Chez Syngenta, la classification d'images est essentielle à la modélisation d'échantillons au sein d'un système automatisé de formulation chimique ayant produit plus de 100 000 images. Ces images servent à déterminer les prochaines étapes du développement des produits, mais leur interprétation à l'œil nu est très chronophage et subjective.
Le module complémentaire Torch Deep Learning pour JMP Pro exploite la puissance des réseaux neuronaux convolutifs et du calcul GPU pour simplifier considérablement l'analyse et fournir des résultats cohérents sur un ensemble d'images de contrôle prédéfini. Nous démontrons la simplicité d'importation et de prédiction, grâce à ce module, d'un ensemble d'images complexe et d'obtention de résultats interactifs et pertinents en quelques minutes. Ces tâches nécessitent normalement des heures, voire des jours, de traitement manuel et de programmation Python.
Bonjour à tous. Bienvenue à notre présentation d'aujourd'hui. Je suis Russ Wolfinger de JMP R&D, et je suis ravi d'être accompagné de mon ami et collègue, David Barnett de Syngenta. Nous sommes très enthousiastes à l'idée de vous parler aujourd'hui d'une application relativement nouvelle de JMP et JMP Pro, dédiée à l'utilisation et à l'analyse d'images. C'est une nouvelle orientation pour JMP qui nous enthousiasme beaucoup. Je me souviens que nous avons consacré une grande partie des premières années de la pandémie de COVID-19 au développement d'un tout nouveau module complémentaire pour JMP, appelé Torch Deep Learning, qui suscitait un vif intérêt de la part de nombreux clients. Comme vous le savez, l'intelligence artificielle, le ML et l'apprentissage profond connaissent une croissance exponentielle à l'échelle mondiale. Actuellement, PyTorch et TensorFlow sont probablement les deux logiciels les plus populaires. Nous avons opté pour PyTorch, et il s'avère que Torch possède une interface C++ très pratique que nous avons pu exploiter à bas niveau. Nous avons réussi à concevoir un module complémentaire performant qui s'intègre parfaitement à JMP Pro, et nous l'avons mis à disposition.
Je me souviens de mon enthousiasme. Je crois que le livre n'était sorti que depuis quelques semaines, et David l'avait découvert par hasard.
David, je crois que tu as été parmi les premiers à t'y intéresser. Je me souviens avoir entendu parler de tes premiers succès. C'est un réel plaisir aujourd'hui d'entendre ton histoire, comment tout a commencé, et aussi de voir où tu en es maintenant après avoir travaillé avec ces données et ces applications ces derniers mois. David, je te laisse la parole ; j'aimerais beaucoup en savoir plus sur tes projets.
Merci Russ. C'est vraiment bien. Excusez-moi, je devais partager mon écran. J'espère que tout le monde peut voir ça. Merci encore Russ. Comme l'a dit Russ, j'ai découvert ça assez tôt dans un des premiers programmes de doctorat. C'est quelque chose que nous voulions explorer depuis un certain temps dans le domaine de l'analyse d'images. Je vais vous expliquer le fonctionnement de notre système à haut débit.
Un petit mot sur l'agro-industrie : nourrir la planète est une préoccupation croissante. D'ici 2050, la population mondiale devrait atteindre environ neuf milliards d'habitants, et les besoins alimentaires augmenteront bien plus que cela. Notre entreprise, Syngenta, cherche à se développer davantage. Elle emploie à elle seule près de 30 000 personnes dans plus de 90 pays et réalise un chiffre d'affaires important, avoisinant les 17 milliards de dollars il y a trois ans. Notre plus grand centre de recherche et développement, où je travaille, se situe à Jealott's Hill, au Royaume-Uni, en périphérie de Londres. Nous investissons massivement dans la recherche et le développement au sein de l'entreprise.
