756645_ko-KR

liliconcom

기능적 데이터 탐색기: 비데이터 과학자에게 결과 시각화(2021-EU-30MP-765)

Simon Stelzig, Lohmann의 데이터 기반 개발 책임자

접착제 제형 및 테이프 개발 과정에서 개발자는 실험 설계, 과거 데이터 분석 또는 예비 시행착오 실행에서 수집된 데이터 분석을 처리하는 데 있어 데이터 과학자의 지원을 받습니다. 따라서 데이터 전문가는 비전문가와 결과에 대해 논의하면서 복잡한 데이터 분석을 복잡하지 않은 방식으로 제시해야 할 필요성에 직면합니다. 특히 스펙트럼 데이터 분석의 경우 데이터는 종종 분석을 위한 몇 가지 특성 숫자로 축소됩니다. 그러나 개발자는 여전히 숫자가 아닌 스펙트럼으로 생각하기 때문에 결과의 시각화 및 해석이 어렵습니다. Functional Data Explorer는 이러한 분석을 수행하고 스펙트럼과 같은 형태로 결과를 시각화하는 데 유용한 도구입니다. 예를 들어, 구조적 접착 테이프의 유동학적 거동, 즉 반응 시작이 제형 성분에 대한 종속성을 Functional Data Explorer를 사용하여 분석합니다. 또 다른 예는 압력 민감 접착제 합성 중 공정 매개변수에 대한 분자량 분포의 종속성을 분석하는 것입니다. 두 경우 모두 결과 예측 스펙트럼은 개발자가 통찰력을 얻고 기계적 이해를 개발하는 데 큰 도움이 됩니다.

자동 생성된 대본...

스피커	성적 증명서
사이먼 스텔지그	좋아요, 안녕하세요 여러분. 저는 Simon Stelzig입니다. 저는 Lohmann의 본딩 엔지니어입니다. 저는 연구개발 부서에 있으며, 오늘 Functional Data Explorer에 대해 말씀드리고, 데이터 과학자가 아닌 사람들에게 결과를 시각화하는 데 사용하는 방법에 대해 말씀드리고자 합니다.
	그럼, 시작하기 전에, Lohmann이라는 회사에 대한 아주 짧은 소개를 하겠습니다. 여러분은 들어보지 못했을지 몰라도, 여러분은 매일같이 그 제품을 사용하거나 접했을지도 모릅니다.
	Lohmann에 대한 몇 가지 사실과 수치입니다. Lohmann은 2019년에 약 6억 유로의 매출을 올렸고 제가 일하는 부서는 Lohmann Tape Group이고 우리는 접착 테이프를 생산합니다. 주로 양면 접착 테이프이고 우리는 순수한 B2C 회사이므로 여러분은
	당신은 오직 우리 제품만 구매할 수 있습니다...만약 당신이 산업적이라면...산업적 응용을 위해서요. 우리는 꽤 오래되었으므로, 올해는 Lohmann 회사가 설립된 지 약 170주년이 됩니다.
	우리는 기본적으로 두 부분으로 나뉘는데, 그 중 하나는 제가 작업하고 있는 테이프 제품입니다. 그게 초점이에요.
	산업용 접착 테이프를 생산하는 것이 저희의 위생용 브랜드입니다.
	그리고 우리는 전 세계적으로 활동하고 있습니다. 우리는 전 세계에 25개의 사이트를 가지고 있으며, 약 1,800명의 직원이 있습니다. 그리고 아마도 매우 흥미로운 점은,
	당사 제품의 90%는 맞춤형으로 제작되어 매우 복잡한 제품 포트폴리오를 갖추고 있으며, 이 중에는 매우 소규모의 고객 그룹을 위한 매우 소수의 용도에 초점을 맞춘 제품이 많이 있습니다.
	따라서 저희는 접착 테이프나 양면 접착 테이프를 생산하는 최대 생산업체이며, 다양한 용도로 활용할 수 있습니다. 이것이 저희가 속한 시장 부문입니다.
