756811_ja-JP

liliconcom

データサイエンティストのためのJMPベースのシックスシグマDMAICトレーニングカリキュラムの開発（2021-US-30MP-872）

チャールズ・チェン、マスターブラックベルトQ&R、アプライドマテリアルズ
メイソン・チェン、スタンフォード大学OHSの黒帯取得者

DMAIC、DFSS、Leanを含む従来のシックスシグマカリキュラムは、今日のAIデータサイエンティスト向けに特化して効果的に開発されたものではありませんでした。本稿では、データサイエンティスト向けの革新的なシックスシグマトレーニングカリキュラムを、以下のいくつかの目標に基づいて紹介します。

1. 根本原因分析と問題解決のために、最新の JMP テキスト エクスプローラーとデータマイニング技術を採用します。
2. さまざまな JMP プラットフォームを総合的に統合して、パターン認識を分析したり、洞察を発見したりします。
3. ニューラル、パーティション、主成分分析を通じて予測モデリング機能を強化します。
4. 目標プロットモデル駆動型多変量 SPC などの最新の品質およびプロセス プラットフォームを活用します。
5. これらの最新の JMP プラットフォームを、Six Sigma プロジェクト実行のための Six Sigma DMAIC/DFSS/Lean フレームワークにマッピングします。

この革新的なシックスシグマカリキュラムは、ビッグデータ・AIビジネスにおいて重要な意思決定を行うマネージャーや個人従業員など、産業界のプロフェッショナルに適用可能です。データサイエンティストだけでなく、設計・プロセスエンジニア、品質・信頼性エンジニア、サプライチェーンエンジニア、ビジネスアナリスト、統計学者、マーケティング担当者など、信頼できる意思決定者や真のプロジェクトリーダーを目指す方々にとっても強力なツールとなります。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
ジェイソン・ウィギンズ、JMP	はい、準備ができたら先に進んでください。
	わかった。
	みなさんこんにちは。
	チャールズ・チェンです。本日は、JMP 16を用いたデータサイエンティスト向けのSTEAMSとDMAICカリキュラムに関する興味深いトピックについてお話したいと思います。
	私たちは3人の著者です。メイソン・チェンが1人目、そして私がチャールズ、3人目がパトリックです。私たちはスタンフォード・オンライン高校のSTEAMSクラブのメンバーです。メイソン・チェンは高校3年生で、クラブのリーダーを務めています。私とパトリックはクラブの顧問を務めています。
	プロジェクト概要、機会ステートメント、伝統的なシックスシグマDMAICプロセスと学際的なSTEAMS方法論を組み合わせたもの
	データサイエンティストがビッグデータ分野でより大きな貢献を果たせるよう支援します。そして、私たちのプロジェクトの目的は、高校生向けのシックスシグマデータサイエンストレーニングカリキュラムを開発することです。
	JMP 16 プラットフォームを DMAIC フェーズにマッピングすることで、業界の専門家にまで浸透します。
	始める前に、聴衆は、シックス シグマは専門家のためのものであり、データ サイエンティストも専門家であるということに興味があるかもしれません。
	では、なぜ高校生にもこのことを触れるのでしょうか？ここでは、第一著者であるメイソン・チェンのケーススタディを取り上げたいと思います。
	彼の豊富な経験は10歳の頃から始まりました。データサイエンティストのトレーニングを受け始め、IBM SPSSとMinitabの認定資格取得にも挑戦しました。
	彼は11歳の時にIBM Modeler Data Miningの認定資格を取得しました。その後、12歳か13歳頃にJMPを学び始めました。
	そしてJMP STIPS、DOE、認定試験、そしてJMP 16のテキストマイニング。そして今年、線形代数も修了した理由です。
	大学の授業やデータサイエンスも、このプログラムを通して学ぶことができます。そこで今日は、彼の経験とアドバイザーの経験に基づいて、JMP 16をどのように活用できるかについてお話ししたいと思います。
	シックスシグマのデータサイエンスプログラムを作成しています。また、メイソンは将来的にR言語に移行する予定です。彼はRを学習しようとしたので、JSL言語も習得できるでしょう。
	これはメイソンが2年前にASAカンファレンスに参加したときの写真です。
	私たちのプロジェクトはSTEAMSとDMAICを結びつけようとしています。STEAMSはメイソンの創始者STEAMsプログラムで、2017年から
	従来のSTEMプログラム。では、何が違うのでしょうか？つまり、科学、技術、工学、数学はこれまでと同じということですね？
	しかし、人工知能と統計学も加えると、STEAMSになります。そして、データサイエンスは人工知能、数学、統計学を組み合わせた人気の分野です。
	従来のシックスシグマ（DMAIC）は、STEAMS手法と非常によく一致しています。綿密な思考が随所に見られます。（？？）その他の問題解決ツール
	DMAICから。科学分野、さらにはエンジニアリングの問題解決にもかなりよく対応しています。データサイエンスでは、
	STEAMSからDMAICへの移行をさらに促進できるかもしれません。このようにして、STEAMS手法に基づいて高校生向けのシックスシグマ・データサイエンス・プログラムを開発できると考えています。