Nous avons des chimistes de tous types : synthétiques, computationnels et analytiques. Je travaille en formulation chimique, ce qui consiste à mettre en commun toutes nos connaissances et à commercialiser les produits. Les tendances actuelles en matière de formulation, dues aux pressions réglementaires, aux contraintes de coûts et à l'impératif de rapidité de mise sur le marché (comme je l'ai mentionné, les exigences réglementaires nous obligeant à fabriquer des produits plus sûrs), entraînent une croissance quasi exponentielle de la complexité des formulations. Nous devons garantir la sécurité non seulement pour la fabrication, mais aussi pour les agriculteurs qui utilisent nos produits et pour les consommateurs qui achètent les produits transformés. C'est pourquoi nous avons vu une formidable opportunité d'automatiser une grande partie du travail préparatoire. Comme je l'ai dit, la complexité des formulations et de la composition a considérablement augmenté, et la quantité d'ingrédients contenus dans les flacons a fortement augmenté. Le processus de formulation, et notamment l'ordre d'ajout des composants, est également crucial. Les réactions que nous observons, qu'il s'agisse de la sédimentation du contenu de la bouteille au fil du temps ou de son épaississement, sont souvent non linéaires en raison des différents éléments que nous devons y introduire.
Les avantages que nous avons constatés sont un ensemble de données plus vaste et plus complet. Cela nous permet de mieux comprendre les produits que nous vendons aux agriculteurs. De plus, cela peut réduire la répétitivité du travail en laboratoire nécessaire à la commercialisation de nos produits. Nous pouvons également optimiser les coûts. En achetant nos matières premières à moindre coût, nous pouvons soit baisser nos prix, soit augmenter nos profits, ce qui est généralement l'objectif recherché.
De plus, les performances du produit sont améliorées. Nous pouvons y intégrer des adjuvants, comme nous les appelons, pour faciliter l'absorption des substances par les plantes ou les insectes. Compte tenu de la complexité, cette explication du nombre de composants possibles est simplifiée. Prenons l'exemple d'un mélange à parts égales de 20 ingrédients (voir la première ligne) : cela représente 190 échantillons. Un chimiste formulateur pourrait réaliser cette opération en laboratoire. En revanche, pour un mélange à parts égales plus complexe, il faudrait 1 100 échantillons. Un tel travail serait impossible à réaliser dans un délai raisonnable pour un chimiste formulateur.
Vous pouvez constater qu'avec un nombre croissant d'ingrédients, nous pouvons atteindre près de 2 millions d'échantillons, un volume impossible à réaliser en laboratoire. Il y a une quinzaine d'années, nous avons investi dans ARTEMIS, le système de formulation à haut débit de Jealott's Hill. Vous pouvez voir ici l'échelle sur laquelle nous travaillions. Ce système permet de fabriquer et de caractériser automatiquement les échantillons. Il peut produire environ 200 échantillons par jour et les caractériser entièrement, ce qui représente un progrès considérable par rapport au travail d'un chimiste formulateur en laboratoire.
L'un des tests que nous devons effectuer consiste à observer la réaction de l'échantillon lorsqu'il est versé dans une cuve de pulvérisation. Nous utilisons un test standard, un test industriel, que nous appelons « réceptacle Crow ». Nous y préparons généralement une solution à 1 %. Nous devons vérifier manuellement la dispersion de la solution. Comment se manifeste-t-elle lorsqu'on la verse directement ? Nous évaluons également sa stabilité sur une période de plusieurs heures, pouvant aller jusqu'à 24 heures.
Encore une fois, il s'agit d'un test très subjectif. Un chimiste pourrait juger l'échantillon satisfaisant, tandis qu'un autre, plus exigeant, pourrait déceler la présence d'une fine couche de crème en surface ou d'un dépôt au fond. Voici un exemple de ce que nous recherchons, comme l'indique l'aide en ligne. Tout est très visuel. À gauche, nous avons les meilleurs échantillons. Ce n'est pas encore parfait, mais c'est très bon. De gauche à droite, la qualité se dégrade. Concrètement, l'échantillon se dépose directement au fond du cylindre et ne se disperse pas du tout. Si un agriculteur versait cet échantillon dans une cuve de pulvérisation, sans agitation, la pulvérisation sur le champ, et donc sur les plantes, serait inefficace.
