扬声器 | 成绩单 |
| 蒂芙尼 | 首先，感谢您今天加入我们。 我们将讨论描述不同生物处理的特征...看到...并真正关注 pDNA，看看分数加权引导如何真正能够 |
| 添加到您的流程中。 因此 Phil 将在演示的后半部分与我一起浏览 JMP |
| 示例，并给出一些不同的技术。 |
| 要使用的。 |
| 我将讨论 CMC 策略、生物技术、我们如何将药物推向市场以及我们如何使用 FWB 等新工具来交付我们的流程。 |
| 那么让我们开始吧。 所以化学制造控制之旅。 所以这是一个非常漫长的旅程，我们将讨论这个问题。 |
| 为什么选择能源部，为什么选择预测模型？ 将药物推向市场非常复杂。 这不仅与实验有关，还与临床有关。 |
| 并让一切顺利进行。 因此，我们还将研究系统思维方法。 当然，然后，描述生物加工的特征，然后菲尔将进行案例研究 |
| 讨论。那么CMC途径是什么样的呢？ 这是一个一般性的例子，我们从毒理学出发。 所以那就看看有没有什么功效。 行得通吗。 |
| 在非人类试验中。 一直到商业制造，其中涉及很多事情，例如工艺开发。 |
| 但您还必须有目标产品简介。 您希望您正在开发的药物能够真正发挥什么作用？ 当你正在经历的时候，理解这一点很重要。 然后当然是 |
| 质量目标产品概况也是如此。 这就是……为了使分子按规定发挥作用，需要哪些方面？ |
| 然后我们查看关键的质量属性，然后完成整个过程，所以它......它是......它是一个团队 |
| 因为您拥有工艺开发、工艺表征、工艺鉴定和 BLA。 这些步骤中的每一步都需要进行大量的工作。 |
| 我们还希望确保当您经历不同阶段时，您实际上正在构建这些数据 |
| 分组。因为当您进行过程表征和过程鉴定时，您希望确保可以尽可能多地利用过去的信息，以便实际上缩短了时间 |
| 你的时间表。 您可能会说，“蒂芙尼，我在整个过程中都在进行过程表征。” 我会说：“当然。” 但从监管的角度来看，我们需要的是 CMC 途径特有的过程表征。 |
| 所以每个人可能都在新闻中听说过疫苗、细胞和基因疗法。 这是现在非常热门的话题，也是 |
| 为我们以前无法治疗的患者带来新的治疗方法。 |
| 因此，在细胞疗法和基因疗法两大类中，它有不同的方面。 正确的。 所以我们有免疫疗法。 我们有干细胞。 |
| 我们正在做再生医学。 所以想象一下，你知道，你的背部受到损伤并且能够再生。 有巨大的 |
| 强调这个分组。 但基因疗法也受到高度重视。 病毒载体。 我们使用细菌载体吗？ 我们如何获得DNA |
| 进入系统以便为患者提供治疗？ 嗯，血浆 DNA 就是其中之一，Phil 有一个令人惊叹的案例研究，他们进行了优化。 |
| 所以你可能会说，“pDNA 是什么？ 为什么它很重要，除了，好吧，它是基因治疗领域的一部分，目前非常有趣？” |
| 嗯，事实是，它可以用于...预防性疫苗、免疫剂、用于...制备...超免疫球蛋白的制备 |
| 癌症疫苗、治疗性疫苗、基因替代。 或者也许你有 |
| 一个孩子，对，有罕见的基因突变。 我们可以进去修理吗？ 所有这些事情都围绕着这个，随着基因治疗技术的不断发展， |
| 随着商业化进程的推进，法规不断增加，数据量也随之增加。 |
| 试想一下，基因疗法和细胞疗法是我们 20 多年前的水平？细胞培养和单克隆抗体 |
| 这是一个令人惊奇的世界，我们每天都在学习新事物，然后我们会说：“哦， |
| 这不是平台。” 我们需要新设备。 我们需要新的工作方式。 我们需要能够分析非常非常小的数据集，因为在细胞疗法和基因疗法中，患者数量通常比其他适应症要少。 |
| 那么 pDNA 的下一步是什么？ 当然，随着细胞治疗和基因治疗市场的不断增长，我们将继续沿着这条路走下去 |
| 进入商业化。 我们需要能够与 FDA 合作并与他们携手合作，因为这些是我们以前从未做过的事情。 我们使用我们不使用的原材料和其他 |
| ...其他药物适应症。 所以还有很多事情要做。 能够制造像 pDNA 这样的产品也很重要，因此我们以适当的方式获得载体的方式 |
