Bei Syngenta ist die Bildklassifizierung ein Schlüsselelement für die Modellierung von Proben in einem automatisierten System zur chemischen Formulierung, das bereits über 100.000 Bilder erzeugt hat. Diese Bilder dienen der Festlegung der nächsten Schritte in der Produktentwicklung, ihre visuelle Interpretation ist jedoch sehr zeitaufwendig und subjektiv.
Das Torch Deep Learning Add-In für JMP Pro nutzt die Leistungsfähigkeit von Convolutional Neural Networks und GPU-Computing, um die Analyse deutlich zu vereinfachen und konsistente Ergebnisse für einen festgelegten Satz von Kontrollbildern zu liefern. Wir zeigen, wie einfach sich mit dem Add-In komplexe Bildersätze importieren und vorhersagen lassen und wie aussagekräftige, interaktive Ergebnisse innerhalb von Minuten generiert werden – Aufgaben, die mit manueller Bearbeitung und Python-Programmierung normalerweise Stunden oder sogar Tage in Anspruch nehmen.
Hallo zusammen! Herzlich willkommen zu unserer heutigen Präsentation. Ich bin Russ Wolfinger von der JMP-Forschungs- und Entwicklungsabteilung und freue mich sehr, meinen Freund und Kollegen David Barnett von Syngenta hier begrüßen zu dürfen. Wir freuen uns, Ihnen heute eine relativ neue Anwendung von JMP und JMP Pro vorzustellen: die Bildverarbeitung und -analyse. Dies ist ein neuer, vielversprechender Ansatz für JMP. Ich erinnere mich, dass wir in den ersten Jahren der COVID-Pandemie viel Zeit in die Entwicklung eines neuen Add-ins für JMP namens Torch Deep Learning investiert haben, an dem wir von vielen Kunden Interesse bekundet hatten. Wie Sie wissen, ist das Interesse an KI, ML und Deep Learning weltweit explosionsartig gestiegen. Die beiden derzeit wohl beliebtesten Pakete sind PyTorch und TensorFlow. Wir haben uns für PyTorch entschieden, und es stellte sich heraus, dass Torch eine komfortable C++-Schnittstelle bietet, die wir auf niedriger Ebene nutzen konnten. Wir haben ein gelungenes Add-in entwickelt, das sich nahtlos in JMP Pro integriert, und haben es veröffentlicht.
Ich erinnere mich, dass ich aufgeregt war. Ich glaube, es war erst ein paar Wochen auf dem Markt, und irgendwie hat David davon erfahren.
David, ich glaube, du warst einer der Ersten, die sich das angesehen haben. Ich erinnere mich an deine ersten Erfolge. Es freut mich sehr, heute deine Geschichte zu hören, wie alles begann und wie es dazu kam. Außerdem erzähle ich dir von deinen Anwendungen und wie es für dich aussieht, nachdem du in den letzten Monaten mit diesen Daten und Anwendungen gearbeitet hast. David, jetzt erzähle ich dir, woran du gerade arbeitest.
Danke, Russ. Das ist wirklich gut. Entschuldigung, ich musste kurz meinen Bildschirm teilen. Hoffentlich können alle das sehen. Danke dafür, Russ. Wie Russ schon sagte, habe ich das schon recht früh in einem der früheren Ärzteprogramme gesehen. Wir wollten uns das im Bereich der Bildanalyse schon länger genauer ansehen. Ich werde Ihnen gleich die Hintergründe dazu anhand unseres Hochdurchsatzsystems erklären.
Ein kurzer Blick auf die Agrarindustrie: Die Frage, wie wir die Welt in Zukunft ernähren werden, bereitet uns zunehmend Sorgen. Bis 2050 wird die Weltbevölkerung auf etwa neun Milliarden Menschen anwachsen, und der Bedarf an Nahrungsmitteln wird noch deutlich stärker steigen. Wir als Unternehmen wollen weiter wachsen. Syngenta allein beschäftigt rund 30.000 Mitarbeiter in über 90 Ländern und erzielt dort einen beachtlichen Umsatz von fast 17 Milliarden US-Dollar vor drei Jahren. Unser größter Forschungs- und Entwicklungsstandort, an dem ich arbeite, befindet sich in Jealott's Hill in Großbritannien, unweit von London. Wir investieren innerhalb des Unternehmens enorme Summen in Forschung und Entwicklung.
