In Syngenta, la classificazione delle immagini è fondamentale per la modellazione dei campioni all'interno di un sistema automatizzato di formulazione chimica che ha prodotto oltre 100.000 immagini. Le immagini vengono utilizzate per determinare le fasi successive nello sviluppo dei prodotti, ma la loro interpretazione visiva è molto dispendiosa in termini di tempo e soggettiva per il valutatore.
Il componente aggiuntivo Torch Deep Learning per JMP Pro sfrutta la potenza delle reti neurali convoluzionali e del GPU computing per semplificare notevolmente l'analisi e fornire risultati coerenti su un set concordato di immagini di controllo. Mostriamo quanto sia semplice, nel componente aggiuntivo, importare e prevedere un set di immagini piuttosto complesso e restituire un output significativo e interattivo in pochi minuti, per attività che normalmente richiedono ore o addirittura giorni con l'elaborazione manuale e la codifica Python.
Ciao a tutti. Benvenuti alla nostra presentazione di oggi. Sono Russ Wolfinger di JMP R&D e sono davvero lieto di essere qui con il mio amico e collega David Barnett di Syngenta. Siamo davvero entusiasti di parlare con voi oggi di un'applicazione relativamente nuova di JMP e JMP Pro che utilizza e analizza le immagini. È una nuova direzione per noi all'interno di JMP e ne siamo molto entusiasti. Ricordo che abbiamo trascorso gran parte dei primi anni di COVID lavorando a un nuovissimo componente aggiuntivo per JMP chiamato Torch Deep Learning, di cui avevamo sentito parlare da molti clienti, con grande interesse. Come sapete, c'è stata un'esplosione di interesse in tutto il mondo per l'intelligenza artificiale, il machine learning e il deep learning. Probabilmente i due pacchetti più popolari al momento sono PyTorch e TensorFlow. Abbiamo optato per PyTorch e, a quanto pare, Torch ha una buona interfaccia C++ che siamo riusciti a sfruttare a livello base. Siamo riusciti a mettere insieme un ottimo componente aggiuntivo che si integra perfettamente con JMP Pro e lo abbiamo reso disponibile.
Ricordo di essermi emozionato. Credo che fosse uscito solo da poche settimane, e in qualche modo David lo venne a sapere.
David, credo che tu sia stato uno dei primissimi a darci un'occhiata. Ricordo di aver sentito parlare dei tuoi primi successi. Sono davvero felice oggi di ascoltare la tua storia e di come sono andate le cose, e anche di alcune applicazioni e di come ti trovi ora, dopo aver potuto lavorare con questi dati e queste applicazioni negli ultimi mesi. David, lascia che ti passi la parola e ti racconti cosa stai facendo.
Grazie, Russ. È davvero ottimo. Scusa, ho solo dovuto condividere il mio schermo. Spero che tutti possano vederlo. Grazie, Russ, per questo. Come ha detto Russ, l'ho visto abbastanza presto in uno dei primi programmi per medici. È qualcosa che volevamo analizzare da un po' di tempo sul fronte dell'analisi delle immagini. Vi spiegherò la storia dietro a tutto questo, sul nostro sistema ad alta produttività.
Un breve riassunto dell'agroindustria: la crescente preoccupazione per come nutriremo il mondo in futuro. Entro il 2050, ci saranno circa nove miliardi di persone e il fabbisogno alimentare aumenterà molto di più. Come azienda, puntiamo a crescere sempre di più. Syngenta da sola ha circa 30.000 dipendenti in più di 90 paesi, credo, e abbiamo un fatturato piuttosto elevato lì, quindi quasi 17 miliardi tre anni fa. Il più grande sito di ricerca e sviluppo che abbiamo, ed è quello in cui lavoro, si trova a Jealott's Hill nel Regno Unito, appena fuori Londra. Investiamo moltissimo in ricerca e sviluppo all'interno dell'azienda.
