Willkommen Zu Die rede E erklärbar KI: Auspacken Die Schwarz Kasten.
Lasst uns einführen uns selbst Und Lasst uns Start mit Laura.
Hallo, Ich bin Laura Lancaster, Und Ich bin als statistischer Entwickler In JMP
Und Ich bin gelegen In Die tragen Büro.
Danke.
Was um Du, Russ?
Hallo alle miteinander.Russ Wolfinger.
Ich bin der Direktor von Leben Wissenschaften Forschung und Entwicklung In Die JMP Gruppe
Und Eine Forschung Gefährte als Also.
Schauen nach vorne Zu Die sprechen Heute.
Und Pete?
Mein Namen Peter Hersch.
Ich bin Teil von Die Global Technisch Aktivierung T eam
Und Ich bin gelegen In Denver, Colorado.
Großartig Und Mein Name Ist Florian Vogt.
Ich bin Systeme Ingenieur für Die Chemisch Team In Europa
Und Ich bin gelegen In Schön Heidelberg, Deutschland.
Willkommen Zu Die sprechen.
KI Ist A heiß Thema bei Die Moment Und A viel von Menschen wollen Zu Tun Es.
Aber Was tut Das bedeuten für Die Branchen?
Tut Es bedeuten Das Wissenschaftler Und Ingenieure brauchen Zu werden Programmierer,
für Prozesse In Die Zukunft laufen von Daten Wissenschaftler?
A jüngste Veröffentlichung angerufen Industriell Daten Wissenschaft - A Rezension
von Maschine Lernen Anwendungen für Chemisch Und Verfahren Branchen
erklärt industriell Daten Wissenschaft Grundlagen,
Bewertungen industriell Anwendungen verwenden
Zustand von Die Kunst Maschine Lernen Techniken
Und Es Punkte aus manche wichtig Aspekte von industriell KI.
Diese Sind Die Barrierefreiheit von KI, Die Verständlichkeit von KI
Und Die Verzehrbarkeit von KI, Und In besondere Die Ausgabe.
Also zeigen Du manche von Die Merkmale Das Wir denken
Sind beitragen Zu Das Thema sehr Also In JMP.
Vor Wir Start hinein Die Programm von Heute, Lasst uns knapp Rezension
Was KI umfasst Und Was unser Fokus Heute Ist gelegen An.
Ich habe gepflückt A Quelle Das Genau genommen trennt Es hinein vier Gruppen.
Diese Gruppen Sind: Erste, unterstützend KI Auch angerufen Reaktiv Maschinen
Und Das Ziele bei Entscheidung Unterstützung.
Der zweite Gruppe Ist angerufen Erweiterung KI
oder Begrenzt Theorie Und Das konzentriert sich An Verfahren Optimierung
Und Die dritte Gruppe Ist Automatisierung KI,
oder Theorie von Geist, welche, als Die Name schlägt vor, Ziele An Automatisierung,
Und Die vierte Ist angerufen autonom KI
oder selbst bewusst KI, welche umfasst autonom Optimierungen.
Heute Fokus Ist Wirklich An Die Erste Und Die zweite Thema.
Wir hatte A knapp Diskussion Vor.
Russ, Was Sind dein Gedanken An diese Auch mit respektieren Zu Was JMP dürfen Abdeckung?
Also, sicherlich Die Begriff KI bekommt geworfen um A viel.
Es ist gebraucht In viele Art von anders nuanciert Treffen.
ICH neigen Zu bevorzugen Treffen Das Sind
definitiv mehr greifbar Und verwendbar Und mehr konzentriert.
Wie war gehen Zu Zoomen In An Heute mit manche Spezifisch Beispiele.
Der Terminologie dürfen erhalten A wenig verwirrend obwohl.
ICH erraten ICH Nur neigen Zu Art von halten Es ziemlich breit, offen Geist
wann immer irgendjemand Verwendet Die Begriff KI Und versuchen Zu schließen es ist Bedeutung aus Die Kontext.
Rechts. Das ist in Bedingungen von Einführung,
Jetzt Also erhalten A wenig bisschen mehr hinein Die Einzelheiten Und speziell hinein
Warum Es Ist wichtig Zu Genau genommen verstehen dein KI Modelle.
Über Zu Du, Pete.
Perfekt. Danke, Florian.
ICH denken Was Russ War schlagen An Dort Und Florians Einführung Ist,
Wir oft nicht wissen Was ein KI Modell Ist erzählen uns Und was ist unter Die Haube.
Wann war Denken um Wie Also A Modell führt durch,
Wir denken um Wie Also Das passt Die Daten.
Wenn Wir sehen Hier, war suchen bei A neuronal Netzwerk Diagramm
Und als Du dürfen sehen, diese dürfen erhalten hübsch Komplex.
Diese KI Modelle Sind Werden mehr Und mehr weit verbreitet
Und verlassen auf für Entscheidung Herstellung.
Wirklich, Verständnis Warum ein KI Modell Ist Herstellung A bestimmt Entscheidung,
Was Kriterien es ist basierend Das Entscheidung darüber,
ist zwingend erforderlich Zu nehmen voll Vorteil von diese Modelle.
Wann A Modell Änderungen oder Aktualisierung,
besonders mit Das autonom KI oder Die automatisieren KI,
Wir brauchen Zu verstehen Warum.
Wir brauchen Zu bestätigen Das Das Modell Ist Vielleicht nicht
extrapolieren oder basierend Es An A wenige Punkte draußen von unser normal Betriebs Reichweite.
Halten An.
