Remercier toi pour regarder ce présentation pour le Europe Découverte Sommet Conférence en ligne. Mon nom est Damien Perret. I suis un R&D scientifique à LE dans France. I suis avec François Bergeret le statisticien et le fondateur de Ippon Innovation dans France. Avec François, nous sont très heureux à être ici aujourd'hui et nous serait comme à remercier le pilotage comité OMS a donné nous le opportunité à parler à propos ce travail lequel est à propos novateur approches en utilisant JMP.
Nous volonté donner toi deux cas études. François volonté présent le d'abord cas et I volonté présent le deuxième cas. Juste commencer avec a peu mots à propos LE. LE est a Français gouvernement organisation pour recherche, développement, et innovation dans quatre zones; faible carbone énergies, technologique recherche, fondamental recherche, et défense et sécurité. Le LE compte à propos 20 000 personnes et nous sont situé sur neuf différent sites dans France. Nous avoir fort relations avec le académique monde et beaucoup collaborations avec universités et partenaires, les deux dans France et tous autour le monde.
Quelques mots à propos Ippon Innovation. De cours, nous sont a plus petit entreprise comparé à le LE. Il était créé 15 années il y a. Nous sont basé dans le Sud de France, Toulouse. Nous sont a équipe de statisticien, seulement statisticiens avec compétence dans industriel statistiques, exemple, SPC, mesures système analyse, et de cours, machine apprentissage et donc sur.
Je suis a JMP utilisateur depuis 1995, donc a long temps il y a. I commencé avec JMP 3. De cours, Ippon est JMP Partenaire parce que nous utilisé a parcelle de JMP. Pour exemple, pour rendement optimisation, nous avoir a outil appelé Yéti, automatique rendement optimisation dans complexe fabrication systèmes. Nous aussi développé solution basé sur a client demande, quoi nous appel logiciel sur demande, pour exemple, a complet solution pour valeur aberrante détection ou statistique processus contrôle.
En utilisant JMP et GSL, nous avoir plusieurs GSL expert ici, y compris Carole Soual, lequel est co- auteur de ce parler aujourd'hui. Nous aussi avoir a classique consultant et entraînement compétence basé sur JMP sur industriel statistiques. Le contenu de le présentation aujourd'hui, nous volonté présent deux réel cas études avec Damien. Le d'abord un est basé sur simulation et a ordinateur conception de expérience, et le deuxième un volonté être présenté par Damien sur a machine apprentissage outil pour prédiction.
I volonté présent le cas étude nombre 1 basé sur mélange. Il est d'accord. Toi peut aller sur le suivant glisser. Le contexte est a risque évaluation et a probabilité calcul. À expliquer il a petit peu, mélange conception de expérience était créé par le LE à évaluer le performance de a matériel pour nucléaire déchets. Le conditionnement est fait avec sels dans a matrice. Le performance est déterminé par a seuil sur le énergie. Le énergie a à être plus haut que le seuil.
Il est pas donc facile à estimation le probabilité à être ci-dessous ce seuil. Nous volonté utiliser tous le outils et tous le données que nous avoir à faire ce tâche. De cours, le probabilité a à être comme petit comme possible. Damien, le LE expert, volonté évaluer si ce probabilité est d'accord. Maintenant, quoi méthodologie nous utiliser à estimation ce pire cas probabilité?
D'abord de tous, basé sur le données depuis le mélange conception de expérience, nous avoir estimé plusieurs modèles. Essentiellement, quelques classique linéaire modèles, aussi classification et décision arbres, et aussi neural réseaux sont le principal modèles utilisé. Pour chaque modèle, nous avoir fait trois analyse.
D'abord, le Monte Carlo simulation sur le facteur, donc classique aléatoire simulation avec Monte Carlo. Aussi, quoi nous appel espace remplissage conception, a ordinateur conception avec JMP, où nous essayer à explorer le conception espace mais par ordinateur simulations, ajout a bruit sur le réponse. Ce est fait avec JMP Pro. Dernier chose nous a fait est a mélange de Monte Carlo et espace remplissage conception. Nous volonté détail ce, mais ce est très utile comme nous vouloir à estimation a pire cas probabilité. Nous peut aller à suivant glisser.