| 数量方面，还有质量方面。 因此，如果你拥有世界上最好的药物，但你无法制造出来，那么你就没有这种药物。 正确的？ 你不能把它交给病人。 |
| 因此，我们还需要确保我们的流程具有良好的特征。 正如我之前提到的，其中许多迹象都非常小。 所以临床试验也很小。 |
| 与此同时，病人往往病情非常非常严重。 因此，能够分析我们的数据并快速响应他们的需求非常关键。 |
| 无论是在临床方面还是在我们商业化方面。 我们不想出现这种情况，你猜怎么着，我无法制造药物，对吗？ 我希望能够做到。 |
| 制造也是非常重要的事情。 不知道大家有没有注意到，新闻里有很多 |
| 扩张的公告。 当然，人们正在扩大疫苗产能，但其中一大举措就是pDNA。 人们花费数百万美元，有时甚至数十亿美元 |
| 增加这些生产基地。 你可能会说，好吧，你增加你的生产基地。 |
| 那太棒了。 但现在我需要能够将技术转移到该生产基地。 我需要确保我的流程稳健...稳健，而且不仅 |
| 可以转移和扩大规模，但要确保我有统计能力说 |
| 我知道我的过程是受控的。 例如，我可能有 2% 的变异性，但我总是有 2% 的变异性，并且我对其进行了表征。 |
| 随着越来越多的产能上线，而且我们也出现了短缺，这就像是，我该把我的产品带到哪里并考虑到这些，所以更早地进行制造设计。 |
| 您的管道中可能有多种产品。 因此，您要确保您正在学习并能够获取这些信息，然后说，让我对此进行一些预测建模，它可能不是确切的产品，但它具有类似的属性。 |
| 因此，商业化的路径是非常综合的，就像CMC策略涉及临床方面一样， |
| 一切都聚集在一起，以便分子通过。 我们还有 |
| 考虑它的系统方面。 为什么？ 因为如果我们在上游领域做一些事情，我们可能会提高生产力 |
| 200%，比方说，我们将要达到的目标，“是的，我已经实现了我的里程碑。 我可以给我的病人送货。” 但如果我的下游或我的细胞 |
| 回收实际上无法回收产品，无论是细胞治疗剂还是蛋白质治疗剂，那么我们就没有产品。 所有这些工作都被抛弃了。 所以有了系统 |
| 方法，确保您涉及来自业务、供应链、质量控制的所有不同团队，发现……每个人都有他们带到桌面上的知识，以便最终交付给患者，这是非常关键的。 |
| 所以我现在要把它交给菲尔。 我本来很想更多地谈论我们如何开发药物，但是让我们......让我们看看如何分析我们的一些数据。 所以，菲尔，我现在就把它交给你了。 |
| 菲利普·拉姆齐 | 好的，谢谢蒂芙尼的讨论 |
| 为案例研究奠定基础。 我将在 JMP 中花费大部分时间来演示 JMP 中存在的一些重要工具。 你甚至可能不知道那里有， |
| 这实际上对于工艺开发非常重要，特别是在 CMC 途径、化学制造控制和质量源于设计的背景下。 |
| 流程开发的两个重要特征，一般而言， |
| 是您想要设计流程的地方，但您还需要描述它的特征。 事实上，您必须描述整个操作区域的特征。 |
| 当然，我们希望进行优化，以便获得非常理想的产品。 我们经常谈论得不够多的是，这些活动本质上是关于预测的。 |
| 我们必须建立强大的预测模型来预测未来的表现。 对于监管机构来说，这是一个非常重要的部分，尤其是在后期开发阶段。 你必须证明 |
| 您可以可靠地生产产品。 嗯，关于过程表征和预测问题的一篇关键论文是乔治·博克斯（George Box）和他的著名论文。 |
| 威尔逊是一名工程师。 |
| 正如人们今天所指出的，他们在其中讨论了响应面的开始。 |
| 他们的关键是使用他们所谓的完整二次模型。 嗯，那是什么？ 嗯，这是一个包含主效应的模型， |
| 所有双向相互作用和二次效应。 这可能仍然是构建流程模型的黄金标准，尤其是生产过程模型。 |
| 但人们可能没有意识到，它们有利于优化。 它们是这些未知响应函数的良好二阶近似。 人们不太了解的是，在整个设计区域中，它们通常是响应曲面的较差近似值。 |
