Bonjour, mon nom est Caleb Roi. Je suis a promoteur dans le Biche et fiabilité groupe à JMP. Aujourd'hui I figuré Identifiant vitrine quoi I pense est a peu de un négligé plate-forme dans le fiabilité suite de analyse outils, et c'est le fiabilité croissance plate-forme. I pensée Identifiant faire que dans le contexte de quelque chose c'est devenir joli populaire aujourd'hui, et c'est autonome véhicules. Ils sont rapide devenir a réalité, pas donc beaucoup science fiction plus. Nous avoir a parcelle de entreprises fonctionnement sur extensif essai de ces véhicules.
C'est bon à test ces véhicules sur peut être a bon piste à ton laboratoire ou quelque chose comme que. Mais rien rythmes réel réel route essai, lequel est pourquoi tôt dans le Années 2010, le État de La Californie Département de Moteur Véhicules en fait mettre ensemble a essai programme que autorisé ces entreprises à test leur véhicules sur routes dans le État. Maintenant, comme partie de que accord, chaque entreprise était requis à soumettre un annuel rapport lequel serait détail dehors n'importe lequel taper de désengagement incidents. Ou paradis interdire, n'importe lequel accidents que arrivé impliquant leur autonome véhicules.
Ceux avait à être signalé à le Département de Moteur Véhicules, le DMV. Maintenant, un avantage de le DMV être a fédéral institution est que ces rapports sont en fait disponible sur demande. Dans fait, nous peut aller là droite maintenant à le site et vous allez voir que toi peut à moins accéder le la plupart récent rapports. Nous avoir le 2021 rapports. Ils sont toujours compilation le 2022. Toi pourrait aussi, si toi vouloir, e-mail. Si toi recherché quelques précédent ceux, I a fait que avec a bref justification de quoi I était faire. Ils étaient joli rapide à répondre.
Maintenant, nous avoir différent types de rapports et différent types de essai. Étaient étaient se concentrer sur essai où là est a conducteur dans le véhicule et le conducteur peut prendre sur comme nécessaire. Ce n'est-ce pas a pleinement autonome véhicule. Toi faire avoir à être dans le conducteur siège à faire ce. Étaient en utilisant ces désengagement événements comme a procuration pour évaluer le fiabilité de le véhicules. Évidemment, nous ne le faites pas avoir accéder à le logiciel dans ces véhicules. Si toi travail à ceux entreprises, toi pourrait probablement avoir plus information. Nous évidemment ne le faites pas.
Mais ils sont a procuration parce que si toi vouloir notre véhicule à être fiable, que moyens il besoins à être exploitation comme toi avoir l'intention dans le environnement. N'importe lequel temps toi avoir à prendre sur le IA pour quelques raison, que pourrait être a signe, "JE c'est pas exactement exploitation comme I destiné." Nous peut utiliser il comme a peu de a procuration. Encore, c'est pas le meilleur approximation, mais c'est toujours joli bien. De cours, Je suis pas le d'abord un à pense de ce. Ce est en fait un informel extension de quelques travail J'ai fait récemment avec mon conseiller, Année Hong, et a bouquet de autre co-auteurs où nous en fait regardait à ce taper de données depuis a récurrent événements perspective.
Je suis en allant à faire a légèrement différent approche ici. Mais là est a prépublication de ce article disponible si toi vouloir à vérifier il dehors que fait quelque chose similaire. Laisser moi aller dans et décrire le données toi pour toi réel rapide. Je suis pas en allant à être regarder à chaque entreprise faire essai. Il y a donc beaucoup dehors là. Je suis en allant à se concentrer sur un, et ceux serait être événements soumis par Waymo, lequel était Google soi conduite voiture projet. Maintenant ils sont leur propre filiale entité. Ces sont leur annuel rapports. Laisser moi définir quoi nous signifier par désengagement événements.
Je suis dans le conducteur siège et si quelque chose événement, Je suis dans autonome mode et I besoin à prendre sur et prendre sur conduite. C'est a désengagement événement. I débrayer depuis autonome mode. Que pourrait être pour n'importe lequel raison. Ils, de cours, besoin à rapport quoi que raison était. Étaient juste en utilisant que comme notre procuration mesure ici. Ces annuel rapports sont en allant à aller tous le chemin dos à à propos 2015, 2014. C'est quand Waymo a commencé participant dans ce programme. Le 2015 rapport en fait contient données dos à 2014. Ils commencer dans le milieu là.
Chaque rapport essentiellement couvertures le gamme depuis Décembre de le précédent année à Novembre de le actuel année. Le 2016 rapport serait contenir données depuis Décembre 2015 en haut à Novembre de 2016. Que chemin, ils avoir a mois à processus le précédent années Nombres. Là sont deux primaire sources de données étaient regarder à dans chaque rapport. Le d'abord un est en allant à liste chaque incident que s'est produit, quand il arrivé que pourrait être comme détaillé comme jour et temps, ou il pourrait juste être le mois.