Wir haben Chemiker verschiedenster Fachrichtungen: Synthesechemiker, Computerchemiker und Analytiker. Ich selbst bin in der Formulierungschemie tätig. Hier bündeln wir unser gesamtes Wissen und entwickeln Produkte für den Vertrieb. Die Formulierungsentwicklung ist durch regulatorische und Kostendruck sowie die hohe Markteinführungsgeschwindigkeit bedingt. Wie bereits erwähnt, erfordert der hohe regulatorische Druck die Herstellung sichererer Produkte. Dadurch steigt die Komplexität der Formulierungen exponentiell an. Wir müssen die Sicherheit unserer Produkte gewährleisten – nicht nur für die Herstellung selbst, sondern auch für die Landwirte, die unsere Produkte verwenden, und die Verbraucher, die die Produkte kaufen, auf denen unsere Produkte Anwendung finden. Aus diesem Grund haben wir die große Chance erkannt, durch Automatisierung viele Hintergrundprozesse zu automatisieren. Wie gesagt, die Komplexität der Formulierungen und der Zusammensetzung – also der Inhaltsstoffe, die letztendlich in die Flasche kommen – hat stark zugenommen. Auch der Prozess selbst, insbesondere die Reihenfolge der Zugabe, kann entscheidend sein. Die Reaktionen darauf, ob sich die Flüssigkeit mit der Zeit in der Flasche absetzt, ob sie mit der Zeit auch eindickt, sind oft nichtlinear, da wir verschiedene Dinge in die Flasche geben müssen.
Die Vorteile, die wir sahen, waren ein größerer und vollständigerer Datensatz. Wir verstehen die Produkte, die wir an die Landwirte verkaufen, tatsächlich besser. Außerdem können wir die sich wiederholenden Laborarbeiten reduzieren, die nötig sind, um unsere Produkte auf den Markt zu bringen. Wir können auch Kosteneinsparungen erzielen. Wenn wir unsere Materialien günstiger einkaufen können, können wir unsere Produkte entweder günstiger verkaufen oder einen höheren Gewinn erzielen, was in der Regel dem gewünschten Ergebnis entspricht.
Außerdem wird die Produktleistung verbessert. Wir können sogenannte Hilfsstoffe (Adjuvantien) hinzufügen, um die Aufnahme der Wirkstoffe in die Pflanzen oder Insekten zu optimieren. Aufgrund der Komplexität ist dies nur eine vereinfachte Darstellung der möglichen Komponenten. Bei 20 Inhaltsstoffen in der ersten Reihe und einer 1:1-Mischung wären das 190 Proben. Ein Formulierungschemiker könnte dies im Labor durchführen. Bei komplexeren Mischungen wären es 1.100 Proben. Das ist für einen Formulierungschemiker in angemessener Zeit nicht zu bewältigen.
Sie sehen, wenn wir immer mehr Inhaltsstoffe haben, können wir fast 2 Millionen Proben herstellen, was im Labor bei Weitem nicht möglich ist. Vor einigen Jahren, genauer gesagt vor etwa 15 Jahren, investierten wir in das sogenannte ARTEMIS, ein Hochdurchsatzsystem für die Formulierung bei Jealott's Hill. Dort sehen Sie die Dimensionen, an denen wir gearbeitet haben. Das System kann Proben herstellen und sie automatisch charakterisieren. Es schafft etwa 200 Proben pro Tag und kann diese vollständig analysieren – ein Quantensprung gegenüber den Möglichkeiten des Formulierungschemikers im Labor.
