Bonjour tout le monde.
Ce présentation volonté être à propos Analyse du système de mesure,
et optimisation de un UHPLC M mesure Système.
Présentateurs sont moi-même, Frank Deruyck
depuis HoGent Collège universitaire de Appliqué Les sciences,
et aussi Volker Kraft depuis JMP Académique Programme
volonté prendre se soucier de le démos
démontrant le JMP outils pour données analyse.
D'accord. Le problème déclaration et description.
Bien, dans un chimique entreprise,
juste [inaudible] chimique entreprise,
le présentation était inspiré par un stage de un étudiant
et une entreprise chimique, et de cours le matériel avait à être gardé confidentiel.
Donc je juste volonté parler à propos le produit chimique entreprise,
et aussi le Les figures sont un petit peu modifié, mais Non problème.
Quoi est le déclaration?
Eh bien, la CPS révélé significatif lot à lot variation dans brut matériel
et a causé problèmes dans le produit qualité.
Donc que, d'accord,
là était un problème avec le fournisseur que était nécessaire que tous fourni des lots,
il était nécessaire à analyser eux tous.
Mais de cours un problème est que
là était un aussi lent analyse procédure CG,
et une méthode d'analyse UHPLC rapide est sous développement,
était dans développement, mais pas prêt
pour validation parce que de aussi fort la mesure variation.
Et le but de ce étude est à spécifier robuste et optimal paramètres
de la méthode UHPLC donc que validation de le nouveau méthode volonté être possible.
Merci, Franc.
Fonctionnement avec le JMP académique équipe pour plus que dix années maintenant,
nous aidé beaucoup université les professeurs mondial à obtenir accéder à JMP licences
pour enseignement, mais aussi à enseignement ressources comme le cas étude bibliothèque
à le lien, jmp.com/cases,
les professeurs obtenir gratuit accéder à plus plus de 50 cas,
chaque récit un histoire à propos un réel monde problème
et un étape par étape solution, y compris le données ensembles et des exercices.
Quoi nous présent aujourd'hui est disponible comme un série de trois cas études,
se concentrer sur statistique contrôle de processus,
la mesure systèmes analyse, et conception de expériences.
Alors que Franc volonté parler à propos le problème
et le solution ils développé pour un Pharmaceutique entreprise dans Belgique,
je volonté démo quelques de le analyse pas en utilisant JMP Pro.
Laisser moi dire remercier toi à Franc pour partage ces cas avec le académique communauté,
OMS vraiment accueillir tel monde réel exemples
à venir depuis praticiens dans le industrie.
je aussi vouloir à remercier Murali, de notre équipe académique en Inde,
OMS pièces un clé rôle dans améliorer notre cas étude bibliothèque
comme le développement de ces cas ensemble avec Franc.
D'accord, ici dans ce parcelle tu vois très clairement le illustration le problème.
Donc quoi ici est montré est un parcelle de le des mesures de le nouveau méthode UHPLC,
mais non- optimisé et aussi comme un fonction de le la mesure
de le CG standard méthode, lequel était très précis et précis.
Et toi peut clairement voir que là sont quelques problèmes.
Donc différent les opérateurs fait quelques des mesures sur différent lots
et tu peux voir que le prédiction intervalles sont assez grand.
Toi voir un gamme parfois sur 100 milligrammes par litre.
Et toi peut aussi voir que parfois c'est pas clair si une mesure
est conforme aux spécifications, comme sur le gauche graphique toi peut voir il
et aussi sur le droite graphique toi peut voir il y a aussi ratios avec précision
signification que il y a un sérieux problème,
et d'abord de tous nous volonté explorer le causes profondes des variations
en utilisant la mesure système analyse,
le causes de variation, et aussi le BICHE volonté utiliser optimisé
selon les statistiques pensée concept
lequel volonté être illustré dans le suivant diapositives.
Toi voir le statistique problème résoudre le flux de processus.
Donc pour le coût de le problème,
le problème avec notre U HPLC la mesure erreur,
nous volonté tacle ce par analyse du système de mesure,
et à exporter le variation racine provoque, je peut utiliser bien sûr DOE,
aussi à optimiser le processus paramètres de le U HPLC système.
Le méthode nous allons utiliser pour quantifier le variation sources est
le la mesure système analyse, et certaines théorie je volonté montrer.
Donc c'est à propos le quantifier de le variance Composants de le total variance.