Encore, il y a pas a parcelle de bien cohérence à travers années. C'est quelque chose nous couru dans. Mais ils à moins donner quelques indication de quand il arrivé. Ils pourrait dire où il arrivé et ils peut décrire quoi arrivé. Il pourrait être très détaillé ou il pourrait juste être chute dans a particulier catégorie que ils donner. Alors le deuxième partie de données est en allant à liste le le VIENS ou partiel VIENS de le véhicule, donc le véhicule identification nombre. Quelque chose à identifier le véhicule et comment beaucoup autonome kilomètres que véhicule est conduit que mois. Toi pourrait voir plus tard sur quand I montrer ce données, là pourrait être a bouquet de zéros. Zéro juste moyens I soit n'a pas conduire que véhicule ou I juste n'a pas conduire il dans autonome mode.
Dans soit cas, I était pas faire actif essai de le autonome mode de le véhicule. Maintenant, comme I mentionné plus tôt, là était a peu de incohérence. Avant à 2018, quand ils listé le désengagement événements, ils en fait ne le faites pas donner le avantage de le véhicule. Nous ne le faites pas savoir quoi véhicule était impliqué. Nous savoir comment beaucoup autonome kilomètres il conduite que mois, mais nous avoir Non idée quoi véhicule était impliqué. Départ dans 2018, que information est maintenant disponible. Maintenant nous peut correspondre véhicule à le incident, lequel moyens quand nous faire ce analyse, Je suis en allant à faire il à deux différent niveaux.
Un est à un agrégat niveau où Je suis en allant à être regarder à chaque mois tous de le véhicules être testé à que temps. Alors regarder à le incident taux dans l'ensemble dans un agrégat mesure. Le deuxième volonté être alors I volonté zoom dans à le véhicule niveau. Je vais regarder à il par VIENS. Pour que données, Je vais seulement être en allant dos à 2018. Pour le agrégat niveau, I peut prendre tous de il. Maintenant, avant nous obtenir à travers le analyse, en fait recherché à montrer toi quelques outils que JMP a disponible que autorisé nous à rapidement processus et accumuler ce données. Encore, à montrer toi comment facile il est et montrer désactivé a peu caractéristiques dans JMP. Quelques de eux sont vraiment nouveau, quelques de eux avoir a été autour pour a petit alors que.
Laisser moi commencer par montrer toi un chose que a aidé nous, et que était être capable à lire dans données depuis PDF. Avant à 2018, a parcelle de ces données étaient compilé dans PDF. Après, ils mettre eux dans un Exceller déposer, lequel fait il a parcelle Plus facile à juste copie et coller dans a JMP tableau. Mais pour ceux PDF, comment a fait nous poignée que? Laisser moi donner toi un exemple en utilisant données depuis 2017. Ce est en fait un de le meilleur formaté rapports nous voir depuis entreprises. Quelques résumés ici, quelques tables ici et là. Ce dans appendice A est le données Je suis regarder à.
Toi peut voir ici, ce est le désengagement événements. Nous avoir a cause, généralement juste a catégorie ici. Ils avoir le jour, lequel est en fait le mois. A peu de a divergence là, le emplacement et taper. Mais ce est essentiellement juste révélateur nous comment beaucoup désengagement événements arriver chaque mois. Alors nous avoir a tableau ici ou a série de tables en fait ici à le dos. Ce est montrer nous pour chaque véhicule, dans ce cas, il seulement donne partiel événement information. Là est pas a parcelle de information disponible dans ces tôt rapports et alors montrer toi comment beaucoup autonome kilomètres étaient conduit chaque mois. Comment peut nous mettre ce dans JMP ? Bien, I pourrait juste copie et coller, mais c'est a peu fastidieux. Nous peut faire mieux que que.
Laisser moi viens ici. Je suis en allant à aller à mon Déposer, Je suis en allant à aller à Ouvrir. Il y a mon PDF. Je suis en allant à cliquez Ouvrir et JMP a a PDF importer magicien. Génial. Maintenant quoi c'est en allant à faire est c'est en allant à aller à travers et regarder à chaque page et identifier peu importe tables il découvre là. C'est en allant à classer par catégories eux par le page et quoi le tableau est sur que page. De cours, quand toi sauvegarder il dehors, toi peut, de cours, changement le nom.
