|
Vocero
|
Transcripción
|
| Simón Stelzig |
Hola a todos. Me llamo Simon Stelzig. Soy de Lohmann, ingenieros de uniones. Trabajo en el departamento de investigación y desarrollo y hoy me gustaría contarles algo sobre el explorador de datos funcionales y cómo pueden usarlo para visualizar resultados para personas que no sean científicos de datos. |
| |
Antes de empezar, una breve introducción sobre la empresa Lohmann. Puede que no hayas oído hablar de ella, pero es posible que utilices o hayas visto sus productos a diario. |
| |
Algunos datos y cifras sobre Lohmann. En 2019, Lohmann facturó unos 600 millones de euros y la parte en la que trabajo es Lohmann Tape Group. Somos productores de cintas adhesivas. Se trata principalmente de cintas adhesivas de doble cara y somos una empresa puramente B2C, por lo que solo |
| |
Puede adquirir nuestro producto únicamente si es industrial... para aplicaciones industriales. Somos bastante antiguos, por lo que este año se cumplen 170 años desde la fundación de la empresa Lohmann. |
| |
Básicamente, nos dividimos en dos partes, por lo que una de ellas es el producto de cinta en el que estoy trabajando. Ese es el enfoque en el |
| |
Cintas adhesivas para aplicaciones industriales y esa es nuestra marca de higiene. |
| |
Y estamos activos a nivel mundial. Tenemos 25 plantas en todo el mundo, con aproximadamente 1.800 empleados. Y quizás sea muy interesante, |
| |
El 90% de nuestros productos son personalizados, por lo que tenemos una cartera de productos bastante compleja, donde muchos productos se centran en una cantidad muy pequeña de aplicaciones para un grupo muy pequeño de clientes. |
| |
Y entonces, somos el principal productor de cintas adhesivas o muchas cintas adhesivas de doble cara y, como usted sabe, tenemos muchas aplicaciones y este es nuestro segmento de mercado en el que estamos. |
| |
Una de nuestras aplicaciones es la industrial, principalmente para ventanas y puertas o aplicaciones interiores y exteriores en el sector de la construcción. |
| |
O puede que te encuentres con productos de Lohmann en electrodomésticos y dispositivos electrónicos, por ejemplo, como cintas adhesivas para fijar la tapa trasera de los teléfonos inteligentes. O en el |
| |
Segmentos médicos, principalmente para aplicaciones de diagnóstico y cuidado de heridas. En el campo del transporte, en el sector automotriz, tal vez para interiores o exteriores. |
| |
Adhesión de emblemas a los vehículos. También trabajamos, por ejemplo, en la industria gráfica para aplicaciones de impresión flexibles, donde suministramos cintas adhesivas. |
| |
Para fijar la placa de impresión en las mangas. Una de las subdivisiones de Lohmann Tape Group es la marca de higiene, donde entregamos sistemas de cierre para pañales. |
| |
La gama de aplicaciones es muy amplia y otro punto que acabo de mencionar es que aproximadamente el 90 % de nuestros productos son personalizados. Otro dato sobre Lohmann es que |
| |
que nuestra cadena de valor es una cadena de valor muy profunda, por lo que si piensas en una cinta adhesiva, necesitas una capa adhesiva que |
| |
se pega o se adhiere al sujeto al que desea adherirse. |
| |
Necesita un soporte, opcionalmente un soporte que lleve su capa adhesiva, y en el otro lado, que es como somos productores de cintas adhesivas de doble cara, tiene en el otro lado nuevamente, |
| |
Una capa adhesiva. Y la cadena de valor de Lohmann comienza básicamente desde el principio, por lo que podemos fabricar nuestro propio polímero, el polímero base para un adhesivo. |
| |
Luego tenemos que formular ese polímero en una formulación adhesiva, que luego colocamos en el siguiente paso sobre un soporte, ya sea en forma de cinta adhesiva en forma de |
| |
bastante grandes??? rollos. Y al final, para que podamos entregarlo en forma |
| |
El cliente lo quiere así, por ejemplo, si tiene algunos troqueles, tal vez algunos emblemas para autos, necesita tener esas cintas adhesivas que no necesitan una forma específica, entregamos esa forma específica según lo requiera el cliente. |
| |