Total variance moyens le variance par toutes les mesures,
par différent les opérateurs, différent des produits.
Donc nous avoir deux différents composants,
le produit variation,
Sigma carré produit, et le la mesure variation.
Le la mesure variation très important est également décomposé
dans deux important Composants, le répétabilité le variance
exigible à manque de précision par répété
des mesures, et aussi le valeurs entre les opérateurs.
Donc le Sigma carré grand R. lequel est le reproductibilité.
Et très important critère dans commande t chapeau, désolé,
important critère
déclarant que le la mesure système est seulement approprié pour détection de variation
dans le processus, processus variation, est que le pour cent g auge R&R, lequel est le
la mesure erreur divisé par le total erreur, devrait être moins que 10 pourcent.
Donc le fraction de la mesure erreur était
ci-dessous 10 pourcent total de le total variation.
Alors nous peut utiliser il pour processus suivre en haut.
Si c'est pas le cas, il est plus haut,
alors nous courir le risque que nous volonté contrôle notre processus
sur la mesure variation, et de cours pas un très en bonne santé problème.
Donc il doit être inférieur que 10 pourcent, c'est le principal critère.
D'accord, laisser moi aller à suivant glisser.
Et pour ce nous volonté utiliser un Jauge R&R étude, une étude Gauge R&R
est principalement une conception expérimentale,
donc que nous volonté sélectionner trois opérateurs aléatoires,
John, Laura, et Sarah,
OMS volonté faire répété des mesures deux fois sur quatre différent lots chaque.
Nous l'avons donc fait,
nous avoir a été capable à quantifier le dans la variation de l'opérateur
répétabilité, le la reproductibilité, la entre variation de l'opérateur,
et aussi le produit variation, le variation entre lots.
Alors, Volker, je pars le sol à toi maintenant.
D'accord. Remercier toi, Franc.
Et avant je volonté viens à MSA,
je serait comme à brièvement couverture qu'est-ce que c'est inclus dans le d'abord partie de le série,
à savoir contrôle graphiques et processus aptitude.
Donc ce est un de le données ensembles ici
mesure le deux composés, notre continu les réponses,
composé un et composé deux, en utilisant le bien mais lent CG méthode.
Donc données a a été collecté sur huit jours,
avec deux lots par jour et pour deux différent vendeurs, UN et B.
Donc quand le équipe commencé,
le d'abord activité était à vérifier et confirmer normalité de le données
pour ce, ils regardé à normale quantile des parcelles.
Ils aussi équipé un normale distribution.
D'accord, Désolé pour ce.
Donc ils regardé à un normale quantile parcelle,
et ils aussi équipé un normale distribution suivi par un bonté de test d'ajustement.
Et là était rien critique depuis que analyse.
Explorant distributions, le problème devenu clair.
Donc regarder à données depuis différent jours, nous peut voir un énorme
lot par lot variation, même pour lots à venir depuis le même jour.
Et ce moyens que processus électronique surveillance est pas possible
parce que
le variabilité de ce CG méthode était élevé
et le méthode était aussi lent.
Donc il nécessaire un parcelle de temps
à moniteur le lots.
Et donc un équipe activité était
à travail ensemble avec le vendeurs et autres à réduire que variation.
Et un autre activité,
lequel est décrit dans le autre les pièces de le étude, enquêté un méthode plus rapide,
comme mentionné par Franc, en utilisant le nouveau UHPLC la mesure méthode.
Donc juste regarder un peu plus dans le vieux méthode, le CG méthode.
Donc le équipe regardé à un dimensionnel
contrôle graphiques et aussi processus aptitude pour les deux composés, de cours,
et ils aussi regardé à multivarié et modèle conduit
contrôle graphiques.
Et ici nous voir que là étaient quelques extrême points dans un multi dimensionnel
analyse, et ils pourrait aussi voir le contributions de le différent
composés ou réponses.
Ce est le conclusion de le d'abord enquête en utilisant le vieux méthode.
Donc ici le résultat était que
les deux processus regarder à le processus performance ici, que les deux processus,
donc composé UN et composé B, étaient incapable mais écurie.
Pour fournisseur UN
et pour fournisseur B,
nous voir que composé un était même instable suivant ces couleurs ici.
Donc tous de ce motivé le équipe à améliorer le la mesure processus.
