| Conférencier |
Transcription |
| Simon Stelzig |
Bonjour à tous. Je m'appelle Simon Stelzig. Je travaille chez Lohmann, les ingénieurs en liaison. Je travaille au département recherche et développement et j'aimerais vous parler aujourd'hui de Functional Data Explorer et de son utilisation pour visualiser les résultats pour les non-scientifiques. |
| |
Avant de commencer, voici une brève présentation de l'entreprise Lohmann. Vous n'en avez peut-être jamais entendu parler, mais vous utilisez ou croisez peut-être ses produits au quotidien. |
| |
Voici quelques faits et chiffres concernant Lohmann. En 2019, Lohmann a réalisé un chiffre d'affaires d'environ 600 millions d'euros. Je travaille sur le groupe Lohmann Tape, un producteur de rubans adhésifs. Il s'agit principalement de rubans adhésifs double face et nous sommes une entreprise 100 % B2C. |
| |
Vous pouvez acheter nos produits uniquement si… vous êtes un industriel… pour des applications industrielles. Nous sommes assez anciens, donc cette année marque environ 170 ans depuis la fondation de l'entreprise Lohmann. |
| |
Nous sommes essentiellement divisés en deux parties. L'une d'elles concerne les produits sur bande magnétique, sur lesquels je travaille. C'est le point central. |
| |
rubans adhésifs pour applications industrielles et c'est notre marque d'hygiène. |
| |
Nous sommes actifs à l'échelle mondiale. Nous disposons de 25 sites répartis dans le monde entier, avec environ 1 800 employés. Et, chose intéressante, |
| |
90 % de nos produits sont personnalisés, nous avons donc un portefeuille de produits assez complexe, où nous avons beaucoup de produits axés sur un très petit nombre d'applications pour un très petit groupe de clients. |
| |
Nous sommes donc le premier producteur de rubans adhésifs ou de nombreux rubans adhésifs double face et vous savez que nous avons de nombreuses applications, et c'est notre segment de marché dans lequel nous sommes présents. |
| |
L'une de nos applications est l'industrie, principalement pour les fenêtres et les portes, ainsi que pour les applications intérieures et extérieures dans le secteur du bâtiment et de la construction. |
| |
Vous pourriez également trouver des produits Lohmann dans les appareils électroménagers et électroniques, par exemple des rubans adhésifs pour fixer la coque arrière des smartphones. Ou encore dans le |
| |
Secteurs médicaux, principalement pour le diagnostic et le soin des plaies. Dans le secteur des transports, notamment pour l'automobile, pour l'intérieur ou l'extérieur. |
| |
Adhésion d'emblèmes sur les véhicules. Nous sommes également présents dans l'industrie graphique pour des applications d'impression flexible, où nous fournissons des rubans adhésifs. |
| |
Pour fixer la plaque d'impression sur les manchons. L'une des divisions du groupe Lohmann Tape est la marque d'hygiène, où nous fournissons des systèmes de fermeture pour couches. |
| |
La gamme d'applications est donc très large. Autre point que je viens de mentionner : environ 90 % de nos produits sont personnalisés. Autre fait intéressant concernant Lohmann : |
| |
que notre chaîne de valeur est une chaîne de valeur très profonde, donc si vous pensez à un ruban adhésif, vous avez besoin d'une couche adhésive qui |
| |
se colle ou adhère à votre sujet sur lequel vous souhaitez adhérer. |
| |
Vous avez besoin d'un support, éventuellement d'un support qui porte votre couche adhésive, et de l'autre côté, puisque nous sommes un producteur de rubans adhésifs double face, vous avez à nouveau de l'autre côté, |
| |
Une couche adhésive. La chaîne de valeur de Lohmann commence dès le début : nous pouvons ainsi fabriquer notre propre polymère, le polymère de base d'un adhésif. |
| |
Ensuite, nous devons formuler le polymère dans une formulation adhésive, que nous mettons ensuite à l'étape suivante sur un support, sous la forme d'un ruban adhésif sous la forme de |
| |
des rouleaux assez gros. Et à la toute fin, pour pouvoir les livrer sous cette forme |
| |
C'est le client qui le souhaite. Si vous avez des découpes, comme des emblèmes pour voitures, vous devez avoir ces rubans adhésifs. Ils ne nécessitent pas de forme spécifique ; nous livrons cette forme selon les besoins du client. |
| |