| 1996 年，已故的约翰·康奈尔（John Cornell），当然还有很多人都知道的道格·蒙哥马利（Doug Montgomery）发表了一篇论文，但实际上并没有得到足够的重视。 |
| 然后在那篇论文中，他们提出了这样一个事实：完整的二次模型通常不足以表征设计空间。 从科学家的角度思考一下，这些生化反应是如何动态的？ |
| 过程往往是。 换句话说，存在大量的非线性，导致不同区域中的响应表面具有明显的复合曲率。 |
| 而完整的二次模型根本无法处理它。 所以他们提出的是增强设计，他们添加了诸如二次乘线性、线性乘二次甚至 |
| 二次相互作用。 事实证明，这些模型比完全二次模型更能更好地近似设计区域。 稍后我将向您演示这一点。 |
| 但他们遇到了一个问题。 第一，传统统计学家不喜欢这种方法；如今这种情况正在发生巨大变化。 |
| 但是有很多这样的术语可以添加到模型中，这样即使是大型的中心组合设计 |
| 变得超饱和。 这意味着什么？ 这意味着有更多的未知数 p，然后有观察并拟合模型。 事实证明，在机器学习和预测建模新技术时代，这并不是真正的限制。 |
| 所以我们要做的是，我们将使用一种称为分数加权引导的方法。 这可以在 JMP Pro 中完成。 |
| 以及称为模型平均的东西来构建模型来预测响应面，我实际上将使用这些大型增强模型。 |
| 好的，当您尝试构建这些预测模型时，例如设计质量，您必须注意很多事情。 一， |
| 1996 年，机器学习领域的先驱之一、已故的 Leo Brieman 写了一篇论文，但该论文再次没有得到应有的重视。 他指出 |
| 我们用于预测的所有这些模型构建算法（包括前向选择、所有可能的模型、最佳子集、套索） |
| 本质上是不稳定的。 这意味着什么？ 不稳定意味着数据中的微小扰动可能会导致模型发生巨大变化。 |
| 所以他做了一些工作来指出这一点，并提出了一个策略，说：“好吧，如果你能以某种方式模拟 |
| 模型拟合并以某种方式扰乱每次模拟运行的数据，我们可以拟合大量模型，然后对它们进行平均。” 他证明了这有潜力。 |
| 在那个时代他没有很多工具可以做到这一点。 但今天我将在 JMP Pro 中向您展示，我们有很多工具，我们将向您展示 Brieman 的想法实际上是一个非常好的想法。 |
| 现在，机器学习和深度学习中普遍接受的一种方式是集成建模和模型平均的思想。 |
| 顺便说一句，我会很快指出几年前，John Sall 在 JMP 的逐步平台中建立了一种模型平均形式。 它是 JMP 中的一颗隐藏宝石。 效果很好，并且在两个版本的 JMP 中都可用，但我将提供更全面的解决方案 |
| 这可以在 JMP Pro 中完成。 这个解决方案被称为带有自动验证的分数加权引导，我将解释这意味着什么。 |
| 当我们构建预测模型时，我们面临着挑战。 我们需要一个训练集来拟合模型，然后我们需要一个额外的 |
| 或验证数据集来测试模型以查看其预测效果如何。 嗯，能源部根本没有这些额外的试验可用。 事实上，布里曼在这一点上陷入了困境。 |
| 没有办法真正生成验证错误。 好吧，2017 年，在 Discovery 法兰克福，JMP 统计研究主管 Chris Gotwalt 和我自己 |
| 做了一个演讲，我们称之为分数加权引导和自动验证。 自动验证是什么意思？ 这意味着，这似乎不会 |
| 直观地说，我们还将使用训练集作为验证集。 你说：“好吧，这太疯狂了。 这是相同的数据。” |
| 但这项技术有一个秘诀可以发挥作用。 我们所做的是，我们获取原始数据，复制它，称之为自动验证集， |
| 然后我们以一种特殊的方式，为观察值分配随机权重，然后进行加权 |
| 这样我们就可以驱动训练集和自动验证集之间的反相关。 我很快就会向你们解释这一点。 |
| 好的。 顺便说一句，我们一直在指导我的博士生 Trent Lempkis，他去年在详尽的模拟中广泛研究了这种方法。 |
| 我们将发表一篇论文，以证明这种方法实际上比从 DOE 构建预测模型的经典方法产生更好的结果。 |
