Das Ist [unverständlich 00:00:00], Und I Wille zeigen Du Wie a JMP Pro dürfen helfen Du für Patent Intelligenz . Patent Intelligenz Ist sehr strategisch für Die Entwicklung von neu Prozesse Und neu Produkte . Aber Das Aufgabe Ist oft a langweilig Arbeit Weil Lektüre Patente Ist sehr hart arbeiten . Für diese WHO haben bereits lesen Sie eine Patent , Sie wissen Wie unglaublich a Patent ist .
Der weniger Du lesen Patente , Die besser Es Ist für Du . Das Ist genau Wo a viel lernen dürfen helfen Du . Verwenden JMP, war versuchen Zu nachahmen Netflix . Netflix , basierend An welche Wir haben bereits gesehen , schlägt vor Du welche eins Du Wille wie . Für Patent Intelligenz, es ist ganz Die Dasselbe Ding . Basierend An welche Patent Du bereits lesen , Wir Wille versuchen Zu vorhersagen welche Patent Du haben Zu lesen .
Vor I Wille zeigen Du Wie Zu Tun Das mit JMP, I Nur wollen Zu einführen Die Schlüsselstrategien Das I arbeiten mit Patent Intelligenz in Michelin und los gehts. Michelin Ist a bekannt Reifen Hersteller Das Ziele bei Produktion am besten- In- Klasse Leistung Reifen . Aber Jetzt Die neu [unverständlich 00:01:25] Mission Ist Zu produzieren Die am besten Leistung Reifen, Aber Das Zeit mit viel nachhaltig Materialien nur . Der Reifen Ist gemacht von eine Menge von Typ von Materialien , wie Naturkautschuk, Weichmacher , Aufladung, synthetischer Kautschuk, Und Also An .
Für Jetzt , fast keiner von Das roh Materialien Sind nachhaltig . Sie alle kommen aus [unverständlich 00:01:56] Ressourcen . Unser Mission Ist Zu produzieren neu chemisch Prozesse Das Wille produzieren diese neu nachhaltig Materialien , welche bedeutet neu Prozesse bedeutet Patent Intelligenz . Der Fall Studie von welche Wir Wille sprechen um Heute Ist um Produktion recycelt Styrol, weil Styrol Ist gebraucht aus synthetischem Kautschuk .
Zu recyceln Styrol, w hat Wir Tun Ist Zu sammeln Styrol Abfall. Dann Wir haben Zu Voraussetzung von Styrol Zu entfernen alle Die [unverständlich 00:02:42]. Dann Wir gehen durch Das Verfahren , welche Ist entwickelt mit [unverständlich 00:02:48] Pyrowelle. Alle Prozesse Ist zusammengesetzt von drei hauptsächlich Teile . Der Erste Ist Die Verflüssigung von Die Styrol Und Die Entfernung von Die [unverständlich 00:03:02]. Dann Wir setzen Die Styrol in ein Industrie Mikrowelle . Der Mikrowelle Ist nicht Die Art Das Du haben In dein Küche . I bedeuten , es ist ein enorm Mikrowelle. Das Mikrowelle Wille schneiden Die Polymer Kette hinein Styrolmonomer.
Aber bei Die Ausfahrt von Die Reaktoren wird das Styrolmonomer nicht [unverständlich 00:03:28] . Es enthält a viel von [unverständlich 00:03:33] Materialien. Wir haben Zu heilen Es. Wir Tun Das von Destillation. [unverständlich 00:03:37] o f Die Destillation, Wir erhalten recycelt Styrol , welche hat Die Dasselbe Eigenschaften als [unverständlich 00:03:47] Styrol. Wir dürfen verwenden Das recycelt Styrol Zu produzieren beliebig Art von Objekt enthaltend Polystyrol Und besonders Reifen.
Das Ist a sehr innovativ Verfahren Und Wir brauchen viel Patentintelligenz . Aber Patent Intelligenz von zwei Probleme . Der Erste Ist Gutachten von Patenten nehmen a viel von Zeit Und nur a wenige Patente Sind [unverständlich 00:04:18]. Der zweite Ausgabe Ist Das Wir stark abhängen An Die suchen Motor Und Stichwort . Das heißt, wir wollen Zu suchen für Patente An oder Verfahren . Wir würde Typ manche Schlüsselwörter An Google Patente oder [unverständlich 00:04:40] , was auch immer. Was Wir würde lesen Ist nur Die Erste Seite von Die suchen Motor Und sehr selten Die zweite Seite , Aber Das Ist Sicher Das Wir Gewohnheit lesen alle Die Patente Das erscheint nach Die zweite Seiten .