Et ce apporte nous à partie deux de ces séries
et ce est à propos en cours d'analyse le la mesure système.
Donc ce données ici étaient collecté pour tous le des combinaisons, répété deux fois,
entre quatre lots et trois les opérateurs,
en utilisant le nouveau UHPLC la mesure méthode.
Donc le but ici était à mesure tous
lots de brut matériel en utilisant ce plus rapide méthode et peut être à permettre quelques
surveillance en ligne de le brut matériel dans le avenir.
Donc à obtenir commencé avec le nouveau données,
le équipe regardé à un deux chemin ANOVA, et ce peut idiot toi.
Ce sortir.
Donc sur les deux composés,
composé un et deux, le lot effet est très significatif.
Donc c'est bien nouvelles.
Et aussi le opérateur effet et le interaction entre lot et opérateur,
ces effets sont non- significatif, mais le RMSE est assez haut.
Donc que moyens que nous sont peut être regarder à données
et les effets que nous sont aussi intéressé dans sont justes caché par bruit.
Donc avant toi regarder à tel un analyse,
le d'abord question devrait être où est le variation dans notre données à venir depuis?
Et deuxième, sont nous mesure le signal?
Sont nous vraiment regarder à le signal ou sont nous juste mesure bruit?
Et à obtenir un idée à propos ce,
un parfait visualisation de le motifs de variation est un variabilité graphique.
Et pour ces deux sources de variation, lot et opérateur,
ici nous voir tous le données points pour tous les opérateurs et tous lots.
Donc nous avoir deux des mesures par lot par opérateur.
Et pour ces deux, nous voir le signifier.
Nous aussi voir le groupe signifier pour un opérateur et nous aussi voir le dans l'ensemble signifier.
C'est le pointé doubler ici pour tous notre des mesures.
Et nous peut regarder à ce pour les deux composés, de cours.
Donc ici, pour exemple, pour composé deux, nous voir que Laura a
variation assez élevée, à moins par rapport à le autre deux les opérateurs.
Donc c'est un visuel analyse.
La méthode d’analyse et la procédure à utiliser
à obtenir un mieux aperçu dans le la mesure le système performance
est un MSA ou la mesure systèmes analyse.
Et ce était aussi fait pour le non- optimisé U Méthode HPLC.
Donc ici, pour exemple,
pour le d'abord composé, nous voir ce moyenne graphique
et ce graphique montre le données ensemble avec le contrôle limites
ou avec le bruit groupe.
Et quoi nous voir ici est pas bien des nouvelles du tout,
parce que notre des mesures, notre données est dans ce bruit groupe,
donc il volonté être vraiment dur à détecter n'importe lequel signal avec que bruit niveau.
Un autre sortir est ce parallélisme parcelle.
Donc ici nous peut vérifier interactions entre lots et les opérateurs et ce serait
indiquer un interaction si quelques de ces lignes sont pas parallèle.
Et ce est le EMP méthode.
Donc ce des stands pour évaluer le processus de mesure
et toi probablement savoir ce comme Jauge Détente et détente sortir.
Et c'est quoi aussi Franc mentionné.
Donc ici nous voir le signal, c'est le produit variation,
mais nous aussi voir le la mesure variation
diviser dans répétabilité et reproductibilité.
Et ici pour le d'abord composé,
nous voir que nous sembler à avoir un problème avec répétabilité.
Donc le même opérateur faire le même la mesure encore.
Et pour le deuxième composant,
nous voir que il y a aussi un léger problème avec reproductibilité comme Bien.
Donc ces sont des mesures entre différent les opérateurs.
Donc le conclusion ici est que le système de mesure
ou le la mesure processus est incapable à détecter n'importe lequel qualité changement causé
par un significatif systématique variation entre notre lots.
Et avec que, je main dos à Franc.
D'accord, remercier toi, Volker.
je pense nous peut changement à suivant diapositives parce que c'est quoi nous discuté.
D'accord, c'est quoi toi montré, Volker, c'est aussi dans le diapositives.
D'accord, Oui ici nous peut commencer.
Et nous commencer avec d'abord de tous, dans le conception de expériences,
le optimisation étude, le processus amélioration étude.
Et d'abord o F tous,
dans commande à mieux spécifier notre expérimental objectifs, nous devrait d'abord de tous
aller à le racine cause analyse pour le haut la mesure erreur.