	그래서 우리 중 하나는 산업용 응용 분야입니다. 주로 창문과 문 또는 건물 및 건설 분야의 실내 및 실외 응용 분야입니다.
	또는 가전제품과 전자기기에서 Lohmann 제품을 발견할 수도 있습니다. 예를 들어 스마트폰의 뒷면 커버를 고정하는 접착 테이프와 같습니다. 또는
	주로 진단용, 상처 치료용 의료 분야. 운송 분야에서...자동차용, 실내 또는 실외용
	자동차에 엠블럼을 접착합니다. 예를 들어, 우리는 접착 테이프를 제공하는 유연한 인쇄 응용 분야의 그래픽 산업에도 종사하고 있습니다.
	소매에 인쇄판을 고정합니다. Lohmann Tape Group의 한 하위 부문 중 하나는 기저귀용 클로저 시스템을 제공하는 위생 브랜드입니다.
	그래서 매우 광범위한 응용 분야와 제가 방금 전에 언급한 또 다른 요점은 우리 제품의 약 90%가 맞춤형이라는 것입니다. 그리고 Lohmann에 대한 또 다른 사실은
	우리의 가치 사슬은 매우 깊은 가치 사슬이므로 접착 테이프에 대해 생각해 보면 접착 층이 필요합니다.
	붙이고 싶은 대상에 붙이거나 붙입니다.
	접착층을 운반하는 캐리어, 선택적으로 접착층을 운반하는 캐리어가 필요합니다. 그리고 반대쪽에는 양면 접착 테이프를 생산하는 회사이기 때문에 반대쪽에도 접착층이 있어야 합니다.
	접착제 층. 그리고 로만의 가치 사슬은 기본적으로 아주 처음부터 시작하므로, 우리는 우리만의 폴리머를 만들 수 있습니다. 즉, 접착제의 기본 폴리머입니다.
	그런 다음 우리는 폴리머를 접착제 형태로 공식화해야 하며, 이를 다음 단계에서 캐리어에 넣어야 합니다. 즉, 접착 테이프 형태입니다.
	꽤 큰 ??? 롤이에요. 그리고 맨 마지막에, 그래서 우리는 그것을 형태로 전달할 수 있어요
	고객이 원하는 대로 하세요. 그러니까, 다이 컷이 있거나, 자동차 엠블럼이 있다면, 그런 접착 테이프가 필요해요. 특정 형태가 필요하지 않아요. 고객이 원하는 대로 그 특정 형태를 제공해요.
	그리고 R&D는 주로 중합, 코팅의 제형, 그리고 제가 언급했듯이 우리 제품의 대부분이 맞춤화되어 고객 요구 사항을 충족시키는 목표에 가능한 한 빨리 도달하기 위해 처음 세 부분에 집중합니다.
	과정 전체에 걸친 실험 설계
	최종 제품을 만들어내고 고객 요구사항을 충족시키는 것이 목표입니다.
	그리고 많은 것을 가지고
	실험 설계를 하거나 전반적으로 많은 실험을 하면 많은 데이터를 얻을 수 있습니다.
	그리고 이런 실험을 하거나 그 과정에서 실험을 설계하고 화학 회사가 되면 실험 결과에서 많은 데이터, 많은 스펙트럼을 얻게 됩니다.
	그래서 우리 실험의 대부분은 값을 알려주지 않고, 숫자를 알려주지도 않고, 스펙트럼을 알려줍니다.
	그리고 대부분의 경우, 제 경우처럼 실험을 하고 싶다면 저는 실험을 계획하고 분석하는 서비스를 제공하는 데이터 과학자라고 할 수 있습니다.
	동료들을 위해 실험을 하고 전체 데이터 분석을 하는데, 이 경우 동료들은 데이터 과학자가 아닐 수도 있습니다.
	그들은 최종 제품의 개발자이며, 모든 데이터 분석 시간을 처리하기 위해 저를 서비스로 받습니다. 대부분의 경우, 스펙트럼 데이터에서 스펙트럼 데이터를 설명하는 주요 매개변수를 추출합니다.