Lassen Mich stehlen Die Bildschirm Hier aus Florian,
Und Ich bin gehen Zu gehen voraus Und gehen durch A Fall Studie Hier.
Alle Rechts, Also Das Fall Studie
Ist basierend An gerichtet Bohren aus Brunnen nahe Fort Wert, Texas.
Der Idee mit Das Typ von Bohren Ist
nicht wie konventionell Brunnen, Wo Du würde Nur gehen vertikal,
Du gehen runter A bestimmt Tiefe, Und Dann Du Start gehen horizontal.
Der Idee Ist diese Sind viel mehr effizient als Die traditionell Brunnen.
Du haben diese Bereiche von gefangen Öl Und Gas Das Du dürfen
erhalten bei mit manche besonders Fertigstellung Parameter.
War suchen bei Die Daten Hier aus diese Brunnen,
Und war versuchen Zu Figur aus Was Sind Die am meisten wichtig Faktoren,
einschließlich Die Geologie, Die Standort, Und Die Fertigstellung Faktoren,
Und dürfen Wir optimieren diese Faktoren Zu Zunahme oder optimieren unser Also Produktion?
Zu geben Du ein Idee, hier ist A Karte von Das Becken,
Also wie ICH erwähnt, Das Ist Fort Wert, Texas.
Du dürfen sehen Wir haben Brunnen alle um Das.
Wir haben bestimmt Bereiche Wo unser jährlich Produktion Ist höher,
Andere Wo es ist untere.
Wir gesucht Zu fragen A wenige Fragen suchen bei Das Daten.
Was Faktoren haben Die größte beeinflussen An Produktion?
Wenn Wir wissen bestimmt Ebenen für A neu Also,
dürfen Wir vorhersagen Was unser Produktion Wille Sei?
Ist Dort A Weg Zu ändern unser Faktoren, Vielleicht manche von Die Fertigstellung Parameter
Und Auswirkungen unser Produktion?
War gehen Zu gehen voraus Und Antwort manche Fragen mit A Modell.
Aber Vor Wir erhalten hinein Das, ICH gesucht Zu fragen Russ,
seit er ist bekommen viele von Erfahrung mit Das.
Wann du bist beginnend Zu graben hinein Daten, Russ,
was ist Die am besten Ort Zu Start Und Warum?
Also, ICH erraten Vielleicht Ich bin voreingenommen, Aber ICH Liebe JMP
für Das Typ von Anwendung, Pete,
Nur Weil es ist Also Also geeignet für schnell explorativ Daten Analyse.
Du wollen Zu erhalten A fühlen für Was Ziel du bist versuchen Zu vorhersagen
Und Die Prädiktoren du bist um Zu verwenden, suchen bei ihre Verteilungen,
Überprüfung für Ausreißer oder beliebig ungewöhnlich Muster In Die Daten.
Du Mai sogar wollen Zu Tun manche schnell Muster Entdeckung Clusterbildung
oder PCA Typ Analyse Nur Zu erhalten A fühlen für beliebig Struktur das ist In Die Daten.
Dann Auch Sei Denken sorgfältig um
Was Leistung metrisch würde machen Die am meisten Sinn für Die Anwendung bei Hand.
Typischerweise Die gemeinsam eins, offensichtlich für kontinuierlich Prädiktoren wäre
wie Wurzel bedeutet Quadrat Fehler, Aber Dort könnte Sei Fälle Wo
Vielleicht ist das so nicht ganz geeignet, besonders Wenn Es gibt
Direkte kosten beteiligt, Manchmal absolut Fehler ist mehr relevant
für A WAHR profitieren- Verlust Typ Entscheidung.
Diese Sind alle Dinge Das Du wollen Zu Start Denken um
als Also als Wie du bist gehen Zu bestätigen dein Modell.
Ich bin A groß Lüfter von k-fache Kreuzvalidierung.
Wo Du Teilt dein Daten hinein unterscheidbar Teilmengen Und halten eins aus
Und Sein sehr vorsichtig um nicht erlauben Leckage oder Auch vorsichtig um Überanpassung.
Diese Sind alle Anliegen Das neigen
Zu kommen Spitze von Geist für Mich Wann ICH Start aus mit A neu Problem.
Perfekt. Danke, Russ .
Ich bin gehen Zu gehen durch Das In JMP
manche von Die Werkzeuge Wir dürfen verwenden Zu Start suchen bei unser Problem.
Dann war gehen Zu Abdeckung manche von Die Dinge Das helfen uns bestimmen
welche von diese Faktoren Sind haben Die größte Auswirkungen An Also Produktion.
Ich bin gehen Zu zeigen Variable Bedeutung Und Dann Shapley Werte
Und Also haben Laura sprechen Zu Das Und Wie Wir Tun Das.
Aber zuerst, Lasst uns gehen voraus Und sehen bei Das Daten innen A JMP.
Wie Wir erwähnt Hier, ICH haben Mein Produktion aus diese Brunnen.
ICH haben manche Standort Parameter Also Wo Es Ist Breite Und Längengrad,
ICH haben manche geologisch Parameter.
Das Ist um Die Felsen Formation war Bohren durch.
Dann ICH haben manche Fertigstellung Parameter
Und Das Ist Faktoren Das Wir dürfen ändern während war Bohren als Also,
manche von diese wir können haben beeinflussen An.
Wenn Wir gesucht Zu gehen durch Und Das Datensatz nur hat 5.000 Reihen.
Wann reden Zu Russ In beginnend Zu Vorbereitung Das sprechen, Er sagte Nur gehen voraus
Und laufen manche Modell Screening Und sehen Was Typ von Modell passt Das Daten am besten.