Dort Ist a hoch Risiko von fehlen a sehr wichtig Patent , solch als Warum Wir brauchen a Werkzeug Das Wille lesen für uns a hoch Menge von Patent. Das ist Was Wir Wille Tun Jetzt mit JMP . I schalten Zu JMP . I Wille zeigen Du Wie Zu Tun Das. Hier Ist a Tisch Das I importiert aus [unverständlich 00:05:22]. Hier haben wir die Patentnummer. Wir können identifizieren jede Patente, Wir haben die Bevollmächtigte Hier . Wir haben Hier Die Titel von Die Patent , Die Abstrakt . Aber beschreiben Was enthält Patente Und Die Ansprüche.
Für alle Die Patente Das Wir haben lesen , Wir gebunden Die Patent Wenn es ist kritisch oder nicht . Der Idee Ist Jetzt Zu versuchen Zu Satz hoch a passend Lernen Modell Das Wille ich sage voraus f das Patent i s kritisch oder nicht. Das Tisch hat zwei Teile. Patente die manuell geprüft wurden, Patente Das Wir lesen Und manche Patente Das Wir nicht lesen. Wir Wille verwenden Die zweite Teil . Der zweite Teil von Die Präsentation . Für Jetzt , Wir Wille bauen hoch Die Modell . Wir Wille ausschließen Das Daten Das Wir nicht lesen .
Der Erste Ding Zu Tun Ist Zu verwenden Die Text Forscher. Wir Wille Fokus An Die Abstrakt nur für Das Präsentation. Von Kurs, Wir dürfen verwenden Ansprüche Und Titel Und was auch immer . Wir Wille verwenden Die ID hier, die Veröffentlichungsnummer. Hier Wir sagen , Okay , Nur verwenden Einstellungen, Englisch. Wir sagen Die Minimum Charakter pro Wort Ist drei . Wir Wille verwenden stemming . I Wille erzählen Du Was Ist nur stemming spät. Hier Wir Wille verwenden Basic Wörter . NEIN , I Nur haben Zu Start Zu [unverständlich 00:07:14].
Hier Ist Was Wir haben . An Die links Teil von Das Bildschirm, Du haben a Liste von Die Bedingungen . JMP Pro hat rot In Die Abstrakt Ecke . Hier Ist Die Frequenz von jede ihnen erscheint In Die [unverständlich 00:07:33]. Hier Du dürfen beachten Was Ist erzählen , für Beispiel , für Materialien . Wenn I Nur sagen , Okay , Material Und Materialien Ist Die Dasselbe Bedeutung. Wir Gruppe alle Die Wort von Die Wurzel von Die Welt .
An Die Rechts Teil von Die Bildschirm , Was Wir haben Ist Phrase. Phrasen zwei oder drei oder vier Wörter Das dürfen haben Bedeutung . Für Beispiel , Pyrolyse Öl hat a Bedeutung Und Die Bedeutung Ist anders . Wenn Wir separate Pyrolyse In Öl , Also Was Wir Tun , Wenn Sie die Option Phrasen Das hat nicht gewesen , welche Ist interessant Und dürfen sagen , „Okay, ein verfolgen ."
Was wir nun getan haben c überlegen a Phrase als a Begriff . Für Beispiel , Das eins, Kohlenwasserstoffe [unverständlich 00:08:32] Ist Jetzt berücksichtigt als a Begriff . Wir dürfen Tun manche mehr Reinigung , für Beispiel , Zu bieten . Bieten tut nicht geben Du Information An Was [unverständlich 00:08:46] Patente .
Was Wir dürfen Tun Ist Rechtsklick sagen , "Okay , Das Ist a stoppen Wort ." I nicht wollen Zu nehmen , bieten , Bereitstellung oder was auch immer In [unverständlich 00:08:56]. Wir ENTFERNT Es . Mit JMP Pro , Du dürfen verwalten alle Die stoppen Wort An alle Die Phrasen Hier . Als Du dürfen sehen , alle Die stoppen Wörter werden hier gespeichert In lokal . Aber Wenn Du wollen Zu Studie von Standard , Wir dürfen Geben Sie es einfach in den Benutzer ein.