	중합의 경우 분자량 분포가 될 수도 있고 크기를 의미할 수도 있습니다.
	반응에서 얻어지는 중합체는 반응의 시작일 수 있으며, 측정이나 다른 수단을 통해 반응의 종류를 감지할 수 있습니다.
	데이터 분석을 한다면 주요 매개변수를 추출하여 분석을 수행하는데, 대부분은 이러한 주요 매개변수에 대한 전통적인 DOE 분석을 수행합니다.
	그래서
	저는 데이터 과학자이므로, 동료인 개발자들에 대한 봉사의 의미로 이러한 주요 매개변수에 대한 분석을 수행합니다.
	그들은 또한 나에게 고객 요구사항을 전달하고, 당신은 이 고객 요구사항을 충족시키고자 하며, 그들은 당신이 제형이나 제품을 원하는 최적의 위치에 두거나 도달하고자 합니다.
	이 작업을 마치고, 분석을 마치고, 최적화를 마치고 나면 어느 시점에서 여러분 또는 제가 동료들에게 가서 결과를 발표하게 됩니다.
	그리고 저는 주요 매개변수에 대한 모든 분석을 수행했으므로 해당 주요 매개변수에 대한 결과도 제시합니다.
	문제는, 저의 개발 동료나 프로젝트 팀은 해당 분야의 전문가이긴 하지만, 자기 전문 분야의 전문가일 뿐, 데이터 과학 분야의 전문가는 아니라는 점입니다.
	그래서 여기서 문제는 내가 주요 매개변수에 대한 분석을 수행하고 또한 주요 매개변수의 언어로 말하지만 그들이 해당 분야의 전문가인 경우,
	그들은 여전히 ​​스펙트럼에 대해 생각하고 있는데, 그 이유는 실험을 했을 당시의 결과이고, 그들이 얻은 분석 결과이기 때문입니다. 그들은 제가 숫자를 보는 곳에서 스펙트럼을 봅니다.
	결과와 분석을 주요 매개변수로 제시하더라도 여전히 스펙트럼으로 생각한다는 문제가 항상 남습니다.
	그래서 당신은 항상 다른 언어로 말하는 문제가 있습니다. 저는 숫자의 언어로 말하고, 그들은 스펙트럼의 언어로 말합니다.
	그러면 그들은 그 숫자를 자신의 전문 분야, 즉 스펙트럼으로 변환해야 하는 문제가 발생합니다.
	아니면, 이 핵심 매개변수를 스펙트럼을 의미하는 그들의 언어로 번역해야 합니다. 다행히도 Functional Data Explorer를 사용하면 이런 종류의 문제를 해결할 수 있는 일종의 범용 번역기가 있습니다.
	오늘 제가 보여드리고 싶은 것은 Functional Data Explorer가 숫자로 이야기하는 데이터 과학자와 스펙트럼으로 생각하고 이야기하는 개발자 사이의 이런 장벽이나 언어 장벽을 극복하는 데 얼마나 큰 도움이 되는지에 대한 세 가지 사례입니다.
	한 가지 예로, 제가 보여드리고 싶은 첫 번째 예는 매우 간단하고 사소한 예인데, 아마도 프랙탈 인쇄의 인쇄 품질을 설명하는 측정에 관한 것일 것입니다.
	실험. 두 번째 것은 일종의 화학 반응을 정의하는 측정을 설명합니다. 그리고 세 번째 것은 폴리머의 분자량을 알려주는 측정입니다.
	중합 반응 중. 지금 PowerPoint 사용을 중단하고 JMP로 넘어가겠습니다. 네, 바로 거기에 있습니다.
	그래서 제가 보여드린 첫 번째 예는... ​​제가 말씀드렸듯이, 인쇄 품질 분석입니다. 그래서 측정을 하면 이상적이고 완벽한 스펙트럼은 다음과 같습니다.