Et la R&D se concentre principalement sur les trois premières parties, donc pour la polymérisation, la formulation du revêtement et afin d'obtenir, comme je l'ai mentionné, beaucoup de nos produits sont personnalisés, afin d'arriver le plus rapidement possible à l'objectif de répondre aux exigences de nos clients, nous appliquons |
| |
conception d'expériences tout au long du cours |
| |
d'arriver au produit final et de répondre aux exigences de nos clients. |
| |
Et avoir beaucoup de |
| |
Faire des plans d'expériences ou réaliser globalement un grand nombre d'expériences donne également beaucoup de données. |
| |
Et en faisant ces expériences ou en concevant ces expériences dans ce cours et en étant une entreprise chimique, beaucoup de données, dans les résultats des expériences, vous obtenez beaucoup de données, beaucoup de spectres. |
| |
Donc, la plupart de nos expériences donnent... ne vous donnent pas une valeur, ne vous donnent pas un nombre, elles vous donnent un spectre. |
| |
Et, dans la plupart des cas, si vous voulez faire des expériences, comme dans mon cas, je suis, disons, le data scientist qui fournit le service de planification de ces expériences et d'analyse. |
| |
des expériences et effectuer toutes les analyses de données pour mes collègues, qui pourraient, dans ce cas, ne pas être des scientifiques des données. |
| |
Ils sont les développeurs du produit final et me confient l'intégralité de l'analyse des données. Dans la plupart des cas, vous extrayez de ces données spectrales les paramètres clés qui les décrivent. |
| |
Cela pourrait être, dans le cas de la polymérisation, cela pourrait être la distribution du poids moléculaire, cela pourrait signifier la taille de votre |
| |
polymère que nous obtenons à partir de la réaction, cela pourrait être le début d'une réaction pour détecter le type de réaction par tout moyen de mesure ou autre chose. |
| |
Donc, si vous faites l'analyse des données, vous extrayez ces paramètres clés et vous faites l'analyse, la plupart du temps dans une analyse DOE classique sur ces paramètres clés. |
| |
Donc |
| |
En tant que data scientist, je fais donc, en guise de service à mes collègues développeurs, cette analyse sur ces paramètres clés. |
| |
Ils me livrent également les exigences du client et vous souhaitez répondre à ces exigences du client, ils sont l'optimum où vous voulez que votre formulation ou votre produit soit ou atteigne. |
| |
Après avoir fait cela, après avoir fait l'analyse, après avoir fait l'optimisation, à un moment donné, vous allez chez vous, ou je vais chez mes collègues et je présente les résultats. |
| |
Et puisque j’ai fait toutes les analyses sur les paramètres clés, je présente également les résultats sur ces paramètres clés. |
| |
Le problème est que, même si mes collègues de développement ou mes équipes de projet sont des experts dans le domaine... des experts dans leur domaine d'expertise, mais pas des experts en science des données. |
| |
Donc le problème ici est que si je fais l'analyse sur les paramètres clés et que je parle également dans le langage des paramètres clés, mais qu'ils sont des experts dans leur domaine d'expertise, |
| |
ils pensent toujours aux spectres parce que c'est à ce moment-là que les expériences ont été faites, c'est ce qu'ils obtiennent comme analyse, ils voient des spectres là où je vois des nombres. |
| |
Cela pose toujours le problème que si je présente les résultats et l’analyse en paramètres clés, ils pensent toujours en spectres. |
| |
Le problème est que vous parlez toujours dans des langages différents. Je parle le langage des nombres, ils parlent le langage des spectres. |
| |
ce qui conduit alors au problème qu'ils doivent traduire ces chiffres dans leur domaine d'expertise, c'est-à-dire les spectres. |
| |
Ou alors, je dois traduire ces paramètres clés dans leur langage, c'est-à-dire les spectres. Heureusement, Functional Data Explorer offre une sorte de traducteur universel pour résoudre ce type de problème. |
| |
Et ce que je fais, ou que je veux vous montrer aujourd'hui, c'est sur trois exemples, comment le Functional Data Explorer vous aide grandement à surmonter cette barrière ou cette barrière linguistique entre les scientifiques des données qui parlent de chiffres et le développeur qui pense et parle en spectres. |
| |
Dans un exemple, donc le premier exemple que je veux vous montrer, c'est un exemple très simple, très trivial, peut-être sur une mesure qui décrit la qualité d'impression dans l'impression fractale |