Zu Tun Das, war gehen Zu gehen voraus Und gehen unter Die Analysieren Speisekarte,
gehen Zu Vorausschauend Modell Und Schlag Modell Vorführung.
Ich bin gehen Zu setzen Mein Antwort, welche Ist Das Produktion,
nehmen alle von unser Faktoren, Standort, Geologie Und Fertigstellung Parameter,
setzen diese hinein Die X Und greifen Mein Validierung Und setzen Es hinein Validierung.
Runter Hier Wir haben alle sortiert von anders Optionen An Typen von Modelle Wir dürfen laufen.
Wir dürfen wählen Und wählen welche Einsen Vielleicht machen Sinn
oder nicht machen Sinn für Das Typ von Daten.
Wir dürfen wählen aus manche anders Modellieren Optionen für unser linear Modelle.
Sogar, wie Russ erwähnt Hier, Wenn Wir nicht haben genug Daten
Zu halten zurück Und Tun unser Validierung.
Das Weg Wir dürfen nutzen A k-fache Kreuzvalidierung hier.
Jetzt Zu speichern manche Zeit, Ich habe gegangen voraus Und laufen Das bereits Also Du nicht haben
Zu betrachten JMP erstellen alle diese Modelle.
Hier ist Die Ergebnisse.
Für Das Daten, Du dürfen sehen
Das diese Baum basierend Methoden: Gesteigert Baum, Bootstrap f orest Und XGB oost
alle tat sehr Also bei passend zu Die Daten, verglichen Zu manche von Die andere Techniken.
Wir könnte gehen durch Und laufen mehrere von diese,
Aber für Das eins, Ich bin gehen Zu Nur wählen
Die Gesteigert Baum seit Es hatte Die am besten RS quadrat Und Wurzel Durchschnitt Quadrat Fehler
für Das Datensatz.
Also gehen voraus Und laufen Das.
Nach wir haben laufen Die Screening, war gehen Zu gehen voraus Und wählen A Modell
oder A Paar von Modelle Das fit Also Und Nur laufen ihnen.
Al Rechts, Also hier ist Die gesamt fit In Das Fall.
Abhängig An Was Typ von Daten du bist suchen bei,
Vielleicht ein RS quadrat von .5 Ist Großartig, Vielleicht ein R Quadrat von .5 Ist nicht Also Großartig.
Nur abhängig An Was Typ von Daten Du haben,
Du dürfen Richter Wenn Das Ist A Gut genug Modell oder nicht.
Jetzt Das ICH haben Das, ICH wollen Zu Antwort Das Erste Frage.
Wissen A wenige Parameter gehen In,
Was dürfen ICH erwarten Mein Produktion Ebene Zu Sei?
Ein einfach Weg Zu Tun Das innen A JMP mit beliebig Typ Modell Ist mit Das Profiler.
Okay, Also Wir haben Die Profiler Hier,
Wir haben alle von Die Faktoren Das war inbegriffen In Die Modell,
Und Wir haben Was unser erwartet 12 Monat Produktion Zu Sei.
Hier ICH dürfen anpassen Wenn ICH wissen Mein bestimmt Standort.
ICH wissen Die Breite Und Längengrad reingehen
Vielleicht ICH wissen manche von diese geologisch Parameter.
ICH dürfen Vielleicht anpassen mehrere von diese Faktoren
Und Figur aus von Die Fertigstellung Parameter
Und Figur aus A Weg Zu optimieren Das.
Aber ICH denken Hier mit A viel von Faktoren, Das dürfen Sei Komplex.
Lasst uns sprechen um Die zweite Frage,
Wo Wir war frage mich welche eins von diese Faktoren War haben Die größte beeinflussen.
Du dürfen sehen basierend An welche von diese Linien Sind schmeicheln
oder haben mehr Form Zu ihnen, Was Ist Die größte beeinflussen.
Aber Lasst uns JMP Tun Das für uns.
Unter Bewerten Variable Bedeutung,
Ich bin gehen Zu Nur lassen JMP gehen durch
Und wählen Die Faktoren Das Sind am meisten wichtig.
Hier Du dürfen sehen es ist skizziert Die am meisten wichtig
runter Zu Einsen Das Sind weniger wichtig.
ICH wie Das Besonderheit einfärben Die Profiler.
Jetzt es ist hervorgehoben Die am meisten wichtig Faktoren
Und gegangen runter Zu Die am wenigsten wichtig Faktoren.
Wieder, ICH dürfen anpassen diese Und sehen, Oh, Es sieht aus wie
Vielleicht anpassen Die Tiefe von Die Also,
hinzufügen manche mehr [unverständlich 00:15:51], Es könnte verbessern Mein Produktion.
Das Ist Die Weg Wir könnte Tun Das Aber Wir haben A neu Weg von suchen
bei Die Auswirkungen von jede eins von diese Faktoren An A bestimmt Also.
Wir dürfen Start Das unter Die Rot Dreieck In JMP 17 Und Shapley Werte.
ICH dürfen Satz Mein Optionen oder speichern aus Die Shapley Werte.
Einmal ICH Tun Das, Es Wille erstellen neu Säulen In Mein Daten Tisch
Das speichern aus Die Beiträge aus jede eins von diese Faktoren.
Das Ist Wo Ich bin gehen Zu lassen Laura sprechen Zu manche Shapley Werte.
ICH Nur gesucht gehen Zu sprechen knapp um Was Shapley Werte Sind
Und Wie Wir verwenden ihnen.