Concernant ARTEMIS, et plus particulièrement son système d'imagerie, nous avons un module d'analyse visuelle (VAM), qui constitue probablement son atout majeur. Ce module prend plusieurs images. Je vais vous en faire la démonstration. Je vous montrerai l'image dans un instant. Il utilise un laser, un rétroéclairage et un éclairage frontal, le tout étant contenu dans un boîtier élégant.
Voici un exemple de ce que nous avons. Il s'agit d'un échantillon, et nous l'avons divisé en blocs de trois, avec différents temps d'exposition. Les trois premiers blocs montrent un faisceau éclairé par l'avant, puis par l'arrière, et enfin un laser qui traverse l'échantillon par l'avant. Vous observez alors le faisceau réfléchi. Les trois blocs suivants correspondent à une exposition différente, mais toujours avec un faisceau laser éclairé par l'avant, puis par l'arrière, traversant l'échantillon de la même manière. La troisième section présente, encore une fois, un temps d'exposition très long. Vous pouvez constater que l'intensité de la couleur tend à augmenter, comme prévu, avec des temps d'exposition plus longs. Le bloc suivant de trois images montre le laser provenant de l'arrière. Vous voyez ce qui est détecté par une caméra à partir du laser. Il s'agit encore une fois d'un faisceau laser traversant l'échantillon. En bas, vous apercevez de petits points rouges : c'est ce qui traverse l'échantillon. L'opacité est légèrement moins importante dans cette partie inférieure.
Celui de droite, on a tendance à l'ignorer car il ne nous apprend rien. J'espère que c'est clair. Voici un exemple : un échantillon de crémage. Si vous regardez les images, vous remarquerez une zone blanche en haut à gauche de l'échantillon n° 3. À contre-jour, on distingue nettement la présence de quelque chose en haut. C'est ce qu'on appelle un échantillon de crémage.
Ce que nous recherchons, c'est un échantillon homogène. Depuis plusieurs années, nous utilisons un logiciel appelé ImageJ. Il nous fournit une valeur numérique pour l'échantillon, sans se soucier de sa nature. Par exemple, une valeur numérique entre 0 et 255 correspond à la couleur. Nous obtenons par exemple rouge, vert ou bleu. Ce résultat n'est pas interprétable. C'est à chacun, généralement moi, de rassembler toutes ces données et d'indiquer au chimiste la nature de l'échantillon. S'agit-il d'un échantillon blanc homogène, idéal, ou d'un échantillon jaune sédimenté ? Nous pouvons obtenir la couleur à partir des données numériques, mais c'est très long. Depuis des années, je souhaite simplement un logiciel capable de décrire l'aspect d'un échantillon. Est-ce un échantillon blanc homogène ?
Je n'aurais absolument rien à interpréter. Peut-être quelques vérifications en coulisses, mais je n'aurais pas à me plonger dans le travail fastidieux d'analyse des chiffres.
Dans ce cadre, nous avons élaboré un plan d'expériences afin de sélectionner un certain nombre d'émulsifiants et d'obtenir les images nécessaires à l'analyse des données Torch, ainsi que pour d'autres raisons. Nous disposions d'un grand nombre d'échantillons. Environ 800 échantillons ont été préparés pour l'expérience et utilisés pour cette analyse d'images. Chaque image a été réalisée en trois exemplaires. L'analyse a également été effectuée sur chacun de ces échantillons. Au total, il y a sept images par échantillon, que j'ai ensuite examinées et interprétées. Il s'agissait de déterminer la présence de sédiments, de crème, d'homogénéité, de mousse, etc. Ce travail, vous vous en doutez, a été très long. Nous avions plus de 6 000 images à analyser. Cela a pris beaucoup de temps. Je n'ai pas obtenu la bonne interprétation du premier coup. Je ne l'obtiens probablement pas encore, mais j'ai fait de mon mieux.