Abbiamo tutti i tipi di chimici: sintetici, computazionali, analitici. Io mi occupo di chimica formulativa, che sostanzialmente consiste nel mettere insieme tutte le nostre conoscenze e vendere prodotti. Le tendenze formulative che abbiamo dovuto affrontare, dovute alle pressioni normative, alle pressioni sui costi e alla velocità con cui dobbiamo immettere i prodotti sul mercato, come ho detto, a tutte le pressioni normative che dobbiamo affrontare per realizzare prodotti più sicuri, significano che la complessità delle formulazioni sta crescendo in modo quasi esponenziale. Dobbiamo rendere i prodotti sicuri, non solo per la produzione, ma anche per gli agricoltori che utilizzano i nostri prodotti e anche per i consumatori che acquistano i prodotti su cui vengono utilizzati. Per questo motivo, abbiamo visto un'enorme opportunità nell'utilizzare l'automazione per svolgere gran parte del lavoro di base al posto nostro. Come ho detto, a causa della complessità delle formulazioni, della complessità della composizione, ciò che viene effettivamente inserito nella bottiglia è aumentato notevolmente. Il processo alla base di tutto ciò, anche l'ordine di aggiunta, può essere molto importante. Le risposte che abbiamo, sia che si stabilizzino nella bottiglia nel tempo, sia che si addensino nel tempo, spesso non sono lineari a causa delle diverse cose che dobbiamo mettere nella bottiglia.
I vantaggi che abbiamo riscontrato sono un set di dati più ampio e completo, che ci consente di comprendere meglio i prodotti che vendiamo agli agricoltori. Questo può anche ridurre la ripetitività del lavoro che dobbiamo svolgere in laboratorio per portare i nostri prodotti sul mercato. Possiamo anche integrare alcuni aspetti relativi ai costi. Se possiamo acquistare i nostri materiali a un prezzo inferiore, possiamo vendere i nostri prodotti a un prezzo inferiore sul mercato o possiamo ottenere maggiori profitti, che di solito è ciò che si intende.
Inoltre, le prestazioni del prodotto sono migliorate. Possiamo integrare nei prodotti alcuni adiuvanti, come li chiamiamo noi, per aiutarli a penetrare meglio nelle piante o negli insetti. Data la complessità, questa è solo una spiegazione molto semplice del numero di componenti che possiamo inserire. Se, nella riga superiore, abbiamo 20 ingredienti e vogliamo solo fare una miscela uno a uno, abbiamo 190 campioni. Un chimico formulatore potrebbe farlo in laboratorio. Se si vuole aggiungere maggiore complessità e fare solo una miscela uno a uno, abbiamo 1.100 campioni. Non è qualcosa che un chimico formulatore può fare in un lasso di tempo ragionevole.
Se avessimo un numero sempre maggiore di ingredienti, potremmo arrivare a quasi 2 milioni di campioni, e in laboratorio non ci avvicineremmo nemmeno lontanamente a questo. Qualche anno fa, circa 15 anni fa, abbiamo investito in quello che chiamiamo ARTEMIS, il sistema di formulazione ad alta produttività di Jealott's Hill. Lì, potete vedere la scala su cui stavamo lavorando. Si tratta di un sistema in grado di produrre e caratterizzare automaticamente i campioni. Il sistema può produrre circa 200 campioni al giorno e caratterizzarli completamente, un cambiamento radicale rispetto a ciò che il chimico di formulazione può fare in laboratorio.
Uno dei test che dobbiamo fare è vedere come reagisce il campione quando viene versato in un serbatoio di spruzzatura. Utilizziamo un test standard, un test industriale, che chiamiamo Crow Receiver. Normalmente prepariamo una soluzione all'1% in questo. Dobbiamo controllare manualmente quanto è ben fiorito. Quando lo versi direttamente, come fiorisce? Inoltre, valutiamo la stabilità per diverse ore. Questo test può durare fino a 24 ore.
Di nuovo, è un test molto soggettivo. Un chimico potrebbe vedere che va bene, un altro potrebbe essere un po' più selettivo e notare effettivamente che c'è un po' di crema sulla superficie del campione o un po' di sedimento sul fondo. Ecco un esempio di ciò che stiamo cercando, come suggerisce l'aiuto. È tutto molto visivo. A sinistra, abbiamo i campioni migliori. Non ancora brillanti, ma molto buoni. Procedendo da sinistra a destra, si passa a pessimi. In pratica, il campione cade direttamente sul fondo del cilindro e non c'è alcuna dispersione. Se un agricoltore lo versasse in un serbatoio di irrorazione, senza agitarlo, non verrebbe irrorato correttamente sul campo, e quindi sulle piante.
