756645_ja-JP

liliconcom

機能データエクスプローラー: 非データサイエンティスト向けの結果の視覚化 (2021-EU-30MP-765)

ローマン社データ駆動型開発責任者、サイモン・ステルツィグ氏

接着剤の配合とテープ開発の過程で、開発者はデータ サイエンティストの支援を受け、実験計画、履歴データの分析、または予備的な試行錯誤の実行から得られた収集データの分析を行います。したがって、データ スペシャリストは、複雑なデータ分析を複雑でない方法で提示する必要に直面しながら、結果について非スペシャリストと話し合います。特にスペクトル データの分析の場合、データは分析のためにいくつかの特徴的な数値に縮小されることがよくあります。しかし、開発者は依然として数値ではなくスペクトルで考えるため、結果の視覚化と解釈が困難です。Functional Data Explorer は、このような分析を実行し、結果をスペクトルのような形式で視覚化するのに最適なツールです。たとえば、Functional Data Explorer を使用して、構造用接着テープのレオロジー挙動、つまり反応開始の配合成分への依存性を分析します。もう 1 つの例は、感圧接着剤の合成中にプロセス パラメーターに対する分子量分布の依存性を分析します。どちらの場合も、結果として得られる予測スペクトルは、開発者が洞察力を獲得し、メカニズムの理解を深めるのに大いに役立ちます。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
サイモン・ステルジグ	皆さん、こんにちは。私の名前は Simon Stelzig です。Lohmann のボンディング エンジニアです。研究開発部門に所属しています。今日は、Functional Data Explorer について、また、これを使用してデータ サイエンティスト以外の人にも結果を視覚化する方法についてお話ししたいと思います。
	さて、始める前に、ローマン社について簡単に紹介しておきます。ローマン社について聞いたことはないかもしれませんが、毎日のようにローマン社の製品を使用したり、目にしたりしているかもしれません。
	ローマンについて、いくつかの事実と数字をお話しします。ローマンは2019年に約6億ユーロの売上高を誇り、私が働いているのはローマンテープグループで、粘着テープの生産者です。主に両面粘着テープを生産しており、純粋なB2C企業なので、
	産業用途の場合は、当社の製品のみをご購入いただけます。当社はかなり古い会社で、今年はローマン社が設立されてから約 170 年になります。
	私たちは基本的に2つの部分に分かれており、そのうちの1つはテープ製品です。
	工業用途の粘着テープであり、それが当社の衛生ブランドです。
	私たちは世界的に活動しています。世界中に25の拠点があり、約1,800人の従業員がいます。そして、とても興味深いのは、
	当社の製品の 90% はカスタマイズされているため、非常に複雑な製品ポートフォリオを有しており、非常に少数の顧客グループ向けのごく少数のアプリケーションに重点を置いた製品が多数あります。
	当社は粘着テープ、特に両面粘着テープのトップメーカーであり、多くの用途があり、これらが当社の市場セグメントです。
	私たちの製品の 1 つは産業用途です。主に窓やドア、あるいは建築・建設分野の屋内外の用途です。
	あるいは、スマートフォンの背面カバーを固定するための粘着テープなど、家電製品や電子機器にもローマン製品が使われているかもしれません。
	医療分野では主に診断用途、創傷治療に使用されます。輸送分野では...自動車の内装または外装用として使用できます。
	車のエンブレムの接着。また、例えば、フレキシブル印刷アプリケーション向けのグラフィック業界では、粘着テープを提供しています。
	印刷版をスリーブに固定します。ローマン テープ グループの 1 つの部門は、おむつ用の閉鎖システムを提供する衛生ブランドです。
	非常に幅広い用途があり、先ほども述べたように、当社の製品の約90％はカスタマイズされています。そしてローマンのもう1つの特徴は
	私たちのバリューチェーンは非常に深いバリューチェーンです。粘着テープを考えてみると、粘着層が必要です。
	貼り付けたい対象物に接着またはくっつきます。
	キャリアが必要です。オプションで粘着層を運ぶキャリアが必要です。そして反対側には、私たちは両面粘着テープの生産者なので、反対側には、
	接着層です。ローマンのバリューチェーンは基本的に最初から始まるので、接着剤のベースポリマーである独自のポリマーを作ることができます。
	次に、ポリマーを接着剤配合物に配合し、それを次の段階でキャリアに貼り付けます。キャリアは粘着テープの形になります。
	かなり大きい???ロールです。そして最後に、私たちはそれを形で届けることができるように
	顧客がそれを望んでいるのです。ですから、ダイカットや車のエンブレムなどがある場合、それらの粘着テープには特定のフォームは必要ありません。当社は、顧客の要求に応じてその特定のフォームを提供します。
	研究開発は主に最初の3つの部分、つまり重合、コーティングの配合、そして、先ほど申し上げたように、多くの弊社の製品はカスタマイズされており、お客様のご要望を満たすという目標にできるだけ早く到達するために、私たちは
