JMP Pro는 센서 데이터 분석을 위한 훌륭한 기계 학습 도구입니다.
Q: 역사적으로, 특히 제조 환경에서 무언가가 다른 방식으로 수행되었다는 사실로 인해 반발을 경험한 적이 있습니까? 그렇다면 사람들이 새로운 도구와 기능을 사용하도록 설득하기 위해 무엇을 했습니까?
A: 푸시백은 변화를 구현하려는 모든 사람에 대한 일반적인 반응입니다. 이를 극복하기 위한 조언은 크게 생각하고, 작게 시작하고, 성공을 알리는 것입니다. 머신러닝은 큰 문제를 해결하거나 전체 산업을 혁신하는 데 사용될 수 있지만 대부분의 사람들이 감지하지 못하는 작은 일에도 도움이 될 수 있습니다. 회사, 부서 또는 팀이 변화에 저항할 수도 있지만, 회사 내나 집 근처에는 이미 동료들에게 공감을 불러일으킬 성공 사례가 있을 수 있습니다. 그런 이야기 모음을 찾을 수 있습니다여기. 종종 변화에 대한 두려움이 반발을 불러일으킬 수도 있습니다. 그렇다면,STIPS, 과학자와 엔지니어가 두려움을 극복하는 데 도움이 되는 JMP의 무료 온라인 강좌가 유용할 수 있습니다.
Q: AI와 비지도 ML, 지도 ML과 예측/추론 분석이라는 용어 사이의 차이점과 중복에 대해 약간의 혼란이 있다고 생각합니다. 보다 명확한 정의 세트가 환영받을 것입니다 .
A: 그렇죠! 행사 중 패널리스트들이 논의한 내용에 추가로,SAS의 이 페이지이러한 용어 간의 차이점과 중복을 설명하는 데 훌륭한 역할을 합니다. 간단히 말해서:
인공 지능: 인간의 능력을 모방하는 기계를 만드는 광범위한 과학입니다.
기계 학습: 기계가 학습하도록 훈련하는 기술과 관련된 AI의 특정 하위 집합입니다.
지도 학습: 알려진 출력이 있는 데이터를 사용하여 데이터의 결과를 분류, 설명 또는 예측하는 모델 개발입니다.
비지도 학습: 응답 변수를 사용하지 않고 데이터 자체 내의 패턴이나 기본 구조를 기반으로 데이터 포인트를 비교하거나 차별화합니다.
예측/추론 분석: 감독 또는 비지도 학습을 사용하여 예측을 하거나 주변 세계(제조 프로세스, 제품 개발, 날씨 패턴, 주식 시장 등)에 대한 지식과 이해를 추론합니다.
Q: 데이터 전문가와 '물리적' 전문가(예: 센서 개발)를 하나로 모으는 가장 좋은 방법은 무엇입니까? 전자는 물리적 아티팩트에 대한 이해가 부족한 반면, 후자는 이상적인 데이터가 어떤 모습이어야 하는지에 대한 이해가 부족한 경우가 많습니다.
A: 최적으로는 데이터 전문가와 물리적 전문가가 동일한 사람입니다. JMP는 개별 프로세스를 가장 잘 이해할 수 있지만 데이터 과학에 대한 배경 지식이 반드시 필요한 것은 아닌 과학자와 엔지니어에게 강력한 분석 기능을 제공합니다. 가능한 경우 통계학자와 데이터 과학 배경을 가진 사람들은 자문 또는 감독자 역할을 맡아 프로세스 전문가의 노력을 지원합니다.
이 세션의 녹화본이 있나요? 어디서 찾을 수 있나요? (이 주제가 미스터리로 남아있지 않다면...)