Maintenant, I ne le faites pas vouloir chaque tableau sur chaque page. Quoi Je suis en allant à faire est Je suis en allant à aller à ce rouge triangle sur ce page et juste dire, "Ignorer tous le tables sur ce page. I ne le faites pas vouloir ces." Je vais dire, ""D'accord," Je vais faire le même ici. C'est a bon résumé tableau, mais c'est pas quoi I vouloir. Alors I commencer disant, " Ce est le données I vouloir." Maintenant, étaient en allant à avis ici, ce est formaté joli Bien. C'est obtenu le données I vouloir. Si I rouleau à le suivant un, ce est techniquement a continuation de le tableau depuis avant. Cependant, par défaut, JMP est en allant à supposer que chaque tableau sur chaque page est c'est propre entité.
Quoi I peut faire à dire JMP que en fait ce est juste a continuation est à aller à le tableau ici sur le page, cliquez le rouge triangle et dire pour le nombre de rangées à utiliser comme en-tête, là en fait sont aucun. Ce est a chemin à dire JMP que en fait c'est a continuation de le précédent tableau. Bien vérifier dans le données ici, et il regard comme il a fait il maintenant. Je suis en allant à vérifier ici à le bas et I remarqué, "Oh, I manqué que Octobre données. C'est d'accord. Je suis en allant à faire a rapide petit extensible là et boom, I a obtenu il." C'est d'accord. Toi peut manipuler le tables. I f il n'a pas attraper quelque chose, toi peut extensible et manipuler le tableau à ajuster il. Toi peut aussi ajouter tables il n'a pas trouver.
Dans ce cas, I manqué ce. C'est d'accord. Je suis en allant à traîner a boîte autour de lui. Boom. Il y a a nouveau tableau pour toi, JMP. Je suis en allant à aller dans ici. C'est en allant à supposer que là sont quelques en-tête rangées. En fait, là sont aucun. D'accord, super. Maintenant c'est capturé que partie de le données. Il y a a peu de un vide cellule ici. C'est juste a mise en forme erreur parce que ce est techniquement deux lignes, donc ils n'a pas mettre ce à le haut. C'est d'accord. Facile réparer sur le dos fin. Maintenant pour ces tables, quoi nous avis si nous aller à que est il en fait pense, "Bien, ce est en fait un tableau." Malheureusement, c'est techniquement pas correct parce que là sont deux tables, mais c'est un facile réparer. I peut simplement aller à chaque un et dire, "C'est en fait pas a continuation JMP. Ce en fait a c'est propre en-tête."
Il dit, "D'accord," et toi peut faire que pour chaque de ces tables. I ne le fera pas faire il pour tous de eux. Je suis juste faire ce à illustrer. Quoi épouser avoir à faire est épouser probablement fin en haut avec a bouquet de tables ici où Bien avoir à horizontalement enchaîner. C'est juste le chemin ils décider à format dans le rapport. Mais JMP a a parcelle de outils à aide nous avec concaténation et putting tables ensemble. Mais toi peut voir ce est a parcelle Plus facile que en essayant à copie et coller ce dans JMP, fabrication bien sûr que le mise en forme est tous bien. JMP est en allant à faire a parcelle de que pour nous.
D'accord, un autre utile outil que est venu dehors récemment dans JMP 2017 est, si vous avez probablement entendu de il, le JMP flux de travail. Que était super utile parce que évidemment nous avoir multiple rapports sur multiple années. Épouser comme à à moins combiner à travers tous le années dans deux rapports, un avec le désengagement événements, un avec le kilométrage. Quoi nous a fait est nous créé un initial... Nous suivi quelques mesures à ensemble en haut le tableau dans a chemin que nous peut alors enchaîner eux ensemble dans un tableau, et alors nous sauvé il dans a flux de travail.
C'est quoi I avoir démontré ici. Ce est a flux de travail constructeur que nous mettre ensemble pour que. Je suis en allant à démontrer il en utilisant ce données ensemble. Ce est particulier pour notre kilométrage. Quoi nous avoir ici est a tableau. Ce représente quoi nous serait avoir a brut sortir depuis un de le rapports. Ici nous, de cours, avoir il cassé vers le bas par VIENS nombre. Nous avons a obtenu a parcelle de information ici. Épouser comme à reformater ce tableau. D'abord chose Je suis en allant à faire, Je suis juste en allant à marcher à travers chaque étape. Je suis pas en allant à montrer aussi beaucoup détails dans chaque étape. Vous allez voir quoi ils sont. C'est joli soi explicatif.
Ce d'abord un est en allant à changement le nom de ce colonne à véhicule. Que chemin il matchs a colonne dans notre concaténé tableau. Je suis en allant à aller sur, Je suis en allant à supprimer ce total colonne. I ne le faites pas besoin que. Alors Je suis en allant à faire a empiler à travers tous le dates. Toi peut voir J'ai a obtenu que ici. Nous commodément appelé il empilés tableau, très informatif. Maintenant, un chose I besoin à faire ici, I mettre a pause ici, c'est le petit arrêt signe. Dans. C'est parce que I serait généralement besoin à aller dans et changement le année.