Ora, su ARTEMIS, tornando alla bestia, abbiamo un modulo di analisi visiva, VAM, che è probabilmente l'aspetto più forte della sua caratterizzazione. Ciò che fa è scattare una serie di immagini. Vi farò una dimostrazione. Vi mostrerò l'immagine tra un minuto. Usa il laser, la luce posteriore e quella frontale, ed è tutto contenuto in una bella scatola lucida.
Questo è un esempio di ciò che abbiamo. Questo è un campione, e abbiamo, in blocchi di tre, diversi tempi di esposizione. I primi tre, c'è un'illuminazione frontale, una retroilluminazione e poi un laser che entra in un piano, nel campione, nella parte anteriore, e si vede ciò che viene riflesso indietro. I secondi tre hanno un'esposizione diversa, ma ancora una volta, è un laser illuminato frontalmente e retroilluminato, che entra in un piano come quello. La terza sezione è, di nuovo, la stessa, con un tempo di esposizione molto lungo. Si può vedere che l'intensità del colore tende ad aumentare, come ci si aspetterebbe, con tempi di esposizione più lunghi. Il blocco successivo di tre è il laser proveniente dalla parte posteriore. Si vede ciò che viene effettivamente rilevato da una telecamera dal laser. Di nuovo, è un piano di un laser che passa attraverso. In basso, si vedono dei piccoli punti rossi, ed è quello che passa attraverso il campione. Non è così opaco in basso.
Quello a destra, tendiamo a ignorarlo perché non ci dice nulla. Spero di essere stato chiaro. Questo è un esempio. Questo è un campione di crema. Se guardate le immagini, tendete a vedere una macchia bianca in alto a sinistra del numero 3. È abbastanza chiaro, in controluce, che c'è qualcosa in alto. È quello che chiamiamo un campione di crema.
Quello che cerchiamo è un campione omogeneo in tutto questo. Da diversi anni abbiamo a disposizione un programma chiamato ImageJ. Ci fornisce un valore numerico del campione, e non gli importa di che tipo di campione si tratti, ci restituisce solo un valore numerico. Qualsiasi valore da 0 a 255 è uno dei numeri per il colore. Ad esempio, otteniamo rosso, verde e blu. Non otteniamo un output leggibile dall'uomo. Sta molto all'individuo, di solito io, mettere insieme tutti questi numeri e dire al chimico che tipo di campione è. È un buon campione bianco omogeneo, che è l'ideale, o è un campione giallo sedimentato? Come parte dei numeri, possiamo ottenere il colore, ma è un'operazione che richiede molto tempo. Tutto ciò che volevo, per diversi anni, era un programma che potesse effettivamente dirmi che aspetto ha un campione. È un buon campione bianco omogeneo?
Non dovrei interpretare nulla. Forse qualche controllo in background, ma non dovrei addentrarmi nella natura laboriosa dei numeri.
Come parte di questo, abbiamo eseguito un progetto di esperimento per escludere effettivamente diversi emulsionanti e ottenere le immagini necessarie per elaborare tutte queste informazioni sulla torcia e anche per altri motivi. Abbiamo diversi campioni. Avevamo circa 800 campioni che dovevamo preparare per un esperimento, che abbiamo utilizzato per questa analisi delle immagini. Tutte le immagini sono state preparate in triplice copia. L'analisi delle immagini è stata preparata anche su ciascuno di questi campioni. In totale, si tratta di sette immagini per campione, che poi ho analizzato e interpretato personalmente. Che si tratti di un campione di sedimento, di un campione di crema, se è omogeneo, se è un po' di schiuma, varie cose diverse lì presenti, il che spero possiate immaginare è stato piuttosto dispendioso in termini di tempo. Avevamo oltre 6.000 immagini da esaminare. Ci è voluto un bel po' di tempo. Non ci sono riuscito al primo tentativo. Probabilmente non è ancora del tutto corretto, ma ho fatto del mio meglio.