	コース全体を通しての実験計画
	最終製品を完成させ、顧客の要件を満たすことです。
	そして、たくさんの
	実験を計画したり、全体的に多くの実験を行ったりすることでも、大量のデータが得られます。
	そして、そのコースでこれらの実験や実験の設計を行うと、化学会社として、実験結果の中で大量のデータ、大量のスペクトルが得られます。
	つまり、私たちの実験のほとんどは、値や数字を与えるのではなく、スペクトルを与えるのです。
	そして、ほとんどの場合、私の場合のように実験をしたい場合、私は、いわば実験を計画し、分析するサービスを提供するデータサイエンティストです。
	実験や、その場合、データ サイエンティストではない同僚のためにデータ分析全体を実行します。
	彼らは最終製品の開発者であり、データ分析の時間を私に任せています。ほとんどの場合、スペクトル データから、スペクトル データを表す主要なパラメータを抽出します。
	それは、重合の場合、分子量分布を意味するかもしれません、それはあなたの
	反応から得られるポリマーは、測定やその他の手段によって反応の種類を検出するための反応の始まりである可能性があります。
	したがって、データ分析で分析を行う場合は、それらの主要なパラメータを抽出し、それらの主要なパラメータに対して、ほとんどの場合、従来の DOE 分析で分析を実行します。
	それで
	私はデータ サイエンティストとして、同僚である開発者へのサービスとして、これらの主要なパラメータに関する分析を行っています。
	彼らは私にも顧客の要件を伝え、あなたはこれらの顧客の要件を満たし、あなたの処方や製品がどこまで到達したいかという最適な状態を望んでいます。
	これを実行し、分析を実行し、最適化を実行した後、ある時点で、あなたは、あるいは私は同僚のところに行き、結果を提示します。
	また、主要なパラメータに関するすべての分析を行ったので、それらの主要なパラメータに関する結果も提示します。
	問題は、私の開発同僚やプロジェクト チームは、その分野の専門家ではあっても、専門分野の専門家ではあっても、データ サイエンスの専門家ではないということです。
	ここで問題となるのは、私が主要なパラメータの分析を行い、主要なパラメータの言語で話しても、彼らは専門分野の専門家として、
	彼らはまだスペクトルについて考えています。なぜなら、実験が行われたとき、彼らが得た分析はスペクトルであり、私が数字を見るところで彼らはスペクトルを見ているからです。
	結果と分析を主要なパラメータで提示しても、彼らは依然としてスペクトルで考えるという問題が常に残ります。
	いつも異なる言語で話すという問題があります。私は数字の言語で話しますが、彼らはスペクトルの言語で話します。
	すると、それらの数値をスペクトルという専門分野に翻訳しなければならないという問題が生じます。
	あるいは、これらの主要なパラメータをスペクトルを表す言語に翻訳する必要があります。幸いにも、Functional Data Explorer は、そのような問題を解決するための一種の汎用翻訳ツールです。
	今日私が行っていること、あるいは皆さんにお見せしたいことは、3 つの例を使って、数値で話すデータ サイエンティストとスペクトルで考え、話す開発者との間のこの障壁、つまり言語の壁を克服するのに、Functional Data Explorer がどのように大いに役立つかということです。
	1つの例、つまり最初にお見せしたいのは、非常に単純で些細な例ですが、フラクタル印刷における印刷品質を表す測定に関するものです。
	実験です。2番目は化学反応を定義する測定です。3番目はポリマーの分子量を示す測定です
	重合反応中。PowerPoint の使用はここで止めて、JMP に切り替えます。はい、そこにあります。
	最初の例は、私が示したように、印刷品質の分析です。測定を行うと、理想的で完璧なスペクトルは次のようになります。
	原点を通る非常に直線で、傾きは 1 です。この完璧さに到達できれば理想的です。今回は印刷品質の 1 つの測定値です。
	通常、得られるものは...普通、現実の環境です。得られるものは、実際には直線ではないものの、少し高い値にシフトしたものなので、直線ではなく、上向きに曲がっています。
	では、その情報を使って何をしたいですか? どのパラメータが基本的に曲線を上向きに動かしたり曲げたりして理想的でなくなるのかを確認したい、またはスクリーニングしたいのです。
	では、キーパラメータとは何か、つまり、直線と実際に得られる直線の差とは何か、という点について考えてみましょう。これはとても簡単です。
	違いは...この点でいくつかの違いがあります。
	分析を行うと、主要なパラメータについて、これは非常に単純な分析になります。私は決定木を使用して、どのパラメータが最も影響を与えているかを画面に表示します。これは理想的なスペクトルから外れますが、非常に単純です。影響要因は約 22 個あります。
	基本的に、これは一部に影響を与え、この理想的な状況から逸脱する影響を与えます。
	これは X 22 と呼ばれていますが、それが何であるかは重要ではありません。ある時点でこれが動くと...
