|
Oratore
|
Trascrizione
|
| Simone Stelzig |
Ok, quindi ciao a tutti. Mi chiamo Simon Stelzig. Sono di Lohmann, the bonding engineers. Sono del reparto di ricerca e sviluppo e vorrei raccontarvi qualcosa di oggi sul Functional Data Explorer e su come potete usarlo per visualizzare i risultati a chi non è un data scientist. |
| |
Quindi, prima di iniziare, una breve introduzione dell'azienda Lohmann. Forse non ne avete mai sentito parlare, ma usate o potreste esservi imbattuti nei suoi prodotti quotidianamente. |
| |
Quindi solo alcuni dati e cifre su Lohmann. Quindi Lohmann ha un fatturato nel 2019 di circa 600 milioni di euro e la parte su cui sto lavorando è il Lohmann Tape Group e siamo un produttore di nastri adesivi. Si tratta principalmente di nastri adesivi biadesivi e siamo una pura azienda B2C, quindi puoi solo |
| |
puoi acquistare solo il nostro prodotto quando...se sei industriale...per applicazioni industriali. Siamo piuttosto vecchi, quindi quest'anno sono circa 170 anni da quando è stata fondata la società Lohmann. |
| |
Siamo fondamentalmente divisi in due parti, quindi uno dei prodotti su cui sto lavorando è il nastro. Quello è il focus sul |
| |
nastri adesivi per applicazioni industriali: questo è il nostro marchio per l'igiene. |
| |
E siamo attivi a livello globale. Abbiamo 25 siti in tutto il mondo, con circa 1.800 dipendenti. E forse molto interessante, |
| |
Il 90% dei nostri prodotti è personalizzato, pertanto disponiamo di un portafoglio prodotti piuttosto complesso, in cui molti prodotti si concentrano su un numero molto limitato di applicazioni per un gruppo molto ristretto di clienti. |
| |
Quindi, siamo il principale produttore di nastri adesivi o di nastri biadesivi e, come sapete, abbiamo moltissime applicazioni, e questo è il segmento di mercato in cui operiamo. |
| |
Quindi una delle nostre è l'applicazione industriale. Questa è principalmente per finestre e porte o applicazioni interne ed esterne nel settore dell'edilizia e delle costruzioni. |
| |
Oppure potresti imbatterti nei prodotti Lohmann negli elettrodomestici e nei dispositivi elettronici, ad esempio, come i nastri adesivi per fissare la cover posteriore degli smartphone. O nel |
| |
segmenti medicali principalmente per applicazioni diagnostiche, cura delle ferite. Nel campo dei trasporti nel...per l'automotive forse per interni o esterni |
| |
adesione degli emblemi sulle auto. Siamo anche, ad esempio, nel settore grafico per applicazioni di stampa flessibile dove forniamo nastri adesivi |
| |
per fissare la lastra di stampa sulle maniche. Una delle...una suddivisione del Lohmann Tape Group è il marchio di igiene dove forniamo il sistema di chiusura per i pannolini. |
| |
Quindi una gamma molto ampia di applicazioni e un altro punto che ho appena menzionato prima è che circa il 90% dei nostri prodotti sono personalizzati. E un altro fatto su Lohmann è |
| |
che la nostra catena del valore è una catena del valore molto profonda, quindi se pensi a un nastro adesivo, hai bisogno di uno strato adesivo che |
| |
si incolla o si attacca al soggetto a cui si desidera aderire. |
| |
Hai bisogno di un supporto, facoltativamente un supporto che trasporti lo strato adesivo, e dall'altro lato, che è poiché siamo produttori di nastri adesivi biadesivi, hai di nuovo sull'altro lato, |
| |
uno strato adesivo. E la catena del valore di Lohmann inizia fondamentalmente dall'inizio, quindi possiamo realizzare il nostro polimero, quindi il polimero di base per un adesivo. |
| |
Quindi dobbiamo formulare il polimero in una formulazione adesiva, che poi mettiamo nel passaggio successivo su un supporto, sotto forma di nastro adesivo sotto forma di |
| |
rotoli abbastanza grandi???. E alla fine, così possiamo consegnarlo nella forma |
| |
il cliente lo desidera. Quindi, se hai alcuni fustellati, magari alcuni emblemi per auto, hai bisogno di quel nastro adesivo non ha bisogno di una forma specifica, noi consegniamo quella forma specifica come il cliente richiede. |
| |