Le laboratoire équipe,
après un brainstorming avec l'équipe du labo,
il est venu dehors que étaient deux principal
racine provoque, un lien à le équipement et un lien à le méthode.
Et le un lien à le équipement était
le principal source pour pauvre répétabilité parce que il était un très fort problème
avec instable colonne température et éluant débit,
l'UHPLC utilise colonne, c'est un chromatographique technique,
et aussi un éluant faire la séparation,
à plomb le composés à le colonne et faire séparation possible.
Comme un matière de fait il était dérive entre
différent expériences et même dans un expérience.
Ce résultats de cours dans un pauvre répétabilité.
Et le d'abord tâche, de cours, de le équipe de laboratoire
était à stabiliser de cours le colonne température et éluant.
Parce que si toi aller à n'importe lequel conception expérimentale,
de cours, nous besoin à avoir fixé paramètres de le température
et éluant les débits, lequel sont de cours deux important facteurs.
Pour le deuxième problème,
le méthode parce que, en plus le la stabilité problème,
lequel de cours était fixé, là était aussi un problème avec
basse résolution parce que de non- optimisé analyse processus paramètres lequel étaient assez
faible et aussi instable, signification que quand nous faire petit changements à débit
et température, là étaient parfois énorme changements
aussi en résolution, indiquant que là était aussi pas seulement
optimal problème mais aussi un problème avec robustesse.
Donc le but était spécifier pas seulement optimal paramètres mais aussi robuste paramètres.
Donc le variation de le résolution devrait
être minimal comme un fonction de quelques variation autour le paramètres
du processus, de la pratique, de le analyse.
Allons juste maintenant aller à le BICHE.
Et l'objectif, bien entendu, du DOE est que
nous spécifier le réponse variable est Oui, le composé concentration
dans le standard des échantillons, et nous avoir à faire des modèles de ce Y,
le composé concentration est un fonction de le UHPLC contrôle facteurs.
Et une fois nous avoir le équations,
nous peut alors de cours aller à optimisation, et quoi est le optimisation critère?
Nous volonté utiliser le qualité P. sur T rapport critère.
Que moyens que,
que notre,
fraction de le erreur
dans le tolérance gamme devrait être inférieur que 10 pourcent.
Si toi avoir le tolérance gammes de notre composés lequel sont spécifié,
composé un
dans le standard échantillon était un 300 milligrammes par litre
plus ou moins 200 milligrammes par litre,
alors nous avoir à faire bien sûr que et aussi le, Désolé, le standard échantillon, deux,
deux normes des échantillons, le cible de composé deux et le standard
échantillon deux est 450 plus ou moins 150 ppm spécification limites.
Et de cours si toi vouloir à atteindre 10 pourcent
de ce spécification gammes, que moyens que d'accord, nous avoir à
donné notre désirabilité fonction pour optimisation, est que d'accord?
Pourquoi devrait correspondre cible composé concentration inférieur que 10 pourcent?
Signification que pour standard échantillon un là
devrait être 300 plus ou moins 20 ppm, 20 milligrammes par litre .
Et pour standard échantillon deux le composé la concentration doit être
450 plus ou moins 15 milligrammes par litre
c'est le critère pour optimisation.
Donc comme pour notre modèle obtenir ensemble avec laboratoire experts.
Le facteurs sont le principal effets, le principal effets et tous quadratique effets.
Et le principal effets sont le température de le colonne,
avec le gamme 25 à 35 degrés Celsius, éluant couler taux,
cinq à 15 milligrammes par millilitre, et aussi un dégradé.
Quoi est un dégradé ?
Bien que moyens que là est un additif, Acétronitrile, dans le éluant et ce
concentration de ce Acétonitrile augmente à mesure que un fonction de le volume,
ajoutée comme un fonction de couler, le volume, à travers le colonne.
Que moyens
depuis volume zéro et un millilitre c'est un gamme entre cinq et vingt pour cent.
Et une fois le volume est cinq à six millilitres,
nous avons un gamme de 35 à 70 pour cent de Acétonitrile dans l'éluant.
Aussi un important facteur est le UV longueur d'onde .
Le détecteur est par UV et il devrait être contrôlé entre 192 et 270.
Et réflexion avec le laboratoire experts, OMS a fait déjà assez quelques préliminaire
expériences et avait quelques expérience avec le UHPLC,
comme un matière de fait, seulement deux interaction effets étaient choisi.