	ある値より大きい場合は、たとえば250という数値が返され、その値を下回る場合は196という数値が返されます。問題は、これを開発部門に伝えた場合、開発分析部門に見せた場合、
	彼はあなたに、196 は良いのか、それとも 254 はまだ良いのか、それとも非常に悪いのか、それともおそらく適切であり、ある程度適切であるかを尋ねます。
	問題は、純粋な数字ではそれが実際には見えないことです。なぜなら、彼は異なる種類の、異なる地域の、異なる言語で話しているからです。
	しかし、Functional Data Explorerを使用すると、この質問に答えるのに非常に役立ちます。Functional Data Explorerに移動して、関数内のデータで同じ分析を行うと、Functional Data Explorerでは、
	次のようなグラフが表示されます。つまり、あなたや、彼、またはあなたが彼に見せた開発者にグラフを見せます。彼が慣れているグラフは、通常、彼が測定または実験、つまり彼が行う実験から得られるものです。
	同じことが、例えば、曲線の形状に影響を与える同じパラメータを持っている場合、しかし、それが気に入らない場合は、250のものを表示します。
	分析から、キーパラメータは 250 になりますが、196 になり、違いがわかります。つまり、直線ではないということです。
	しかし、もしそれが下の方に移動すると、それは彼らが保持したい前の数字、196を示します。
	見た目はそれほど悪くないですが、完璧な直線というわけではありませんが、それほどではありません...それほど遠くないです
	直線で、その時点で、この種の分析をデータサイエンティスト以外の開発者に見せると、
	もしかしたら、彼にとってはそれで十分かもしれません。もしかしたら、その時点であなたは「それは直線ではないし完璧でもないけど、仕事には十分だ」と言うかもしれません。
	基本的に、それは顧客のニーズに合っています。そして、それはあなたが示す純粋な数字からは顧客には分からないものです。この場合、それは非常に些細な例、非常に単純な例です。
	しかし、Functional Data Explorer を使用すると、専門家、非データ サイエンティスト、あるいは素材の開発者の言語で会話できるようになるという本質を理解していただけたらと思います。
	そして、あなたが彼の地域や彼の言語で話していると、彼は洞察力を得ることができ、数字を洞察力やスペクトルに翻訳する必要はありませんが、彼はそれを見て、必要な答えを得ることができるかもしれません。
	繰り返しになりますが、これは非常に些細で単純な例ですが、これで、データの本質がわかると思います。Function Data Explorer が、データの実現に役立つと思います。
	それで、2 番目の例に移ります。これが、検出したい化学反応の始まりです。
	そして、私たちは???測定を行うことでそれを行います。特定の化学配合物を加熱した場合の弾性率の変化を確認したいのです。通常、2つの大きなスペクトルがあります。スペクトルは次のようになります。
	ある点を超えると、弾性率は変化し、急激に上昇します。通常、ここで化学反応が始まります。したがって、スペクトルから抽出する重要なパラメータは、弾性率が急激に上昇し始める点です。
	の
	適切な抽出のための重要なパラメータは、ポイントを見つけるためのポイントです。元の生データからポイントを計算するのはもう少し複雑かもしれませんが、それでも、反応が開始するポイントを確認し、重要なパラメータの分析を行うことができます。
	そうすることで、
	このキーパラメータの分析から得られるのは、この例では5つのパラメータに基づいて化学反応の種類を予測できるモデルです。