E la R&S si concentra principalmente sulle prime tre parti, quindi per la polimerizzazione, la formulazione del rivestimento e per ottenere, come ho detto, molti dei nostri prodotti sono personalizzati, per raggiungere il più velocemente possibile l'obiettivo di soddisfare le esigenze dei nostri clienti applichiamo |
| |
progettazione di esperimenti durante tutto il corso |
| |
per arrivare al prodotto finale e soddisfare le esigenze dei nostri clienti. |
| |
E avendo un sacco di |
| |
Anche la progettazione di esperimenti o l'esecuzione di molti esperimenti in generale fornisce molti dati. |
| |
E quando si conducono questi esperimenti o si progettano esperimenti in quel corso, ed essendo un'azienda chimica, si ottengono molti dati, nei risultati degli esperimenti, molti spettri. |
| |
Quindi, la maggior parte dei nostri esperimenti fornisce... non fornisce un valore, non fornisce un numero, fornisce uno spettro. |
| |
E, nella maggior parte dei casi, se vuoi fare degli esperimenti, come nel mio caso, io sono, diciamo, lo scienziato dei dati che fornisce il servizio di pianificazione e analisi di quegli esperimenti. |
| |
esperimenti e svolgendo l'intera analisi dei dati per i miei colleghi, che potrebbero, in tal caso, non essere degli scienziati dei dati. |
| |
Sono sviluppatori del prodotto finale e mi prendono come un servizio per fare tutto il tempo di analisi dei dati. Nella maggior parte dei casi, si estraggono da quei dati da quei dati spettrali, parametri chiave che descrivono i dati spettrali. |
| |
Potrebbe essere, nel caso della polimerizzazione, che potrebbe essere la distribuzione del peso molecolare, potrebbe significare la dimensione del tuo |
| |
polimero che otteniamo dalla reazione, che potrebbe essere l'inizio di una reazione per rilevare il tipo di reazione tramite qualsiasi mezzo di misurazione o qualcos'altro. |
| |
Quindi, se si esegue l'analisi dei dati, si estraggono quei parametri chiave e si esegue l'analisi, il più delle volte nell'analisi DOE classica, su quei parametri chiave. |
| |
COSÌ |
| |
in quanto data scientist, quindi, per rendere un servizio ai miei colleghi sviluppatori, eseguo questa analisi su quei parametri chiave. |
| |
Forniscono anche a me le esigenze del cliente e tu vuoi soddisfare le esigenze di questi clienti, il punto ottimale in cui vuoi che sia la tua formulazione o il tuo prodotto o che tu voglia raggiungere. |
| |
Dopo aver fatto questo, aver fatto l'analisi, aver fatto l'ottimizzazione, a un certo punto tu vai dai tuoi, o io vado dai miei colleghi e presento i risultati. |
| |
E poiché ho effettuato tutte le analisi sui parametri chiave, presento anche i risultati su tali parametri chiave. |
| |
Il problema è che, sebbene i miei colleghi addetti allo sviluppo o i miei team di progetto siano esperti nel settore... esperti nelle loro competenze, ma non esperti di scienza dei dati. |
| |
Quindi il problema qui è che se faccio l'analisi sui parametri chiave e parlo anche nel linguaggio dei parametri chiave, ma loro sono esperti nel loro campo di competenza, |
| |
loro continuano a pensare agli spettri perché è allora che sono stati condotti gli esperimenti, è questa l'analisi che ottengono, vedono spettri dove io vedo numeri. |
| |
Rimane sempre il problema che se presento i risultati e l'analisi in parametri chiave, loro continuano a pensare in termini di spettri. |
| |
Quindi hai sempre il problema che parli in lingue diverse. Io parlo nel linguaggio dei numeri, loro parlano nel linguaggio degli spettri, |
| |
il che porta al problema di dover tradurre quei numeri nel loro ambito di competenza, ovvero negli spettri. |
| |
Oppure devo tradurre questi parametri chiave nel loro linguaggio, ovvero gli spettri. Fortunatamente con Functional Data Explorer, questo è un tipo di traduttore universale per risolvere questo tipo di problema. |
| |
Ciò che faccio, o voglio mostrarvi oggi, è in tre esempi il modo in cui Functional Data Explorer vi aiuta notevolmente a superare questa barriera o barriera linguistica tra gli scienziati dei dati che parlano di numeri e gli sviluppatori che pensano e parlano in termini di spettri. |
| |
In un esempio, il primo esempio che voglio mostrarvi, è un esempio molto semplice, molto banale, forse su una misurazione che descrive la qualità di stampa nella stampa frattale |