I Tun nicht haben Zu ausschließen Das eins . Jede Zeit I Wille Verwenden Sie den Text-Explorer . I dürfen Auch Export Und Import alle das Stoppwort S, Phrasen und Aufzeichnungen . Jetzt, Die Erste Werkzeug Das Wir Wille verwenden Zu analysieren Patente Und versuchen Zu vorhersagen wenn Patente Ist kritisch Ist Begriffsauswahl. Was Wir wollen Ist Zu vorhersagen Wenn Die Patente Ist kritisch oder nicht . I Patent wollen kritisch . Hier Ist manche Einstellungen , Und Das nur Einstellungen Das Wir Wille ändern Hier Ist Zu verwenden niedrig Frequenz von Begriff stattdessen von [unverständlich 00:10:03]. Jetzt klicke ich auf Ausführen .
Hier, Wir haben Die Erste Modell . Jetzt, hier Ist a Ergebnis von Die Modell Sind Hier. Was Wir dürfen Tun sehen Ist RSquare Ist nicht Das schlecht Weil es ist fast über fünf. Du hast Fehlklassifizierung Rate Ist Auch sehr Also . Ich bin In weniger als 1 % des Patents Sind falsch klassifiziert . Das ist also ziemlich gut. Hier Wir haben alle Die Begriff Das Die Modell gebraucht Zu vorhersagen Patente Ist kritisch oder nicht . Wir dürfen Sortieren Es von Die am meisten wichtig Begriff zu [unverständlich 00:10:50].
Wenn I klicken An Polystyrol , welche Ist nicht überraschend , Du dürfen sehen alle Die Patente Wo Die Wort Polystyrol erscheint mit sehr nützlich [unverständlich 00:11:04] Wie Die Modell baut Ist gebaut An Die links Tisch . Was Wir haben Ist Die Vorhersage von Die Modell . Hier , Wir dürfen Sortieren von Die maximal Wahrscheinlichkeit von Sein kritisch . Dann Wenn I klicken An Es , I dürfen lesen Warum Patente Ist kritisch für uns oder nicht Und Dann dürfen vergleichen Wenn es ist Genau genommen kritisch für diese Das es gibt a Wahrscheinlichkeit Zu Sei kritisch von [unverständlich 00:11:34] Ist hoch . A eigentlich, Es Ist kritisch .
T Hier Ist manche Patente Das Sind Genau genommen nicht kritisch , Aber Die Modelle , Sie Vielleicht könnte Sei kritisch. Wir sollen lesen Es Weil Vielleicht Wir war falsch Wann Wir lesen Die Erste Zeit . Von erneutes Lesen Das Patent , Wir dürfen finden manche Missverständnis Das Wir nicht Die Erste Zeit. Der Erste zwei Das Wir dürfen Tun für Patente , Einstufung Und Vorhersage . Aber aus Mein Punkt von Sicht , Das Ist nicht genug Weil Wir Sind nicht zuversichtlich Wenn Das Modell Wille vorhersagen Also Und Das [unverständlich 00:12:18] Wenn Patente Wille Sei kritisch oder nicht .
Zu Tun Das Und Zu verbessern Auch Die RSquare, Wir Wille verwenden ein anderer Modell für maschinelles Lernen. Zu verwenden Maschine Lernen Modell , Was Wir Wille Tun Ist Zu Export Die Dokumentieren Begriff M Atrix welche enthält alle Die numerisch Daten Und hinein Das DTM. Jedes Patent Ist vertreten von alle Die Frequenz von der Begriff . I bereits tat Das vor . Wir Wille Nur haben a sehen An Die Details von Die Abstrakt. [unverständlich 00:13:04], welche hat etwas wie 400 Spalten .
Wir kann einfach verwenden a Zellendiagramm Zu besser visualisieren Was Es Aussehen wie die DTM. Nun, es ist nur dauert Die 20 am meisten häufige Begriffe Und Hier wenn es grün ist , Es bedeutet t seine Amtszeit tut nicht erscheinen In Die Patente . W Wenn es rot ist, erscheint es a viel von Zeit . Hier In Blau , Du haben die kritisch Patente . Wenn I klicken An alle Die kritisch Schaltflächen , Die Ziele von Die Maschine Lernen Modell Wille Sei Zu verstehen welche Patent führt Zu kritisch Patente. Vor mit Modell für maschinelles Lernen, Wir Wille haben Zu Tun zwei Dinge welche Sind sehr wichtig .