	わかりました。化学反応の開始時のこれらの重要なパラメータのポイントは...これら3つのパラメータに依存する可能性があります
	基本的に、化学反応が始まる 70 度から 100 度程度までの範囲になります (ああ、すみません、それは間違いです)。
	約100度です。つまり、スペクトル全体を1つの数値にまとめると、
	この化学反応がどこから始まるのかを開発にヒントを与えます。
	同じ分析とデータを実行すると、すでにデータが存在するため、主要なパラメータを抽出するには生データも必要になります。そのため、生データも利用できます。
	したがって、主要なパラメータに対して標準的な回帰法を使用して、Functional Data Explorer 内で分析を実行するのに、それほど多くの労力はかかりません。
	それで、
	同じ量または同じデータを使用し、機能データエクスプローラーを使用して
	データの分析と結果の計算には数秒しかかかりません。
	そこにあるよ。
	もう一度言いますが、これでスペクトル全体をモデル化できるようになりました。この特定のケースでは、開発者に主要なパラメータの分析は示しませんでしたが、まず機能データ エクスプローラ、つまり機能データ エクスプローラからの結果を示しました。
	そして私が動き回って、彼らにこれを見せて、影響を与える要因を動き回り始めたとき、彼らはすぐに気づきました
	反応のポイントが変わるのです。だから、ポイントが動き始めたことを彼らに伝える必要はありませんでした。彼らはその分野の専門家であり、スペクトルデータの専門家だからです。
	彼らはすぐに、基本的に化学反応の開始が変化することに気付きました。ここでわかるように、変化し始めているのがわかります。
	もう1つは、基本的にスペクトル全体をモデル化したので、キーパラメータをモデル化するだけでなく、
	スペクトルの見え方がまったく変わるのです。例えば、ピークが動き始め、ピークの高さが変わるのがわかります。
	変化です。この分析を見た後、すぐにそれが認識されました。
	そして、違いは主要なパラメータにあり、化学反応のような重要なパラメータの 1 つにチャンスを抽出すれば、別の主要なパラメータを使用できる可能性があります。
	最適位置、最大ピークの位置、または最大ピークの高さをここで示します。
	そして、スペクトル データをさまざまな種類の主要パラメータに使用し、それらの主要パラメータを分析して提示し、最適値を計算できます。
	しかし、良いことに、Functional Data Explorerを使用すると、この情報をすべて1つにまとめることができます。
	分析です。そして、前にも述べたように、話すのをやめるか、数字で話すのではなく、スペクトル データの言語で話すと、これらの重要なパラメーターをスペクトルの世界に翻訳する必要がなくなります。
	はい、Functional Data Explorer では、これらに関するさらに多くの情報が得られ、基礎となるプロセスについてより深い洞察が得られる可能性があります。
	さて、最後の例に移ります。
	私が話していた重合プロセスは基本的に分子量分布を決定するものです
	これは重合反応の結果です。そして、私が言ったように、分子分布を決定するのは通常難しいです
	分布全体を特定の主要パラメータに縮小または縮小します。通常、典型的なスペクトルはどのように見えるでしょうか? では、ポリマーのモル質量を示す通常の典型的なスペクトルを置き、ポリマー鎖に含まれる繰り返し単位の数をすべて作成してみましょう。
	そして、それが化学反応と測定から得られるものです。つまり、よく知られている、あるいは重要なパラメータである重要なパラメータは...