| 所以我将继续讨论这个案例研究。 这就是蒂芙尼提到的 |
| 质粒DNA。 这是一个非常热门的话题，pDNA 制造商被认为是一个巨大的增长领域，生物技术界预计会有巨大的增长，甚至可能达到 40% |
| 年复一年，因为所有新疗法都将在网上使用。 |
| 在这种情况下，这在生物技术领域很常见，我们实际上没有任何现有数据可以用来构建预测模型。 |
| 因此，这引导我们正确地设计实验。 在这种情况下，我们将使用明确的筛选设计。 |
| 这些都是 JMP 的 Brad Jones 和明尼苏达大学的 Chris Nachtsheim 的精彩发明。 |
| 效率很高，我一直向生物技术领域的人们强烈推荐它们，因为他们的实验时间和资源有限。 |
| 所以基本上我只是向您展示生物过程的示意图。 我们将重点关注发酵步骤。 |
| 但在实践中，正如蒂芙尼所提到的，我们会审视这个过程的上游和下游方面。 |
| pH、溶解氧百分比、感应温度。 这就是我们设置发酵罐的温度，以获得 |
| 转基因E . 大肠杆菌开始泵出质粒。 什么是质粒？ 嗯，它们确实是非染色体 DNA。 |
| 它们在治疗方面有很多用途，尤其是基因治疗，而且它们与细菌中常见的染色体 DNA 是分开的。 |
| 所以我们的目标是获得这些修改过的E。 大肠杆菌泵出尽可能多的 pDNA。 所以我们进行了试验。 这是一个实际的实验。 由于我们对 DSD 很陌生，因此我们还运行了更大、更大的传统中央复合设计。 我们是分开做的。 |
| 我计划做的是，在今天的工作中，我们将使用 CCD 作为验证集，并使用 DSD 上的自动验证来拟合模型。 我们会看看事情进展如何。 好的，我现在要切换到 JMP。 |
| 我要打开一个数据表。 这是 DSD 数据。 我们将在此数据集上进行所有建模。 哦，顺便说一句，我要将 40 的预测模型拟合到 15 |
| 使用机器学习技术运行设计。 对于很多人来说，你必须明白这样一个事实：你可以做这些事情，而且它们实际上在机器学习和深度学习中一直在做。 |
| 因此，我想向您展示几个插件，使这一切变得容易。 您确实需要 JMP Pro。 其中之一是为您设置表格的插件。 这是 JMP 的迈克尔·安德森 (Michael Anderson) 撰写的。 |
| 所以我将向您展示会发生什么。 该插件可在 JMP 社区上使用。 |
| 所以请注意它获取了原始数据， |
| 创建了一个验证集。 正如我提到的， |
| 我们也有这个加权方案，这些权重是随机生成的，正如您稍后会看到的，我们进行了模拟研究，并且不断地改变每个的权重 |
| 跑步。这会产生再次生成数千次建模迭代的效果。 正如 Leo Brieman 警告的那样，你还会看到，当你 |
| 扰乱响应（我们不更改数据结构），您会看到模型中存在巨大的变化。 所以我将继续快速地向您说明这一点。 |
| 所以我要去拟合模型。 |
| 我们必须告诉 JMP 权重的存储位置。 我们将使用强烈推荐的广义回归。 |
| 因为这是一个快速演示，所以我将使用前向选择，但这是一个具有自动验证功能的非常通用的 SWB 程序。 您可以在许多不同的预测或建模场景中使用它。 我要做前向选择。 好的，所以我适合一种型号。 |
| 然后我来到 |
| 估计表。 我将右键单击并选择模拟。 |
| 我告诉它我想要进行一些模拟运行，并且在每次试验中我想要交换权重。 我想生成新的权重。 顺便说一句，我只会做 10 个，因为这是一个演示。 |
| 这就是结果。 你可以看到我们有 10 个型号，而且每个型号都有很大不同。 |
| 因此，在实践中，我会进行数千次这样的迭代。 然后我稍后会向你展示， |
| 然后我们可以取这些系数并将它们一起平均。 顺便说一句，如果您看到零，则意味着该转弯未进入模型。 好的，我现在要做的是向您展示另一个插件。 |
| 所以我要关闭其中的一些内容，以便我们保持屏幕整洁。 |
| 我们在 Predictum 开发了另一个附加功能。 这个不仅可以进行派系加权引导，还可以开发模型平均。 换句话说， |