| |
Expérience. La deuxième décrit une mesure définissant une sorte de réaction chimique. Et il y en a une troisième ; c'est une mesure qui donne la masse moléculaire d'un polymère. |
| |
pendant une réaction de polymérisation. J'arrête maintenant PowerPoint et je passe à JMP. Ça y est. |
| |
Le premier exemple, comme je vous l'ai montré… comme je vous l'ai dit, est l'analyse de la qualité d'impression. On effectue la mesure, et le spectre idéal et parfait serait… |
| |
ligne très droite passant par l'origine avec une pente de 1. Ce serait donc l'idéal si vous atteignez ce parfait, donc c'est une mesure, cette fois la qualité d'impression. |
| |
Normalement, ce que l'on obtient… c'est normal, c'est un environnement réel. On obtient quelque chose qui ne ressemble pas vraiment à une ligne droite, mais qui est légèrement décalé vers une valeur plus élevée, donc ce n'est pas une ligne… c'est une courbure vers le haut. |
| |
Alors, que voulez-vous faire avec ces informations ? Nous voulons voir, ou vous voulez filtrer, quels paramètres déplacent ou arment la courbe vers le haut, la rendant ainsi non idéale. |
| |
Je vais donc passer aux paramètres clés, c'est-à-dire à la différence entre une ligne droite et la ligne réelle obtenue. C'est assez simple : il suffit d'utiliser |
| |
la différence... c'est une partie de la différence avec ce point. |
| |
Donc, si vous effectuez l'analyse des paramètres clés, c'est aussi… c'est une analyse très simple. J'utilise un arbre de décision pour obtenir l'écran qui montre quel paramètre influence le plus, cette déviation par rapport au spectre idéal, et c'est assez simple. Nous avons obtenu environ 22 facteurs d'influence. |
| |
Là, vous voyez quelque chose qui a fondamentalement une influence sur certains ou influence cette déviation par rapport à cette situation idéale. |
| |
Et ça s'appelle X 22, peu importe comment c'est, ça n'a pas vraiment d'importance. Donc, à un moment donné, si ça bouge… |
| |
si c'est plus grand qu'une certaine valeur, vous obtenez, disons, un nombre de 250, si c'est en dessous de cette certaine valeur, vous obtenez 196, le problème est que si vous avez dit cela au développement... si vous l'avez montré à une analyse de développement, |
| |
il vous demandera, est-ce que 196 est bon ou est-ce que 254 est toujours bon ou est-ce très mauvais ou est-ce que c'est peut-être approprié et ce genre de chose est approprié. |
| |
Le problème c'est avec le nombre pur, on ne le voit pas vraiment, donc parce qu'il parle d'un autre genre... dans un autre domaine avec une autre langue. |
| |
Et l'utilisation de l'explorateur de données fonctionnelles peut vraiment vous aider à répondre à la question, car si vous passez à l'explorateur de données fonctionnelles et effectuez la même analyse dans les données de la fonction... avec l'explorateur de données fonctionnelles, |
| |
Vous obtenez quelque chose qui ressemble à ceci. Ça vous montre, à lui ou au développeur que vous lui avez montré… vous lui montrez le graphique. Le graphique auquel il est habitué, celui-ci est généralement issu de ses mesures ou de ses expériences. |
| |
La même chose maintenant si vous, par exemple, s'il a le même paramètre qui influence la forme de la courbe, mais si vous n'aimez pas cela montre celui avec le 250, |
| |
D'après l'analyse, le paramètre clé serait 250, puis 196 et vous verrez la différence. Ce n'est pas vraiment une ligne droite. |
| |
Mais si cela descend comme vers le nombre inférieur, qui montre le nombre avant qu'ils ne veulent s'en tenir à 196, |
| |
ça n'a pas l'air trop mal donc... ce n'est pas vraiment, je veux dire, une sorte de ligne droite parfaite, mais ce n'est pas tellement, pas tellement... ce n'est pas loin d'être |
| |
une ligne droite et peut-être qu'à ce stade, si vous montrez ce genre d'analyse aux non-scientifiques des données, au développeur, |
| |
peut-être que c'est déjà assez bien pour lui, peut-être qu'à ce moment-là tu dis ok ce n'est pas une ligne droite ce n'est pas parfait, mais c'est c'est bon pour le travail. |
| |
En gros, cela correspond au besoin du client. Et c'est quelque chose qu'il ne voit pas à partir des chiffres que vous lui montrez. Dans ce cas, c'est un exemple très trivial, très simple. |
| |
