Este es [inaudible 00:00:00], y I voluntad espectáculo tú cómo a JMP Pro poder ayuda tú para patentar inteligencia . Patentar inteligencia es muy estratégico para el desarrollo de nuevo procesos y nuevo productos . Pero este tarea es a menudo a tedioso trabajo porque lectura patentes es muy duro trabajar . Para aquellos OMS tener ya leer un patentar , ellos saber cómo increíble a la patente es .
El menos tú leer patentes , el mejor él es para tú . Este es exactamente dónde a mucho aprendizaje poder ayuda tú . Usando JMP, eran intentando a imitar Netflix . Netflix , basado en cual nosotros tener ya visto , sugiere tú cual uno tú voluntad como . Para patentar inteligencia, es bastante el mismo cosa . Basado en cual patentar tú ya leer , nosotros voluntad intentar a predecir cual patentar tú tener a leer .
Antes I voluntad espectáculo tú cómo a hacer eso con JMP, I justo desear a introducir el estrategias clave eso I trabajar con patentar inteligencia en Michelin y podemos ir. Michelin es a bien conocido neumático fabricante eso objetivos en productor mejor- en- clase actuación neumático . Pero ahora el nuevo [inaudible 00:01:25] misión es a producir el mejor actuación neumático, pero este tiempo con mucho sostenible materiales solo . El neumático es hecho de infinidad de tipo de materiales , como el caucho natural, plastificantes , cargar, caucho sintético, y entonces en .
Para ahora , casi ninguno de este crudo materiales son sostenible . Ellos todo venir de [inaudible 00:01:56] recursos . Nuestro misión es a producir nuevo químico procesos eso voluntad producir estos nuevo sostenible materiales , cual medio nuevo procesos medio patentar inteligencia . El caso estudiar de cual nosotros voluntad hablar acerca de hoy es acerca de productor reciclado estireno porque el estireno es usado en caucho sintético .
A reciclar estireno, w tiene nosotros hacer es a recolectar estireno desperdiciar. Entonces nosotros tener a condición previa de estireno a eliminar todo el [inaudible 00:02:42]. Entonces nosotros ir a través de este proceso , cual es desarrollado con [inaudible 00:02:48] Piroondas. Todo procesos es compuesto de tres principal regiones . El primero es el licuefacción de el estireno y el eliminación de el [inaudible 00:03:02]. Entonces nosotros poner el estireno en un industrial microonda . El microonda es no el amable eso tú tener en su cocina . I significar , es un enorme microonda. Este microonda voluntad cortar el polímero cadena en monómero de estireno.
Pero en el salida de el reactores, el monómero de estireno no es [inaudible 00:03:28] . Él contiene a lote de [inaudible 00:03:33] materiales. Nosotros tener a Curificar él. Nosotros hacer eso por destilación. [inaudible 00:03:37] o f el destilación, nosotros obtener reciclado estireno , cual tiene el mismo propiedades como [inaudible 00:03:47] estireno. Nosotros poder usar este reciclado estireno a producir cualquier amable de objeto que contiene poliestireno y especialmente llantas.
Este es a muy innovador proceso y nosotros necesidad Mucha información sobre patentes . Pero patentar inteligencia de dos asuntos . El primero es patentes de expertización llevar a lote de tiempo y solo a pocas patentes son [inaudible 00:04:18]. El segundo asunto es eso nosotros fuertemente depender en el buscar motor y palabra clave . Es decir, nosotros desear a buscar para patentes en o proceso . Nosotros quería tipo alguno palabras clave en Google patentes o [inaudible 00:04:40] , lo que sea. Qué nosotros quería leer es solo el primero página de el buscar motor y muy casi nunca el segundo página , pero eso es seguro eso nosotros no leer todo el patentes eso aparece después el segundo páginas .
Allá es a alto riesgo de desaparecido a muy importante patentar , semejante como por qué nosotros necesidad a herramienta eso voluntad leer para a nosotros a alto cantidad de patentar. Eso es qué nosotros voluntad hacer ahora con JMP . I cambiar a JMP . I voluntad espectáculo tú cómo a hacer eso. Aquí es a mesa eso I importado de [inaudible 00:05:22]. Aquí tenemos el número de patente. Podemos identificar cada patentes, nosotros tener el cesionarios aquí . Nosotros tener aquí el título de el patentar , el abstracto . Pero describir qué contiene patentes y el reclamos.