Maintenant, quelque chose I pourrait faire droite maintenant, I ne pouvait pas vraiment chiffre dehors a chemin à obtenir a variable, dire année, que toi pourrait juste remplir dehors, mettre le année là, et alors il automatiquement remplir il dans ici. C'est peut être quelque chose I peut aller à communauté.jmp.com , aller sur le souhait liste et dire, "Hé, ça être bon si I pourrait faire ce." Mais pour droite maintenant, I juste mettre dans le années. Il était joli facile à faire comparé à faire ce multiple fois. Joli direct. Mais encore, I peut aussi souligner pour toi comment toi peut en fait aller dans et ajuster le scénario elle-même. Toi peut aller dans et tailleur ce à ton besoins. Quoi ce est en allant à faire est recode ces donc il spectacles le mois et le année. Je vais faire que réel rapide. Là nous sont.
Le suivant étape est en allant à prendre ce. Droite maintenant, ce est a catégorie, c'est a chaîne, I vouloir a nombre. C'est quoi I faire suivant. Maintenant, ce n'est-ce pas joli. Ce est juste le nombre de secondes depuis quelques date dans 1900, I croire. Évidemment, c'est pas joli. Identifiant comme à montrer quelque chose plus informatif. C'est quoi I faire dans le suivant étape. Maintenant, il spectacles le mois et le année. Je suis en allant à arrêt ici. Je suis pas en allant à continuer parce que à ce indiquer Identifiant avoir un autre tableau ouvrir. Ce suivant étape serait alors enchaîner le tables et alors fermer désactivé ces intermédiaire tables. Quoi Je suis en allant à faire est Je suis en allant à réinitialiser truc. Je vais réinitialiser, cliquez ici. Je suis en allant à rouvrir ce tableau. Je suis en allant à faire ce juste donc toi peut voir comment rapide ce va.
Ici Je suis en allant à cliquez sur ici, Je suis en allant à cliquez Jouer, Je suis en allant à cliquez Jouer encore. Regarder comment rapide que était. Maintenant, imaginer faire ce pour multiple rapports. Comment beaucoup plus rapide que est que répéter le même mesures sur et sur et sur encore. Ce flux de travail était vraiment utile dans ce situation.
Maintenant, Je suis en allant à fermer tous ces dehors parce que c'est temps à obtenir dans le analyse. Allons-y faire que. Je suis en allant à commencer avec le agrégat niveau données. Voici mon tableau. I compilé à travers tous le données, tous le temps périodes. Nous avoir le mois, nous avoir comment beaucoup désengagement arrivé dans que mois. I a obtenu a colonne ici pour le cumulatif total. J'ai a obtenu ici comment beaucoup autonome modèles étaient conduit. I a obtenu deux colonnes ici que Je suis en allant à parler à propos dans juste a deuxième. Vous allez avoir à juste attendez.
Quoi Je suis en allant à faire est Je suis en allant à aller dans, Je suis en allant à aller à Analyser. Je suis en allant à aller sous Fiabilité et Survie, et alors Je suis en allant à rouleau tous le chemin vers le bas jusqu'à I atteindre Fiabilité Croissance. Je vais cliquez que. Maintenant nous avoir multiple onglets ici. Je suis seulement en allant à se concentrer sur ces d'abord deux parce que ces dernier deux préoccupation si I avoir multiple systèmes. Je vais revisiter ceux quand nous obtenir à le réel véhicule information. Pour droite maintenant, allons-y prétendre que étaient regarder à le entier DE système, le artificiel intelligence système dans ces véhicules. Pense de il comme un grand système.
Là sont deux façons que I peut évaluer ce. Un, I peut faire comme temps à événement, essentiellement comment beaucoup mois jusqu'à a certain événement arrivé ou jours si nous avait que. Ou I pourrait faire il via a particulier temps timbre. Essentiellement, quoi était le temps à lequel il s'est produit? I faire avoir que taper de formaté données. I avoir il à le mois. Le mois est a bien horodatage. Il juste dit dans que mois I avait ce beaucoup événements arriver. C'est tous I besoin à mettre dans. I avoir tous le données I besoin. Je vais cliquez D'ACCORD.
Maintenant, super chose à propos ce est avant toi faire n'importe lequel analyse, toi devrait, de cours, regarder à ton données, visualiser ton données. C'est bon parce que le d'abord chose il fait est il visualise le données pour toi. Allons-y regarder à il. Un chose étaient regarder à, étaient regarder à cumulatif événements sur temps. Quoi nous attendre est a comportement où tôt sur nous pourrait avoir quoi Je vais appel a brûler dans taper période où I avoir a parcelle de événements et c'est événement. Je suis ajustements le système, portion réparer il, portion améliorer il.