Shapley Werte Sind A Modell agnostisch Methode für erklären Modell Vorhersagen
Und Sie Sind Wirklich hilfreich für Schwarz Kasten Modelle
Das Sind Wirklich hart Zu interpretieren oder erklären.
Der Methode kommt aus Kooperative Spiel Theorie
Und ICH nicht haben Zeit Zu sprechen um Die Hintergrund
oder Die Mathematik hinter Die Berechnungen, Aber Wir haben A Referenz
bei Die unten von Die gleiten Und Wenn Du Google Es, Du sollen Sei fähig Zu finden
A viel von Verweise Zu lernen mehr Wenn du bist interessiert.
Was diese Shapley Werte Tun,
Sie erzählen Du Wie viel jede Eingang Variable
Ist beitragen Zu ein Individuell Vorhersage für A Modell.
Das ist weg aus Die Durchschnitt vorhergesagt Wert
über Die Eingang Datensatz
Und dein Eingang Datensatz Ist gehen Zu kommen aus dein Trainingsdaten.
Shapley-Werte Sind Zusatzstoff,
welche macht ihnen Wirklich Hübsch Und einfach Zu interpretieren Und verstehen.
Jeden Vorhersage dürfen Sei geschrieben als A Summe von dein Shapley-Werte
Plus Das Durchschnitt vorhergesagt Wert,
welche Wir verweisen Zu als Die Shapley abfangen In JMP.
Sie dürfen Sei rechnerisch intensiv
Zu berechnen Wenn Du haben A viel von Eingabewerte, Eingabevariablen in dein Modell
oder Wenn du bist versuchen Zu erstellen Shapley-Werte für A viel von Vorhersagen.
Wir versuchen Zu geben manche Optionen für Portion Zu reduzieren Zeit im JMP .
Diese Shapley Werte, als Peter erwähnt,
war hinzugefügt Zu Die Vorhersage Profiler für ganz A wenige von Die Modelle In JMP Pro17
Und Sie sind Auch verfügbar In Die Graph Profiler.
Sie sind verfügbar für Passt am wenigsten S Quadrate Nominal Logistics, O ordinal Logistik,
Neuronale, Gen Reg, P artition, Bootstrap Wald Und Gesteigert Baum.
Sie sind Auch verfügbar Wenn Du haben Die XB oost Hinzufügen -In.
Außer In Das Add-I N, Sie sind verfügbar aus Die Modell Speisekarte
Und nicht aus Die Vorhersage Profiler.
Okay, nächste gleiten.
In Das gleiten ICH wollen Zu Nur sehen bei manche von Die Vorhersagen aus Peters Modell.
Das Ist aus A Modell verwenden fünf Eingang Variablen.
Diese Sind Stapel Bar Diagramme von Die Erste drei Vorhersagen
Kommen aus Die Erste drei Reihen von sein Daten.
An Die links Du sehen A Stapel Balkendiagramm von Die Shapley Werte für Die Erste Reihe.
Das Erste Vorhersage Ist 11.184 Produktion Fässer
in Hunderttausenden.
Jede Farbe In Das Bar Graph Ist geteilt aus von Die anders Eingang Variablen.
Innen Die Riegel Sind Die Shapley-Werte.
Wenn Du hinzufügen hoch alle von diese Werte, Plus Die Shapley abfangen
Das ICH haben In Die Mitte von Die Graph, Du erhalten Das Vorhersage Wert.
Das Ist zeigen Du Das Erste von alle, alle von diese Sind Herstellung
positiv Beiträge Zu Die Produktion Und Sie zeigen Du Wie viel, also die Größe,
ICH dürfen sehen Das Längengrad Und Stützmittel
Sind beitragen Die am meisten für Das besondere Vorhersage.
Dann Wenn ICH sehen Zu Die Rechts Seite Zu Die dritte Vorhersage,
welche Ist 2.916 Produktion Fässer Und Hunderte von Tausende,
ICH dürfen sehen Das zwei von Mein Eingang Variablen
Sind beitragen positiv Zu Mein Produktion
Und drei von ihnen Sind haben Negativ Beiträge,
Die unten drei Hier.
Du dürfen verwenden Grafiken wie Das Zu helfen visualisieren dein Shapley-Werte .
Das hilft Du Wirklich verstehen
diese Individuell Vorhersagen.
Nächste gleiten.
Das Ist Nur eins von viele Typen von Grafiken
Du dürfen erstellen.
Der Shapley Werte erhalten Gerettet hinein dein Daten Tisch.
Du dürfen manipulieren ihnen
Und erstellen alle Arten von Grafiken In Graph Baumeister Und JMP.
Das Graph Ist Nur A Graph von alle Die Shapley Werte
aus über 5.000 Reihen von Die Daten Teilt aus von jede Eingang Variable.
Es gerade gibt Du ein Idee von Die Beiträge von diese Variablen,
beide positiv Und negativ Zu Die Vorhersagen.
Jetzt Ich bin gehen Zu Hand Es zurück über Zu Peter.
Großartig.Danke, Laura.
ICH denken Jetzt Also gehen voraus Und Übergang Zu unser zweite Fall Studie
Das Florian Ist gehen Zu Tun.
Sollen ICH passieren Die Bildschirm Aktie zurück Zu Du?
Ja, Das würde Sei Großartig.
Machen Sie den Übergang.
Danke für Das Erste Fall Studie Und Danke für Die Beiträge.
Wirklich interessant.
Ich hoffe Wir dürfen bringen manche Licht auf zu A anders Art von Anwendung
mit unser zweite Fall Studie.