Para todo el patentes eso nosotros tener leer , nosotros atado el patentar si es crítico o no . El idea es ahora a intentar a colocar arriba a pareo aprendiendo modelo eso voluntad predecir yo f la patente i s crítico o no. Este mesa tiene dos regiones. Patentes que han sido Expertizados Manualmente, patentes eso nosotros leer y alguno patentes eso nosotros no lo han hecho leer. Nosotros voluntad usar el segundo parte . El segundo parte de el presentación . Para ahora , nosotros voluntad construir arriba el modelo . Nosotros voluntad excluir este datos eso nosotros no lo han hecho leer .
El primero cosa a hacer es a usar el Texto Explorador. Nosotros voluntad enfocar en el abstracto solo para este presentación. De curso, nosotros poder usar reclamos y título y lo que . Nosotros voluntad usar el Identificación aquí, el número de publicación. Aquí nosotros decir , bueno , justo usar ajustes, Inglés. Nosotros decir el mínimo personaje por palabras es tres . Nosotros voluntad usar derivación . I voluntad decir tú qué es derivando simplemente tarde. Aquí nosotros voluntad usar básico palabras . No , I justo tener a lanzamiento a [inaudible 00:07:14].
Aquí es qué nosotros tener . En el izquierda parte de este pantalla, tú tener a lista de el términos . JMP Pro tiene rojo en el abstracto esquina . Aquí es el frecuencia de cada a ellos aparece en el [inaudible 00:07:33]. Aquí tú poder aviso qué es narración , para ejemplo , para materiales . Si I justo decir , bueno , material y materiales es el mismo significado. Nosotros grupo todo el palabra por el raíz de el mundo .
En el bien parte de el pantalla , qué nosotros tener es frase. Frases dos o tres o cuatro palabras eso poder tener significado . Para ejemplo , pirólisis aceite tiene a significado y el significado es diferente . Si nosotros separado pirólisis en aceite , entonces qué nosotros hacer , Si selecciona el frases eso no tiene estado , cual es interesante y poder decir , "Está bien, una rastro . "
Ahora lo que hemos hecho c considerar a frase como a término . Para ejemplo , este uno, hidrocarburos [inaudible 00:08:32] es ahora consideró como a término . Nosotros poder hacer alguno más limpieza , para ejemplo , a proporcionar . Proporcionar hace no dar tú información en qué [inaudible 00:08:46] patentes .
Qué nosotros poder hacer es clic derecho decir , "Bueno , este es a detener palabra . " I no desear a llevar , proporcionar , proporcionar o lo que en [inaudible 00:08:56]. Nosotros remoto él . Con JMP Pro , tú poder administrar todo el detener palabra en todo el frases aquí . Como tú poder ver , todo el detener palabras se almacenan aquí en local . Pero si tú desear a estudiar por por defecto , nosotros poder Solo póngalo en usuario.
I hacer no tener a excluir eso uno . Cada tiempo I voluntad utiliza el explorador de texto . I poder también exportar y importar todo la palabra de parada s, frases y registros . Ahora, el primero herramienta eso nosotros voluntad usar a analizar patentes y intentar a predecir si las patentes es crítico es selección de términos. Qué nosotros desear es a predecir si el patentes es crítico o no . I quiero patente crítico . Aquí es alguno ajustes , y este solo ajustes eso nosotros voluntad cambiar aquí es a usar bajo frecuencia de término en cambio de [inaudible 00:10:03]. Ahora hago clic en Ejecutar. .
Aquí, nosotros tener el primero modelo . En ningún lugar es a resultado de el modelo son aquí. Qué nosotros poder hacer ver es RSquare es no eso malo porque es casi Más de cinco. Tienes clasificación errónea tasa es también muy Bueno . Soy en menos que 1% de patente son mal clasificado . Así que esto es bastante bueno. Aquí nosotros tener todo el término eso el modelo usado a predecir patentes es crítico o no . Nosotros poder clasificar él por el mayoría importante término a [inaudible 00:10:50].
Si I hacer clic en poliestireno , cual es no sorprendente , tú poder ver todo el patentes dónde el palabra poliestireno aparece con muy útil [inaudible 00:11:04] cómo el modelo construye es construido en el izquierda mesa . Qué nosotros tener es el predicción de el modelo . Aquí , nosotros poder clasificar por el máximo probabilidad de ser crítico . Entonces si I hacer clic en él , I poder leer por qué patentes es crítico para a nosotros o no y entonces poder comparar si es de hecho crítico para aquellos eso Hay a probabilidad a ser crítico por [inaudible 00:11:34] es alto . A En realidad, él es crítico .