Einer der Tests, die wir durchführen müssen, ist die Überprüfung der Reaktion der Probe beim Einfüllen in einen Sprühtank. Wir verwenden dazu einen Standardtest, einen sogenannten Crow Receiver. Normalerweise bereiten wir darin eine 1%ige Lösung zu. Wir müssen manuell prüfen, wie gut die Lösung aufblüht, wenn wir sie direkt hineingießen. Außerdem prüfen wir die Stabilität über mehrere Stunden. Dieser Test kann bis zu 24 Stunden dauern.
Auch hier handelt es sich um einen sehr subjektiven Test. Ein Chemiker mag die Probe für in Ordnung halten, ein anderer ist vielleicht etwas differenzierter und erkennt beispielsweise eine Rahmschicht an der Oberfläche oder Ablagerungen am Boden. Hier ist ein Beispiel dafür, was wir suchen, wie es die Hilfskraft ausdrückt. Das ist alles sehr visuell. Links sehen wir die besten Proben. Noch nicht perfekt, aber sehr gut. Von links nach rechts verschlechtert sich die Qualität. Die Probe sinkt dann einfach auf den Boden des Zylinders, ohne sich zu verteilen. Würde ein Landwirt diese Probe ohne Rühren in einen Spritzbehälter geben, könnte sie nicht effektiv auf das Feld und somit nicht auf die Pflanzen gesprüht werden.
Nun zurück zu ARTEMIS, dem Gerät selbst. Wir haben ein visuelles Analysemodul (VAM), das wohl seine größte Stärke ausmacht. Es nimmt mehrere Bilder auf. Ich zeige Ihnen das gleich. Die Aufnahmen werden mit Laser, Gegenlicht und Vorderlicht erstellt und sind in einem eleganten Gehäuse untergebracht.
Dies ist ein Beispiel. Es handelt sich um eine Probe, die in Dreierblöcken mit unterschiedlichen Belichtungszeiten untersucht wurde. In den ersten drei Blöcken wurde die Probe von vorne, von hinten und anschließend von einem Laserstrahl durchdrungen, der in einer Ebene auf die Probe trifft und von vorne wieder auf die Probe trifft. Man sieht das reflektierte Licht. Die zweiten drei Blöcke zeigen eine andere Belichtung, aber auch hier trifft der Laserstrahl von vorne und von hinten auf eine solche Ebene. Der dritte Abschnitt zeigt erneut die gleiche Belichtung mit einer sehr langen Belichtungszeit. Wie erwartet, nimmt die Farbintensität mit längeren Belichtungszeiten zu. Im nächsten Dreierblock trifft der Laserstrahl von hinten. Man sieht, was die Kamera vom Laserstrahl erfasst. Auch hier durchdringt der Laserstrahl die Probe. Am unteren Rand sind kleine rote Punkte zu sehen; diese durchdringen die Probe. Dort ist die Probe nicht ganz so undurchsichtig.
Die Probe auf der rechten Seite ignorieren wir meist, weil sie uns nichts aussagt. Hoffentlich war das verständlich. Hier ist ein Beispiel: eine sogenannte Aufrahmungsprobe. Auf den Bildern sieht man oben links bei Nummer 3 meist einen weißen Fleck. Im Gegenlicht ist deutlich zu erkennen, dass sich dort oben etwas befindet. Das bezeichnen wir als Aufrahmungsprobe.
Wir benötigen eine homogene Probe. Seit Jahren verwenden wir dafür ein Programm namens ImageJ. Es liefert uns einen numerischen Wert für die Probe, unabhängig von deren Zusammensetzung. Die Werte zwischen 0 und 255 stehen für die Farbe, beispielsweise Rot, Grün und Blau. Die Ausgabe ist nicht lesbar. Normalerweise muss ich diese Werte manuell auswerten und dem Chemiker die Probe beschreiben. Handelt es sich um eine homogene, weiße Probe – ideal – oder um eine abgesetzte, gelbe Probe? Die Farbe lässt sich zwar auswerten, aber das ist sehr zeitaufwendig. Ich wünsche mir seit Jahren ein Programm, das mir direkt das Aussehen einer Probe beschreibt. Ist es eine homogene, weiße Probe?