J'ai prélevé divers échantillons pour différentes raisons de dosage. Les images sont conservées pour d'éventuelles autres techniques. Au laboratoire, l'analyse d'un échantillon est immédiatement perdue : on le jette à l'évier et on ne peut plus l'examiner à nouveau, aucune image n'étant disponible. Quel outil utiliser pour l'analyse d'images ? Il s'agit de Torch, intégré à JMP, un outil très performant. Nous y reviendrons plus en détail, mais comme Russ vient de le dire, ce programme peut analyser une image et l'interpréter à partir de données que j'y ai préalablement intégrées. Mon ordinateur portable, sur lequel je travaille, est un modèle haut de gamme. Je vous recommande vivement d'utiliser un PC performant, car cette opération consomme beaucoup de mémoire. Je ne ferai aucune démonstration en direct, car cela peut prendre beaucoup de temps, surtout pour les analyses complexes.
J'ai plusieurs exemples où je peux observer de légères différences. Nous allons aborder des points importants, mais je tiens à préciser que je ne suis absolument pas expert en la matière. Je comprends la signification des chiffres, mais le fonctionnement précis, je l'ignore. J'ai d'ailleurs une citation de Socrate dont je suis assez fier. Je l'ai retrouvée. Je sais que je n'y connais rien, alors je préfère laisser aux experts le soin de me l'expliquer. Je vous laisse donc vous débrouiller. Je ne présente ici qu'une version très simplifiée. J'ai effectué un travail de recherche approfondi et les données vous seront également fournies. J'espère que vous pourrez les examiner et en tirer des informations encore plus pertinentes. Comme je l'ai dit précédemment, les résultats ne sont pas parfaits. Je suis satisfait d'une corrélation de 80 % entre mon interprétation des échantillons et les résultats de JMP.
Je vais plus loin. Il existe d'autres outils pour cela. On peut même utiliser le script Python dans son environnement natif.
Nous envisageons d'intégrer cela à notre pipeline de données. Nous espérons automatiser ce processus dès que nous aurons acquis davantage de connaissances et de certitudes quant à la signification et à la fiabilité des résultats. Nous y serons presque.
Quelques remerciements avant de passer aux choses sérieuses. Nous avons plusieurs personnes à remercier. Merci, Sam. Quelques personnes de JMP : Liz Easton de Jealott's Hill, qui gère toutes les licences JMP, et Alan Brown, dont certains d'entre vous se souviennent peut-être, ancien statisticien chez Syngenta, qui a grandement contribué à l'adoption de JMP chez Syngenta ces dernières années. Comme je le disais, il est maintenant à la retraite, mais son influence perdure. J'espère pouvoir utiliser JMP prochainement.
Voici le protocole expérimental, que je ne détaillerai pas ici. Il s'agit d'une version simplifiée. Nous utilisons un système d'IA, trois émulsifiants (dont les quantités sont indiquées), et le solvant (avec les concentrations correspondantes), pour obtenir près de 1 400 échantillons. Nous disposons de trois types de cuvettes différents, dans lesquelles nous plaçons les échantillons par paires.
Nous avons la cuvette témoin, qui contient l'échantillon pur. Nous avons également une dilution, réalisée environ cinq minutes après la préparation et l'inversion de l'échantillon, au cours de laquelle l'image est prise. Le point de départ est égal à 0. Le lendemain, soit après environ 24 heures, nous souhaitons observer la stabilité de ces échantillons sur plusieurs heures. L'analyse visuelle et la couleur sont mon interprétation. On observe une homogénéité, situation idéale ; une texture crémeuse, lorsque l'échantillon est remonté à la surface ; un état pur, qui correspond toujours à la cuvette témoin ; un sédiment, lorsque l'échantillon s'est déposé au fond ; et une mousse, lorsque l'inversion de l'échantillon a créé de la mousse, situation non idéale. Le module complémentaire Torch permet de créer des colonnes de validation croisée k-fold. Conformément à cette recommandation, nous avons ici trois colonnes, qui sont essentiellement les colonnes de validation, ainsi que des extraits d'images. Ce ne sont pas des images en pleine résolution. Elles sont intégrées au tableau de données.