Alors finalement, quoi Identifiant comme à voir est ce plateau. Identifiant comme il à augmenter et alors aplatir désactivé. Que raconte moi que mon nombre de incidents est en diminution. Si il va complètement plat, c'est super. I avoir Non plus incidents absolument rien. I souhait le étaient comme que, il est pas. Mais nous peut voir motifs ici dans le données. Allons-y marcher à travers. Nous avoir a brûler dans période ici, tôt 2015, et alors à propos milieu 2016, nous aplatir désactivé jusqu'à à propos ici. Nous voir a petit spot, à propos été de 2016, quelque chose cela arrive. Nous obtenir a peu plus incidents. Nous niveau désactivé encore jusqu'à nous obtenir à à propos ici, à propos en retard printemps de 2018.
Quelque chose autre arrivé parce que nous commencer en allant en haut encore. Ils sont pas très raide. Ce un a peu plus long. Alors nous joli beaucoup à ici, nous presque aplati dehors. Nous avons atteint le période où étaient vraiment ayant Non incidents arriver, essentiellement, à le fin de 2020. Alors quelque chose se produit dans 2021 et où nous avons atteint essentiellement un autre brûler dans période, quelque chose en allant sur. Essentiellement quoi nous avons a obtenu est quatre phases, si toi volonté, événement dans le croissance de le système. Quelque chose modifié deux ou trois fois à impact le fiabilité.
Un autre chemin à visualiser ce, Je vais courir ce parcelle. Ce utilise quelques données. Je suis traçage encore le cumulatif total. Je suis aussi traçage quelque chose quoi I appel le empirique signifier temps entre échecs. C'est a très simple métrique à calculer. C'est juste le inverse de le nombre de Désengagements. Il est a très annonce hoc, naïf chemin à essayer et estimation le signifier temps entre incidents. Mais I tracé ici donc que toi peut voir, vous allez avis ces quatre sommets que correspondre à le plier dans le courbe. Mais là sont quatre de eux indiquant ces quatre lieux où quelque chose a modifié dans le système à affecter c'est fiabilité.
Quoi nous peut faire alors est essayer à chiffre dehors, quoi sont ceux points de rupture ? Un chemin toi pourrait faire que est le fiabilité croissance plate-forme a a chemin à ajuster a certain modèle. Je vais pause ici à parler à propos le modèle a peu. Tous de ces sont en fait le même modèle avec léger modifications. Ils sont tous quoi nous appel a processus de Poisson non homogène. Que est a fantaisie chemin à décrire a compte processus. Je suis compte quelque chose, mais le taux à lequel le comptes pourrait se produire par unité temps est changement sur temps. A processus de Poisson juste moyens que à a constante taux, donc le taux à lequel incidents serait se produire serait à être constante, que serait être équivalent à vision a droit doubler.
C'est très facile à modèle, mais c'est mauvais pour réalité parce que évidemment nous ne le faites pas vouloir le taux à rester le même. Nous serait comme il à diminuer à essentiellement zéro. C'est pourquoi nous avoir a Processus de Poisson non homogène. Nous vouloir il à changement sur temps. Ici nous avoir a modèle où nous peut en fait laisser JMP essayer et chiffre dehors a changement indiquer dans le processus. Si I courir il, quoi c'est en allant à faire est c'est en fait en allant à attraper ce grand morceau et dire, "Hé, quelque chose vraiment modifié là. Pour la plupart de il, il était le même chose, mais après ce indiquer, il vraiment modifié." Maintenant ici c'est seulement en allant à changement un à a temps. I avoir parlé à le promoteur à propos de, ne le ferait pas il être bon si nous pourrait identifier multiple changement points?
A Apparemment c'est a peu de un ouvrir recherche problème, donc moi et lui pourrait être fonctionnement ensemble à essayer et chiffre que dehors. Mais quoi I a fait est I essentiellement évalué à vue d'œil il et dit, "JE pense là sont certain phases. I pense il y a à propos trois ou quatre phases, et I a fait il empiriquement, lequel est où toi obtenir ce colonne." Je suis en allant à courir que scénario. Laisser moi montrer toi comment I a fait il. I viens ici sous refaire, aller à relance, et tous I a fait était I ajouté le phase colonne ici. Ce raconte toi que là sont différent périodes où le fiabilité pourrait avoir modifié et c'est important, excuse moi, dans quelques chemin.