Der Erste Ding sind Daten von [unverständlich 00:14:06]. I bedeuten , Die Nummer von kritisch Patente Ist sehr klein verglichen Zu Die Nummer von Patente Das Wir haben. Es ist wie Suche für a Nadel In a Heuhaufen. Wir haben Zu Neugewichtung alle von Die Daten . Zu Tun Das , Was Wir tat Ist Zu verwenden a Frequenz kritisch. Der Frequenz kritisch hat a Formel welche Ist umgekehrt proportional von Die Nummer von Zeit Patente als kritisch oder nicht . Dann Die zweite Sache, die wir werden Tun Ist Zu verwenden die Validierungsschritte. Mit Validierungen WHO Wille haben besser Vertrauen In Die Vorhersagbarkeit von Die Modell . A auch , Wir Satz a Frequenz In Validierung . Jetzt Wir haben hübsch Gut Daten . Wir wählte [unverständlich 00:15:06] Validierung Satz .
Jetzt, Wir dürfen lernen zur Maschine Lernen Modell . I Wille verwenden Erste Die neuronal Netzwerk . Was ist Die Erste Ding Das I wollen Ist Zu vorhersagen Wenn Die Patent Ist [unverständlich 00:15:23]. I Wille verwenden alle diese Faktoren, die DTM . I Tun nicht vergessen Zu verwenden Die Frequenz Zu Gleichgewicht Die Daten und die Validierung Spalte Zu Sei Sicher Das Die Modell Ist vorhersehbar oder nicht. Lasst uns gehen .
Jetzt , I Wille Nur konfigurieren manche Parameter Und Wir Wille verwenden [unverständlich 00:15:50]. Das ist alles. Nun passt das Modell. Wir würde Nur Warten [unverständlich 00:15:58] Zu haben Modell . Hier Wir Sind. Das ist es für [unverständlich 00:16:08] . Wenn Du erinnern der RS Quadrate Das Wir hatte An Die erste Spalte, Es War Die 0,5 . Jetzt , mit Das neuronal Netzwerk , Wir haben 0,94 als RSquare. Für Die Validierungsseite, wir sind 0,86. Also groß Verbesserung.
Das Einstufung Rate Ist erforderlich das gleiche Aber Wir haben Neugewichtung Die Daten. Jetzt, ich t Ist hübsch warm . Hier Wir von Die Verwirrung Matrix Und Du dürfen sehen Das tatsächlich Patente Sind vorhergesagt als tatsächlich. Für die Validierungsseite, immer noch die Dasselbe . A Jetzt a [unverständlich 00:16:56]. Jetzt Was Wir dürfen Tun Ist Zu speichern Die Formel von Die Modell . I haben bereits Erledigt Das . Hier Ist Die Problem . Dann Die Formel sagt voraus Die Wahrscheinlichkeit Zu Sei kritisch oder nicht kritisch .
Wir dürfen Jetzt r alle einschließen Die Daten, die w e ausgeschlossen Zu anwenden Das Formel Modell , Und Patente Das Wir nicht lesen. Wir Nur Warten für ihnen Zu berechnen Wahrscheinlichkeit . Hier Wir Sind . Der Vorhersage von Die neuronal Netzwerk. Hier Ist Was Wir Sind. Blau, es ist das Patent Das Wir haben lesen Und [unverständlich 00:18:01] die Patente, die Genau genommen kritisch. Ich n Orange, die Patente Das Wir nicht lesen Aber [unverständlich 00:18:15 ] hat funktionierte für uns .
Als Du dürfen sehen , Die Wahrscheinlichkeit Zu Sei kritisch vorhergesagt von Die Modell für alle Die kritisch Patente Ist hübsch hart [unverständlich 00:18:27] tut ag gut Arbeit . Jetzt , Wenn Wir wollen Zu wissen welche Patent Zu lesen , Wir Nur haben Zu wählen diese Patente und nehmen a Teilmenge von Es. Hier Wir haben a kurz Liste von sehr wichtig Modell. Hier , Wenn Du sehen welche Art von Patent Wir haben , Wir haben a viel von Patente Das Sind wichtig für uns . Sie [unverständlich 00:19:03] weil Styrol Reinigung oder I nicht wissen .