Ich müsste überhaupt nichts interpretieren. Vielleicht ein paar Hintergrundprüfungen, aber ich müsste mich nicht mit der mühsamen Natur der Zahlen auseinandersetzen.
Im Rahmen dieses Projekts haben wir ein Versuchsdesign entwickelt, um verschiedene Emulgatoren auszusortieren und die benötigten Bilder für die Auswertung der Torch-Daten zu erhalten. Wir hatten etwa 800 Proben, die wir für die Bildanalyse vorbereiteten. Alle Bilder wurden dreifach angefertigt. Die Bildanalyse wurde für jede Probe separat durchgeführt. Insgesamt gab es sieben Bilder pro Probe, die ich anschließend interpretierte. Dabei berücksichtigte ich verschiedene Aspekte wie Sediment, Creme, Homogenität, Schaum und vieles mehr. Sie können sich vorstellen, wie zeitaufwendig das war. Wir mussten über 6.000 Bilder sichten. Das hat einige Zeit in Anspruch genommen. Ich habe es nicht gleich beim ersten Mal richtig gemacht. Wahrscheinlich ist es immer noch nicht ganz perfekt, aber ich habe mein Bestes gegeben.
Ich habe verschiedene Proben aus unterschiedlichen Dosierungsgründen entnommen. Die Bilder werden für eventuelle weitere Analysemethoden aufbewahrt. Wenn man eine Probe im Labor untersucht, ist die Analyse im Grunde sofort verworfen, da man die Probe einfach wegschüttet und sie dann nicht mehr anhand von Bildern betrachten kann – sie ist für immer verloren. Womit führen wir diese Bildanalyse durch? Wir verwenden dafür das Programm Torch in JMP, das sich als sehr gut eignet. Wir werden sicher noch genauer darauf eingehen, aber im Grunde bedeutet das – wie Russ bereits erwähnt hat –, dass dieses Programm ein Bild analysieren und es anhand von zuvor eingegebenen Informationen interpretieren kann. Mein Laptop, mit dem ich das alles mache, ist sehr leistungsstark, und ich empfehle Ihnen dringend, sich ebenfalls einen leistungsstarken PC zuzulegen, da diese Analyse sehr viel Arbeitsspeicher benötigt. Ich werde hier keine Live-Analyse durchführen, da diese, insbesondere bei komplexeren Analysen, recht lange dauern kann.
Ich habe einige Beispiele, in denen ich leichte Unterschiede erkennen kann. Wir kommen jetzt wirklich zum Wesentlichen, aber vorab möchte ich betonen, dass ich kein Experte auf diesem Gebiet bin. Ich weiß zwar, was die Zahlen bedeuten, aber wie das Ganze funktioniert, verstehe ich nicht wirklich. Ich habe da ein Zitat von Sokrates, auf das ich ziemlich stolz bin. Ich habe es gefunden. Ich weiß, dass ich mich damit überhaupt nicht auskenne, deshalb überlasse ich es lieber den Experten, mir das zu erklären. Dann überlasse ich es Ihnen. Ich zeige Ihnen hier auch nur eine stark vereinfachte Darstellung. Ich habe im Hintergrund viel mehr Arbeit investiert, und die Daten werden Ihnen ebenfalls zur Verfügung gestellt. Hoffentlich können Sie sich diese ansehen und daraus noch weitere Erkenntnisse gewinnen. Wie bereits erwähnt, sind die Ergebnisse nicht perfekt. Ich bin zufrieden mit einer 80%igen Übereinstimmung zwischen meiner Einschätzung der Proben und den Ergebnissen von JMP.
Ich erreiche noch höhere Werte. Es gibt auch andere Möglichkeiten dafür. Man kann das Python-Skript sogar in seiner nativen Umgebung ausführen.