Cas étude nombre 1, classique JMP simulation pour le mélange BICHE. D'abord de tous, nous avoir à sélectionner le meilleur modèle. Avant faire la simulation, nous besoin à trouver le meilleur modèle. Là est a très bon fonctionnalité dans JMP Pro, lequel est appelé modèle comparaison. Très rapidement, toi peut comparer le modèles basé sur critères, RS Pourquoi est-ce que je prie ? le AISC. Nous avoir fait ce et I volonté faire le démo droite maintenant. I partager mon écran maintenant. I avoir à partager mon écran. Nous avoir à utiliser JMP. Ici, I ouvrir le données ensemble. Ce est a données ensemble depuis mélange conception de expérience. Là est huit facteurs, X 1- X8, et le réponse est le énergie.
À montrer toi un exemple de le modèle que nous a fait, nous effectuer ici, pour exemple, a prédictif modélisation neural réseau. Le réponse est le énergie. Le X facteurs sont ici. Nous cliquez ici. Pour information, nous décider ici pas à diviser le complet échantillon dans apprentissage échantillon, validation échantillon, test échantillon, parce que données sont depuis conception de expériences, donc nous avoir pas a parcelle de données. Trente et un expérience maximum ici.
Nous utiliser a Pli en K validation à sauvegarder échantillons, I serait dire. A très simple neural filet ici, un couche, et nous cliquez sur Aller. Là est assez a bien modèle avec a correct, allons dire, RS pourquoi pour que. Comment est fonctionnement le comparaison de le modèle dans JMP? Toi besoin à sauvegarder le prédiction formule. Toi cliquez sur le place et I sauvegarder le formule. Faire ce, toi avoir formules ici de le neural filet avec caché couches. Toi voir le formule, hyperbolique tangente ici de le linéaire prédicteur. Deuxième n euro ici de le caché couches, un autre formule, et donc sur. À le fin, pour le neural filet, le final formule pour le prédiction est a linéaire combinaison de le caché neurones. I garder ce formule pour le moment, et Je suis en allant à faire le même avec a linéaire modèle.
Le linéaire modèle était enregistré ici à sauvegarder temps. Nous décider à avoir a linéaire modèle. Pour mélange conception, nous avoir quelques croix effet ici et a linéaire modèle. De cours, nous besoin à faire le ménage le modèle. Nous besoin à retirer quoi est pas significatif ici et donc sur. Quand le emploi est fait, nous aussi avoir à sauvegarder le formule. I enregistré quoi I appel le prédiction formule. Ici, une fois encore, dans le JMP tableau quelque part, toi volonté avoir le prédiction formule pour le énergie, ordinaire moins carré. Toi avoir a classique linéaire formule pour le linéaire modèle.
À résumer, ici I avoir deux modèles, neural réseau et ordinaire moins carré, et I avoir a formule pour le deux modèles. Alors avec ces formules, I aller à Analyser, Prédictif Modélisation, et Modèle Comparaison. Ce est le bon JMP plate-forme pour machine apprentissage. Ici quoi toi avoir à entrer est juste le formule de le prédicteur. Ici, pour le exemple, I juste entrer deux formule, ordinaire moins carré et réseau neuronal, et c'est tous. Toi juste cliquez D'accord. Ici toi avoir a comparaison modèle avec quelques critères et toi sélectionner le meilleur modèle h aussi. D'abord de tous, I ajouter bruit dans le données, donc RS pourquoi sont pas donc bien.
Dans ajout, nous peut comparer le les deux modèle. Dans que cas, pour le pire cas analyse, nous décidé décidé à effectuer le simulation les deux sur linéaire modèle et aussi sur neural filets. Maintenant, nous sont en allant à faire que travail. L et moi montrer toi quoi nous a fait. Peut être Je suis en allant à partager ce glisser, Damien, parce que I besoin à montrer quelque chose ici. Il volonté être Plus facile avec mon PC. Donc le en direct démo est fait. Ici Je suis en allant à utiliser a Monte Carlo simulation. Très facile avec a JMP prédiction profileur.