Y la I+D se centra principalmente en las tres primeras partes, es decir, para la polimerización, la formulación del recubrimiento y para conseguir, como he mencionado, que muchos de nuestros productos sean personalizados, para llegar lo más rápido posible al objetivo de cumplir con los requisitos de nuestros clientes aplicamos |
| |
Diseño de experimentos a lo largo del curso. |
| |
de llegar al producto final y cumplir con los requisitos de nuestros clientes. |
| |
Y tener mucho |
| |
Realizar diseños de experimentos o, en general, realizar muchos experimentos también proporciona una gran cantidad de datos. |
| |
Y al hacer estos experimentos o el diseño de experimentos en ese curso y siendo una empresa química, muchos de los datos, en los resultados de los experimentos, se obtienen muchos datos, muchos espectros. |
| |
Entonces, la mayoría de nuestros experimentos no te dan un valor, no te dan un número, te dan un espectro. |
| |
Y, en la mayoría de los casos, si quieres hacer los experimentos, como en mi caso, yo soy, digamos, el científico de datos que brinda el servicio de planificación de esos experimentos y análisis. |
| |
experimentos y hacer todo el análisis de datos para mis colegas, quienes, en ese caso, podrían ser los no científicos de datos. |
| |
Son desarrolladores del producto final y me contratan como servicio para realizar todo el análisis de datos. En la mayoría de los casos, extraen de esos datos espectrales parámetros clave que describen sus datos espectrales. |
| |
Eso podría ser, en el caso de la polimerización, podría ser la distribución del peso molecular, podría significar el tamaño de su |
| |
polímero que obtenemos de la reacción, que podría ser el comienzo de una reacción para detectar el tipo de reacción por cualquier medio de medición o algo más. |
| |
Entonces, si haces el análisis en el análisis de datos, extraes esos parámetros clave y haces el análisis, la mayoría de las veces en el análisis DOE clásico, sobre esos parámetros clave. |
| |
Entonces |
| |
Como científico de datos, yo, como un servicio a mis colegas, los desarrolladores, hago este análisis sobre esos parámetros clave. |
| |
También me entregan los requisitos del cliente y usted quiere cumplir con los requisitos de estos clientes, ellos lo óptimo donde quiere que esté su formulación o producto o alcanzarlo. |
| |
Hecho esto, hecho el análisis, hecha la optimización, en algún momento tú vas a tu, o yo voy a mis compañeros y les presento los resultados. |
| |
Y como hice todo el análisis de los parámetros clave, también presento los resultados de esos parámetros clave. |
| |
El problema es que, aunque mis colegas de desarrollo o mis equipos de proyecto son expertos en el área... expertos en su especialidad, pero no expertos en ciencia de datos. |
| |
Entonces, el problema aquí es que si hago el análisis de los parámetros clave y también hablo en el lenguaje de los parámetros clave, pero ellos, como expertos en su área de especialización, |
| |
Siguen pensando en espectros porque fue cuando se hicieron los experimentos, ese es el análisis que obtienen, ellos ven espectros donde yo veo números. |
| |
Siempre queda el problema de que si presento los resultados y el análisis en parámetros clave, ellos todavía piensan en espectros. |
| |
Así que siempre tenemos el problema de que hablamos en diferentes idiomas. Yo hablo en el lenguaje de los números, ellos hablan en el lenguaje de los espectros. |
| |
Lo que entonces conduce al problema de que tienen que traducir esos números a su área de especialización, es decir, los espectros. |
| |
O bien, tengo que traducir estos parámetros clave a su idioma, es decir, a los espectros. Afortunadamente, con Functional Data Explorer, se trata de una especie de traductor universal que resuelve ese tipo de problema. |
| |
Y lo que hago, o quiero mostrarles hoy, es con tres ejemplos cómo el Functional Data Explorer los ayuda enormemente a superar esta barrera o esta barrera del lenguaje entre los científicos de datos hablando en números y los desarrolladores pensando y hablando en espectros. |
| |