	원점을 지나는 매우 직선이며 기울기는 1입니다. 그래서 완벽한 수준에 도달하면 이상적일 것입니다. 그래서 한 번의 측정이고 이번에는 인쇄 품질입니다.
	일반적으로, 당신이 얻는 것은...일반적으로, 그것은 실제 생활 환경입니다. 우리는 실제로 직선이 아닌 것처럼 보이는 것을 얻지만, 그것은 더 높은 값으로 약간 옮겨져 있으므로, 그것은 선이 아닙니다... 그것은 위쪽으로 구부러져 있습니다.
	그럼 그 정보로 무엇을 하려고 합니까? 우리는 어떤 매개변수가 기본적으로 곡선을 위로 움직이거나 구부려서 이상적이지 않게 만드는지 보고 싶거나 스크린하고 싶습니다.
	그래서 저는 우리가 핵심 매개변수로 정의할 수 있는 핵심 매개변수로 가거나 기본적으로 직선과 실제 선의 차이로 정의할 수 있습니다. 그래서 꽤 간단합니다. 그냥 사용하면 됩니다.
	차이점은...이 지점이 약간 다르다는 것입니다.
	그래서 분석을 한다면, 핵심 매개변수에 대해서도... 지금은 매우 간단한 분석입니다. 저는 의사결정 트리를 사용하여... 여기 화면을 얻어서 어떤 매개변수가 가장 큰 영향을 미치는지, 이상적인 스펙트럼에서 벗어나는 것을 알아내고, 꽤 간단합니다. 우리는 약 22개의 영향 요인을 얻었습니다.
	여기서 여러분은 기본적으로 어떤 사람들에게 영향을 미치거나 이상적인 상황에서 벗어나게 하는 것을 보게 됩니다.
	그리고 이건 X 22라고 불리죠, 그게 뭐든 상관없어요. 그러니까 어느 순간 움직이면...
	특정 값보다 크면 250이라는 숫자를 얻고, 특정 값 아래로 떨어지면 196을 얻습니다. 문제는 이것을 개발팀에 알리고 개발 분석팀에 보여주면,
	그는 당신에게 196이 좋은지, 254가 여전히 좋은지, 아니면 매우 나쁜지, 아니면 적당한지, 그런 식으로 물을 것입니다.
	문제는 순수한 숫자로는 그걸 실제로 볼 수 없다는 거예요. 왜냐하면 그는 다른 언어로 다른 지역에서 다른 방식으로 말하고 있기 때문이죠.
	그리고 기능적 데이터 탐색기를 사용하면 질문에 대한 답을 얻는 데 큰 도움이 될 수 있습니다. 기능적 데이터 탐색기로 이동하여 기능적 데이터 탐색기를 사용하여 함수의 데이터에서 동일한 분석을 수행하면 됩니다.
	당신은 이런 식으로 보이는 것을 얻습니다. 그래서 그것은 당신을 보여줍니다, 그것은 그에게 또는 당신이 그에게 보여준 개발자를 보여줍니다... 당신은 그에게 그래프를 보여줍니다. 그가 익숙한 그래프는 일반적으로 그의 측정이나 그의 실험, 그가 하는 실험에서 얻습니다.
	예를 들어, 곡선 모양에 영향을 미치는 동일한 매개변수가 있지만 250을 표시하는 것이 마음에 들지 않으면 이제 동일한 작업을 수행합니다.
	분석에서 핵심 매개변수는 250이 될 것이고, 그것은 196이 될 것이고, 당신은 차이를 볼 수 있을 것입니다. 제 말은, 그것이 실제로 직선이 아니라는 것입니다.
	그러나 그들이 유지하고자 하는 숫자보다 낮은 숫자인 196으로 이동하면,
	그렇게 나쁘지 않아 보이긴 하지만... 사실 완벽한 직선이라고 할 수는 없지만, 그렇지도 않고... 그렇게 멀지도 않은데...