| 我刚才向您展示的是，如果您想要进行模型平均，则可以使用该附加功能，您需要自己完成。 好的。 这只是大量的手工工作。 |
| 所以我将使用 Predictum 插件。 它创建了表格，然后我实际上会非常快地找到一个模型来说明添加项如何工作，我将使用标准响应面模型。 |
| 我们想要预测 pDNA。 我们将使用 gen reg。 |
| 因此，再次作为说明，我将继续使用前向选择。 |
| 再说一次，我在实践中进行了数千次迭代，但我只会做 10 次。 |
| 单击“开始”。 |
| 好的。 |
| 菲利普·拉姆齐 | 再说一次，这是一次快速的、这确实是一次，我很抱歉，三个演讲合并为一个，但所有部分都在 QbD 框架中组合在一起。 所以我有一个模型。 这些是平均系数。 再说一遍，我只做了10个。 我会将预测公式保存到数据表中。 |
| 我将尽力保持屏幕尽可能整洁。 |
| 这就是我的公式；该应用程序已为您完成所有平均操作，因此您无需执行此操作。 |
| 这就是公式。 还有一个你可能没有意识到的小技巧，这是一个混乱的公式，特别是如果你想将此公式部署到其他数据表时。 在公式编辑器中，有一个非常简洁的功能，称为“简化”。 |
| 看，它简化了方程式，并且使其更易于部署到其他数据集。 好的，这是该方法的说明。 |
| 我现在要做的就是展示发生了什么 |
| 当我们完成整个程序时。 所以这是一个数据表。 在这里您会注意到 DSD 和 CCD 数据库组合在一起。 |
| 我使用行状态变量来消除或排除 DSD 数据，因为我想重点关注模型在验证数据上的性能。 同样，这些模型仅适合 DSD。 |
| 这是我的 41 学期 |
| 模型。这是通过对数千次迭代进行平均的模型完成的增强完全二次方程。 为了进行比较，我重复了相同的过程 |
| 对于更小的 21 项完全二次模型。 那么我们在预测方面做得如何呢？ 让我向您展示一些实际的预测图。 |
| 所以请记住，我必须强烈强调，这是一个真正的验证测试。 CCD是单独完成的。 不同批次的原材料，包括新批次的大肠杆菌菌株。 |
| 有些发酵罐不一样，而且是完全不同的操作者。 因此，对于那些从事生物技术工作的人来说，您知道，这是一项非常艰巨的预测工作。 |
| 再次，该模型拟合了 DSD，左边是 41 项模型，即增强模型，预测误差的总体标准差约为 67。 |
| 在右侧，我再次使用了模型平均，这有助于提高性能，我只拟合了 21 项完整二次模型，您可以看到预测误差约为 70。 |
| 事实上，如果不使用模型平均，因为许多人不会使用完整的二次有用的二次模型，因此性能会明显变差。 好的。 |
| 这样我就有了模型。 我用它做什么？ 嗯，我们的目标通常是优化和表征。 那么让我打开一个分析器。 我实际上会为你做这件事。 |
| 所以我将转到分析器和图形菜单。 我将使用我最好的模型。 这就是使用 Predictum 插件的那个。 顺便说一句，如果您对此添加感兴趣，甚至 |
| Beta 测试，只需联系 Predictum，只需发送电子邮件至 Wayne@predictum.com，我相信他会非常乐意与您交谈。 所以我要... |
| 进入模型，然后使用意愿， |
| 我只是要找到最大化产量的设置。 顺便说一下， |
| 这是对他们历史上的制作的重大改进，它为我们提供了我们应该看到的设置 |
| 顺便说一句，这些都有点不直观，但在复杂系统中通常是这种情况。 |
| 事情从来不像你想象的那么直观。 还有一些非常重要的事情，特别是如果您正在 CMC 途径中进行后期开发。 |
| 也就是说，他们希望你评估输入的重要性，哪些输入很重要。 |
| 评估变量的重要性。 再次强调，我不会讨论所有的技术细节。 |
| 所以它向您展示，就响应的变化而言，进给速率是迄今为止最重要的。 这对人们来说不一定是直观的。 第二个是溶解氧百分比。 |
| 那么，这告诉你什么？ 好吧，它告诉你，第一，你最好很好地控制这些变量，否则你可能会 |
| 有很多变化。 现在，在这种特殊情况下，我对质量属性没有关键性的要求。 没有可用的。 |