C'est le température et éluant débit et aussi
le éluant débit interagir avec tous pente facteurs spécifié au-dessus de.
Donc ce moyens que le conception choisi
à rencontrer le objectifs et à modèle, et à spécifier le modèle paramètres.
Il était le coutume conception, et Volker volonté illustrer quoi conception était à propos de.
D'accord.
Remercier toi Franc.
Donc parler à propos le troisième partie de ce cas étude série lequel est à propos conception
expérience et quoi nous appris donc loin est que nous avoir à réduire le la mesure
variation lequel est causé par ce non optimisé UHPLC méthode.
Et ce méthode peut être décrit, comme Franc pointu dehors, par ces contrôle paramètres
ou processus paramètres, comme température et donc sur.
Donc nous aussi vouloir notre réponses rester dans leur limites.
Donc ce suit le règle des 10 pour cent comme donné par Franck,
et ces limites sont aussi ajoutée à notre données.
Donc à conception tel un expérience le équipe regardé à un définitive dépistage conception.
Donc ce un ici, et aussi ajoutée coutume conception et les deux avec 25 Les manches.
Donc comparant les deux des dessins, ils utiliser le comparer conception plate-forme,
et toi peut voir plusieurs les raisons lequel sont dans service de le coutume conception.
Donc ici, pour exemple, pour principal effets nous voir légèrement mieux pouvoir pour le DSD.
Mais pour le autre plus haut commande effets nous voir
vraiment un haut avantage pour le coutume conception.
Même ici, regarder à le fraction de le conception
espace nous voir que le coutume conception est faire mieux.
Toi pourrait aussi regarder à le des cartes de corrélation,
et enfin, le efficacité est aussi dans service de le coutume conception.
Et pour que raison le équipe utilisé le coutume conception,
un coutume conception pour ceux études.
Donc ici nous avoir le complété données
pour le coutume conception, complété avec les deux réponse des mesures.
Et pour ce nous aussi avoir
le correspondant linéaire modèle.
Donc ici pour le d'abord réponse,
composé un, et pour composé deux, les deux avec leur profileurs de cours.
Et voici un profileur combiné
avec les deux réponses à le initial, juste le milieu paramètres.
Et par maximiser le désirabilité,
donc je serait obtenir à le optimale paramètres et nous voir que nous sont correspondant à
les deux cibles ici, 300 et 450 respectif, nous sont correspondant à eux à la perfection.
Cependant, nous aussi voir assez grand sensibilité indicateurs.
Ces sont le violet Triangles, et ils sont récit nous que à le optimale indiquer,
notre réponse surface est assez raide dans quelques dimensions
et ce réduit le robustesse de notre processus
en cas de quelques aléatoire variation de notre processus paramètres.
Et ce peut être plus loin analysé par ajouter
le simulateur à ce profileur et que est fait ici.
Donc ici le simulateur
définit le aléatoire variation lequel était défini par notre processus experts.
Et juste en gardant le milieu paramètres, plus ce aléatoire variation, simulation
10 000 de réponse valeurs nous voir que tous de notre réponse valeurs sont dehors de spécification.
Ces sont tous défauts. De cours, nous sont juste à le milieu paramètres ,
donc rien de mieux à attendre ici.
Commutation à nos réglages optimaux et simulation encore.
Donc maintenant nous voir que le défaut taux à être attendu est au-dessus de 12 pour cent.
Donc depuis ici le robustesse peut être encore amélioré,
soit manuellement, en utilisant le profileur et le simulateur
et le sensibilité indicateurs, ou automatiquement par en cours d'exécution
une expérience de simulation lequel est aussi construit dans ceux profils.
Donc le équipe utilisé un manuel approche
et ces sont le robuste paramètres.
Ils est venu en haut avec ces rouge paramètres ici.
Et si je simuler encore, §nous voir que le défaut taux
maintenant gouttes ci-dessous un pourcent.
Donc ce est un Monté Carlo simulation, c'est tous aléatoire donc le défaut taux changements
légèrement avec chaque nouveau simulation, et toi peut aussi voir comment le histogrammes
de notre simulé réponse données se comporter assez Bien.
Donc ils sont dans notre gamme, dans notre limites
lequel soutien ce 10 pourcent règle.
Et, à ces
robuste paramètres.
Donc en allant dos à le autre profileur.