	직선이고 아마도 그 지점에서, 만약 당신이 이런 종류의 분석을 비데이터 과학자, 개발자에게 보여준다면,
	아마 그 정도면 그에게는 충분히 좋은 일일 수도 있고, 직선은 아니고 완벽하지는 않지만, 그 직업에는 좋은 일일 수도 있습니다.
	기본적으로 고객의 요구에 부합합니다. 그리고 그것은 당신이 보여주는 순수한 숫자에서 그가 보지 못하는 것입니다. 그래서 그 경우 매우 사소한 예, 매우 간단한 예입니다.
	하지만 함수형 데이터 탐색기를 사용하면 데이터 과학자가 아닌 전문가, 혹은 자료 개발자의 언어로 이야기할 수 있다는 요점을 전달하고자 합니다.
	그리고 그의 지역이나 그의 언어로 말하면 그가 통찰력을 얻는 데 도움이 되고 숫자를 통찰력이나 스펙트럼으로 변환할 필요는 없지만 그는 그것을 보고 필요한 답을 얻을 수 있습니다.
	다시 한번 말씀드리자면, 매우 사소하고 간단한 예이지만...이것이 Function Data Explorer가 무엇이고, 여러분이 이를 달성하는 데 도움이 되는지 보여드리기를 바랍니다.
	그럼 두 번째 예로 넘어가겠습니다. 여기서 감지하고 싶은 화학 반응의 시작이 나옵니다.
	그리고 우리는 ??? 측정을 통해 그것을 하고, 특정 화학 공식을 가열하면 모듈러스의 변화를 보고 싶어합니다. 일반적으로 두 가지 큰 스펙트럼이 있습니다. 스펙트럼은 다음과 같습니다.
	어떤 지점에서 모듈러스가 변하고 가파르게 위로 올라가는 지점입니다. 보통 여기가 화학 반응의 시작 지점입니다. 그래서 스펙트럼에서 추출하는 핵심 매개변수는 모듈러스가 급격히 올라가기 시작하는 지점입니다.
	그만큼
	좋은 추출을 위한 핵심 매개변수는 그 지점을 찾는 지점입니다. 이제 원래 원시 데이터에서 지점을 계산하는 것이 조금 더 복잡할 수 있지만, 그럼에도 불구하고 그렇게 할 수 있고, 반응이 시작되는 지점을 확인한 다음 핵심 매개변수에 대한 분석을 수행할 수 있습니다.
	그렇게 하면,
	이 핵심 매개변수에 대한 분석에서 얻는 것은 a입니다. 이 예에서 5개의 매개변수를 기반으로 화학 반응의 종류를 예측할 수 있는 모델입니다. 그래서,
	알겠습니다. 알겠습니다. 요점은... 화학 반응의 시작에서 이러한 핵심 매개변수의 요점은... 이 세 가지 매개변수에 따라 달라질 수 있습니다.
	기본적으로 화학 반응이 시작되는 약 70도에서 섭씨 약 100도까지 범위를 잡게 됩니다.(아, 죄송합니다. 틀린 표현이네요.)
	약 100도까지, 그렇죠. 다시 말해서, 전체 스펙트럼을 하나의 숫자로 줄이면,
	개발에 화학 반응이 시작되는 지점에 대한 단서를 제공합니다.
	동일한 분석을 수행하고 데이터도 확보하면, 이미 데이터가 있으므로 주요 매개변수를 추출하려면 원시 데이터도 필요하므로 원시 데이터도 사용할 수 있습니다.
	따라서 그렇지 않습니다. 실제로는 그다지 많은 노력이 필요하지 않습니다. 핵심 매개변수에 대한 표준 회귀 방법을 사용하여 기능 데이터 탐색기에서 분석을 수행하는 데 더 많은 노력이 필요합니다.
	그래서,
	동일한 양 또는 동일한 데이터를 사용하고 기능 데이터 탐색기를 사용하여
	데이터를 분석하고 결과를 계산하는 데는 몇 초 밖에 걸리지 않습니다.