| |
esperimento. Il secondo descrive una misurazione che definisce una specie di reazione chimica. E ce n'è un terzo; è una misurazione che fornisce il peso molecolare di un polimero |
| |
durante una reazione di polimerizzazione. Ora smetto di usare PowerPoint e vado su JMP, sì, eccolo. |
| |
Quindi il primo esempio, come ho mostrato...come ti ho detto, è l'analisi della qualità di stampa. Quindi fai la misurazione, e gli spettri ideali e perfetti sarebbero un |
| |
una linea molto retta che passa per l'origine con pendenza pari a 1. Quindi questa sarebbe l'ideale se si raggiungesse quella perfezione, quindi è una misurazione, questa volta la qualità di stampa. |
| |
Normalmente, quello che ottieni...normale, è un ambiente di vita reale. Otteniamo qualcosa che non sembra proprio una linea retta, ma è un po' spostata verso un valore più alto, quindi non è una linea...è piegata verso l'alto. |
| |
Quindi cosa vuoi fare con queste informazioni? Vogliamo vedere o vuoi esaminare quali parametri fondamentalmente spostano o piegano la curva verso l'alto, rendendola non ideale. |
| |
Quindi passo ai parametri chiave di ciò che definiremmo parametri chiave o è fondamentalmente la differenza tra una linea retta e la linea effettiva che si ottiene. Quindi è piuttosto semplice, si usa semplicemente il |
| |
la differenza...è una parte della differenza con questo punto. |
| |
Quindi se fai l'analisi, quindi sui parametri chiave, è anche... è un'analisi molto semplice. Uso un albero decisionale per ottenere... per ottenere la schermata qui quale parametro influenza di più, questo si allontana dallo spettro ideale ed è piuttosto semplice. Abbiamo circa 22 fattori influenti. |
| |
Eccone uno che fondamentalmente ha un'influenza su qualcuno o influenza questo allontanamento da questa situazione ideale. |
| |
E si chiama X 22, qualunque cosa sia, non ha molta importanza. Quindi a un certo punto se si muove... |
| |
se è più grande di un certo valore, ottieni diciamo un numero di 250, se si sposta al di sotto di quel certo valore, ottieni 196, il problema è che se lo dicessi allo sviluppo... se lo mostrassi a un'analisi di sviluppo, |
| |
ti chiederà se il 196 è buono o se il 254 è ancora buono o se è pessimo o se è adatto o qualcosa del genere. |
| |
Il problema è che con il numero puro non si vede davvero, perché lui sta parlando in un modo diverso... in un'area diversa con una lingua diversa. |
| |
E l'utilizzo di Functional Data Explorer può davvero aiutarti molto a rispondere alla domanda, perché se passi a Functional Data Explorer e fai la stessa analisi nei dati nella funzione... con Functional Data Explorer, |
| |
ottieni qualcosa che mostra così. Quindi mostra a te, mostra a lui o allo sviluppatore che gli hai mostrato...gli mostri il grafico. Il grafico a cui è abituato con il grafico normalmente lo ottiene dalle sue misurazioni o dai suoi esperimenti, gli esperimenti che fa. |
| |
La stessa cosa ora se, ad esempio, hai lo stesso parametro che influenza la forma della curva, ma se non ti piace quello che mostra quello con 250, |
| |
dall'analisi per il parametro chiave sarebbe il tuo 250, sarà 196 e vedi la differenza. Voglio dire che non è proprio una linea retta. |
| |
Ma se si sposta verso il basso come il numero più basso, che mostra il numero prima che vogliono mantenere da, 196, |
| |
non sembra così male quindi...non è proprio, voglio dire, una specie di linea retta perfetta, ma non lo è, non tanto...non è lontano dall'essere |
| |
una linea retta e forse a quel punto, se mostri questo tipo di analisi ai non scienziati dei dati, allo sviluppatore, |
| |
Forse per lui è già abbastanza, forse quel punto in cui dici "ok, non è una linea retta, non è perfetto", ma è buono per il suo lavoro. |
| |
In pratica, si adatta alle esigenze del cliente. E questo è qualcosa che lui non vede dal numero puro che gli mostri. Quindi in quel caso è un esempio molto banale, un esempio molto semplice, |
| |