ICH haben gegeben Es Die Untertitel, War Es Drehmoment?
Weil das ist A Frage Also haben hoffentlich antwortete
von Die Ende von Die zweite Fall Studie Präsentation.
Das zweite Fall Studie Ist um prädiktiv Wartung
Und Die besondere Aspekte von Warum Es Ist wichtig Zu verstehen
dein Modelle In Das Szenario.
Am meisten wahrscheinlich alle dürfen denken Das es ist sehr wichtig
Zu haben A Sinn für Wann Maschinen erfordern Wartung.
Weil Wenn Maschinen scheitern, dann ist das so A viel von Problem,
A viel von Kosten, Wann Pflanzen haben Zu schließen runter Und Also An.
Es ist Wirklich notwendig Zu Tun präventiv Wartung
Zu halten Systeme läuft.
A wesentlich Aufgabe In Das Ist Zu bestimmen
Wann Die Wartung sollen Sei durchgeführt
Und nicht zu früh, nicht zu spät, sicherlich.
Daher, es ist A Aufgabe Zu finden A Gleichgewicht
welche Grenzen Misserfolge Und Auch spart Kosten An Wartung.
Es gibt A Fall Studie Das war verwenden Zu Markieren manche Funktionen Merkmale
Und es ist Genau genommen A Synthetik Daten Satz
welche kommt aus A veröffentlicht Studie.
Der Quelle ist runter Dort bei Die unten.
Du dürfen finden Es.
Es War veröffentlicht In Die KI für Industrie Ereignis In 2020.
Der Basic Inhalt von Das Datensatz
Ist Das Es hat sechs anders Merkmale von Verfahren Einstellungen,
welche Sind Produkt oder Produkttyp
welche bezeichnet für anders Qualität Varianten.
Dann Wir haben Luft Temperatur,
Verfahren Temperatur, rotierend Geschwindigkeit, Drehmoment, Und Werkzeugverschleiß.
Wir haben eins hauptsächlich Antwort Und Das Ist ob Die Maschine scheitert oder nicht.
Wann Wir denken von Fragen
Das Wir könnte Antwort mit A Modell oder Modelle oder allgemein Daten.
Es gibt mehrere Das kommen Zu Geist.
Jetzt, Die am meisten offensichtlich Frage
Ist wahrscheinlich Wie Wir dürfen erklären Und interpretieren Einstellungen,
welche wahrscheinlich führen Zu Maschine Versagen.
Das Ist etwas das [unverständlich 00:24:38]
Zu erstellen Und vergleichen mehrere Modelle
Und Dann wählen Die eins das ist am meisten geeignet.
Jetzt, In Das besondere Einstellung Wo Wir wollen Zu vorhersagen
ob ein Gerät scheitert oder nicht.
Wir Auch haben Zu Konto für Fehlklassifizierungen
Das Ist entweder A FALSCH positiv oder A FALSCH Negativ Vorhersage.
Mit JMPs Entscheidung Schwelle Grafiken
Und Die profitieren Matrix, Wir dürfen Genau genommen angeben ein Schwerpunkt
oder Bedeutung Zu welche Ergebnis Ist weniger wünschenswert.
Für Beispiel,
Es Ist typischerweise weniger wünschenswert Zu Genau genommen haben A Versagen
Wann Die Modell nicht vorhersagen eins
verglichen Zu Die Gegenteil, Fehlklassifizierung.
Dann außerdem Die binär Einstufung, von Kurs,
du würdest Sei Auch interessiert In Verständnis Was fährt Versagen typischerweise.
Dort Sind sicherlich mehrere Wege Zu handeln mit Das Frage.
ICH denken Visualisierung Ist stets A Teil von Es.
Aber Wann war verwenden Modelle Wir dürfen halten,
für Beispiel, Das selbst erklären Modelle
wie Entscheidung Bäume oder Wir dürfen verwenden gebaut- In Funktionalität
wie Die Vorhersage Profiler Und Die Variable Bedeutung Besonderheit.
Der zuletzt Punkt Hier
Wann Wir untersuchen und bewerten welche Faktoren Sind am meisten wichtig
für Die prädiktiv Ergebnis,
Wir annehmen Das Dort Ist ein zugrundeliegend Verhalten.
Der am meisten wichtig Faktor Ist XYZ,
Aber Wir Tun nicht wissen welche Faktor Genau genommen
hat beigetragen Zu Was Ausmaß Zu ein Individuell Vorhersage.
A gewinnen, Shapley Werte Sind A sehr hilfreich
Zusatz Das dürfen erlauben uns Zu verstehen Die Beitrag
für jede von Die Faktoren In Individuell Vorhersage.
Auf einen allgemein Ebene,
Jetzt, Lasst uns nehmen A sehen hinein drei Spezifisch Fragen
Und Wie Wir dürfen Antwort diese mit Die Software.
Der Erste eins Ist Wie Tun Wir anpassen prädiktiv Modell
mit respektieren Zu Die hoch Bedeutung von Weglassen FALSCH Negativ Vorhersagen?
Das geht davon aus A wenig bisschen Das wir haben bereits Erledigt A Erste Schritt
Weil wir haben bereits gesehen Modell Screening Und Wie Wir dürfen erhalten Dort.
Ich bin beginnend eins Schritt voraus.
Lasst uns bewegen hinein JMP Zu Genau genommen nehmen A sehen bei Das.
Wir sehen Die Datensatz, wir können es sehen ziemlich klein,
nicht zu viele Säulen.
Es sieht aus sehr einfach.