T aquí es alguno patentes eso son de hecho no crítico , pero el modelos , ellos tal vez podría ser crítico. Nosotros debería leer él porque tal vez nosotros eran equivocado cuando nosotros leer el primero tiempo . Por releyendo este patentar , nosotros poder encontrar alguno malentendido eso nosotros no el primero tiempo. El primero dos eso nosotros poder hacer para patentes , clasificación y predicción . Pero de mi punto de vista , este es no suficiente porque nosotros son no seguro si este modelo voluntad predecir Bueno y eso [inaudible 00:12:18] si patentes voluntad ser crítico o no .
A hacer eso y a mejorar también el RSquare, nosotros voluntad usar otro modelo de aprendizaje automático. A usar máquina aprendiendo modelo , qué nosotros voluntad hacer es a exportar el Documento Término M atriz cual contiene todo el numérico datos y en este DTM. Cada patente es representado por todo el frecuencia de el término . I ya hizo eso antes . Nosotros voluntad justo tener a mirar en el detalles de el abstracto. [inaudible 00:13:04], cual tiene algo como 400 columnas .
Nosotros puede simplemente usar a gráfico de celdas a mejor visualizar qué él aspecto como el DTM. Bueno, solo acepta el 20 mayoría términos frecuentes y aquí cuando está verde , él medio t su mandato hace no aparecer en el patentes . W Cuando está rojo, aparece a lote de tiempo . Aquí en azul , tú tener el crítico patentes . Si I hacer clic en todo el crítico botones , el objetivos de el máquina aprendiendo modelo voluntad ser a entender cual patentar dirige a crítico patentes. Antes usando modelo de aprendizaje automático, nosotros voluntad tener a hacer dos cosas cual son muy importante .
El primero cosa son datos de [inaudible 00:14:06]. I significar , el número de crítico patentes es muy pequeño comparado a el número de patentes eso nosotros tener. Es como búsqueda para a aguja en a almiar. Nosotros tener a reequilibrar todo de el datos . A hacer eso , qué nosotros hizo es a usar a frecuencia crítico. El frecuencia crítica tiene a fórmula cual es inversamente proporcional de el número de tiempo patentes como crítico o no . Entonces el segundo cosa que Lo haremos hacer es a usar los pasos de validación. Utilizando validaciones OMS voluntad tener mejor confianza en el previsibilidad de el modelo . A también , nosotros colocar a frecuencia en validación . Ahora nosotros tener bonito bien datos . Nosotros eligió [inaudible 00:15:06] validación colocar .
Ahora, nosotros poder aprender a máquina aprendiendo modelo . I voluntad usar primero el neural red . Qué el primero cosa eso I desear es a predecir si el patentar es [inaudible 00:15:23]. I voluntad usar todo aquellos factores, el DTM . I hacer no olvidar a usar el frecuencia a balance el datos y el validación columna a ser seguro eso el modelo es previsible o no. Vamos ir .
Ahora , I voluntad justo configurar alguno parámetros y nosotros voluntad usar [inaudible 00:15:50] Eso es todo. Ahora, el modelo encaja. Nosotros quería justo esperar [inaudible 00:15:58] a tener modelo . Aquí nosotros son. Eso es todo por ahora [inaudible 00:16:08] . Si tú recordar el RS cuadrados eso nosotros tenía en el primera columna, él era el 0.5 . Ahora , con este neural red , nosotros tener 0,94 como RSquare. Para el lado de la validación, Somos 0,86. Entonces grande mejora.
Este clasificación tasa es requerido lo mismo pero nosotros tener reequilibrar el datos. Ahora, yo t es bonito cálido . Aquí nosotros de el confusión matriz y tú poder ver eso actual patentes son previsto como real. Para el lado de la validación, Sigue siendo el mismo . A ahora a [inaudible 00:16:56]. Ahora qué nosotros poder hacer es a ahorrar el fórmula de el modelo . I tener ya hecho eso . Aquí es el problema . Entonces el fórmula predice el probabilidad a ser crítico o no crítico .
Nosotros poder ahora r incluir todo el datos que w e excluidos a aplicar este fórmula modelo , y patentes eso nosotros no lo han hecho leer. Nosotros justo esperar para a ellos a calcular probabilidad . Aquí nosotros son . El predicción de el neural red. Aquí es qué nosotros son. Azul, es el patentar eso nosotros tener leer y [inaudible 00:18:01] las patentes que son de hecho crítico. yo n naranja, el patentes eso nosotros no leer pero [inaudible 00:18:15 ] tiene trabajó para a nosotros .