ma spero che vi dia l'idea fondamentale che l'utilizzo di Functional Data Explorer vi consenta di parlare il linguaggio degli esperti, dei non data scientist, magari dello sviluppatore del materiale. |
| |
E parlare nel suo ambito o nella sua lingua lo aiuta ad avere questa intuizione e non deve tradurre il numero in un'intuizione in uno spettro, ma lui la vede e forse ottiene la risposta di cui ha bisogno. |
| |
Quindi, ancora una volta, un esempio molto banale, molto semplice, ma che...spero che vi mostri l'essenza di ciò che la funzione Data Explorer è o vi aiuti a realizzare. |
| |
Quindi, passando al secondo esempio, questo è l'inizio della reazione chimica che vuoi rilevare. |
| |
E lo facciamo eseguendo la misurazione ??? e vuoi vedere un cambiamento nel modulo durante il... se riscaldi una certa formulazione chimica. Normalmente ci sono due grandi spettri; lo spettro apparirebbe così, |
| |
dove a un certo punto, il modulo cambia, si muove rapidamente verso l'alto. Di solito è qui, è l'inizio della reazione chimica. Quindi il parametro chiave, che stai estraendo da quello spettro, è il punto in cui il modulo inizia a salire bruscamente. |
| |
IL |
| |
parametro chiave per un buon estratto è quel punto per trovare il punto. Ora potrebbe essere un po' più complicato calcolare un punto dai dati grezzi originali, ma nonostante ciò, puoi farlo, controllare il punto in cui inizia la reazione e quindi fare l'analisi sul parametro chiave. |
| |
Facendo ciò, |
| |
ciò che si ottiene da questa analisi sul parametro chiave è un modello che consente di prevedere il tipo di reazione chimica in base, in questo esempio, a cinque parametri. Quindi, |
| |
Vedrò. Okay, il punto di... il punto o questi parametri chiave all'inizio della reazione chimica è... può dipendere da quelli... dipende da quei tre parametri |
| |
e sostanzialmente si ottiene un intervallo che va da circa 70 gradi, dove inizia la reazione chimica, fino a circa 100 gradi Celsius (oh, mi dispiace, è quello sbagliato). |
| |
a circa 100 gradi, sì. Quindi, di nuovo, riduci gli spettri totali in un numero, |
| |
fornendo allo sviluppo un indizio su dove inizia questa reazione chimica. |
| |
Facendo la stessa analisi e anche i dati...hai già i dati, quindi se vuoi estrarre i parametri chiave, hai bisogno anche dei dati grezzi, quindi hai anche i dati grezzi disponibili. |
| |
Quindi non...non è poi così tanto più impegnativo...è più impegnativo effettuare l'analisi all'interno di Functional Data Explorer utilizzando un metodo di regressione standard sui parametri chiave. |
| |
COSÌ, |
| |
utilizzando la stessa quantità o gli stessi dati e utilizzando Functional Data Explorer per |
| |
analizzare i dati richiede solo un paio di secondi per calcolare il risultato. |
| |
Eccolo qui. |
| |
Di nuovo, ora puoi modellare l'intero spettro e cosa... quindi in quel caso particolare, non ho mostrato allo sviluppatore l'analisi sui parametri chiave, ma gli ho mostrato prima Functional Data Explore, i risultati di Functional Data Explorer. |
| |
E quando mi sono appena mosso...ho iniziato a muovermi e a mostrare loro questo e ho iniziato a muovermi intorno ai fattori influenti, loro se ne sono accorti immediatamente |
| |
che il punto della reazione cambia. Quindi non ho dovuto dire loro che i punti hanno iniziato a muoversi perché sono gli esperti del campo... di essere gli esperti dei dati dello spettro, |
| |
hanno subito riconosciuto che sostanzialmente l'inizio della reazione chimica cambia, come potete vedere qui, vedete che inizia a cambiare. |
| |
L'altro è quello che vedi, perché ora hai fondamentalmente modellato gli spettri completi, non modelli solo il parametro chiave, quello che vedi |
| |
che il modo in cui appaiono gli spettri cambia totalmente se li si sposta. Quindi, ad esempio, vedranno che il picco ha iniziato a muoversi e l'altezza del picco |
| |
cambiamenti. Questo è stato qualcosa che è stato riconosciuto immediatamente dopo aver visto queste analisi. |
| |
E la differenza sta nel parametro chiave: se si estrae la possibilità da un parametro chiave, che significa una sorta di reazione chimica, si possono usare altri parametri chiave, forse. |
| |