Wir nur haben diese wenige Prädiktoren Und Es gibt manche mehr Säulen.
Es gibt Auch A Validierung Spalte Das Ich habe hinzugefügt,
Aber es ist nicht gezeigt Hier.
Als für Die Erste Frage,
Lasst uns annehmen Wir haben bereits Erledigt Die Modell Screening.
Wieder, Das Ist zugänglich
auf der analysiert prädiktiv Modell Screening
Wo Wir nicht angeben Was Wir wollen Zu vorhersagen
Und Die Faktoren Das Wir wollen Zu untersuchen.
Wieder, ICH haben bereits vorbereitet Das.
Wir haben ein Ergebnis Das sieht aus wie Das.
Es sieht aus A wenig bisschen anders als In Die Erste verwenden Fall
Weil Jetzt Wir haben Das binär Ergebnis
Und Also Wir haben manche anders Maßnahmen
Das Wir dürfen verwenden Zu vergleichen.
Aber wieder, was ist wichtig Ist Das Wir haben ein Überblick
von welche von Die Methoden Sind durchführen besser als andere Einsen.
Als Wir sagte, In Befehl Zu Jetzt verbessern
Die Modell Und betonen An Weglassen diese
FALSCH Negativ Vorhersagen.
Lasst uns Nur wählen Die eins Und sehen Was Wir dürfen Tun Hier.
Lasst uns Vielleicht sogar wählen Die Erste drei Hier,
Also Wir dürfen Nur Tun Das von halten Die Kontrolle Schlüssel.
Ein anderer Besonderheit Das Wille helfen uns Hier
Ist angerufen Entscheidung Schwelle
Und es ist gelegen In Die Rot Dreiecksentscheidung Schwelle.
Der Entscheidung Schwelle gibt uns mehrere Inhalt.
Wir haben diese Grafiken Hier, diese zeigt an Die tatsächlich Daten Punkte.
Wir haben Das Verwirrung Matrix
Und Wir haben manche zusätzlich Grafiken Und Matrix,
Aber Wir Wille Fokus An Die Oberer, höher Teil Hier.
Lasst uns tatsächlich nehmen A sehen bei Die prüfen Portion von Die Satz.
Wann Wir nehmen A sehen bei Das,
Wir dürfen sehen Das Wir haben anders Typen von Ergebnisse.
Der Standard von Das Wahrscheinlichkeiten Schwelle
Ist Die Mitte, welche würde Sei Hier bei .5.
Wir haben Jetzt mehrere Optionen Zu sehen Und optimieren Das Modell
Und Wie Wirksam Es Ist mit respektieren Zu Die Verwirrung Matrix.
Verwirrung Matrix, Wir dürfen sehen Die vorhergesagt Wert
Und ob Das Genau genommen War WAHR oder nicht.
Wenn Wir sehen bei Wann Ö Versagen Ist vorhergesagt,
Wir dürfen sehen Das Hier, mit Das Einstellung,
Wir Genau genommen haben ganz A hoch Nummer von Misserfolge,
sogar obwohl Dort war NEIN vorhergesagt.
Jetzt Wir dürfen interaktiv erkunden Wie anpassen Das Schwelle
Genau genommen wirkt Die Genauigkeit von Die Modell oder Die Fehlklassifizierung Tarife.
Oder In manche Fälle, Wir dürfen Auch setzen
ein Schwerpunkt An was ist Wirklich schlechter als ein andere Versagen.
Wir dürfen Tun Das mit Die Also angerufen profitieren Matrix.
Wenn Wir gehen Hier, Wir dürfen Satz A Wert
An welche von Die Fehlklassifizierungen Ist Genau genommen schlechter als Die andere eins.
In Das Fall, Wir Wirklich Tun nicht wollen
Zu haben A Vorhersage von NEIN Versagen
Wann Dort Genau genommen Ist A Versagen Ereignis.
Wir würde setzen etwas wie 20 mal.
Mehr wichtig, Wir Tun nicht erhalten Das Fehlklassifizierung
Und Wir Satz Es Und Schlag Okay,
Und Dann Es Wille automatisch aktualisieren Die Graph
Und Dann Wir dürfen sehen Das Die Werte für Die Fehlklassifizierung
haben fallen gelassen Jetzt In jede von Die Modelle
Und Wir dürfen verwenden Das als ein zusätzlich Werkzeug
Zu wählen A Modell das ist Vielleicht am meisten geeignet.
Das ist für Die Erste Frage von Wie Wir dürfen anpassen A prädiktiv Modell
mit respektieren Zu Die höher Bedeutung von Weglassen FALSCH Negativ Vorhersagen.
Jetzt, ein anderer Frage Hier Ist Auch Wann Wir denken von Wartung
Und Wo Wir setzen unser Bemühungen hinein Wartung,
Ist Wie dürfen Wir identifizieren Und kommunizieren
Die gesamt Bedeutung von Prädiktoren?
Was Faktoren Sind Fahren Die System, Die Misserfolge?
Lasst uns gehen zurück Zu Die Daten Tisch Zu sagen Das Erste,
ICH persönlich wie visuell Und simpel Einsen.
Eins von ihnen Das ICH wie Zu verwenden Ist Sachen wie Die parallel Handlung.
Weil es ist Wirklich A Hübsch Überblick zusammenfassend
Wo Die Misserfolge Gruppe und welches Parameter Einstellungen Und Also An.
An Die Modellieren Und Maschine Lernen Seite,
Es gibt A wenige andere Optionen Das Wir dürfen Genau genommen verwenden.