	それは数平均モル質量、質量平均モル質量、Z平均モル質量、そして多分散性です。
	これは質量平均モル質量を数平均モル質量で割ったものです。
	このパラメータ、PDI、多分散性は、分子量分布の広さや大きさ、つまり幅の指標を示します。
	繰り返しになりますが、生データやスペクトルデータから計算したこれらの4つの主要なパラメータは、すでに利用可能なデータであり、
	主要なパラメータを計算します。特別なことは何もせずに、標準的な手法を使用して再度分析を行うことができます。
	そして、モデルを取得します...この場合、4つの違反パラメータがあります。この場合は3つです。多分散性は入れませんでした。
	3つの主要なパラメータの下で、数平均モル質量はこれらの4つの要素を変えてもあまり変化しないことがわかります。つまり、数平均モル質量に対するこれらの4つの要素の影響はそれほど大きくありません。
	ご覧のとおり、質量平均モル質量です。これをかなり動かすことができるので、差はかなり大きくなります。最低設定と最高設定の差は、合計で 1 モルあたり約 150,000 ? になります。
	しかし、これはつまり、この数値がかなり大きく変化するということであり、分散度が変化する、または大きく変化するという意味ではありません。
	問題は、この数字からは分布がどのように見えるかが分からないことです。つまり、形が分からないのです。私たちの場合、形が分かることは非常に重要です。
	ポリマーの加工性に非常に大きな影響を与える。
	3つの数字と多分散度しかないので、形状がどうなっているかはわかりません。
	分布が単峰性分布、二峰性分布、三峰性分布のいずれであっても。
	見たもの、または単に分散性について話すことで、分布の広さの指標が得られるかもしれませんが、ピークが 1 つなのか、2 つなのか、3 つなのかはわかりません。
	しかし、最終的な材料特性にはかなり大きな違いが出てきます
	ポリマーを変更したり、開発中の粘着テープの性能を変更したりすることがあります。
	ここでも、生のデータがすでに利用可能になっているため、Functional Data Explorer を再度使用して、これらの洞察を得たり、これらのデータからさらに多くの情報を取得したりできます。これらのデータはすべて、主要なパラメータから取得されます。
	もう一度、数秒かかりますが、これで完了です。
	そして、もう一度言いますが、分析には特別なことは何もないので、機能データエクスプローラーの操作も特別なことは何もなく、
	通常とは異なり、エクスポートを Y として取得し、サンプル ID を入力してから、DOE から係数を入力します。
	これらを入れてスタートボタンを押すだけで、基本的には完了です。これで、モデル パラメータに合わせて調整できるようになります。
	しかし、これは非常にシンプルでわかりやすい手順であり、すべてのデータをいくつかの重要なパラメータに絞り込むだけで、関心のある基礎部分についてより深い洞察を得ることができます。その場合、
	つまり、1 つの主要なパラメータは実際にはあまり変化しないのに、もう 1 つのパラメータは変化することを示しましたが、その形は示されないため、分布についての指標や感覚は得られません。
	その場合、このツールを再度使用すると、その洞察が得られます。なぜなら、1 つのポイントが大きく変化したことが分かる前に、他のポイントは変化していないことがわかるからです。
	ただし、たとえばその場合、ある種の変化がわかっている場合。
	そのピークは肩のようなもので、本当のピークではありませんが、影響要因を変更すると、実際にピークになるポイントに到達します。
	そうです、それで2番目のピークができて、それが重合メカニズムやその基礎にある重合メカニズムについて何かを教えてくれるのです
	はい、主要なパラメータから、3 つの数字だけを見ても、それはわかりません。
	しかし、ここでは、それがあなたにヒントを与えたり、開発者の専門分野である何かを刺激したりするかもしれません。基礎となるメカニズムを理解するのに役立つ何かを刺激し、
	これらの数字を見るだけで、次のステップを踏むのに役立ったり、次の実験を以前よりもさらにうまく計画したりするのに役立ちます。
	さて、これで私の例の最後になりますが、Functional Data Explorerが本当に視覚化を可能にすることをお見せできればと思います。
	専門分野の開発者に結果を提供する必要があります。つまり、私たちの場合、ほとんどの開発者はデータサイエンティストではないので
	彼らは
	結果にたどり着く方法を信じていないか、あるいはあまり興味がないかもしれませんが、彼らは結果と
	問題は、機能データエクスプローラーが、彼らの言語や専門分野で話すことを許可しているということです。つまり、私たちの場合、化学会社なので、スペクトルデータであり、
	スペクトル データをいくつかの重要なパラメーターに減らし、重要なパラメーターの分析を行うために、貴重なデータを破棄します。
	実際にどの主要なパラメータがスペクトルにどのように影響するか、スペクトルの形式、スペクトルの形状を説明する必要がありますが、データを使用して
	スペクトルの形式や形状、スペクトルがどのように変化するかについて研究している要因にこれらの影響を示し始めます。
	多くの場合、場合によっては同じ洞察が得られるかもしれませんが、多くの場合、FDE を使用した分析により、より多くの洞察が得られ、基礎となるメカニズムに対するより深い洞察が得られます。
	また、スペクトル データをいくつかの重要なパラメーターに縮小するプロセス中に、多くの貴重なデータを捨てる必要もありません。
	最後に、私がここで皆さんの前に立って素晴らしい結果を発表できるように、すべての実験作業を行ってくれた研究開発部門の同僚たちに感謝します。
	私のプレゼンテーションはこれで終了です。ご清聴ありがとうございました。ご質問がございましたら、お気軽にお尋ねください。ありがとうございました。

高度な統計モデリング基本的なデータ分析とモデリング消費者および市場調査データの探索と視覚化実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析結果の共有と伝達