Wir haben überlegt, dies in unsere Datenpipeline zu integrieren. Wir hoffen, den Prozess automatisieren zu können, sobald wir mehr Wissen und Vertrauen in die Bedeutung und Korrektheit der Ergebnisse haben. Wir sind fast soweit.
Bevor ich zum Wesentlichen komme, möchte ich mich kurz bei einigen Kollegen bedanken. Vielen Dank, Sam. Ein paar Mitarbeitern von JMP: Liz Easton von Jealott's Hill, die sich um alle JMP-Lizenzen kümmert, und Alan Brown, an den sich einige von Ihnen vielleicht erinnern. Er war Statistiker im Ruhestand bei Syngenta und hat die Nutzung von JMP dort in den letzten Jahren maßgeblich vorangetrieben. Wie gesagt, er ist nun im Ruhestand, aber sein Vermächtnis lebt weiter. Ich hoffe, ich kann mich bald mit JMP beschäftigen.
Das Versuchsdesign, das ich hier nicht im Detail beschreiben werde, ist vereinfacht dargestellt. Wir verwenden das KI-System, drei Emulgatoren (in der angegebenen Menge) und das Lösungsmittel in den entsprechenden Konzentrationen, was insgesamt fast 1400 Proben ergibt. Außerdem verwenden wir drei verschiedene Küvettentypen, in denen wir die Proben paarweise analysieren.
Wir haben die reine Küvette mit der unverdünnten Probe. Dann haben wir die Verdünnung, die etwa fünf Minuten nach der Vorbereitung und dem Umdrehen der Küvette aufgenommen wird. Das entspricht dem Wert 0. Am nächsten Tag, also nach etwa 24 Stunden, möchten wir die Stabilität der Proben über mehrere Stunden überprüfen. Die visuelle Analyse und die Farbbewertung sind meine Interpretation. Es gibt den Zustand „homogen“, der den Idealzustand darstellt. „Creme“, bei dem sich die Probe oben abgesetzt hat. „Unverdünnt“, was immer der reinen Küvette entsprechen sollte. „Sediment“, bei dem sich die Probe am Boden abgesetzt hat. „Schaum“, bei dem sich durch das Umdrehen der Probe Schaum gebildet hat, was nicht optimal für die Probe ist. Mit dem Torch-Add-in können Sie k-fache Spalten erstellen. Gemäß dieser Empfehlung haben wir hier drei Spalten, die im Wesentlichen die Validierungsspalten darstellen, sowie dort die Bildausschnitte. Es handelt sich dabei nicht um Bilder in voller Auflösung. Diese werden dort in die Datentabelle eingefügt.
Man kann ganz deutlich sehen, dass die Proben unterschiedliche Qualitäten aufweisen. Wie bereits erwähnt, werde ich das jetzt nicht im Detail durchgehen, da es ziemlich lange dauern kann.
Hoffentlich sehen Sie hier einige Analysen, die ich bereits durchgeführt habe. Die wichtigsten Kennzahlen, die ich betrachte, sind das Trainings-R² und die Validierungsgenauigkeit. Wie bereits erwähnt, strebe ich eine Übereinstimmung von etwa 80 % zwischen meinen Vorhersagen und den Modellwerten an. Hier oben sehen Sie Werte von 96 % und 97 %. Es gibt also sehr gute Korrelationen. Es gibt unzählige verschiedene Bildverarbeitungsmodelle. Je weiter unten in der Liste, desto länger dauert die Analyse. Ich habe jedoch bereits einige Modelle getestet und festgestellt, dass LeNet5 einen guten Kompromiss darstellt. Die Analysegeschwindigkeit und die Ergebnisse verbessern sich mit jedem weiteren Modell in der Liste nur geringfügig. Ich bin mit den erzielten 95 % sehr zufrieden. Sie können auch die Anzahl der Schichten, die Batchgröße und die Bildgröße anpassen. Ich bin allerdings kein Experte.
Ich probiere einfach ein bisschen mit diesen Zahlen herum und erhalte verschiedene Ergebnisse. Wie Sie sehen, habe ich hier ein paar ausprobiert. Es gibt keine große Verbesserung gegenüber der Standardeinstellung, die hier ganz oben steht.