Eins Das ICH wie Weil es ist sehr knackig Und klar,
Ist Die Anzeichen Screening.
Anzeichen Screening gibt uns sehr kompakt Ausgabe
um Was Ist wichtig Und es ist sehr einfach Zu Tun
Und es ist unter analysiert Screening,
Anzeichen Screening.
A ll Wir brauchen Zu Tun Ist sagen Was Wir wollen Zu verstehen
Und Dann angeben Die Parameter
Das Wir wollen Zu verwenden für Das.
Klicken Okay, Und Dann Es neu berechnet
Und Wir haben Das Ausgabe.
Für Mich, es ist A Wirklich Hübsch Ding
denn wie gesagt, knackig Und klar Und verbrauchend.
Aber wir haben geredet um Das Vor
Und Russ, Wann war Arbeiten mit Modelle insbesondere,
Tun Du haben beliebig andere Anregung oder Tun Du haben irgendetwas Zu hinzufügen
Zu Mein Ansatz Zu Verständnis Die Faktoren
von welche Prädiktoren Sind wichtig.
Ja, Es Ist A Gut Ding Zu versuchen.
Als ICH erwähnt früher, Du bekommen Zu Sei Wirklich vorsichtig
um Überanpassung.
Ich neige dazu, zu arbeiten mit A viel von diese breit Probleme,
sagen aus Genomik Und andere Anwendungen,
Wo Du könnte sogar haben
viele mehr Prädiktoren als Du haben Beobachtungen.
In solch A Fall, Wenn Du war Zu laufen Anzeichen Screening,
sagen Vielleicht wählen Die Spitze 10 am besten
Und Dann gehen drehen Rechts um Und fit A neu Modell
mit diese 10 nur, Du hast Genau genommen Nur Satz selbst hoch
für Überanpassung Wenn Du tat Die Anzeichen Screening An Die gesamte Daten Satz.
Das ist Die Szenario Ich bin betroffen um.
Es ist ein einfach fangen Zu fallen hinein,
Weil Du denken du bist Nur Filterung Dinge runter,
Aber Du hast bekommen Zu Wiederverwendung Die Dasselbe Daten zweimal.
Der Gefahr würde Sei Wenn Du war Zu dann einstecken anwenden Das Modell
Zu manche neu Daten, Es wahrscheinlich Gewohnheit Tun fast als Also.
Wenn du bist In Die Spiel Wo Du wollen Zu reduzieren Prädiktoren,
ICH neigen Zu wie Zu bevorzugen Zu Tun Es innerhalb jede falten von A K-Faltung.
Der Nachteil von Das Ist du wirst erhalten
A anders Satz jeden Zeit, Aber Du kippen Aggregat diese Dinge.
Wenn Du bekommen A bestimmt Anzeichen
das zeigt sich nur hoch konsequent über Falten.
Es ist sehr Gut Beweis davon. Das ist A sehr wichtig eins.
ICH erwarten das ist Was würde passieren In Das Fall mit, sagen, Drehmoment.
Sogar Wenn Du war Zu Tun Das Übung,
sagen 10 mal mit 10 anders falten, du würdest wahrscheinlich erhalten A hübsch ähnlich Rangfolge,
Aber es ist mehr von A Subtilität
Aber wieder, A Gefahr Das Du haben Zu betrachten aus für.
Arbeit dürfen machen Es A wenig bisschen Einfacher Nur Weil Dinge Sind Also schnell Und sauber,
wie Du erwähnt, Das Du könnte fallen hinein Das fangen Wenn du bist nicht vorsichtig.
Ja, das ist sehr wertvoll Zusatz Zu Das Ansatz.
Nur begleitend Zu Das zusätzlich Information,
Es gibt Auch Die andere Möglichkeit Das Wir haben,
insbesondere Wann Wir haben bereits
gegangen durch Die Verfahren von Erstellen A Modell Wo Wir dürfen Dann
Genau genommen wieder, verwenden Die Vorhersage Profiler Und Die Variable Bedeutung.
Es ist ein anderer Weg Wo Wir dürfen bewerten
welche von Die Variablen haben Die höher Bedeutung.
Russ, Tun Du wollen Zu sagen Wort An Das Auch
In Kontrast Vielleicht Zu Die Anzeichen Screening?
Ja. Ehrlich, Vogt, ICH wie Die Bedeutung war es ein wenig besser.
Nur tauchen Rechts hinein Die Modellieren.
Wieder, ICH würde bevorzugen mit K-Faltung.
Dann Du dürfen Nur verwenden Die Variable Bedeutung Maßnahmen,
welche Sind oft Wirklich informativ direkt.
Sie sind sehr ähnlich. In Tatsache, Anzeichen Screening,
ICH glauben, es ist Nur Berufung Bootstrap Wald In Die Hintergrund
Und sammeln Die am meisten wichtig Variablen.
Es ist grundsätzlich Die Dasselbe Ding.
Dann folgende hoch mit Die Profiler, welche dürfen Sei exzellent für Sehen genau
Wie bestimmt Variablen Sind geringfügig beeinflussend Die Antwort,
Und Dann Bohren Das sogar weiter mit Shapley
Zu Sei fähig Zu brechen runter Individuell Vorhersagen
hinein ihre Komponenten.
Zu Mich, es ist A sehr zwingend Und interessant Weg
Zu tauchen hinein A prädiktiv Modell
Und verstehen was ist Wirklich gehen An mit Es,
Art Auspacken Die Schwarz Kasten
Und vermieten Du sehen was ist Wirklich Ereignis.
Ja, Danke.