En un ejemplo, el primer ejemplo que quiero mostrarles, es un ejemplo muy simple, muy trivial, tal vez sobre una medición que describe la calidad de impresión en la impresión fractal. |
| |
El segundo describe una medida que define una especie de reacción química. Y hay un tercero; es una medida que te da el peso molecular de un polímero. |
| |
Durante una reacción de polimerización. Dejaré de usar PowerPoint y pasaré a JMP. Sí, ahí está. |
| |
El primer ejemplo que mostré... como les dije, es el análisis de la calidad de impresión. Entonces, se hace la medición y los espectros ideales y perfectos serían |
| |
línea muy recta que pasa por el origen con pendiente 1. Así que ese sería el ideal si llegas a ese perfecto, así que es una medida, esta vez la calidad de impresión. |
| |
Normalmente, lo que se obtiene es un entorno de la vida real. Obtenemos algo que no parece una línea recta, sino que está un poco desplazado hacia un valor más alto, por lo que no es una línea... está curvado hacia arriba. |
| |
Entonces, ¿qué quieres hacer con esa información? Queremos ver o quieres filtrar qué parámetros mueven o doblan la curva hacia arriba, de modo que no sea ideal. |
| |
Entonces, voy a los parámetros clave de lo que definiríamos como parámetros clave o, básicamente, es la diferencia entre una línea recta y la línea real que se obtiene. Es bastante simple, solo se usa el |
| |
La diferencia...es alguna diferencia con este punto. |
| |
Entonces, si haces el análisis de los parámetros clave, también es un análisis muy simple. Utilizo un árbol de decisiones para obtener la pantalla que muestra qué parámetro influye más en esta desviación del espectro ideal. Es bastante simple. Tenemos alrededor de 22 factores influyentes. |
| |
Allí se ve uno que, básicamente, tiene una influencia en algunos o influye en este alejamiento de esta situación ideal. |
| |
Y se llama X 22, sea como sea, en realidad no importa. Entonces, en un momento dado, si se mueve... |
| |
Si es mayor que un cierto valor, obtienes, digamos, un número de 250, si se mueve por debajo de ese cierto valor, obtienes 196, el problema es que si le dijeras esto al desarrollo... si se lo mostraras a un análisis de desarrollo, |
| |
Él te preguntará, ¿196 es bueno o 254 todavía es bueno o es muy malo o es quizás adecuado y ese tipo de adecuado? |
| |
El problema es que con el número puro, no lo ves realmente, porque él está hablando en un tipo diferente de... en un área diferente con un idioma diferente. |
| |
Y el uso del Explorador de datos funcionales puede ayudarle mucho a responder la pregunta, porque si pasa al Explorador de datos funcionales y hace el mismo análisis en los datos de la función... con el Explorador de datos funcionales, |
| |
Obtienes algo que se muestra así. Entonces te lo muestra a ti, le muestra a él o al desarrollador que le mostraste... le muestras el gráfico. El gráfico al que está acostumbrado con el gráfico normalmente lo obtiene de sus mediciones o sus experimentos, los experimentos que hace. |
| |
Lo mismo ahora si tu por ejemplo si tiene el mismo parametro que influye en la forma de la curva pero si no te gusta que te muestre la que tiene los 250, |
| |
Del análisis del parámetro clave, que sería 250, se obtendrán 196 y se ve la diferencia. No es una línea recta. |
| |
Pero si se mueve hacia abajo como el número inferior, que muestra el número antes de que quieran mantenerlo, 196, |
| |
No se ve tan mal, así que... no es realmente, quiero decir, una especie de línea recta perfecta, pero no es así, no tanto... no está lejos de serlo. |
| |
una línea recta y tal vez en ese punto, si le muestras este tipo de análisis a los no científicos de datos, al desarrollador, |
| |
Tal vez eso ya sea suficiente para él, tal vez en ese punto digas, está bien, no es una línea recta, no es perfecta, pero es bueno para el trabajo. |
| |
Básicamente, se ajusta a la necesidad del cliente, y eso es algo que no ve en el número puro que le muestra. Así que, en ese caso, se trata de un ejemplo muy trivial, muy simple. |
| |
pero espero que te dé la esencia de que el uso de un Explorador de Datos Funcional te permite hablar en el lenguaje de los expertos, de los no científicos de datos, tal vez del desarrollador del material. |