mais j'espère que cela vous donne l'essentiel selon lequel l'utilisation d'un explorateur de données fonctionnelles vous permet de parler dans le langage des experts, des non-scientifiques des données, peut-être du développeur du matériel. |
| |
Et vous parlez dans son domaine ou dans sa langue, cela l'aide à obtenir cette compréhension et il n'a pas besoin de traduire le nombre en compréhension dans un spectre, mais il voit cela, et peut-être obtenir la réponse dont il a besoin. |
| |
Donc encore une fois, un exemple très trivial, très simple, mais je comprends... J'espère que cela vous montre l'essence de ce qu'est la fonction Data Explorer ou vous aide à y parvenir. |
| |
Passons donc au deuxième exemple, c'est le début de la réaction chimique que vous souhaitez détecter. |
| |
Pour ce faire, nous effectuons la mesure ??? et nous observons une variation du module lors du chauffage d'une formulation chimique. Normalement, il existe deux grands spectres ; le spectre ressemble à ceci : |
| |
À un certain point, le module change et monte fortement. C'est généralement à ce moment-là que la réaction chimique commence. Le paramètre clé que vous extrayez de ce spectre est donc le point où le module commence à augmenter brusquement. |
| |
Le |
| |
Le paramètre clé pour une bonne extraction est le point à trouver. Il peut être un peu plus compliqué de calculer un point à partir des données brutes d'origine, mais vous pouvez néanmoins le faire : vérifier le point de départ de la réaction et effectuer l'analyse du paramètre clé. |
| |
En faisant cela, |
| |
Ce que l'on obtient de cette analyse du paramètre clé est un modèle qui permet de prédire le type de réaction chimique en fonction, dans cet exemple, de cinq paramètres. Donc, |
| |
Je verrai. Bon, l'intérêt de… l'intérêt de ces paramètres clés au début de la réaction chimique est… peut dépendre de ces… dépend de ces trois paramètres. |
| |
et en gros, vous obtenez une plage allant de quelque chose comme 70 degrés, où la réaction chimique commence, jusqu'à environ 100 degrés Celsius (oh, je suis désolé, ce n'est pas la bonne). |
| |
à environ 100 degrés, oui. Donc, encore une fois, on réduit le spectre total à un seul nombre, |
| |
donnant au développement un indice sur l'endroit où cette réaction chimique commence. |
| |
En faisant la même analyse et aussi les données... vous avez déjà les données, donc si vous voulez extraire les paramètres clés, vous avez également besoin des données brutes, donc vous avez également les données brutes disponibles. |
| |
Donc, cela ne demande pas vraiment beaucoup plus d'efforts... plus d'efforts pour effectuer l'analyse dans Functional Data Explorer en utilisant une méthode de régression standard sur les paramètres clés. |
| |
Donc, |
| |
en utilisant la même quantité ou les mêmes données et en utilisant l'explorateur de données fonctionnelles pour |
| |
analyser les données ne prend que quelques secondes pour calculer le résultat. |
| |
Voilà. |
| |
Encore une fois, vous pouvez maintenant modéliser l'ensemble du spectre, et quoi... donc dans ce cas particulier, je n'ai pas montré au développeur l'analyse des paramètres clés, mais je lui ai d'abord montré le Functional Data Explore, les résultats du Functional Data Explorer. |
| |
Et quand j'ai juste déménagé... j'ai commencé à me déplacer et à leur montrer cela et j'ai commencé à déplacer les facteurs d'influence, ils l'ont immédiatement remarqué |
| |
Que le point de réaction change. Je n'ai donc pas eu besoin de leur dire que les points commençaient à bouger, car ils sont les experts du domaine… les experts des données spectrales. |
| |
ils ont immédiatement reconnu que fondamentalement le début de la réaction chimique se déplace, comme vous pouvez le voir ici, vous voyez qu'il commence à se déplacer. |
| |
L'autre chose que vous voyez, parce que maintenant vous avez essentiellement modélisé les spectres complets, vous ne modélisez pas seulement le paramètre clé, ce que vous voyez |
| |
L'aspect du spectre change radicalement si on le déplace. Par exemple, ils verront que le pic a commencé à se déplacer et que sa hauteur |
| |
Des changements. C'est quelque chose qui a été immédiatement reconnu après avoir vu cette analyse. |
| |
Et la différence réside dans le paramètre clé, si vous extrayez la chance d'un paramètre clé qui signifie une sorte de réaction chimique, vous pouvez utiliser un autre paramètre clé, peut-être. |
| |