Como tú poder ver , el probabilidad a ser crítico previsto por el modelo para todo el crítico patentes es bonito duro [inaudible 00:18:27] lo hace ag bueno trabajo . Ahora , si nosotros desear a saber cual patentar a leer , nosotros justo tener a seleccionar aquellos patentes y llevar a subconjunto de él. Aquí nosotros tener a corto lista de muy importante modelo. Aquí , si tú ver cual amable de patentar nosotros tener , nosotros tener a lote de patentes eso son importante para a nosotros . Ellos [inaudible 00:19:03] porque estireno purificación o I no saber .
Tal vez Éste, él es reciclado , es monómero de estireno. Eso es patentar nuestra muy importante para nosotros. Cuando tú leer todo de este patentar , en hecho , nosotros tenía a muy bien sorpresa. Muchos de aquellos Las patentes son [inaudible 00:19:29] para a nosotros ahora . Pero a veces él podría suceder y el modelo es [inaudible 00:19:36] porque el palabra que era usado para el para del no son preciso . Tal vez a bien cosa es a colocar a diferente amable de modelo. Eso es qué I hizo .
I colocar a modelo como Lazo, Árbol potenciado o Redes neuronales eso llevar en cuenta no solo el abstracto pero también [inaudible 00:20:07]. Nosotros poder también incluir oculares . I hizo un conjunto modelo , cual es un imagen de todo aquellos patentes. Ahora el selección es más preciso. Nosotros poder también ver qué patentes nosotros tener en justo a subconjunto . Ahora Hay a oportunidad a ser muy crítico es muy importante . El número de crítico patentes eso nosotros tener a leer es menor que con solo uno modelo. Nosotros aumentar el actuación de el aprendizaje automático modelo .
Ahora Vamos ir atrás a el presentación. Qué nosotros hizo es nosotros importado datos de todo el inteligencia . Nosotros convertido en textual datos y nosotros colocar a pareo modelo . Aquí es a método eso nosotros utilizar el [inaudible 00:21:08] método. Nosotros hizo manual categoría de patentes en el pequeño cuerpo por mano. Nosotros limpiado arriba y importar alguno datos en JMP. Entonces nosotros convertido el textual datos en matriz. Nosotros creado Un conjunto de validación. Balanceamos todos los datos. usando frecuencia campo. Luego también mecanizamos aprendiendo modelos semejante como Lasso, N europeo Red, T potenciada libre. Nosotros hizo juntos modelo . Él sobrescribe todo el supervisado máquina aprendiendo modelos eso nosotros colocar arriba. Eso era el primero paso.
El segundo paso era el producción . Nosotros usar eso modelo en a ancho cuerpo de patentes eso nosotros tener en [inaudible 00:21:56]. Nosotros poder importar todo de el patentes el mismo forma como el primero paso en mudado. Nosotros hacer alguno predicción . Ahora nosotros son capaz a seleccionar solo a pocos patentes que son probablemente crítico . El número de botones eso nosotros voluntad leer es bastante pequeño , y nosotros tener alto oportunidad a leer solo crítico patentes y a gastar tiempo en el bien patentar .
El conclusión de este trabajar es El aprendizaje automático puede automatizar tiempo- consumidor tarea . Es una herramienta que voluntad ayuda tú , pero bajo No circunstancias él voluntad reprimir humano tiempo extra . Este patología es muy útil patentes aplicadas y podría ser probablemente aplicado a muchos tipos de textual datos. Usando JMP Pro, y o voluntad ver eso tú tener visto eso es muy fácil a hacer eso y JMP Pro es muy poderoso programa f o configuración arriba máquina Aprendiendo así.
Qué nosotros poder decir es este aprendizaje automático modelo justo imitar nuestro elección. I f nosotros desear a ir más o si nosotros incluimos nuevas patentes eso son crítico cualquiera nosotros voluntad necesidad a reconstruir a nuevo modelo o intentar otro acercarse cual es basado en desplegando en lo que .
I finalizado el presentación y I esperanza tú disfruté él . I esperanza él voluntad dar inspiración para futuro trabajar , tal vez en patentes o cualquier textual [inaudible 00:23:48]. No lo dudes a contacto a mí en el trabajo comunidad o a correo Algunos comentarios.
Agradecer tú para mirando . Adiós- adiós .