D'abord de tous, ce est mon d'abord démo. Après que, I volonté faire le mélange conception de expérience espace remplissage conception. I avoir à dire que les deux pour Monte Carlo et aussi pour espace remplissage conception, nous avoir quelques mélange contraintes. Il moyens que le somme de le composant a à être égal à un. C'est pas a réel espace remplissage conception. C'est pas a réel Monte Carlo parce que toi avoir ce contrainte. J député a a intelligent algorithme, itératif algorithme à prendre dans compte le contraintes. Nous sont en allant à simuler Monte Carlo avec le d'abord facteurs et alors avec le deuxième facteurs prise dans compte le d'abord un et donc sur.
À le fin, I volonté présent le complet simulation avec les deux Monte Carlo et espace remplissage conception. Ce est nouveau parce que quoi nous avoir fait est pour chaque courir de le espace remplissage conception, nous avoir fait 1 000 Monte Carlo simulations. C'est vraiment a pire cas ici, mais il était le objectif pour le LE à avoir le pire cas. Merci à ce, nous volonté obtenir a vraiment bien estimation de le pire cas probabilité.
Maintenant, laisser moi saut à le démo. D'abord de tous, Monte Carlo. Ici I avoir le résultat pour le Monte Carlo. Non, Désolé, c'est pas le droite un. Ici il est. Allons-y utiliser le neural réseau. Ici, pour le réseau neuronal, toi peut demander pour le profileur. Si toi demander pour le profileur, ici toi peut demander le simulateur. I volonté au hasard se déplacer le facteurs. Mais quoi est important ici, Je suis demander pour uniforme distribution parce que c'est plus classique pour mélange conception. Ici, Je suis en allant à simuler aléatoire données pour le facteur X1 , mais entre ce valeur et ce valeur parce que là est a contrainte ici. I continuer avec le deuxième facteur avec uniforme simulation entre ce valeur et ce valeur, et donc sur.
À sauvegarder temps, I volonté automatiquement courir le simulation ici. Ici il est. Désolé, I ne le faites pas avoir le droite données ensemble. Désolé à propos que. W ici il est. Modèle comparaison et simulation. Ici il est. D'accord, ici il est, Monte Carlo simulation. À sauvegarder temps, Je vais montrer toi directement le résultat avec a aléatoire simulation avec a mélange contrainte.
W e avoir fait ce Monte Carlo simulation et nous avoir ce résultat sur le énergie. Quoi est bon aussi est que toi peut mettre le résultat dans a tableau. Ce est le résultat, 10 000 Monte Carlo simulation. Pour chaque simulation et avec le modèle, toi avoir le énergie. Maintenant, à calculer le probabilité à être inférieur que le spécifications limite, nous juste avoir à faire a distribution de le simulé énergie. Ce est a distribution, pas exactement Gaussienne, plus fermer à a Laplace distribution. Mais de toute façon, il n'a pas matière. Nous volonté faire le processus capacité et le spécifications donné par le LE est moins 100. I juste cliquez sur ce et nous avoir quoi nous appel le capacité analyse, dans l'ensemble capacité. Ppk est assez bien, plus haut que 1.3 . Ici, le attendu pourcentage de dehors de spécifications est très faible parce que ce nombre est clairement très faible.
Nous peut avoir a regarder dans a scientifique notation. Nous sont à a très petit probabilité et clairement il était acceptable pour le [inaudible 00:15:13] . À ce temps, basé sur neural réseau modèle, basé sur Monte Carlo simulation, nous avoir estimé le d'abord probabilité à être dehors de spécification et ce probabilité est ici. Suivant étape. Quoi nous avoir fait ici est que nous sont en allant dos ici. Désolé, I ne le faites pas fermer ce. I ne le faites pas fermer ce. Je suis en allant ici à faire un autre simulation avec quoi nous appel a simulation expérience. Simulation expérience est aussi appelé parfois a espace remplissage expérience. Toi essayer à explorer le conception espace.
Ici, nous avoir à rappeler que là est a mélange contrainte, donc nous volonté pas explorer, de cours, a complet conception espace, mais nous volonté explorer a partie de le conception espace ici. Ici est a résultat, 128 ordinateur courses avec le simulation données. Nous peut avoir a regarder à le résultat de le simulation. Si nous faire a nuage de points matrice sur le simulé expérience sur le facteurs, ici est le exploration de le facteur avec a mélange contrainte. Avec ce, une fois encore, nous avoir simulé énergie mais ici, c'est pas Monte Carlo simulation, c'est a ordinateur simulation expérience.