Si nous pensons de que, étaient en allant à regarder à le clé métrique ici comme le signifier temps entre échec. Étaient en allant à voir tôt sur, donc ce est dans mois, ce ici est à propos trois jours, 4- 5, à propos a semaine, et ce est à propos a jour, jour et a moitié. Tôt sur, nous avoir a peu de a faible temps. C'est joli fréquent. Nous peut aussi regarder ici, Je vais montrer toi le intensité parcelle. Que pourrait être un autre chose à interpréter. Quoi étaient regarder pour est épouser comme le signifier temps entre échecs à être long. Épouser comme il à être a long temps entre incidents, idéalement infini. Que moyens rien jamais cela arrive, et notre intensité à diminuer.
Quoi étaient regarder ici est, nous obtenir a peu de a bien commencer. À propos milieu de 2016, étaient faire vraiment Bien. Dans fait, nous obtenir à à propos a semaine entre un incident pour n'importe lequel véhicule. Là était a peu de a spot, mais nous principalement obtenir dos à où nous étaient jusqu'à nous obtenir à le fin de 2021, où maintenant c'est essentiellement à propos a jour entre incidents pour n'importe lequel véhicule. Quelque chose grand arrivé ici à le fin de 2020 avec ces véhicules avec ce logiciel système, si toi volonté.
Encore, toi peut voir ici avec le intensité, toi peut presque faire un courbe et nous obtenir vers le bas à à propos six ou Sept incidents par mois. Alors que ici c'est presque 30, essentiellement, une fois a jour. Nous avons a été capable à regarder dans ici et découvrir qu'est-ce que en allant sur, à moins à le agrégat niveau. Avant nous obtenir à le véhicule niveau, Je suis en allant à courir un plus graphique c'est regarder à, nous avons a obtenu tous ces autonome kilomètres. Pourrait il être que si I conduire il plus souvent, peut être I rencontre plus incidents ? Pourrait que avoir un effet? T voici a rapide chemin à évaluer que. Juste en utilisant a simple graphique. Bien juste parcelle autonome kilomètres contre le total Désengagements.
Nous voir ici pour sont a peu nombre de désengagements, que pourrait être vrai. Le plus toi conduire, le plus toi pourrait voir. Mais dans général, long terme, pas vraiment. Il y a vraiment Non grand, fort corrélation entre comment beaucoup autonome kilomètres conduit, comment beaucoup engagements toi voir. Il y a quelque chose autre en allant allumé. T chapeau en fait quoi nous trouvé dans le papier que I mentionné plus tôt est que le kilométrage impact était très minimal.
Maintenant, allons-y zoom dans à le individuel véhicule. Étaient pas en allant à avoir tous le données, même cependant I en fait faire avoir il ici. Mais étaient pas en allant à avoir complet données pour tous de le véhicules. Laisser moi casser il vers le bas. I avoir le mois, I avoir le véhicule identification nombre. Avis quelques de ces, c'est seulement partiel. I avoir ici quoi I appel a VIENS série. Ce est très empirique. Je suis juste prise le d'abord quatre chiffres de le VIENS. Vous allez voir ici, Je suis en allant à rouleau vers le bas a peu et Bien voir. Allons-y voir, peut être I volonté traîner vers le bas a petit peu. Là nous aller.
Quelques de ces VINs, a parcelle de eux en fait commencer avec le même quatre chiffres, 2C4R. Je vais appel eux le 2C4 série. Il y a a bouquet de véhicules que avoir ce comme leur départ un. Ce identifie a particulier flotte de véhicules, à moins depuis un empirique voir. Si I rouleau vers le bas, étaient en allant à courir dans a différent série, lequel Je suis en allant à appel le SADH série. Ce est le un que était introduit à propos 2021. C'est quand I scie le Venn Nombres changement à le SADH désignation.
Encore, I avoir comment beaucoup de kilomètres, I avoir a départ mois, quand a fait que véhicule commencer? Je suis en allant à utiliser ce à calculer le temps à événements. D'abord, Je suis en allant à faire a parcelle. I pense ce est le la plupart informatif parcelle vous allez voir pour ce analyse. Quoi J'ai fait ici est J'ai essentiellement créé pour toi a chaleur carte. Toi peut voir J'ai a obtenu le chaleur carte option sélectionner. Choisi, I a obtenu pour chaque véhicule et sur temps, essentiellement a cellule, et c'est juste en allant à indiquer, était I conduit dans autonome mode à tout moment que mois?
I a obtenu il couleur codé par le série. Ces verticale lignes correspondre à le transitions entre ceux empirique phases I mentionné plus tôt. Quoi ce est révélateur nous est essentiellement, peut nous identifier quoi pourrait avoir causé ceux transitions ? Ici nous voir un initial série de véhicules, et il regard comme là n'était pas a grand changement dans quoi véhicules étaient introduit ici. Peut être là était a peu de a logiciel mise à niveau pour ce particulier série que peut avoir introduit ceux nouveau incidents. Ici nous voir que a nouveau série était introduit, a plus petit nombre de véhicules, peut-être pilote série. Alors a bouquet de eux introduit à propos que même période où nous scie le autre transition.