Vous pouvez constater très clairement qu'il y a des échantillons de qualités différentes. Comme je l'ai dit précédemment, je ne vais pas détailler tout cela car cela prendrait beaucoup de temps.
J'espère que vous pouvez constater le nombre d'analyses que j'ai déjà effectuées. Les principaux indicateurs que j'examine sont ceux-ci : le coefficient de détermination (R²) d'entraînement par rapport à la précision de validation. Comme je l'ai mentionné précédemment, je recherche une concordance d'environ 80 % entre mes prédictions et les résultats du modèle. Ici, vous pouvez voir 96 %, là 97 %. Il y a de très bonnes corrélations. Il existe de nombreux types de modèles d'images. Plus on descend dans la liste, plus le temps de calcul est long, mais j'en ai testé plusieurs par le passé et j'ai constaté que LeNet5 représente un bon compromis. Le rapport entre la vitesse d'analyse et les résultats obtenus s'améliore légèrement en descendant dans la liste. Je suis très satisfait des 95 % obtenus. Vous pouvez également modifier le nombre de couches, la taille des lots et la taille des images. Je le répète, je ne suis pas un expert.
Je teste différentes valeurs pour obtenir divers résultats. Vous pouvez voir que j'en ai essayé plusieurs. Il n'y a pas d'amélioration significative par rapport à la valeur par défaut, qui est celle du haut.
L'un des nombreux avantages est ce graphique présentant l'historique d'entraînement. On constate que l'objectif est une diminution significative, potentiellement plus rapide. Il est possible de parcourir différents modèles pour comparer leurs performances. Certains sont excellents, d'autres moins, très bruités. On peut les améliorer, malgré le bruit important, mais il est possible de les optimiser progressivement. J'aimerais également examiner ces graphiques. Ils permettent de visualiser la probabilité d'obtenir une réponse correcte. Bien que cela puisse paraître confus, les chiffres réels, même si la prédiction est erronée (il est possible que je n'aie pas correctement interprété ces données), indiquent une très bonne corrélation (seulement 33 sur 1 500). Pour preuve, on peut également consulter les matrices de confusion : la plupart des prédictions sont correctes.
Le jaune est présent à 100 %. Comme prévu, vous pouvez détecter différentes couleurs si vous le souhaitez. Le blanc est à 97 % et présente une très bonne corrélation avec les données de validation.
Vous pouvez y tester différents modèles. Le test des sédiments n'est pas très performant pour les mousses spécifiques. Ce n'est pas un test important. Quant au test de la crème, il n'offre pas une grande fiabilité (environ 84 % sur 1 500), ce qui est plutôt correct. Cela me montre qu'il y a un fort potentiel et que nous pouvons l'intégrer à notre flux de travail d'analyse. Nous pourrons ainsi, idéalement, récupérer automatiquement l'image, effectuer l'analyse et obtenir un résultat lisible. Il s'agit encore une fois d'un test très basique. Nous pourrions y intégrer davantage d'informations si nécessaire, comme différentes couleurs ; par exemple, du bleu si nous avons des formulations bleues.
Voilà un aperçu rapide de mes essais avec un module complémentaire Torch pour JMP, et c'était plutôt amusant. Pour plus d'informations, ne vous adressez pas à moi. Contactez plutôt des personnes comme Russ, qui pourra vous en donner beaucoup plus. À toi la parole, Russ. Je n'en dirai pas plus.