	바로 이거예요.
	다시 말해서, 이제 전체 스펙트럼을 모델링할 수 있습니다. 그 특정한 사례에서 저는 개발자에게 주요 매개변수에 대한 분석을 보여주지 않았지만, 먼저 기능 데이터 탐색을 보여드렸고, 기능 데이터 탐색기의 결과를 보여드렸습니다.
	그리고 제가 그냥 움직이기 시작했을 때... 움직이기 시작했고 그들에게 이것을 보여주고 영향을 미치는 요인들을 움직이기 시작했을 때 그들은 즉시 알아차렸습니다.
	반응의 지점이 변한다는 것입니다. 그래서 저는 그들이 해당 분야의 전문가이기 때문에 지점이 움직이기 시작했다고 말할 필요가 없었습니다... 스펙트럼 데이터의 전문가가 되는 것,
	그들은 기본적으로 화학 반응의 시작이 바뀐다는 것을 즉시 알아챘습니다. 여기서 보시다시피, 변화가 시작되는 것을 보실 수 있습니다.
	다른 하나는 당신이 보는 것입니다. 왜냐하면 이제 기본적으로 전체 스펙트럼을 모델링했기 때문에 주요 매개변수만 모델링하는 것이 아니라 당신이 보는 것입니다.
	스펙트럼이 움직이는 방식이 완전히 바뀐다는 것입니다. 예를 들어, 피크가 움직이기 시작했고 피크의 높이가
	변화. 그것은 또한 이 분석을 본 직후에 인식된 것이었습니다.
	그리고 그 차이점은 주요 매개변수에 있습니다. 하나의 주요 매개변수, 즉 화학 반응의 가능성을 추출한다면, 다른 주요 매개변수를 사용할 수도 있을 겁니다.
	최적의 위치나 여기 최대 피크의 위치, 혹은 최대 피크의 높이를 말해주는 것입니다.
	그런 다음 스펙트럼 데이터를 다양한 종류의 주요 매개변수에 사용하고, 이후 해당 주요 매개변수를 분석하여 분석자에게 보여주고 최적값을 계산할 수 있습니다.
	하지만 좋은 점은 Functional Data Explorer를 사용하면 이 모든 정보를 하나로 얻을 수 있다는 것입니다.
	분석. 그리고 당신은, 내가 전에 말했듯이, 당신은 말하는 것을 멈추거나 당신은... 당신은 숫자로 말하는 것이 아니라, 당신은 그들의 언어로, 또는 당신은 스펙트럼 데이터의 언어로 말하고, 당신은 더 이상 이러한 핵심 매개변수를 그들의 스펙트럼 세계로 번역할 필요가 없습니다.
	네. 그래서 Functional Data Explorer에서 이에 대한 더 많은 정보를 얻을 수 있고, 기본 프로세스에 대한 더 깊은 통찰력을 얻을 수도 있습니다.
	네, 이제 아주 마지막이자 마지막 예시로 넘어가겠습니다.
	제가 말했던 중합 과정은 기본적으로 분자량 분포를 결정하는 것입니다.
	중합 반응의 결과입니다. 그리고 다시 말하지만, 제가 언급했듯이 분자 분포를 결정하는 것도 일반적으로 까다롭습니다.
	전체 분포를 특정 주요 매개변수로 얻거나 축소하는 것입니다. 그렇다면 일반적으로 일반적인 스펙트럼은 어떻게 보일까요? 폴리머의 몰 질량을 보여주는 일반적인 일반적인 스펙트럼을 만들어 보겠습니다. 폴리머 사슬에 있는 반복 단위의 모든 수를 만들어 보세요.
	그리고 그게 화학 반응과 측정에서 얻는 것입니다. 그래서 주요 매개변수는 잘 알려진 것이거나 주요 매개변수인데, 여러분은...
	그것은 수평균 몰 질량, 질량평균 몰 질량, Z평균 몰 질량 및 다분산성입니다.