Ici, ce semble à correspondre à a nouveau flotte de véhicules avec peut être a légèrement mis à jour version de le logiciel. Ici, nous voir a clair distinction. Évidemment, dans 2021, a complètement nouveau série de véhicules était introduit. Nous avoir a peu de le vieux véhicules toujours là dans le mélange, mais la plupart de eux sont le nouveau véhicules. Que probablement explique pourquoi nous a obtenu a nouveau lot de nouveau incidents. Nous a obtenu a brûler dans période pour ce nouveau série de véhicules. Ce est cool parce que maintenant nous avoir a peu plus explication comme à quoi était en allant sur avec le agrégat données, lequel est pourquoi c'est important à avoir ce information.
Maintenant allons-y casser il vers le bas par VIENS. I avoir droite ici scénario à indiquer nous avons a obtenu a tableau ici et c'est similaire à le tableau I avoir précédemment. Avis quelques de ces avoir a été exclu et ce est parce que si pour que particulier véhicule, le total nombre de incidents était moins que trois, le plate-forme est pas en allant à être capable à ajuster a modèle pour toi parce que il besoins à moins trois incidents par véhicule. Que fait sens. I avoir seulement un ou deux, c'est pas vraiment assez information à évaluer le fiabilité. Si I avoir trois ou plus, maintenant étaient parler, I peut faire quelque chose.
I aussi avoir le mois depuis le commencer. I avoir quelques cumulatif information là lequel mois il commencé. Je suis en allant à aller devant alors et courir le plate-forme. Ne le faites pas inquiétude, I volonté montrer toi comment I a fait ce. Je suis en allant à aller à le refaire, relance. Je suis en allant à obtenir débarrasser de que. C'est quelques restes truc. Je suis regarder à un de ces deux dernier plateformes. Ces sont à propos multiple systèmes. Maintenant étaient pensée de chaque véhicule comme c'est propre système. Le concurrent juste moyens Je suis en allant à courir chaque véhicule un après le autre.
C'est pas qu'est-ce que événement ici. Le véhicules sont essentiellement être courir dans parallèle. Multiple véhicules sont être conduit à a temps. Ici I besoin a colonne à indiquer le temps à événement, dans ce cas, comment beaucoup mois depuis le commencer jusqu'à ce beaucoup événements arrivé. I avoir le système IDENTIFIANT. Le un chose c'est pas montré ici est I en fait a pris le VIENS série et utilisé que comme a par variable, lequel est pourquoi nous avoir le où VIENS égale donc et donc. Il y a seulement en allant à être deux parce que le un avec a petit astérisques a Non information à propos incidents. C'est parce que que était deux plus tôt que était avant à être capable à cravate le VIN est le véhicule.
Mais ils étaient là pour complétude, Je suis annulé dehors de que. Maintenant, quoi étaient en allant à voir ici est a liste de modèles que toi pourrait courir. Ces d'abord quatre, Je suis pas en allant à être capable à faire parce que I seulement avoir un phase. Essentiellement, le phase maintenant correspond à le VIENS série. Mais là sont deux que I pourrait courir et le seulement différence est, faire I vouloir à courir a modèle pour tous de eux adage ces sont tous partie de un identique système? Fabrique sens. Ces sont tous véhicules, ils probablement courir le même logiciel. Peut être I peut courir a modèle pour tous de eux. Ou I peut avoir a modèle où I ajuster il à chaque individuel véhicule.
Avant I courir ceux modèles, allons-y prendre a regarder à ce parcelle. Encore, commencer avec le visualisation et quoi nous voir tracé est tous le véhicules. Avis ici il y a a peu de a peu profond pente à ce. Essentiellement il y a a peu de a raide courbe, mais alors il niveaux désactivé joli rapide. Ce est a joli bien signe de fiabilité en allant sur ici. Je suis en allant à comparer eux, Je suis en allant à rouleau vers le bas à le suivant un, le ensemble série. Maintenant, initialement le axes ici, juste donc toi savoir, quand toi courir il suivant temps, le axes sont en allant à seulement aller à le complet ensemble de données. Ce serait en fait être a plus petit gamme.
I réparer eux donc ils avait le même gamme. Toi peut clairement voir que ce est beaucoup plus raide que ce. Clairement, nous avoir plus incidents événement avec ce nouveau série que ce un. Mais nous peut faire a rapide modèle ajuster. Je suis en allant à faire le identique système. Encore, c'est a processus de Poisson non homogène. Bien que dans ce cas, Je suis en allant à ignorer le estimations pour droite maintenant, si toi vouloir à regarder à que, toi peut. Je suis en allant à aller droit à le signifier temps entre échec et vous allez avis que pour tous le mois c'est joli beaucoup plat.