vous indiquant la position optimale ou la position du pic maximum ici ou la hauteur du pic maximum. |
| |
Et ensuite, vous pouvez utiliser les données spectrales dans différents types de paramètres clés en analysant ces paramètres clés par la suite et en les leur montrant, pour calculer un optimum. |
| |
Mais la bonne nouvelle est que si vous utilisez Functional Data Explorer, vous obtenez toutes ces informations en un seul endroit. |
| |
analyse. Et vous, comme je l'ai mentionné auparavant, vous arrêtez de parler ou vous... vous ne parlez pas en chiffres, mais vous parlez dans leur, ou vous parlez dans leur langage de données spectrales et vous n'avez plus besoin de traduire ces paramètres clés dans leur monde des spectres. |
| |
Oui, et vous obtenez donc beaucoup plus d’informations à ce sujet dans Functional Data Explorer et peut-être qu’ils obtiennent un aperçu plus approfondi des processus sous-jacents. |
| |
Oui, j'en viens maintenant au tout dernier exemple. C'est le |
| |
processus de polymérisation dont je parlais et qui consiste essentiellement à déterminer la distribution du poids moléculaire, |
| |
qui résulte d'une réaction de polymérisation. Et encore une fois, comme je l'ai mentionné, déterminer la distribution moléculaire est généralement délicat. |
| |
Obtenir ou réduire une distribution complète à certains paramètres clés. À quoi ressemble un spectre typique ? Établissons un spectre typique normal, représentant la masse molaire d'un polymère, et calculons le nombre total d'unités répétitives présentes dans une chaîne polymère. |
| |
C'est ce que l'on obtient à partir de la réaction chimique et de la mesure. Donc, les paramètres clés, c'est-à-dire un paramètre bien connu ou un paramètre clé, il faut… |
| |
c'est la masse molaire moyenne en nombre, la masse molaire moyenne en masse, la masse molaire moyenne Z et la polydispersité, |
| |
qui est la masse molaire moyenne en masse divisée par la masse molaire moyenne en nombre. |
| |
Ce paramètre, le PDI, la polydispersité, vous donne une indication de la largeur ou de la taille de la... ou de la largeur de votre distribution de poids moléculaire. |
| |
Encore une fois, en ayant ces quatre paramètres clés que vous calculez à partir de vos données brutes ou de vos données spectrales, nous avons déjà ces données disponibles afin de |
| |
Calculez les paramètres clés. Vous pouvez refaire l'analyse en utilisant des techniques standard, rien de compliqué. |
| |
Et puis vous obtenez un modèle sur votre... dans ce cas, il y a quatre paramètres qui contreviennent à votre, dans ce cas trois, je n'ai pas mis de polydispersité, |
| |
Selon trois paramètres clés. Vous voyez que la masse molaire moyenne en nombre ne change pas beaucoup si l'on modifie ces quatre facteurs. Leur influence sur la masse molaire moyenne en nombre n'est donc pas négligeable. Elle est assez importante et significative. |
| |
Sur la masse molaire moyenne, comme vous pouvez le voir ici. On peut donc la déplacer, la différence est donc assez importante : environ 150 000 µg par mole au total, soit la différence entre le réglage le plus bas et le réglage le plus élevé. |
| |
Mais, cela signifie que celui-ci, que ce nombre change de manière assez significative et cela ne signifie pas non plus que votre dispersion devrait varier ou devrait être... ou devrait changer beaucoup. |
| |
Le problème est que vous ne voyez pas à partir de ce nombre à quoi ressemble la distribution, donc cela ne vous donne pas la forme, et disons, dans notre cas, il est très important d'avoir une forme parce que |
| |
affecte considérablement la transformabilité d'un polymère. |
| |
n'ayant que trois nombres et peut-être la polydispersité, cela ne vous donne pas ou ne vous dit pas si la forme... ou |
| |
si la distribution est une distribution monomoléculaire, bimodale, trimodale quelle qu'elle soit. |
| |
Ce que vous voyez ou vous pourriez simplement parler de la dispersion vous donne peut-être une indication de l'étendue de la distribution, mais cela ne vous dit pas si vous avez un pic, deux pics ou trois pics. |
| |
Mais il y a une assez grande différence dans les caractéristiques matérielles finales que nous obtenons. |
| |
du polymère ou modifier les performances de notre ruban adhésif en cours de développement. |
| |