Même emploi, nous peut mettre le énergie ici. W ici est le simulé énergie? Ici il est. Une fois encore, à peu près normalement distribué. Ici Je suis en allant à calculer, une fois encore, le processus capacité avec a spécifications moins 100. Ici il est. Ici I devrait avoir le processus capacité lequel est bien. Une fois encore, toi avoir a probabilité à être dehors de le spécification, lequel est fermer à 7 par 1 000. Il est aussi acceptable comme a résultat. Mais toi peut voir que dans que cas, le probabilité est plus haut que le précédent un parce que le calcul était différent et parce que il était a simulation expérience explorer le espace et c'est différent depuis Monte Carlo simulation.
Dernier chose que nous a fait, et Je suis en allant à ouvrir le d minutes déposer. Ici il est, Simulé Monte Carlo. Ici il est. Pas le droite un, Désolé. I avoir a parcelle de des choses ouvrir. Ici il est. Quoi est ce déposer? Quoi nous a fait ici. Nous a fait les deux a espace remplissage conception et pour chaque courir de le espace remplissage conception, nous avoir fait 1 000 Monte Carlo simulations. Le total nombre de points ici est 128 000 lignes. Les deux Monte Carlo et aussi a ordinateur conception de expérience.
Ici nous avoir vraiment a bien données ensemble avec tous le potentiel variations. Quelques sont forcé par le conception de expérience, autres sont clairement aléatoire avec le Monte Carlo. Ici, une fois encore, nous sont en allant à estimation le probabilité. Toi avoir le bon distribution de le énergie. Alors nous volonté une fois encore, calculer le probabilité à être dehors de spéc. Saisie le spécifications ici, ici il est. Ici nous avoir a probabilité à être dehors de spécification, lequel est fermer à 1 par 1 000. Une fois encore, il était assez a bien résultat ici. Ce résultat est assez novateur. Ici, juste pour information, nous avait à créer a petit JMP scénario ici à faire ce, à mélanger le ordinateur conception et le Monte Carlo simulation. Là est a petit GSL code pour que. C'est tous pour mon partie. Damien, peut être toi peut aller. I arrêté le partage.
D'accord. Ceci est maintenant le cas étude nombre 2. Pour ce étude, nous avoir développé a coutume outil pour prédictif application. Le objectif ici était à créer a outil y compris statistique modèles dans JMP Pro dans commande à prédire a spécifique propriété lequel est le verre visco sité comme a fonction de composition et température. À faire que, expérimental données sont à venir depuis les deux commercial base de données et depuis notre propre base de données à LE . A s nous volonté voir, le originalité de le approche vient depuis le méthodologie pour données sous échantillonnage.
Nous recherché le algorithmes à être codé dans GSL et mis en œuvre dans JMP Pro. Le réponse de le modèle est le verre viscosité, de cours, et le facteurs sont le poids pour cent de le verre composants. Ici sont quelques arrière-plan information. Toi avoir à savoir que verre matériel est a non- cristalline solide et il est obtenu par a rapide éteindre de a verre fondre. Depuis a matériel indiquer de voir, verre est a mélange de différent oxydes.
Le nombre de oxydes est variable depuis deux ou trois dans a très simple verre à à propos 30 et même plus dans le la plupart complexe compositions. T ici est a long tradition dans le calcul de verre propriétés, et nous pense que le d'abord modèles étaient créé dans Allemagne à le fin de le 19e siècle. Depuis alors, le montant de publié littérature dans le champ de verre propriété prédiction a augmenté a parcelle. Donc que aujourd'hui, nous avoir a énorme montant de verre données disponible dans commercial base de données.
Plusieurs défis rester pour le prédiction de le verre v iscosité parce que le verre v iscosité est a propriété que est très difficile à prédire. D'abord, v iscosité a a énorme gamme de variation en haut à certain ordres de ampleur. A aussi, v iscosité est très dépendant sur physique et mécanismes chimiques que peut se produire dans le verre fondre, selon sur le verre composition, comme rapide séparation ou cristallisation, pour exemple.