Quoi c'est essentiellement fait est ce est juste a poisson processus. Le taux est constante, lequel est bien pour modélisation, pas donc bien dans termes de évaluer il. C'est juste adage à travers ce entier temps pour ce particulier série, nous joli beaucoup atteint pour n'importe lequel un véhicule, a signifier temps de à propos cinq mois entre incidents. Maintenant, allons-y comparer que à quoi nous scie avec le agrégat où il était à propos a semaine, c'est à travers n'importe lequel véhicule. C'est juste adage pour n'importe lequel véhicule, il était à propos a semaine entre un incident pour n'importe lequel véhicule. Alors que ce semble à être impliquant c'est à propos cinq mois pour n'importe lequel un véhicule.
Toi peut pense de il comme le en cours d'exécution dans parallèle, donc toi peut voir c'est échelonné. N'importe lequel un véhicule, il pourrait être à propos cinq mois. Encore, ce est un moyenne, il y a a parcelle de gamme entre là. Pour un véhicule, c'est a joli long temps. Mais dans agrégat, ils sont probablement échelonné assez que il semble comme c'est à propos a semaine pour n'importe lequel un véhicule. Ils peut être cohérent comme que. Mais ce est toujours joli bien. C'est à propos cinq mois entre un incident, a désengagement événement ici pour que série. Si nous courir à le SADH série et faire le même modèle, laisser moi aller ici. Là nous voir clairement croissant. Je suis en allant à cacher que. Si nous regarder à ce, il dit, "Non," tôt sur nous probablement avait à propos deux mois. C'est a peu de a commencer là. Mais nous avons abandonné à moins que a mois, presque deux à trois semaines entre incidents.
Clairement, il y a a peu plus travail à faire sur ce série. Encore, il était juste introduit, donc ce est probablement plus de le brûler dans phase. Si nous obtenir le 2022 données, nous pourrait commencer à voir il niveau désactivé comme il a fait dans le précédent série. Ce en fait pourrait retourner et être plus de a niveau courbe. C'est à propos tous I vouloir à montrer pour ces plateformes. I peut montrer toi quelques de le individuel distinct systèmes, mais là sont a parcelle de systèmes ici et donc c'est en allant à obtenir bondé très rapidement. Il y a a parcelle pour chaque un. Il y a estimations pour chaque un. Toi peut regarder à le signifier temps entre échec pour chaque un.
Si là sont particulier véhicules toi recherché à appel dehors et voir comment ils pourrait différer, ce est quoi toi peut faire. Toi peut voir quelques augmenter, quelques diminuer, mais dans l'ensemble plus ou moins plat. Toi peut aussi regarder à intensité intrigues. Si toi trouver que plus interprétable que le signifier temps entre échec, toi avoir autre métrique que toi peut intégrer ici. D'accord, t chapeau tous I vouloir à montrer pour ce plate-forme. Maintenant, de cours, il y a données I n'a pas inclure ici. Pour exemple, nous pourrait casser il vers le bas par cause.
Pour quelques de ce données, cause pourrait être, I juste besoin à prendre sur parce que il était obtenir aussi fermer à le côté de le le route. Ou peut être le voiture arrêté à le arrêt signe, a fait quoi il était censé à, commencé roulement, et quelques autre conducteur souffla à travers le arrêt signe à venir le autre chemin. Dans lequel cas, peut être que pourrait pas nécessairement être a fiabilité frapper. Le voiture a fait quoi il était censé à. Quelqu'un autre ne l'était pas. Ça être intéressant à casser il vers le bas par que, aussi par emplacement. Le nombre de incidents, toi obtenir plus quand tu es dans le ville, peut être sur le autoroute, quelque chose comme que.
Réel rapide, nous devrait regarder à le kilométrage impact. Encore, même information, un ou deux incidents, bien sûr, que pourrait changement. Mais dans l'ensemble c'est en allant à être plat. Le kilométrage impact sur le incident taux est minimal. De cours, ce est juste un de beaucoup plateformes disponible dans le fiabilité suite. Toi peut voir il y a a tonne de options, très flexible pour portion évaluer fiabilité. Encore, c'est tous I avoir à montrer toi. Avec un peu de chance, J'ai a été capable à démontrer pour toi comment Bien JMP peut aide initié découverte et analyse. Avec un peu de chance, toi découvert a parcelle de des choses à propos ce particulier l'entreprise autonome véhicules. I espoir toi apprécier le repos de le conférence. Remercier toi.