Merci David. C'est un exemple vraiment impressionnant. C'est passionnant à voir, surtout que je sais que tu es un expert en formulation chimique, mais pas en apprentissage profond, et pourtant tu arrives à obtenir des résultats. C'est exactement comme ça que nous avons conçu le logiciel, et même JMP en général : pour les scientifiques et les ingénieurs, et maintenant pour les data scientists ingénieurs. Nous sommes une nouveauté qui arrive bientôt. Je voulais aussi mentionner un point technique : si je ne me trompe pas, David, le modèle par défaut de LeNet redimensionne également tes images laser à 28 x 28 pixels seulement. Une réduction de résolution assez importante. J'ai d'ailleurs des exemples où cela a tendance à vraiment dégrader les performances. Dans ton cas, c'est vraiment impressionnant.
Ça fonctionne très bien.
Pour d'autres applications, on peut utiliser des images plus grandes, ce qui ralentit les calculs, mais parfois le jeu en vaut la chandelle. C'est là que les GPU Nvidia sous Windows peuvent s'avérer très utiles. Je partage votre recommandation. Il faut du matériel performant pour faire tourner ces modèles. Malheureusement, ils sont assez abordables, du moins sous Windows actuellement, grâce au monde du jeu vidéo. Ils utilisent souvent les mêmes puces. Le problème, c'est que si vous avez des adolescents, vous risquez de vous disputer l'ordinateur. Mais c'est vraiment génial de voir l'application ici, David. Félicitations ! J'ai hâte de travailler davantage avec vous sur ces applications. D'une certaine manière, je pense que nous ne faisons que commencer. Je voulais ajouter quelques points à ce dont vous parliez.
Tout d'abord, pour information, nous allons faire une deuxième présentation, complémentaire à celle-ci. Selon la date à laquelle vous regardez cette vidéo, elle aura lieu en 2024. Si vous la regardez avant le 17 octobre, il est encore temps de vous inscrire. Si vous souhaitez la suivre en direct, rendez-vous sur LinkedIn et vous trouverez cette publicité. Vous pouvez également vous inscrire sur ma page ou celle d'Alexander Beck.
Si la présentation a eu lieu après le 17 octobre, vous devriez pouvoir trouver l'enregistrement pour plus de détails. Nous approfondirons également quelques points, en complément de la présentation d'aujourd'hui. Je tiens à préciser qu'il ne s'agit pas d'un cas isolé. Par exemple, une équipe de chercheurs de Singapour, de Cambridge et de BASF a publié cette année un excellent article sur les formulations de shampoing. On y retrouve des similitudes, notamment une approche expérimentale que nous apprécions particulièrement dans JMP. Ce type d'expérimentation et d'analyse correspond parfaitement à nos domaines d'expertise. Les chercheurs photographient leurs formulations et, là encore, tentent de construire des modèles de classification. Ils utilisent également des robots automatisés performants pour la collecte des images. C'est vraiment impressionnant. Je pense que cette technologie permet d'exploiter pleinement le potentiel de ces données de haute qualité et d'en tirer le meilleur parti.
Heureusement, ils ont rendu leurs données publiques. En voici un aperçu rapide. Nous avons également utilisé l'extension Torch pour traiter ces images et créer un classificateur.
Nous avons même pu légèrement améliorer les résultats publiés dans l'article. Ces modèles offrent un potentiel énorme. Leurs capacités sont impressionnantes. Ils ne sont pas infaillibles et peuvent parfois commettre des erreurs bêtes. Par exemple, dans ce cas précis, le recadrage s'est avéré très utile. Il faut faire attention aux artefacts sur les bords des images. Parfois, les modèles sont trop gourmands en informations. Ils peuvent se concentrer sur des aspects indésirables. Dans ce cas, un recadrage préalable nous a permis d'obtenir d'excellents résultats. Si vous souhaitez tester l'extension, elle est disponible gratuitement sur la communauté JMP. Une simple recherche, par exemple « Torch Deep Learning JMP Pro », vous permettra de trouver la page. Vous aurez besoin d'une version fonctionnelle de JMP Pro 18 ou 19. Une version d'essai est également disponible.