indicandoti la posizione dell'ottimo o la posizione del picco massimo qui o l'altezza del picco massimo. |
| |
E poi è possibile utilizzare i dati spettrali in diversi tipi di parametri chiave, analizzando successivamente tali parametri chiave e mostrandoli loro, per calcolare un valore ottimale. |
| |
Ma la cosa positiva è che, se si utilizza Functional Data Explorer, tutte queste informazioni vengono raccolte in un unico posto. |
| |
analisi. E tu, come ho detto prima, smetti di parlare o tu...non stai parlando in numeri, ma parli nel loro, o parli nel loro linguaggio di dati spettrali e non devi più tradurre questi parametri chiave nel loro mondo degli spettri. |
| |
Sì, e quindi si ottengono molte più informazioni su questi in Functional Data Explorer e forse si ottiene una comprensione più approfondita dei processi sottostanti. |
| |
Sì, ora arrivo all'ultimo e ultimo esempio. È il |
| |
processo di polimerizzazione di cui parlavo e che consiste fondamentalmente nel determinare la distribuzione del peso molecolare, |
| |
che è il risultato della reazione di polimerizzazione. E ancora, come ho detto, determinare la distribuzione molecolare è anche tipicamente complicato |
| |
per ottenere o ridurre un'intera distribuzione in determinati parametri chiave. Quindi, normalmente, come appare uno spettro tipico? Quindi mettiamo il tuo normale spettro tipico che mostra la massa molare di un polimero, quindi rendi tutto il numero di unità ripetute che hai in una catena polimerica. |
| |
Ed è quello che si ottiene dalla reazione chimica e dalla misurazione. Quindi i parametri chiave che sono ben noti o sono un parametro chiave, devi... |
| |
questa è la massa molare media numerica, e la massa molare media in massa, la massa molare media Z e la polidispersità, |
| |
che è la massa molare media divisa per la massa molare media numerica. |
| |
Quel parametro, il PDI, la polidispersità, fornisce un'indicazione dell'ampiezza o della dimensione della...o della larghezza della distribuzione del peso molecolare. |
| |
Di nuovo, avendo questi quattro parametri chiave che calcoli dai tuoi dati grezzi o dai tuoi dati spettrali, di nuovo abbiamo già quei dati disponibili per |
| |
calcolare i parametri chiave. Puoi ripetere l'analisi utilizzando tecniche standard che niente, niente di speciale. |
| |
E poi ottieni un modello su...questo caso, sono quattro i parametri che violano il tuo, in questo caso tre, non ho inserito la polidispersità, |
| |
sotto tre parametri chiave. E vedi...quello che vedi è che la massa molare media numerica non cambia molto se cambi questi quattro fattori, quindi l'influenza su quei quattro fattori sulla massa molare media numerica non è troppo piccola. È abbastanza grande ed è abbastanza significativa |
| |
sulla massa molare media, come puoi vedere qui. Quindi puoi spostarla abbastanza, quindi la differenza è piuttosto grande, quindi è di circa 150.000 ? per mole in totale, la differenza tra l'impostazione più bassa e quella più alta. |
| |
Ma, nel senso che questo, che questo numero cambia in modo abbastanza significativo e questo non significa nemmeno che la tua dispersione dovrebbe variare o dovrebbe essere... o dovrebbe cambiare parecchio. |
| |
Il problema è che non vedi da questo numero il modo in cui appare la distribuzione, quindi non ti dà la forma, e diciamo, nel nostro caso, è molto importante avere una forma perché |
| |
influisce in modo abbastanza drammatico sulla lavorabilità di un polimero. Quindi |
| |
avendo solo tre numeri e forse la polidispersità, non ti dà o non ti dice se la forma...o |
| |
se la distribuzione è quella monomolecolare, bimodale, trimodale o altro. |
| |
Ciò che vedi, o potresti semplicemente parlare di dispersione, può darti un'indicazione dell'ampiezza della distribuzione, ma non ti dice se hai un picco, due picchi o tre picchi. |
| |
Ma c'è una differenza abbastanza...fa una differenza abbastanza grande nelle caratteristiche finali del materiale che otteniamo |
| |
del polimero o modificare le prestazioni del nostro nastro adesivo in fase di sviluppo. |
| |