| |
Y usted está hablando en su área o en su idioma, lo ayuda a obtener esta información y no tiene que traducir el número en información en un espectro, pero él lo ve y tal vez obtiene la respuesta que necesita. |
| |
Entonces, nuevamente, un ejemplo muy trivial, muy simple, pero entiendo... Espero que te muestre la esencia de lo que es el Explorador de datos de funciones o te ayude a lograrlo. |
| |
Entonces, pasando al segundo ejemplo, ese es el comienzo de la reacción química que quieres detectar. |
| |
Y lo hacemos haciendo la medición ??? y queremos ver un cambio en el módulo durante... si calentamos una determinada formulación química. Normalmente hay dos grandes espectros; el espectro se vería así, |
| |
En un punto determinado, el módulo cambia y sube bruscamente. Normalmente, es el punto en el que comienza la reacción química. Por lo tanto, el parámetro clave que se extrae de esos espectros es el punto en el que el módulo comienza a subir bruscamente. |
| |
El |
| |
El parámetro clave para una buena extracción es encontrar el punto. Puede que sea un poco más complicado calcular un punto a partir de los datos originales, pero, de todos modos, se puede hacer: comprobar el punto en el que se inicia la reacción y, a continuación, realizar el análisis del parámetro clave. |
| |
Haciendo eso, |
| |
Lo que se obtiene de este análisis del parámetro clave es un modelo que permite predecir el tipo de reacción química basándose, en este ejemplo, en cinco parámetros. |
| |
Ya veré. Bien, el punto de... el punto de estos parámetros clave al comienzo de la reacción química es... depende de esos... depende de esos tres parámetros. |
| |
y básicamente obtienes el rango desde algo así como 70 grados donde comienza la reacción química hasta algo así como 100 grados Celsius (oh, lo siento, esa es la incorrecta). |
| |
a unos 100 grados, sí. Entonces, nuevamente, reduce el espectro total a un número, |
| |
Dando al desarrollo una pista de dónde comienza esta reacción química. |
| |
Haciendo el mismo análisis y también los datos... ya tienes los datos, así que si quieres extraer los parámetros clave, también necesitas los datos sin procesar, así que también tienes los datos sin procesar disponibles. |
| |
Entonces no es así... realmente no se necesita mucho más esfuerzo... se necesita más esfuerzo para hacer el análisis dentro del Explorador de datos funcionales usando un método de regresión estándar sobre parámetros clave. |
| |
Entonces, |
| |
utilizando la misma cantidad o los mismos datos y utilizando el Explorador de datos funcionales para |
| |
Analizar los datos sólo toma un par de segundos para calcular el resultado. |
| |
Ahí está. |
| |
Nuevamente, ahora puedes modelar todo el espectro, y qué... entonces, en ese caso particular, no le mostré al desarrollador el análisis de los parámetros clave, pero primero le mostré el Explorador de datos funcionales, los resultados del Explorador de datos funcionales. |
| |
Y cuando me mudé... comencé a moverme y a mostrarles esto y comencé a moverme alrededor de los factores influyentes, ellos inmediatamente lo notaron. |
| |
que el punto de reacción cambia. Así que no tuve que decirles que los puntos comenzaron a moverse porque son los expertos en el campo... de ser los expertos en los datos del espectro, |
| |
Inmediatamente reconocieron que básicamente el inicio de la reacción química se desplaza, como pueden ver aquí, ven que comienza a desplazarse. |
| |
El otro es lo que ves, porque ahora básicamente modelaste los espectros completos, no solo modelas el parámetro clave, lo que ves |
| |
que la forma en que se ve el espectro cambia totalmente si lo mueves. Entonces, por ejemplo, verán que el pico comenzó a moverse y la altura del pico |
| |
cambios. Eso fue algo que también se reconoció inmediatamente después de ver estos análisis. |
| |
Y la diferencia está en el parámetro clave, si extraes la posibilidad de un parámetro clave que significa una especie de reacción química, puedes usar otros parámetros clave, tal vez. |
| |