Vielleicht Dieses hier, Es Ist recycelt , es ist Styrolmonomer. Das ist patentieren unsere sehr wichtig für uns. Wann Du lesen alle von Das Patent , In Tatsache , Wir hatte a sehr Gut Überraschung. Viele von diese Patente ist [unverständlich 00:19:29] für uns Jetzt . Aber Manchmal Es könnte passieren und die Modell Ist [unverständlich 00:19:36] Weil Die Wort, das War gebraucht für Die für del sind nicht präzise . Vielleicht a Gut Ding Ist Zu Satz a anders Art von Modell. Das ist Was I tat .
I Satz a Modell wie Lasso, Boosted Tree oder Neuronale Netze Das nehmen hinein Konto nicht nur Die Abstrakt Aber Auch [unverständlich 00:20:07]. Wir dürfen Auch enthalten Okulare . I tat ein Ensemble Modell , welche Ist ein Bild von alle diese Patente. Jetzt Die Auswahl Ist mehr präzise. Wir dürfen Auch sehen Was Patente Wir haben In Nur a Teilmenge . Jetzt es gibt a Chance Zu Sei sehr kritisch Ist sehr wichtig . Der Nummer von kritisch Patente Das Wir haben Zu lesen Ist kleiner als mit nur eins Modell. Wir Zunahme Die Leistung von Die maschinelles Lernen Modell .
Jetzt lasst uns gehen zurück Zu Die Präsentation. Was Wir tat Ist Wir importiert Daten aus alle Die Intelligenz . Wir konvertiert hinein textlich Daten Und Wir Satz a passend Modell . Hier Ist a Verfahren Das Wir verwenden Sie die [unverständlich 00:21:08] Methode. Wir tat Handbuch Rang von Patente An Die klein Korpus von Hand. Wir gereinigt hoch Und Import manche Daten hinein JMP. Dann Wir konvertiert Die textlich Daten hinein Matrix. Wir erstellt ein Validierungsset. Wir gleichen alle Daten aus mit Frequenz Feld. Dann bearbeiten wir auch Lernen Modelle solch als Lasso, N eural Netzwerk, verstärktes T ree. Wir tat zusammen Modell . Es überschreibt alle Die beaufsichtigt Maschine Lernen Modelle Das Wir Satz hoch. Das War Die Erste Schritt.
Der zweite Schritt War Die Produktion . Wir verwenden Das Modell An a breit Korpus von Patente Das Wir haben In [unverständlich 00:21:56]. Wir dürfen Import alle von Die Patente Die Dasselbe Weg als Die Erste Schritt In Konvertieren. Wir Tun manche Vorhersage . Jetzt Wir Sind fähig Zu wählen nur a wenige Patente das sind wahrscheinlich kritisch . Der Nummer von Schaltflächen Das Wir Wille lesen Ist ganz klein , Und Wir haben hoch Chance Zu lesen nur kritisch Patente Und Zu ausgeben Zeit An Die Gut Patent .
Der Abschluss von Das arbeiten Ist Maschinelles Lernen kann automatisieren Zeit- verbrauchend Aufgabe . Es ist ein Werkzeug, das Wille helfen Du , Aber unter NEIN Umstände Es Wille unterdrücken menschlich Verlängerung . Das Pathologie Ist sehr nützlich angemeldete Patente Und könnte Sei wahrscheinlich angewandt Zu viele Arten von textlich Daten. Verwenden JMP Pro, y oder Wille sehen Das Du haben gesehen Das es ist sehr einfach Zu Tun Das Und JMP Pro ist sehr leistungsstark Programm f oder Einstellung hoch Maschine so lernen.
Was Wir dürfen sagen Ist Das maschinelles Lernen Modell Nur nachahmen unser Auswahl. I f Wir wollen Zu gehen weiter oder Wenn wir schließen ein neue Patente Das Sind kritisch entweder Wir Wille brauchen Zu Wiederaufbau a neu Modell oder versuchen ein anderer Ansatz welche Ist basierend An Bereitstellung An was auch immer .
I fertig Die Präsentation Und I Hoffnung Du genossen Es . I Hoffnung Es Wille geben Inspiration für Zukunft arbeiten , Vielleicht An Patente oder beliebig textlich [unverständlich 00:23:48]. Zögern Sie nicht Zu Kontakt Mich An Die Arbeit Gemeinschaft oder Zu Post einige Kommentare.
Dank Du für Aufpassen . Tschüss- Tschüss .