| 因此，我们所拥有的对业务属性至关重要，即 pDNA 生产，但我们可以在 JMP 中做更多事情来充分表征设计空间。 我所做的只是优化，但这不是表征。 所以分析器中还有另一个很棒的工具。 好的。 |
| 这叫模拟器。 但这并没有得到应有的使用。 所以我所做的就是定义输入的分布。 |
| 也就是说，我预计输入会有所不同。 这是 FDA 想要了解的事情。 作为输入，您的流程的性能会发生什么变化。 不存在完美受控的流程，尤其是在扩大规模后。 |
| 顺便说一句，当我想到这些更复杂的模型，这些增强的完全二次模型， |
| 根据经验，我可以告诉你它们比完全二次模型的扩展效果更好。 这是适合这些更复杂模型的另一个原因。 |
| 所以在模拟器中，有一个很好的工具，叫做模拟实验。 它的作用就是我们所说的空间填充设计。 它将点分布在整个设计区域。 所以我只想说我想要运行 256 次。 |
| 它将进行 5000 次模拟，在每个点计算平均标准偏差和总体缺陷。 正确的。 |
| 所以这实际上进展得很快。 我只是向您展示输出的样子。 再说一次，我已经做到了这一点。 |
| 因此，为了节省时间，我将打开另一个数据表。 |
| 最小化另一项。 |
| 这就是模拟研究的结果。 |
| 我不会详细介绍所有细节，但我将模型拟合到主要部分，将模型拟合到标准差，并将模型拟合到总体缺陷率。 |
| 有些地区的缺陷率较低，有些地区的缺陷率较高，这些就是我们所说的高斯过程模型，通常与模拟数据一起使用。 那么我们能用这些做什么呢 |
| 模型和这些模拟结果？ 嗯，再说一遍，人物塑造很重要。 所以让我给你一个快速的想法。 |
| 这是一个三维散点图，我们关注的是进料速率和溶解氧百分比，因为它们非常重要。 并且绘制的点按缺陷率进行加权；大 |
| 球体意味着更高的缺陷率。 所以如果你环顾四周。 你可以看到，有些地区我们是绝对不想运营的。 |
| 因此，我们正在描述我们的设计空间，并寻找更安全的运营区域。 当然，我可以这样做 |
| 只需选择一些其他变量，无论如何，它只是显示您真正想要避免的其他区域。 我们可以利用这个做更多的事情，但我认为这很重要。 我们还可以在哪里 |
| 继续并再次使用分析器，我将重新优化。 |
| 但我会用不同的方式来做。 这样我想最大化 pDNA 平均值。 |
| 我想做双重回应。 我想最大限度地减少总体缺陷率。 |
| 再次强调，我将继续使用意愿。 |
| 这需要几分钟的时间。 这些是我们正在优化的非常复杂的模型。 |
| 请注意，它出现并说 |
| 高进给率、高溶解氧、 |
| 接近中性pH值并进行诱导。 顺便说一句，感应，如果你想知道感应 OD 600 是什么，这是微生物质量的衡量标准 |
| 一旦你达到一定的质量（没有人很确定那是什么，所以这就是我们做实验的原因），你就会升高物质的温度。 而这实际上 |
| 迫使E。 大肠杆菌开始泵出 pDNA 或质粒，它们经过改造就是为了做到这一点。 所以我们称之为感应温度。 好的。 嗯，注意设置， |
| 我们保证了较低的缺陷率，整体优化响应并不那么高。 但请记住，我们还将拥有一个不易产生缺陷的流程。 |
| 好吧，那么在这一点上， |
| 我会很快讲到最后。 |
| 幻灯片。 所以一切都在这些幻灯片中。 都已经上传了 |
| 到 |
| JMP 社区。 最后是执行摘要，基本上我们向您展示的是流程和产品开发 |
| 使用 CMC 途径（其中一部分是质量源于设计）需要采用整体或集成的方法。 需要进行很多系统思考。 |
| 流程设计和开发本质上是一个预测问题，这是机器学习和深度学习的领域。 这不是你想象的那样；建筑业并不像往常一样 |
| 统计模型，尤其是预测模型。 我们已经向您展示了分数加权引导自动验证和模型平均 |
| 可以生成非常有效和准确的预测模型。 我还想再次强调康奈尔大学和蒙哥马利大学这些更复杂的增强模型实际上非常重要。 |
| 它们确实可以更好地扩展，并且确实可以为您提供更好的特征描述。 至此，我感谢大家，我的演讲就结束了。 |