Ici est juste a court exemple que spectacles ce difficulté. Nous avoir choisi trois compositions de quoi nous appel SBN verre, lequel est très simple verre avec seulement 3 oxydes. W e appliqué le meilleur connu modèles depuis le littérature à calculer le visco sité. T poule nous comparer le prédit valeurs avec le expérimental valeur nous avoir mesuré avec notre propre appareil. Toi peut voir que même pour a très simple verre, il est pas facile à obtenir un fiable valeur pour le prédit v iscosité. Ici est a bien image nous comme à utiliser à donner a voir de le base de données où chaque point est un verre dans a multi dimensionnel voir de le domaine de compositions.
Données peut viens depuis différent isolé études, ou nous peut avoir données à venir depuis études en utilisant expérimental conception, ou données obtenu depuis paramétrique études avec variation de un composant à a temps. W e dépensé a parcelle de temps dans le passé à appliquer différent méthode de machine apprentissage. A classique approche était utilisé pour partitionnement le données dans a entraînement ensemble et a validation ensemble. Mais à le fin, Non statistique modèle avec acceptable prédictif capacité était trouvé à prédire le v iscosité. T chapeau pourquoi nous avoir décidé à utiliser a différent approche.
Plutôt de en utilisant tous le données, nous pense il est mieux à créer a modèle par en utilisant données fermer à le composition où nous vouloir à prédire le v iscosité. Donc pour exemple, si nous vouloir à prédire ici, un modèle volonté être créé depuis le données nous avoir dans ce zone, et a différent modèle volonté être créé si nous vouloir à prédire le propriété ici, pour exemple. T chapeau pourquoi nous dire que ce technique est dynamique parce que le modèle dépend sur le composition et il est en rapport et équipé où nous vouloir à prédire. W e dire que le modèle est automatique parce que nous ne le faites pas avoir à faire ce manuellement.
Chaque étape est fait par a algorithme mis en œuvre dans le outil. O est de le la plupart important indiquer est certainement le détermination de le optimal données ensemble à créer le modèle. F ou que, nous avoir mis en œuvre deux méthodes de sous échantillonnage. Dans le d'abord méthode, a théorique ou virtuel conception de expérience est généré autour le composition de intérêts. Alors chaque courir de le conception est remplacé par le la plupart similaire expérimental données présent dans le base de données, menant à le final entraînement données ensemble.
Dans le deuxième méthode, nous avoir mis en œuvre dans le outil. Le est est basé sur différent taille de données ensembles créé autour le composition de intérêt. A petit données ensemble est généré par le outil et modèle sont créé sur ce petit sous-ensemble à prédire le visco sité. T poule plus gros et plus gros données ensembles sont généré automatiquement et le optimal taille est évalué par plusieurs statistique critères associé à chaque sous-ensembles.
Enfin, le construction de le modèles est basé sur trois différent algorithmes mis en œuvre dans le outil. D'abord est a polynôme modèle obtenu par a multi- linéaire régression. Deuxième est a genreg modèle et neural filet modèle. A t le fin, nous avoir six différent calculé valeurs lequel fait le prédiction très robuste.
Allons-y aller à JMP à voir comment il travaux. L et moi d'abord montrer toi le code. T il scénario, comme toi peut voir, est assez long, à propos 700 rangées, lequel est un endroit assez compliqué GSL code. Le d'abord chose toi avoir à faire est à entrer le composition de le verre toi vouloir à prédire le viscosité. T o faire que, toi peut utiliser un interface nous avoir créé. Toi juste avoir à sélectionner le oxyde entrer le composition. F ou chaque oxyde, toi juste avoir à entrer le poids pour cent. Ou si toi vouloir, toi peut directement entrer le composition dans le scénario, lequel est a petit peu plus rapide, I serait dire.
Alors toi lancement le scénario. I ne le fera pas faire que maintenant parce que il prend à propos un ou deux minutes. C'est pas très long. Mais pour ce démo, I avoir déjà courir le scénario. Laisser moi montrer toi le résultats. À le fin de le calcul, toi avoir ce fenêtre où toi peut obtenir a statistique rapport. Très intéressant. D'abord, ici toi avoir le composition toi avoir entré, c'est juste a rappel. W e avoir le graphique montrant le prédit valeur. O n le Y axe, nous avoir le prédit valeurs de le viscosité calculé par le trois algorithme et pour le deux méthodes.