Eines der vielen tollen Features ist die Grafik zum Trainingsverlauf. Man sieht, dass die Werte idealerweise deutlich schneller sinken sollten. Man kann verschiedene Modelle durchklicken und ihre Leistung vergleichen. Es gibt einige wirklich gute, aber auch suboptimale, die stark verrauscht sind. Diese lassen sich zwar verbessern, aber das Rauschen ist recht hoch. Auch die Grafiken hier sind interessant. Sie zeigen die Wahrscheinlichkeit für eine korrekte Antwort. Auch wenn es etwas unübersichtlich aussieht, stimmen die Zahlen, obwohl die Vorhersage nicht korrekt ist. Möglicherweise habe ich das falsch interpretiert. Es sind nur 33 von 1500. Das ist eine sehr gute Korrelation. Zum Beweis dafür kann man sich die Konfusionsmatrizen ansehen. Die meisten Vorhersagen sind korrekt.
Gelb entspricht dort 100 %. Wie zu erwarten, lassen sich bei Bedarf verschiedene Farben erkennen. Weiß liegt bei 97 % und zeigt eine sehr gute Übereinstimmung mit der Validierung.
Sie können dort verschiedene Modelle ausprobieren. Sedimente eignen sich nicht besonders gut für Schaumbildung. Dieser Test ist nicht aussagekräftig. Cremes liefern keine besonders zuverlässigen Ergebnisse, etwa 84 von 1500, also gar nicht so schlecht. Das zeigt mir aber, dass die Ergebnisse sehr zuverlässig sind, und wir können sie in unseren Analyse-Workflow integrieren. Wir können das Bild idealerweise automatisch erfassen, die Analyse durchführen und das Ergebnis in einer verständlichen Form anzeigen lassen. Wie gesagt, es handelt sich um einen sehr grundlegenden Test. Wir könnten bei Bedarf viele weitere Informationen hinzufügen, beispielsweise verschiedene Farben, etwa Blau, falls wir auch blaue Formulierungen haben.
Das war ein kurzer Überblick über meine ersten Erfahrungen mit einem Torch-Add-in für JMP, und es hat mir wirklich Spaß gemacht. Für weitere Informationen wendet euch bitte nicht an mich, sondern an Leute wie Russ, die euch viel mehr Informationen geben können. Russ, du bist dran. Ich höre jetzt auf, etwas zu erzählen.
Vielen Dank, David. Das ist wirklich ein beeindruckendes Beispiel. Es ist sehr spannend, das zu sehen, besonders da ich weiß, dass Sie ein Experte für Formulierungschemie sind, aber kein Experte für Deep Learning. Trotzdem gelingt es Ihnen, sich damit auseinanderzusetzen und Ergebnisse zu erzielen. Genau so haben wir die Software und JMP im Allgemeinen konzipiert: für Wissenschaftler und Ingenieure und jetzt auch für Ingenieure mit Schwerpunkt auf Datenanalyse. Wir sind auf dem besten Weg, neue Wege zu gehen. Ich wollte noch erwähnen, dass das LeNet-Standardmodell, wenn ich mich nicht irre, David, die Laserbilder standardmäßig auf 28 x 28 Pixel skaliert. Das bedeutet eine deutliche Reduzierung der Auflösung. Ich habe tatsächlich einige Beispiele, bei denen dies die Leistung stark beeinträchtigt. In Ihrem Fall ist das Ergebnis wirklich beeindruckend.
Es funktioniert wirklich gut.