Ho prelevato vari campioni per diverse ragioni di dosaggio. Le immagini vengono conservate per qualsiasi altra tecnica si voglia utilizzare. Quando si analizza un campione in laboratorio, l'analisi viene praticamente eliminata immediatamente perché si versa il campione nel lavandino e non è più possibile analizzarlo con altre immagini, rimane lì per sempre. Cosa useremmo per eseguire questa analisi delle immagini? Si chiama Torch in JMP, quindi è un'ottima soluzione. Sono sicuro che per noi, entreremo più nei dettagli, ma questo significa sostanzialmente, come ha appena detto Russ, che questo programma può effettivamente analizzare un'immagine e interpretarla per me sulla base di alcune conoscenze pregresse che ho inserito. Il mio portatile, su cui faccio tutto questo, ha specifiche elevate e consiglio vivamente di procurarsi un PC con specifiche elevate per questo scopo perché utilizza molta memoria per eseguire effettivamente l'analisi. Non farò nulla dal vivo qui perché può richiedere parecchio tempo, soprattutto nel tipo di analisi più complessa.
Ho diversi esempi in cui noto leggere differenze. Onestamente, stiamo per arrivare al nocciolo della questione, ma premetto che non sono affatto un esperto in materia. So cosa significano i numeri quando vengono visualizzati, ma non so esattamente come funzionino. Ho una citazione di Socrate, di cui ero piuttosto orgoglioso. L'ho trovata. So di non saperne nulla, quindi lascerei che siano gli esperti a spiegarmelo. Poi lascio a voi. Sto anche mostrando solo un lavoro molto semplificato. Ho svolto molto altro lavoro in background per farlo, e i dati vi saranno forniti anche voi. Spero che li guarderete e ne trarrete informazioni ancora migliori. Come ho detto prima, i risultati non sono perfetti. Sono soddisfatto di una correlazione dell'80% tra l'aspetto che ritengo dei campioni e quello che JMP dice che hanno.
Sto andando oltre. Esistono altri strumenti disponibili per farlo. Puoi effettivamente usare lo script Python nel suo ambiente nativo.
Quello che abbiamo pensato di fare è di integrare questo processo nella pipeline della nostra rete dati. Speriamo di automatizzarlo. Una volta acquisite maggiori conoscenze e maggiore fiducia nel significato reale dei risultati e nella loro veridicità, ci siamo quasi.
Qualche ringraziamento prima di passare alle cose più interessanti. Ne abbiamo diverse. Grazie, Sam. Alcune persone di JMP. Liz Easton di Jealott's Hill, che si occupa di tutte le licenze JMP, e Alan Brown, che alcuni di voi ricorderanno, uno statistico in pensione di Syngenta che ha avuto una grande influenza sull'utilizzo di JMP in Syngenta negli ultimi anni. Come ho detto, ora è in pensione, ma la sua eredità vive ancora. Spero di riuscire a dedicarmi a JMP.
Il progetto dell'esperimento, che non ho intenzione di approfondire, è una versione semplificata. Abbiamo il sistema di intelligenza artificiale, tre emulsionanti, e questa è la quantità, quei tre. Il solvente lì con i livelli applicabili a quelli lì, che compongono quasi 1.400 campioni. Abbiamo tre diversi tipi di cuvette, in cui appaiamo i campioni.
Abbiamo la cuvetta pulita, che rappresenta il campione puro. Abbiamo la diluizione, che avviene circa cinque minuti dopo la preparazione e l'inversione, dopo aver acquisito l'immagine. Questo valore è uguale a 0. Il giorno successivo, quindi dopo circa 24 ore, vogliamo verificare la stabilità di questi campioni nel corso delle ore. L'analisi visiva e il colore sono la mia interpretazione. C'è omogeneità, che è la situazione ideale. Crema, che indica il punto in cui il campione è salito in superficie. Puro, che dovrebbe sempre essere correlato alla cuvetta pulita. Sedimento, che indica il punto in cui i campioni si sono sedimentati sul fondo. Schiuma, dove il campione è stato invertito e si è formata schiuma, che non è una situazione ideale per i campioni. Come parte del componente aggiuntivo Torch, è possibile creare colonne k-fold. Come raccomandazione, abbiamo tre colonne qui, che sono fondamentalmente le colonne di convalida, più lì, e i ritagli di immagine. Non sono le immagini a piena risoluzione. Sono inserite nella tabella dati lì.