Ora, di nuovo, poiché avevi già a disposizione i dati grezzi, puoi utilizzare nuovamente Functional Data Explorer per ottenere queste informazioni o ricavare molte più informazioni da questi... tutti questi dati solo da quei parametri chiave. |
| |
Anche in questo caso, ci vogliono un paio di secondi, ma poi il gioco è fatto. |
| |
E, ancora una volta, non c'è niente di complicato nell'analisi, quindi anche all'inizio... per utilizzare Functional Data Explorer non c'è niente di complicato, niente |
| |
fuori dall'ordinario, in cui inserisci le tue esportazioni come Y, inserisci l'ID del tuo campione, quindi inserisci i tuoi fattori dal tuo DOE. |
| |
Inseriscili, premi il pulsante di avvio e fondamentalmente è tutto. E fondamentalmente ora puoi... puoi adattarlo con i parametri del modello. |
| |
Ma è una procedura molto semplice, molto diretta e, ancora una volta, si ottiene una comprensione molto più approfondita delle parti sottostanti di interesse, semplicemente riducendo tutti quei dati ad alcuni parametri chiave. In quel caso, |
| |
Voglio dire, dopo aver dimostrato che un parametro chiave non cambia molto, l'altro sì, ma non fornisce la forma, quindi non fornisce un'indicazione o una sensazione sulla distribuzione. |
| |
In tal caso, utilizzare nuovamente questo strumento ti dà quella visione, perché se vedi come... prima di vedere quel punto che cambia molto, l'altro non lo ha fatto. |
| |
Se conosci una sorta di cambiamento, però, per esempio, in quel caso. |
| |
Quel picco è più simile a una spalla, non è propriamente un picco, ma se si cambiano i fattori che lo influenzano si arriva al punto in cui in realtà ottiene un picco. |
| |
Sì, quindi ottiene davvero un secondo picco, e questo ti dice qualcosa sul meccanismo di polimerizzazione o sul meccanismo di polimerizzazione sottostante. |
| |
che non si ottiene dai parametri chiave, guardando solo quei tre numeri, sì. |
| |
Ma qui, potrebbe darti un'indicazione o potresti innescare qualcosa nello sviluppatore perché è la sua area di competenza. Potresti innescare qualcosa che lo aiuti a comprendere il meccanismo sottostante e poi |
| |
lo aiuta a fare il passo successivo o lo aiuta a fare meglio il passo successivo per pianificare i prossimi esperimenti ancora meglio di prima, solo avendo visto questi numeri. |
| |
Bene, quindi sono alla fine del mio...presentando il mio esempio, quindi spero di poterti mostrare che Functional Data Explorer consente davvero la visualizzazione del |
| |
risultati per gli sviluppatori nel loro campo di competenza. Voglio dire, tieni presente che la maggior parte, diciamo nel nostro caso, la maggior parte degli sviluppatori non sono data scientist quindi |
| |
Essi |
| |
non credono o forse non sono così interessati a come arrivare ai risultati ma sono più interessati ai risultati e al |
| |
il problema c'è...o se Functional Data Explorer, diciamo, ti consente di parlare nella loro lingua o nella loro area di competenza, ciò significa, nel nostro caso, essendo un'azienda chimica, dati spettrali, e non devi |
| |
eliminare dati preziosi per ridurre i dati spettrali in alcuni parametri chiave ed effettuare l'analisi su parametri chiave. |
| |
Dovendo spiegare quali sono i parametri chiave in realtà...come influenzano gli spettri, le forme degli spettri, la forma degli spettri, ma puoi semplicemente usare i dati e poi |
| |
inizierai a mostrare loro l'influenza dei fattori che stai studiando sulla forma e sulla configurazione degli spettri e su come gli spettri cambiano. |
| |
E in molti casi, in alcuni casi, potresti ottenere la stessa intuizione, ma in molti casi, l'analisi, utilizzando l'FDE, spesso fornisce molte più informazioni, fornisce una visione più approfondita del meccanismo sottostante. |
| |
E non è necessario, diciamo, buttare via un sacco di dati preziosi durante il processo di riduzione dei dati spettrali in alcuni parametri chiave. |
| |
Con questo, vorrei ringraziare voi, i miei colleghi del dipartimento R&S per aver svolto tutto il lavoro sperimentale, così posso stare qui davanti a voi per presentare i bei risultati. E |
| |
Ho finito la mia presentazione. Grazie mille per l'attenzione. Se avete domande, non esitate a farle. Grazie mille. |