indicándole la posición del óptimo o la posición del pico máximo aquí o la altura del pico máximo. |
| |
Y luego puedes usar los datos espectrales en diferentes tipos de parámetros clave, analizando esos parámetros clave posteriormente y mostrándoselos para calcular un óptimo. |
| |
Pero lo bueno es que, si usas el Explorador de datos funcionales, obtienes toda esta información en un solo lugar. |
| |
análisis. Y tú, como mencioné antes, dejas de hablar o... no estás hablando en números, sino que hablas en su lenguaje de datos espectrales y ya no tienes que traducir estos parámetros clave a su mundo de los espectros. |
| |
Sí, y así obtendrás mucha más información sobre estos en Functional Data Explorer y tal vez obtengas una visión más profunda de los procesos subyacentes. |
| |
Sí, ahora llego al último y definitivo ejemplo. Es el |
| |
proceso de polimerización del que estaba hablando y que es básicamente determinar la distribución del peso molecular, |
| |
que es el resultado de una reacción de polimerización. Y, como ya he mencionado, determinar la distribución molecular también suele ser complicado. |
| |
Obtener o reducir una distribución completa en ciertos parámetros clave. ¿Cómo se ve normalmente un espectro típico? Pongamos un espectro típico normal que muestre la masa molar de un polímero, es decir, la cantidad de unidades repetidas que tiene una cadena de polímero. |
| |
Y eso es lo que se obtiene de la reacción química y de la medición. Por lo tanto, los parámetros clave, que son bien conocidos o son un parámetro clave, deben... |
| |
Esa es la masa molar promedio numérica, y la masa molar promedio en masa, la masa molar promedio Z y la polidispersidad, |
| |
que es la masa molar promedio dividida por la masa molar promedio numérica. |
| |
Ese parámetro, el PDI, la polidispersidad, le da una indicación de la amplitud o el tamaño de... o el ancho de su distribución de peso molecular. |
| |
Nuevamente, al tener estos cuatro parámetros clave que calculamos a partir de nuestros datos brutos o nuestros datos espectrales, nuevamente ya tenemos esos datos disponibles para... |
| |
Calcula los parámetros clave. Puedes volver a hacer el análisis utilizando técnicas estándar que no requieren ningún tipo de especialización. |
| |
Y luego obtienes un modelo sobre tu... en este caso, son cuatro parámetros infractores en tu, en este caso tres, no puse polidispersidad, |
| |
Bajo tres parámetros clave, y verás... lo que ves es que la masa molar promedio en número no cambia mucho si cambias estos cuatro factores, por lo que la influencia de esos cuatro factores en la masa molar promedio en número no es muy grande. Es bastante grande y bastante significativa. |
| |
En la masa molar promedio, como se puede ver aquí, se puede mover bastante, por lo que la diferencia es bastante grande, aproximadamente 150 000 ? por mol en total, la diferencia entre la configuración más baja y la más alta. |
| |
Pero, es decir, que este número cambie bastante significativamente y esto no significa también que su dispersión deba variar o deba ser... o deba cambiar bastante. |
| |
El problema es que no se ve en este número cómo se ve la distribución, por lo que no se da la forma, y digamos que, en nuestro caso, es muy importante tener forma porque... |
| |
afecta la procesabilidad de un polímero de forma bastante drástica. |
| |
Al tener solo tres números y quizás la polidispersidad, no te da o no te dice, si la forma...o |
| |
si la distribución es esa distribución monomolar, bimodal, trimodal cualquiera que sea. |
| |
Lo que ves o simplemente hablar de la dispersión quizás te dé una indicación de la amplitud de la distribución, pero no te dice si tienes un pico, dos picos o tres picos. |
| |
Pero hay una diferencia bastante grande en las características finales del material que obtenemos. |
| |
del polímero o cambiar el rendimiento de nuestra cinta adhesiva en desarrollo. |
| |
Ahora, nuevamente, dado que ya tienes los datos sin procesar disponibles, puedes usar nuevamente el Explorador de datos funcionales para obtener esta información u obtener mucha más información de estos... todos estos datos solo a partir de esos parámetros clave. |