Für andere Anwendungen besteht die Möglichkeit, größere Bilder zu verwenden, was die Rechenleistung zwar erhöht, sich aber manchmal durchaus lohnt. Hier erweisen sich die Nvidia-GPUs unter Windows als äußerst nützlich. Ich stimme Ihrer Empfehlung zu. Man benötigt ordentliche Hardware, um diese Modelle nutzen zu können. Dank der Spielebranche sind sie zum Glück recht erschwinglich, zumindest unter Windows. Oftmals werden dieselben Chips verwendet. Das Problem ist nur: Wenn man Teenager im Haus hat, streitet man sich womöglich um den Rechner. Aber es ist wirklich toll, die Anwendung hier zu sehen, David. Herzlichen Glückwunsch! Ich freue mich darauf, mit Ihnen gemeinsam weiter an diesen Anwendungen zu arbeiten. Ich denke, wir stehen gewissermaßen erst am Anfang. Ich wollte noch ein paar Punkte hinzufügen, um auf Ihre Ausführungen aufzubauen.
Zunächst einmal, damit unsere Leute Bescheid wissen: Wir werden eine zweite Präsentation halten, die diese hier ergänzt. Je nachdem, wann Sie dieses Video ansehen, ist es das Jahr 2024. Wenn Sie es vor dem 17. Oktober ansehen, können Sie sich noch anmelden. Wenn Sie live dabei sein möchten, gehen Sie zu LinkedIn, dort finden Sie diese Anzeige. Sie können sich auch auf meiner Seite oder der von Alexander Beck anmelden.
Wenn der 17. Oktober bereits vorbei ist, können Sie die Aufzeichnung wahrscheinlich noch finden, um weitere Details zu erfahren. Wir werden im Anschluss an die heutige Präsentation auch einige Themen vertiefen. Ich möchte außerdem erwähnen, dass dies kein Einzelfall ist. Beispielsweise wurde dieses Jahr eine Studie einer Forschergruppe aus Singapur, Cambridge und BASF veröffentlicht. Sie haben eine interessante Arbeit über Shampoo-Formulierungen vorgelegt. Die Studie weist sehr ähnliche Aspekte auf, insbesondere den gelungenen Versuchsaufbau, den wir in JMP sehr schätzen. Experimente und Analysen, die genau unserem Fachgebiet entsprechen, sind genau das, was wir lieben. Die Forscher fotografieren ihre Formulierungen und versuchen, Klassifizierungsmodelle zu entwickeln. Sie setzen auch automatisierte Roboter ein, die bei der Bilderfassung helfen. Es ist wirklich beeindruckend, das zu sehen. Ich denke, diese Technologie ermöglicht es uns, die Möglichkeiten dieser hochwertigen Daten optimal zu nutzen und das Maximum herauszuholen.
Zum Glück haben sie ihre Daten tatsächlich öffentlich zugänglich gemacht. Hier ein kurzer Überblick. Wir haben diese Bilder außerdem mit dem Torch-Add-in analysiert, um einen Klassifikator zu erstellen.
Wir konnten die im Paper veröffentlichten Ergebnisse sogar noch etwas verbessern. Diese Modelle bieten großes Potenzial. Ihre Leistungsfähigkeit ist wirklich beeindruckend. Sie sind zwar nicht fehlerfrei und machen manchmal sogar dumme Fehler. Beispielsweise hat hier das Zuschneiden sehr geholfen. Man muss auf Artefakte an den Bildrändern achten. Manchmal sind die Modelle sehr gierig. Sie konzentrieren sich auf Aspekte, die man gar nicht möchte. In diesem Fall haben wir das Bild vorab zugeschnitten und dadurch sehr gute Ergebnisse erzielt. Wenn Sie das Add-in selbst ausprobieren möchten, steht es kostenlos in der JMP-Community zur Verfügung. Suchen Sie einfach im Internet nach „Torch Deep Learning JMP Pro“, dann sollten Sie die Seite finden. Sie benötigen eine funktionierende Version von JMP Pro 18 oder 19. Eine Early-Adopter-Version ist ebenfalls verfügbar.
Beide Varianten sollten funktionieren. Laden Sie dann einfach das Add-in hier herunter und schon kann es losgehen. Um das Ganze noch attraktiver zu gestalten, haben wir eine schöne Sammlung von Beispielen zusammengestellt, das sogenannte „Torch Storybook“.