Maintenant, encore une fois, puisque vous disposiez déjà des données brutes, vous pouvez utiliser à nouveau l'explorateur de données fonctionnelles afin d'obtenir ces informations ou d'obtenir beaucoup plus d'informations à partir de toutes ces données, simplement à partir de ces paramètres clés. |
| |
Encore une fois, cela prend quelques secondes, mais ensuite c'est terminé. |
| |
Et, encore une fois, il n'y a rien d'extraordinaire dans l'analyse, donc au début de... pour faire fonctionner le Functional Data Explorer, ce n'est rien d'extraordinaire, rien |
| |
hors de l'ordinaire, que vous récupérez dans vos exportations sous le nom Y, vous mettez votre identifiant d'échantillon, puis vous mettez vos facteurs de votre DOE. |
| |
Insérez-les, appuyez sur le bouton de démarrage et voilà. Vous pouvez maintenant l'adapter aux paramètres du modèle. |
| |
Mais c'est une procédure très simple et directe, qui permet d'obtenir une meilleure compréhension des aspects sous-jacents intéressants, simplement en réduisant toutes ces données à quelques paramètres clés. Dans ce cas, |
| |
Je veux dire, après vous avoir montré que le paramètre clé ne change pas vraiment beaucoup, l'autre oui, mais il ne vous donne pas la forme, donc il ne vous donne pas d'indication ou de sentiment sur la distribution. |
| |
Dans ce cas, utiliser à nouveau cet outil vous donne cet aperçu, car si vous voyez comment... avant de voir ce point qui change beaucoup, l'autre ne l'a pas fait. |
| |
Si vous connaissez le genre de changement, par exemple, dans ce cas. |
| |
Ce pic ressemble plus à une épaule, ce n'est pas vraiment un pic, mais si vous changez vos facteurs d'influence, vous arrivez à un point où il atteint réellement un pic. |
| |
Ouais, donc il y a vraiment un deuxième pic, et cela vous dit quelque chose sur peut-être le mécanisme de polymérisation ou le mécanisme de polymérisation sous-jacent |
| |
ce que vous n'obtenez pas à partir des paramètres clés, en regardant simplement ces trois chiffres, oui. |
| |
Mais ici, cela pourrait vous donner une indication ou déclencher une réaction chez le développeur, car c'est son domaine d'expertise. Cela pourrait l'aider à comprendre le mécanisme sous-jacent, puis… |
| |
l'aide à faire l'étape suivante ou l'aide à mieux faire l'étape suivante pour planifier les prochaines expériences encore mieux qu'avant, juste après avoir vu ces chiffres. |
| |
Bon, j'en suis à la fin de ma... présentation de mon exemple, donc j'espère pouvoir vous montrer que le Functional Data Explorer permet vraiment la visualisation de la |
| |
Les résultats sont transmis aux développeurs dans leur domaine d'expertise. Il faut garder à l'esprit que, dans notre cas, la plupart des développeurs ne sont pas des data scientists. |
| |
ils |
| |
ne croient pas ou peut-être pas tellement intéressés par la façon d'arriver aux résultats, mais ils sont plus intéressés par les résultats et les |
| |
problème il y a... ou si le Functional Data Explorer, disons, vous permet de parler dans leur langue ou dans leur domaine d'expertise, ce qui signifie, dans notre cas, étant une entreprise chimique, des données spectrales, et vous n'avez pas à |
| |
jeter des données précieuses afin de réduire les données spectrales en quelques paramètres clés et effectuer l'analyse sur les paramètres clés. |
| |
Il faut expliquer quels sont réellement les paramètres clés... comment ils affectent les spectres, les formes des spectres, la forme des spectres, mais vous pouvez simplement utiliser les données et ensuite |
| |
vous commencerez à leur montrer l'influence des facteurs que vous étudiez sur la forme et la forme des spectres et sur la façon dont les spectres changent. |
| |
Et dans de nombreux cas, dans certains cas, vous pourriez obtenir la même vision, mais dans de nombreux cas, l'analyse, en utilisant l'EDF, vous donne souvent beaucoup plus de vision, elle vous donne une vision plus approfondie du mécanisme sous-jacent. |
| |
Et vous n’avez pas besoin, disons, de jeter beaucoup de données précieuses pendant le processus de réduction des données spectrales en quelques paramètres clés. |
| |
Sur ce, je tiens à vous remercier, chers collègues du département R&D, pour tout le travail expérimental effectué. Je peux donc me tenir ici devant vous pour vous présenter ces excellents résultats. |
| |
J'ai terminé ma présentation. Merci beaucoup pour votre attention. Si vous avez des questions, n'hésitez pas. Merci beaucoup. |