| |
Una vez más, toma un par de segundos, pero luego estás listo. |
| |
Y, una vez más, no hay nada sofisticado en el análisis, así que también para empezar... para operar el Explorador de datos funcionales no hay nada sofisticado, nada |
| |
fuera de lo común, que extraes en tus exportaciones como Y, pones tu ID de muestra, luego pones tus factores de tu DOE. |
| |
Póngalos, presione el botón de inicio y, básicamente, eso es todo. Y, básicamente, ahora puede ajustarlo con los parámetros del modelo. |
| |
Pero es un procedimiento muy simple y directo y, una vez más, se obtiene una perspectiva mucho más amplia de las partes subyacentes de interés, simplemente reduciendo todos esos datos a algunos parámetros clave. En ese caso, |
| |
Lo que quiero decir es que, después de haberte mostrado que un parámetro clave en realidad no cambia mucho, el otro sí lo hace, pero no te da la forma, por lo que no te da una indicación o una sensación sobre la distribución. |
| |
En ese caso, volver a utilizar esta herramienta te da ese insight, porque si ves cómo... antes de que veas ese punto que cambia mucho, el otro no. |
| |
Si usted conoce algún tipo de cambio, aunque, por ejemplo, en ese caso. |
| |
Ese pico es más como un hombro, no es realmente un pico, pero si cambias tus factores de influencia llegas a un punto en que realmente se convierte en un pico. |
| |
Sí, entonces realmente obtiene un segundo pico, y eso te dice algo sobre tal vez el mecanismo de polimerización o el mecanismo de polimerización subyacente. |
| |
lo cual no se obtiene de los parámetros clave, con solo mirar esos tres números, sí. |
| |
Pero aquí, podría darle una indicación o podría activar algo en el desarrollador porque esa es su área de especialización. Podría activar algo que lo ayude a comprender el mecanismo subyacente y luego |
| |
le ayuda a realizar el siguiente paso o le ayuda a realizar el siguiente paso mejor para planificar los próximos experimentos incluso mejor que antes, simplemente habiendo visto estos números. |
| |
Bien, estoy al final de mi... presentación de mi ejemplo, por lo que espero poder mostrarles que el Explorador de datos funcionales realmente permite la visualización de los datos. |
| |
resultados para los desarrolladores en su área de especialización. Quiero decir, tenga en cuenta que la mayoría, digamos en nuestro caso, la mayoría de los desarrolladores no son científicos de datos, por lo que |
| |
ellos |
| |
No creen o quizás no están tan interesados en cómo llegar a los resultados, pero están más interesados en los resultados y en el |
| |
El problema es que... o si el Functional Data Explorer, digamos, te permite hablar en su idioma o en su área de especialización, eso significa, en nuestro caso, ser una empresa química, datos espectrales, y no tienes que |
| |
desechar datos valiosos para reducir los datos espectrales a algunos parámetros clave y hacer el análisis sobre los parámetros clave. |
| |
Tener que explicar cuáles son realmente los parámetros clave... cómo afectan los espectros, las formas de los espectros, la forma de los espectros, pero puedes simplemente usar los datos y luego... |
| |
Comenzarás a mostrarles esta influencia sobre los factores que estás estudiando en la forma y figura de los espectros y cómo cambian los espectros. |
| |
Y en muchos casos, en algunos casos, se puede obtener la misma información, pero en muchos casos, el análisis, utilizando el FDE, a menudo proporciona mucha más información, una visión más profunda del mecanismo subyacente. |
| |
Y no es necesario, digamos, desechar una gran cantidad de datos valiosos durante el proceso de reducción de los datos espectrales a algunos parámetros clave. |
| |
Con esto, me gustaría agradecerles a ustedes, mis colegas del departamento de I+D, por hacer todo el trabajo experimental, para que yo pueda estar aquí frente a ustedes y presentarles los buenos resultados. |
| |
He terminado mi presentación. Muchas gracias por su atención. Si tienen alguna pregunta, no duden en preguntar. Muchas gracias. |