Dies ist lediglich eine Sprungtabelle, die Sie bei Bedarf auch ohne Add-in herunterladen können. Wir haben mittlerweile 47 Beispiele aus verschiedenen Anwendungsbereichen. Der Schwerpunkt liegt dabei auf der Chemie, einem unserer wichtigsten Forschungsgebiete. Ein Beispiel hierfür ist die Datenquelle dieses Papers von Discovery Europe, das letztes oder Anfang dieses Jahres veröffentlicht wurde und sich mit Fermentationsprozessen befasste. Die Autoren verwendeten Zeitdaten. Interessanterweise konnten wir mithilfe des JMP Graph Builders aus diesen Daten Heatmaps erstellen und diese anschließend in Torch Deep Learning einbinden. Daran haben Sie vielleicht nicht sofort gedacht. Das zentrale Thema dieses Vortrags ist, dass die Kombination von Bildern in JMP mit Deep-Learning-Modellen völlig neue Anwendungsfelder eröffnet.
Viele der Anwendungen in dieser Tabelle basieren auf Bildern.
Ich wollte noch erwähnen, dass wir auch unstrukturierte Texte analysieren, zum Beispiel mithilfe von Smile-Strings von Molekülen, um Eigenschaften vorherzusagen. Ziemlich beeindruckend! Ich hoffe, wir können das in einer anderen Präsentation genauer besprechen, wollte Ihnen aber schon mal einen kleinen Vorgeschmack geben. Sie können diese Tabelle gerne herunterladen und sich die Beispiele ansehen, die Sie vielleicht interessieren. Schauen Sie sie sich an! Die Tabelle enthält Links zum Herunterladen der Daten – allesamt öffentliche Datensätze. Außerdem gibt es Beispielausgaben, Referenzen und Hintergrundinformationen. Wenn Sie sich schnell einarbeiten möchten, hilft Ihnen diese Tabelle mit vielen hilfreichen Beispielen dabei. Lernen durch Beispiele ist immer gut. Wir sind von diesen Anwendungen begeistert. Ich hoffe, David, dass andere im Laufe der Zeit gut in Ihre Fußstapfen treten können, und wir werden uns auch anderen Anwendungen widmen. Vielen Dank nochmal, David. Ich freue mich sehr über die Möglichkeit, mit Ihnen an diesem Projekt zu arbeiten. Was planen Sie, David, als Nächstes für Ihre Analyse?
Es geht darum, verschiedene Muster auszuprobieren und sicherzustellen, dass alle mit den Ergebnissen zufrieden sind. Es baut auf unserem bereits vorhandenen Wissen auf.
Sehr schön. Ich weiß, dass wir auch Kunden haben, die das bereits tun… Sie haben dasselbe gemacht und beginnen nun tatsächlich, ihre Modelle in der Praxis einzusetzen. Viele von ihnen verwenden Python, und wir bieten mittlerweile Anwendungen an, mit denen man Modelle in Torch trainieren, als PyTorch-Objekt speichern und dann mithilfe der Python-Integration von JMP mehrfach in ein Python-Programm laden kann. Wir haben dazu jetzt sehr gute Verbindungen. Es tut sich viel Spannendes. Das ist einfach eine Möglichkeit, das zu tun. Das ist, was ich als Standard-KI (nicht-generatives ML) bezeichne – sehr beliebt und praktisch. In Ihrem Fall, David, könnte Ihnen das einige Besuche beim Optiker ersparen und Ihre Arbeitsabläufe und täglichen Aufgaben deutlich beschleunigen und verbessern.
Auf jeden Fall, ja.
Okay. Vielen Dank an alle fürs Einschalten. Wir hoffen, Sie bei den Discovery-Meetings oder anderen Gelegenheiten wiederzusehen. Melden Sie sich gerne bei uns – ob über LinkedIn oder per JMP-E-Mail. Wir freuen uns darauf, mit Ihnen über die spannenden Neuerungen und Entwicklungen rund um JMP Pro zu sprechen.