	이는 질량 평균 몰 질량을 수 평균 몰 질량으로 나눈 값입니다.
	PDI, 즉 다분산도는 분자량 분포의 폭이나 크기를 나타냅니다.
	다시 말해서, 원시 데이터 또는 스펙트럼 데이터에서 계산하는 이러한 4가지 핵심 매개변수가 있으면 다시 말해서 우리는 이미 해당 데이터를 사용할 수 있습니다.
	주요 매개변수를 계산합니다. 표준 기술을 사용하여 다시 분석할 수 있습니다. 아무것도, 아무것도 화려하지 않습니다.
	그리고 당신은 당신의...이 경우에 대한 모델을 얻습니다. 그것은 당신의 침해 매개변수 4개이고, 이 경우에는 3개이고, 나는 다분산성을 넣지 않았습니다.
	세 가지 핵심 매개변수에 따라요. 그리고 보시다시피... 이 네 가지 요인을 변경해도 수 평균 몰 질량은 크게 바뀌지 않습니다. 그래서 이 네 가지 요인이 수 평균 몰 질량에 미치는 영향은 그렇게 크지 않습니다. 꽤 크고 상당히 중요합니다.
	질량 평균 몰 질량에서, 여기서 볼 수 있듯이요. 그래서 꽤 움직일 수 있고, 그래서 차이가 꽤 크죠, 그래서 총 몰당 약 150,000 ?, 가장 낮은 설정과 가장 높은 설정의 차이입니다.
	하지만, 이 숫자는 상당히 크게 변한다는 것은 분산도가 달라야 한다거나 상당히 많이 바뀌어야 한다는 것을 의미하지는 않습니다.
	문제는 이 숫자에서 분포가 어떤 모양인지 볼 수 없기 때문에 모양을 알 수 없다는 것입니다. 예를 들어 우리의 경우 모양을 갖는 것이 매우 중요합니다.
	폴리머의 가공성에 매우 극적으로 영향을 미칩니다. 그래서
	숫자가 3개만 있고 분산도가 높을 수도 있으므로 모양이 무엇인지 알려주지 않습니다.
	분포가 단분자 분포이든, 이분자 분포이든, 삼분자 분포이든 상관없습니다.
	여러분이 보는 것, 또는 분산성에 대해 이야기하는 것만으로도 분포의 폭을 알 수 있겠지만, 피크가 하나인지, 두 개인지, 세 개인지는 알 수 없습니다.
	하지만 우리가 얻는 최종 재료 특성에는 매우 큰 차이가 있습니다.
	폴리머의 특성이나 개발 중인 접착 테이프의 성능을 변경하는 것입니다.
	이제 다시 원시 데이터를 사용할 수 있으므로 기능 데이터 탐색기를 다시 사용하여 이러한 통찰력을 얻거나 이러한 데이터에서 더 많은 정보를 얻을 수 있습니다. 이러한 모든 데이터는 이러한 주요 매개변수에서만 가능합니다.
	다시 말하지만 몇 초가 걸리지만 그 후에는 끝납니다.
	그리고 다시 한번, 분석에 대해 특별한 것이 없으므로 Functional Data Explorer를 작동하기 시작하는 데도 특별한 것이 없습니다.
	특이한 점은 Y로 수출한 항목을 가져오고, 샘플 ID를 입력한 다음 DOE에서 요인을 입력한다는 것입니다.
	넣고, 시작 버튼을 누르면 기본적으로 그게 다입니다. 그리고 이제 기본적으로... 모델 매개변수로 장착할 수 있습니다.
	하지만 매우 간단하고 매우 직관적인 절차이며, 다시 말해서 관심 있는 기본 부분에 대한 훨씬 더 많은 통찰력을 얻을 수 있으며, 모든 데이터를 몇 가지 주요 매개변수로 축소할 뿐입니다. 그런 경우,
	제가 보여드린 것은 하나의 주요 매개변수는 실제로 많이 바뀌지 않고 다른 매개변수는 바뀌지만 형태를 알려주지 않으므로 분포에 대한 징후나 느낌을 얻을 수 없다는 것입니다.