L'une ou l'autre de ces solutions devrait fonctionner. Il vous suffit ensuite de télécharger l'extension ici et le tour est joué. Pour rendre le tout encore plus attrayant, nous avons rassemblé une belle collection d'exemples intitulée « Torch Storybook ».
Il s'agit en fait d'un simple tableau de correspondance, que vous pouvez même télécharger sans l'extension, juste pour y jeter un œil. Nous en sommes à 47 exemples couvrant divers types d'applications. L'accent est mis sur la chimie, qui est sans doute l'un de nos secteurs d'activité les plus importants, voire notre principal axe de recherche scientifique. Par exemple, je pensais utiliser ces données pour une prochaine étape… Il s'agit d'un article de Discovery Europe, publié l'année dernière ou peut-être plus tôt cette année, portant sur un processus de fermentation par lots. Ils disposaient de données temporelles. L'intérêt réside dans la possibilité de créer des images à partir de ces données grâce à JMP Graph Builder, sous forme de carte thermique, puis de les intégrer à Torch Deep Learning. C'est une approche à laquelle vous n'auriez peut-être pas pensé au premier abord. En réalité, s'il y a un thème à retenir aujourd'hui, c'est que l'intégration de modèles d'apprentissage profond dans JMP ouvre un champ des possibles inédit et permet de nombreuses applications différentes.
De nombreuses applications présentées dans ce tableau proviennent d'images.
Je voulais également mentionner que nous travaillons aussi sur des textes non structurés, par exemple en utilisant les chaînes de molécules pour prédire leurs propriétés. C'est vraiment incroyable. J'espère que nous pourrons en reparler plus en détail lors d'une prochaine présentation, mais je voulais simplement vous donner un avant-goût. N'hésitez pas à télécharger ce tableau et à consulter les exemples qui pourraient vous intéresser. Jetez-y un œil. Le tableau contient des liens pour télécharger les données, qui sont toutes des jeux de données publics. Vous y trouverez également des exemples de résultats, des références et des informations générales. Si vous souhaitez vous familiariser rapidement avec le sujet, ce tableau est conçu pour vous y aider grâce à de nombreux exemples très pertinents. Il est toujours bon d'apprendre par l'exemple. Nous sommes très enthousiastes quant à ces applications. J'espère, David, qu'au fur et à mesure, d'autres pourront facilement suivre vos traces, et nous suivrons avec intérêt les autres applications que nous développerons. Merci encore, David. J'apprécie vraiment l'opportunité de travailler avec vous sur ce projet. Quelles sont vos prochaines étapes pour l'analyse, David ?
Il s'agit de tester différents échantillons et de s'assurer que chacun soit satisfait des résultats obtenus. Il s'agit de capitaliser sur les connaissances que nous possédons déjà.
Très bien. Je sais que certains de nos clients l'ont déjà fait… Ils ont procédé de la même manière et commencent à déployer leurs modèles en pratique. Beaucoup utilisent Python, et nous proposons désormais des applications permettant d'entraîner des modèles avec Torch, de les enregistrer comme objet PyTorch, puis de les charger dans un programme Python grâce à l'intégration Python de JMP. Nous avons établi d'excellentes connexions avec cette technologie. Il se passe beaucoup de choses passionnantes. C'est une méthode simple. C'est ce que je considère comme de l'IA/ML non générative standard, très populaire et pratique. Dans votre cas, David, cela pourrait vous éviter des visites chez l'ophtalmologiste et accélérer et améliorer considérablement vos flux de travail et vos activités quotidiennes.
Absolument.
Très bien. Merci à tous de nous avoir suivis. Nous espérons vous revoir lors des réunions Discovery ou à d'autres occasions. N'hésitez pas à nous contacter par LinkedIn ou par e-mail (adresse JMP). Nous serions ravis d'échanger avec vous sur les nouveautés concernant JMP Pro.