Come potete vedere, ci sono, chiaramente, diverse qualità di campione. Come ho detto prima, non mi dilungherò su questo aspetto perché potrebbe richiedere parecchio tempo.
Spero che possiate vedere una serie di analisi che ho effettivamente svolto in precedenza. I dati principali che considero sono questi qui, dal training Rsquare all'accuratezza di convalida. Come ho detto prima, cerco una concordanza di circa l'80% tra ciò che ho detto e il modello a cui si riferiscono. Potete vedere qui sopra, avete il 96%, lì il 97%. Ci sono delle correlazioni molto buone. Ci sono moltissimi tipi diversi di modelli di immagine che si possono esaminare. Più si scende in questa lista, più tempo ci vuole, ma ne ho provati diversi in passato e ho scoperto che questo LeNet5 è in realtà un buon compromesso. Tra la velocità dell'analisi e i risultati effettivi, si può migliorare man mano che si scende nella lista, anche se solo di poco. Sono molto soddisfatto del 95% che abbiamo ottenuto. È anche possibile modificare il numero di dimensioni dei livelli, le dimensioni del batch e le dimensioni dell'immagine. Ripeto, non sono un esperto.
Ho provato a trovare questi numeri e ho ottenuto risultati diversi. Come potete vedere, ne ho provati diversi. Non ci sono grandi miglioramenti rispetto al valore predefinito, che è quello in alto.
Una delle tante cose interessanti è che qui si ottiene questo grafico sulla cronologia dell'addestramento. Si può vedere che quello che si sta cercando è che scenda molto più in basso, potenzialmente più velocemente. Si possono cliccare su diversi modelli per vedere come si comportano l'uno rispetto all'altro. Si possono trovare alcuni modelli davvero buoni. Si possono anche trovare modelli subottimali, che sono molto rumorosi. Si possono migliorare, ma c'è parecchio rumore, ma si può migliorare man mano che si procede. Un'altra cosa che mi piacerebbe molto vedere sono questi grafici. Si può effettivamente vedere la probabilità di ottenere una risposta corretta. Anche se può sembrare piuttosto confuso, i numeri effettivi, sebbene non stiano prevedendo correttamente. Di nuovo, questo potrebbe essere dovuto a una mia interpretazione errata. Sono solo 33, su 1.500. In realtà, un'ottima correlazione. A riprova di ciò, si possono anche guardare le matrici di confusione qui. La maggior parte di esse sono corrette.
Il giallo è al 100% di uno. Come ci si può aspettare, è possibile rilevare diversi colori se lo si desidera. Il bianco è al 97% e anche lì la correlazione con la validazione è molto buona.
Si possono provare diversi modelli. I sedimenti non sono molto efficaci con una particolare schiuma. Non è un test importante. La crema, invece, non fornisce una grande affidabilità, circa 84 su 1.500, quindi non male. Questo mi dimostra che c'è molta affidabilità dietro questo, e possiamo integrarlo nel nostro flusso di lavoro per l'analisi. Possiamo automaticamente, si spera, acquisire l'immagine, eseguire l'analisi e dirci come appare in un formato leggibile. Di nuovo, si tratta di un test molto elementare. Possiamo inserire molte più informazioni se necessario, colori diversi, potremmo inserire il blu se abbiamo anche formulazioni blu.
Questa è una rapida panoramica di base del mio lavoro con un componente aggiuntivo Torch per JMP, ed è stato davvero divertente, a dire il vero. Per maggiori informazioni, non rivolgetevi a me. Rivolgetevi a persone come Russ, che possono darvi molte più informazioni. Ora tocca a te, Russ. Smetterò di condividere.