ICH denken das ist Die ganz Punkt,
Herstellung Es verständlich Und Herstellung Es Verbrauchsmaterial
außerdem, von Kurs, Genau genommen bekommen Zu Die Ergebnisse,
welche Ist Verständnis welche Faktoren Sind Beeinflussung Die Ergebnis.
Danke.
Jetzt, ICH haben eins mehr Frage, Und Du hast bereits erwähnt Es.
Wann Wir Punktzahl neu Daten, In besondere,
Was dürfen Wir Tun Zu identifizieren
welche Prädiktoren haben Genau genommen beeinflusst Die Modell Ergebnis?
Jetzt, mit Was Wir haben Erledigt Also weit,
Wir haben gewonnen A Gut Verständnis von Die System Und wissen
Welche von Die Faktoren Sind Die am meisten Dominant Und Wir dürfen sogar ableiten Betriebs Bereiche.
Wenn Die System Änderungen, Was Wenn A anders Faktor Genau genommen fährt A Versagen?
Dann als Es würde Sei erwartet In Das Fall und wir haben mit ihnen gesprochen Laura vorweg,
Und Shapley V Werte wieder Sind A Großartig Zusatz Das Wille helfen uns Zu interpretieren.
wir haben gesehen Wie Wir dürfen generieren ihnen,
Und Du hast gelernt An welche Plattformen Sie werden Sei verfügbar.
Jetzt, Die Ausgabe Das Du erhalten Wann Du speichern Unsere Shapley Values sind:
für Beispiel, Auch A Graph Das zeigt an uns pro tatsächlich pro Reihe.
In Das Fall,
Wir haben 10.000 Reihen In Die Daten Tab, also haben wir 10.000 Stapelbalkendiagramme,
Und Dann Wir dürfen bereits sehen dass neben dem üblichen Muster,
Es gibt Auch mal Wann Es gibt tatsächlich andere Einflussfaktoren
Das fahren Die Entscheidung von Die Modell.
Es ist Wirklich A hilfreich Werkzeug Zu nicht nur eine individuelle Vorhersage treffen,
Aber Auch hinzufügen An Zu Das Was Russ einfach sagte,
Verständnis von Die System, welche Faktoren beitragen.
Wann Wir bewegen A wenig bisschen an
In Das verständlich oder Erkundungspfad,
Wir dürfen verwenden diese Shapley-Werte In anders Wege.
Was ICH persönlich gefallen war der Vorschlag
Zu Genau genommen Handlung Die Shapley Wert von ihre tatsächliche Parametereinstellung,
Weil Das erlaubt uns Zu identifizieren Bereiche von Einstellungen.
Für Beispiel,
Wenn Wir nehmen rotierend Geschwindigkeit Hier, Wir dürfen sehen Das Es gibt Genau genommen
Bereiche von Das Parameter Das neigen Zu beitragen A viel
In Bedingungen von Die Modell Ergebnis, Aber Auch In Bedingungen von Die tatsächlich Versagen.
Das Auch hilft uns dabei, mehr Verständnis zu erlangen
mit respektieren Zu Die tatsächlich Problem des Maschinenausfalls und was ihn verursacht,
Und Auch mit respektieren Zu Warum Die Modell sagt etwas voraus.
Jetzt, Endlich, ICH wie Zu Antwort Die Frage.
Wann Wir nehmen diese Grafiken von Shapley-Werte,
Und Wir haben gesehen Es Vor In mehrere Gelegenheiten,
Aktie Ist sicherlich A Dominant Faktor.
Aber aus alle von diese, Ich habe Nur gepflückt A wenige Vorhersagen,
Und Wir dürfen sehen Das Manchmal Es Aktien, Manchmal es ist nicht.
Mit Die Shapley Werte, wir haben wirklich einen tollen Weg
Zu Dolmetschen A Spezifisch Vorhersage von Die Modell.
Alle Rechts, Also diese war Die Dinge Wir gesucht Zu zeigen.
ICH Hoffnung Das gibt manche Großartig Einblick
in wie Wir dürfen machen KI Modelle mehr erklärbar,
mehr verständlich,
mehr einfach Zu verdauen Und Zu arbeiten mit, Weil das ist Die Absicht Hier.
Ja, Ausweis wie Zu zusammenfassen A wenig bisschen.
Pete, Vielleicht Du wollen kommen In Und helfen Mich Hier.
ICH denken Was war hoffen Zu zeigen Ist Das
als diese KI Modelle werden mehr Und mehr weit verbreitet
Und Sind verlassen auf für Entscheidung Herstellung, Das Verständnis, Dolmetschen,
Und Sein fähig Zu kommunizieren diese Modelle Ist sehr wichtig.
Wir Hoffnung Das mit diese Shapley v Werte,
mit Die Variable Bedeutung, und mit dem Profiler,
wir haben gezeigt Du A Paar von Wege Das Sie können diese Ergebnisse teilen
Und haben ihnen leicht verständlich.
Das War Die nehmen- heim dazwischen Und Sein fähig Zu nutzen
Modell Screening und ähnliches,
das hoffentlich, Du gefunden A wenige Techniken
Das Wille machen Das mehr verständlich Und weniger von A Schwarz Kasten.
Ja, ICH absolut zustimmen.
Nur Zu zusammenfassen, ICH Wirklich wie Zu Danke Russ und Laura
für beitragen Hier mit dein Sachverstand.
Danke, Pete. Es war A Vergnügen.
Danke, alle fürs Zuhören.
War suchen nach vorne Zu haben Diskussionen Und Fragen Zu Antwort.