	그런 경우, 이 도구를 다시 사용하면 통찰력을 얻을 수 있습니다. 한 지점이 많이 바뀌기 전에 다른 지점은 그렇지 않았다는 것을 알게 되면,
	하지만, 예를 들어 그 경우에는 어떤 종류의 변화가 있는지 알고 있다면요.
	그 정점은 어깨에 가깝습니다. 진짜 정점은 아니지만, 영향을 미치는 요소를 바꾸면 실제로 정점이 되는 지점에 도달하게 됩니다.
	네, 그래서 그것은 정말로 두 번째 정점을 얻고 그것은 아마도 중합 메커니즘이나 기본 중합 메커니즘에 대한 무언가를 알려줍니다.
	핵심 매개변수에서 얻을 수 없는 것인데, 그 세 개의 숫자만 봐서는 알 수 없죠.
	하지만 여기서는 당신에게 징후를 줄 수도 있고, 당신은 개발자에게 무언가를 트리거할 수도 있습니다. 왜냐하면 그것이 그의 전문 분야이기 때문입니다. 당신은 그가 기본 메커니즘을 이해하는 데 도움이 되는 무언가를 트리거할 수도 있습니다.
	다음 단계를 수행하는 데 도움이 되거나, 다음 실험을 이전보다 더 잘 계획하여 다음 단계를 수행하는 데 도움이 됩니다. 이러한 숫자만 본 것만으로도 말입니다.
	그렇습니다. 이제 제 예제를 제시하는 마지막 단계에 있습니다. 이를 통해 Functional Data Explorer가 실제로 시각화를 가능하게 한다는 것을 보여드릴 수 있기를 바랍니다.
	개발자에게 그들의 전문 분야에서 결과를 제공합니다. 제 말은, 우리의 경우 대부분의 개발자가 데이터 과학자가 아니라는 점을 명심하세요.
	그들
	결과에 도달하는 방법에 대해 믿지 않거나 관심이 없을 수도 있지만 결과와 그 자체에 더 관심이 있습니다.
	문제가 있는 경우...또는 기능 데이터 탐색기가 해당 언어로 또는 해당 전문 분야로 대화할 수 있도록 허용하는 경우, 예를 들어 화학 회사의 경우 스펙트럼 데이터를 사용할 수 있습니다.
	귀중한 데이터를 버리고 스펙트럼 데이터를 몇몇 주요 매개변수로 축소하고 주요 매개변수에 대한 분석을 수행합니다.
	실제로 주요 매개변수가 무엇인지, 즉 그것들이 스펙트럼, 스펙트럼의 형태, 스펙트럼의 모양에 어떻게 영향을 미치는지 설명해야 하지만 데이터를 그대로 사용하면 됩니다.
	여러분은 연구하고 있는 요소들이 스펙트럼의 모양과 형태에 미치는 영향, 그리고 스펙트럼이 어떻게 변하는지에 대해 보여주기 시작할 것입니다.
	그리고 많은 경우, 어떤 경우에는 동일한 통찰력을 얻을 수도 있지만, 많은 경우 FDE를 사용한 분석을 통해 훨씬 더 많은 통찰력을 얻을 수 있으며, 기본 메커니즘에 대한 더 깊은 통찰력을 얻을 수 있습니다.
	그리고 스펙트럼 데이터를 몇몇 주요 매개변수로 줄이는 과정에서 많은 귀중한 데이터를 버릴 필요는 없습니다.
	그런 의미에서, 저는 모든 실험 작업을 수행해 주신 R&D 부서의 동료들에게 감사드리고 싶습니다. 덕분에 저는 여러분 앞에 서서 좋은 결과를 발표할 수 있었습니다. 그리고
	프레젠테이션을 마쳤습니다. 많은 관심 부탁드립니다. 질문이 있으시면 언제든지 문의해 주세요. 감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 탐색 및 시각화실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달