Grazie, David. È un esempio davvero impressionante. È davvero emozionante vederlo, soprattutto perché so che sei un esperto di formulazioni chimiche, ma non di deep learning, eppure riesci a entrare in gioco e ottenere dei risultati. È esattamente così che abbiamo progettato il software, e persino JMP in generale, pensato per scienziati e ingegneri, e ora anche per gli ingegneri data scientist. Siamo una novità in arrivo. Volevo menzionare anche un aspetto tecnico: sembra, se non sbaglio, David, che il modello predefinito di LeNet ridimensioni anche le immagini laser a soli 28 x 28 pixel. Una riduzione piuttosto significativa della risoluzione. Ho alcuni esempi in cui questo tende a peggiorare notevolmente le prestazioni. Nel tuo caso, è davvero impressionante.
Funziona davvero bene.
Per altre applicazioni, c'è la flessibilità di usare immagini più grandi, il che rallenta il calcolo, ma a volte ne vale la pena. È qui che le GPU Nvidia su Windows possono essere molto utili. Condivido il tuo consiglio. Serve un hardware decente per far funzionare questi modelli. Sfortunatamente, sono abbastanza convenienti, almeno su Windows ora, grazie al mondo dei videogiochi. Spesso usano gli stessi chip. Il problema è che se hai degli adolescenti o qualcosa del genere, potresti litigare per la macchina, ma è davvero divertente vedere l'applicazione qui, David. Congratulazioni. Non vedo l'ora di lavorare di più con te su queste applicazioni. Penso che in un certo senso, siamo solo all'inizio. Volevo menzionare un paio di cose aggiuntive per approfondire ciò di cui stavi parlando.
Innanzitutto, giusto per informare i nostri ragazzi, faremo una seconda presentazione complementare a questa. A seconda di quando guarderete questo video, sarà nel 2024. Se guardate prima del 17 ottobre, avete ancora tempo per iscrivervi. Se volete seguire la diretta, andate su LinkedIn e troverete questo annuncio. Se volete, andate sulla mia pagina o su quella di Alexander Beck e iscrivetevi.
Se è passato il 17 ottobre, penso che possiate ancora trovare la registrazione per vedere qualche dettaglio in più, e approfondiremo anche un paio di argomenti, come seguito alla presentazione di oggi. Volevo anche sottolineare che questo non è un esempio isolato. Ad esempio, questo articolo è stato appena pubblicato quest'anno da un gruppo di ricercatori di Singapore, Cambridge e BASF, e hanno questo ottimo articolo sulle formulazioni degli shampoo. Aspetti molto simili, con un ottimo approccio di progettazione degli esperimenti, che adoriamo in JMP. Questo è proprio ciò che ci piace, esperimenti e analisi che ci piacciono. Poi scattano foto delle loro formulazioni e, ancora una volta, cercano di costruire modelli di classificazione per farlo. Hanno anche alcuni di questi fantastici robot automatizzati che aiutano a raccogliere le immagini. È davvero fantastico vedere questo. Penso che questa tecnologia sia stata in grado di sfruttare appieno le capacità di questi dati di alta qualità e di trarne il massimo.
Fortunatamente, hanno reso pubblici i loro dati. Eccone una rapida panoramica. Abbiamo anche analizzato queste immagini tramite il componente aggiuntivo Torch per creare un classificatore.
Siamo persino riusciti a migliorare leggermente i risultati pubblicati nell'articolo. Questi modelli offrono un ampio margine di miglioramento. Sono davvero incredibili le loro capacità. Non sono infallibili e a volte commettono persino errori ridicoli. Ad esempio, credo che in questo caso il ritaglio sia stato davvero utile. Bisogna fare attenzione agli artefatti lungo i bordi delle immagini. A volte i modelli sono così avidi. A volte si concentrano su aspetti che non sono quelli desiderati. In questo caso, abbiamo eseguito un ritaglio preliminare e siamo riusciti a ottenere risultati davvero buoni. Se desiderate provare il componente aggiuntivo, è disponibile gratuitamente nella community di JMP. Fate una ricerca, forse il modo più semplice per farlo è cercare su internet: Torch Deep Learning JMP Pro, dovreste riuscire a trovare questa pagina. È necessaria una copia funzionante di JMP Pro 18 o 19, disponibile anche come early adopter.