Donc ici je aussi avoir
quelques contour parcelles en utilisant le contour profileur, et ils peut aussi être utilisé
à mieux comprendre le meilleur Régions pour le traitement et pour configuration
le processus et ces sont typiquement le blanc Régions lequel fournir
le en spécifications Régions pour un combinaison de deux contrôle facteurs.
Et je espoir toi comme ce voyage,
et avec ce je main sur dos à Franc à discuter ce résultat.
D'accord, remercier toi, Volker.
Donc,
maintenant nous peut aller à le validation expérience,
de cours, une fois nous optimiser le paramètres
maintenant nous peut faire un expérience à vérifier si vraiment le des mesures de le nouveau
UHPLC système et le CG analyse sont équivalent.
Donc pour ce, encore, nous ensemble en haut une jauge R&R étude,
mesurant également un
lequel est assez similaire à le un
discuté avant mais aussi maintenant nous faire des mesures avec le CG dans commande
à comparer le deux des mesures méthodes. Toi voir ici aussi inclus comme un supplémentaire
facteur dans la jauge R&R est le instrument facteur.
D'accord.
Donc ici sont le résultats et toi peut voir
vraiment que nous faire assez un amélioration que toi voir dans le Évaluez les résultats de R&R.
Que le principal variation c'est maintenant le produit variation.
Toi voir que maintenant le lot variation est Non plus obscurci par bruit la mesure erreur.
Le gris zone est assez étroit par rapport à le ceux
nous avait avant, et c'est un très bien nouvelles.
Toi voir c'est principalement produit variation.
Donc le Jauge R&R et rapport est assez, allumettes notre cible.
Signification que précision tolérance rapport ici est à propos huit pour cent.
Et le rapport précision/tolérance est six fois le Jauge R&R chiffre
divisé par le tolérance de le composé , 400, soit huit pour cent.
Donc le précision est d'accord.
Donc que ce la mesure système est approprié
à être utilisé dans qualité contrôle pour composé un.
Bon.
Composé un. D'accord.
Toi voir sur le parallèle parcelle juste un petit traversée,
toi voir que pour Sarah, indiquant un petit
peut être interaction entre le lots et les opérateurs.
D'accord, pour composé deux, nous avoir à voir le même chose même mieux.
Donc seulement 5 pour cent de Jauge repos,
le précision tolérance rapport, 5 pour cent,
même chose, très étroit bruit gamme et Non majeur traversée de le lignes.
Assez parallèle, indiquant Non opérateur biais, Non interactions.
Modéliser le composé un analyse, nous voir que c'est principalement
influencé par lot, et aussi petit lot à opérateur interaction effet.
Composé un et pour composé deux.
D'accord, maintenant nous peut voir ce très petit
fait d'interaction parce que nous avoir réduit le la mesure bruit donc beaucoup
maintenant, que très petit faits, de cours maintenant devenir visible.
Dans le d'abord temps nous pourrait pas voir il, nous pourrait pas détecter il.
Mais que est parce que de un très pauvre expérimental pouvoir.
Mais maintenant nous augmenter
le expérimental pouvoir
sérieusement par juste réduire le expérimental bruit,
de cours, maintenant ce interaction dans fait devient visible.
Mais le petit un, toi peut voir que aussi
pour le lien à Sarah, le vert doubler de Sarah,
mais ici aussi était un petit problème dans le CG
analyse comme Bien, pas seulement pour le UHPLC, mais aussi pour le CG analyse.
D'accord, c'est un problème à être abordé pour faux.
Mais maintenant c'est ici.
Ceux deux graphiques illustrer assez clairement
que les deux la mesure systèmes sont presque équivalent, les résultats UHPLC
contre le CG résultats.
Nous voir que il y a presque un parfait,
très bien corrélation avec tous points sur le milieu doubler.
Donc le pente est presque un.
C'est pas significativement différent depuis un.
Et aussi là est un intercepter avec le oui axe,
est pas significativement différent depuis zéro.
Donc le méthode était prêt pour validation, UHPLC est précis et le
non significatif différence, lequel toi voir, standard analyse , donc très bon résultats.
Et nous pourrait dire que le problème avec s'attaquer le problème avec MSA et DOE
était très puissant, menant à un bien, très bon solution à notre problème
lequel pourrait être mis en œuvre, de cours, maintenant dans production.
Merci pour ton attention et si là avez-vous des questions,
s'il te plaît laisser nous savoir.