Sur le X axe, nous avoir le nombre de élargissement pour le deuxième méthode I avoir décrit. I n rouge, lequel est le la plupart important valeur, I serait dire, est le moyenne de tous le différent prédictions. I t est le meilleur prédiction, I serait dire, de le verre viscosité . I f nous besoin à avoir plus statistique détails, nous avoir a parcelle de information dans ce rapport à étude le qualité de chaque modèle. Pour exemple, nous peut vérifier le valeurs de le PRESSE statistiques pour le multi- linéaire BIC F modèle.
Pour exemple, ici nous peut voir que le PRESSE valeurs dire nous que le prédiction en utilisant le méthode nombre 1 est a petit peu mieux que pour le deuxième méthode. W e aussi voir que le modèle dégradation avec le élargissement de le entraînement ensemble. Nous peut aussi vérifier le RS pourquoi valeurs pour le deux différent méthode et pour le différent algorithme, et nous peut comparer eux. W e peut avoir même plus détails sur le conception de expériences que étaient créé et tous le formule de prédiction. T son est a parcelle de information, mais là est le la plupart important partie ici, lequel est le prédit valeur de le viscosité.
Allons-y aller dos à le Présentation PowerPoint. T son est le résultat obtenu pour le simple SBN verre, lequel est, comme I dit plus tôt, a simple verre avec seulement 3 oxydes. Mais nous avoir calculé le visco sité pour trois différent composition de SBN verre. W e comparer le résultats obtenu depuis notre outil ici avec le résultats depuis le modèles disponible dans le littérature. Dans terme de le relatif erreur de prédiction, il a à être comme faible comme possible. W e peut voir que le meilleur résultats de prédiction sont obtenu avec notre outil, lequel est vraiment super.
H aussi, nous avoir le résultats obtenu sur plus complexe lunettes. T il outil prédictif capacité était évalué par extraction 230 rangées depuis le mondial base de données. Dans ce tableau, nous avoir le relatif erreur de le visco sité prédiction pour différent taper de verre et pour le mondial sous-ensemble de données. Trois quantiles sont donné, le médian, signification que 50 % de le prédit valeurs avoir a relatif erreur que est ci-dessous le valeur indiqué ici. W e aussi donner le 75 % et le 90 % quantiles. W poule nous parler à propos verre v iscosité, traditionnellement, nous considérer que le prédictif erreur, autour 30 % est très bien.
W e voir que pour le majorité de le données, le modèle capacité est bien et nous étaient très heureux avec le résultats nous obtenu. Ici sont quelques très important clé paramètres. Il est très important à prendre dans compte comme beaucoup entrées depuis le verre experts comme possible. Pour exemple, nous avait à créer spécifique algorithmes à poignée le nature et le mur de oxydes et viscos ce. Un autre indiquer de majeur importance est en rapport à le origine et à le fiabilité de le données.
Pour ce, a significatif montant de temps dans ce projet a a été dépensé à le constitution de a fiable base de données. W e avait à mettre en œuvre manières et nous avait à étude différent manières de calculateur le distances entre le verre composition. I c'est temps à conclure maintenant. Nous avoir présenté deux différent cas études. Dans le d'abord cas études, nous avoir créé plusieurs modèles et nous avoir comparé eux pour le risque évaluation. Nous avoir vu que il était facile avec JMP à effectuer Monte Carlo simulations, même pour mélange dessins avec contraintes. Nous avoir vu que il était facile aussi à effectuer espace remplissage conception, et encore, même pour mélange dessins.
Par combinant Monte Carlo et espace remplissage dessins, pire cas probabilité a a été estimé. I n le deuxième étude, nous avoir présenté le outil nous avoir créé avec un original méthode de sous-échantillonnage le données. Pour chaque composition de intérêt, a spécifique modèle de viscosité était construit autour ce composition, et nous avoir vu que le prédiction précision sur le visco sité était très prometteur et beaucoup mieux que modèles disponible dans le littérature. Remercier toi pour ton attention.