Dovrebbe funzionare almeno uno dei due. Poi basta scaricare il componente aggiuntivo qui e il gioco è fatto. Per rendere il tutto ancora più avvincente, abbiamo creato una bella raccolta di esempi chiamata Torch Storybook.
In realtà, questa è solo una tabella di salto, che puoi anche scaricare senza il componente aggiuntivo, giusto per dare un'occhiata, se vuoi. Ora abbiamo 47 esempi in una serie di diverse tipologie di applicazioni. Tende a concentrarsi un po' sulla chimica, che è uno dei nostri settori, probabilmente, o forse il nostro focus più importante nel campo scientifico, incluso, ad esempio, questo che pensavo potesse essere il prossimo sviluppo su dove abbiamo ottenuto i dati... In realtà, si trattava di un articolo di Discovery Europe. L'anno scorso, forse all'inizio di quest'anno, in un processo di fermentazione in batch. Avevano effettivamente dati temporali. La cosa interessante è che siamo stati in grado di creare immagini da questi dati utilizzando JMP Graph Builder in una mappa termica e poi di inserirle in Torch Deep Learning. È qualcosa a cui potresti non aver pensato all'inizio. In effetti, se c'è un tema oggi, è che questa idea di adattare le immagini in JMP con modelli di deep learning apre un ambito completamente nuovo e una varietà di applicazioni diverse.
Molte delle applicazioni in questa tabella provengono da immagini.
Volevo anche menzionare che stiamo lavorando anche su testo non strutturato, ad esempio usando stringhe smile di molecole per predire le proprietà. Davvero incredibile. Spero che ne parleremo più approfonditamente in un'altra presentazione, ma volevo solo stuzzicare la vostra curiosità. Sentitevi liberi di scaricare questa tabella e di dare un'occhiata agli esempi che potrebbero interessarvi. Date un'occhiata. La tabella contiene link da cui è possibile scaricare i dati, tutti set di dati pubblici. Ci sono anche output di esempio e riferimenti, oltre a informazioni di base. Se volete iniziare subito, questa tabella è progettata per aiutarvi con una serie di esempi davvero interessanti. È sempre utile imparare dagli esempi. Siamo molto entusiasti di queste applicazioni. Spero, David, che man mano che andiamo avanti, gli altri possano seguire le tue orme e che continueremo a seguirvi per altre applicazioni che abbiamo. Grazie ancora, David. Apprezzo molto l'opportunità di lavorare con te su questo argomento. Quali sono i tuoi prossimi passi, David?
Si tratta di provare diversi campioni e di garantire che tutti siano soddisfatti dei risultati ottenuti. Si tratta di basarsi sulle conoscenze che già possediamo.
Molto bene. So che abbiamo anche clienti che sono già... Hanno fatto la stessa cosa e stanno effettivamente iniziando a implementare i loro modelli nella pratica. Molti di loro usano Python, e ora abbiamo applicazioni in cui è possibile addestrare modelli in Torch, salvarli come oggetti PyTorch e poi caricarli in un programma Python utilizzando l'integrazione Python di JMP, molte volte. Ora abbiamo ottimi collegamenti con questo. Stanno succedendo un sacco di cose interessanti. Solo un modo per farlo. Questo è ciò che considero ML IA non generativo standard, molto popolare e pratico. Nel tuo caso, David, questo potrebbe farti risparmiare qualche visita dall'oculista e accelerare e migliorare davvero i tuoi flussi di lavoro e le tue attività quotidiane.
Certamente sì.
Bene. Grazie a tutti per l'attenzione. Speriamo di vedervi agli incontri Discovery o in altre occasioni che ci capiterà. Non esitate a contattarci in qualsiasi modo possibile, tramite LinkedIn o email JMP. Saremo lieti di parlare con voi di tutte le novità entusiasmanti che stiamo sviluppando con questo e altri progetti JMP Pro.