	そこで、JMP 16が今年の春にリリースされたら、まずJMP 16プラットフォーム全体を調べて、
	データサイエンティストにとって最適なプラットフォームは何でしょうか。私たちはビッグデータにおいて、3つの「V」、つまり「量」「多様性」「速度」を基準にしています。
	そして、3つのVに基づいて、データサイエンスプログラムに適したツールやプラットフォーム、例えばグラフビルダーなど、
	テキストエクスプローラー、表、予測モデリング、スクリーニング、多変量解析、クラスタリング、品質管理手法、問題解決。これらをDMAICの各フェーズにマッピングしていきます。
	また、JMP 16 プラットフォームの学習を通じて、これらの JMP ツールの背後にある [聞き取れない] も理解しようとします。
	そして、データサイエンス統計学は、以下のモジュールをカバーする可能性があることがわかりました。まず、MSAやSPCといった品質・信頼性エンジニアリングのための従来のDMAICです。
	次は、モデリング、DOE モデリング、モンテ カルロ シミュレーション、ロバスト許容値に関するシックス シグマ設計です。
	次に、主成分分析や特異値分解といったデータサイエンスにおいて、線形代数が極めて重要であることがわかります。そして次は、分類、ニューラルネットワーク、パーティション、ランダムフォレストといったデータマイニングです。
	そして、データサイエンスでは時間（？）データを扱うために時系列や予測も非常に重要なので、ARIMA モデルのようなものを見つけます。
	テキストマイニングは構造化されていないデータにも有効です。また、顧客の声を理解するために、アンケートや消費者調査も非常に重要です。
	また、マーケティングセグメンテーションの実施方法も学びました。これらの統計情報はすべて、JMPプラットフォームを活用する上で非常に重要です。
	次にマッピングを試みます
	これらのJMP 16プラットフォームを従来のリーンシックスシグマBBモジュールに統合します。そこで、従来のBBモジュールを特定し、3つのモジュールを開発します。
	トレーニングプログラム。プログラムAは、より伝統的なDMAICブラックベルトトレーニングプログラムで、JMP 16プラットフォームが関連しています。2つ目は、より現代的なデータマイニングです。
	[聞き取れない]カテゴリカルデータです。そのため、JMP 16プラットフォームを各トレーニングプログラムに迅速に適用できるようにしています。学生やトレーニングには特定の関心がある場合があるため、カスタマイズすることも可能です。
	彼らの特定の興味と分野。
	これから、DMAICの各フェーズに、すべてのツールや概念をマッピングしていきます。最初のフェーズは「定義」フェーズです。定義フェーズの主なコンセプトは、顧客の声や企業の声を含め、問題ステートメントを定義することです。
	また、特に品質にとって重要な CTQ について、プロジェクトの目標と目的をシックス シグマ言語で定義する必要があります。
	また、成功基準と仕様制限も定義する必要があります。
	また、定義フェーズでは、チーム形成、対応、標準化、実行においてチームビルディングが非常に重要です。
	そして、データベース構築などのJMP 16プラットフォームも関連しています。クエリビルダーは非常に強力です。データの視覚化は重要です。
	データマイニングは顧客をクラスタリングしようとします。市場調査、特に消費者調査では、マーケティングセグメンテーションが行われます。これは非常に重要です。右側は、クラスタリングを用いてマーケティングセグメンテーションを行う簡単な例です。
	クラスタリングによる親和性分析。顧客をグループ分けし、マーケティングの優先順位に関する戦略を立てることができるでしょう。
	2番目のフェーズは測定フェーズです。特に大規模な製造工程においては、プロセス能力とプロセスの安定性に重点が置かれます。
	3つ見つけよう
	JMPの強力なツールです。まずはゴールプロットです。ゴールプロットでは、ロット間の工程能力を2次元にプロットできます。
	異なる色のゾーンを通じて、[聞き取れない] が適切ではないことがわかります。
	中央の工程性能プロットも非常に強力で、工程能力と安定性を組み合わせているためです。両方の基準を満たす場合は左上、つまり緑色になります。両方の基準を満たさない場合は、左下または右下になります。
	右側にはプロセス履歴エクスプローラーがあり、すべての履歴を一覧表示できます。
	過去の実績。そして、このようなリストを通して、低い収益率に関連する要因を特定できるかもしれません。
	次のフェーズは分析フェーズです。分析フェーズでは、根本原因分析、複雑なデータセットの要約、パターンと洞察の視覚化と発見、重要な要素の分離とスクリーニングを行います。
	これらの分析科目に基づいて、フィッシュボーンダイアグラム、表作成、テキストエクスプローラー、多変量ベースの方法、クラスタリング、カテゴリ応答分析も識別します。
	このスライドでは、パレート図を紹介します。JMP 16のパレート図は2次元で作成できるため、異なる種類の要因間のより多くの組み合わせ（？？）やパターン認識を見つけることができます。
	そして、フィッシュボーンダイアグラムは、リアルタイムのセクションでの作業に非常に強力かつ便利です。
	特性要因図を設計またはカスタマイズします。
	データの要約には、Tabulate を強くお勧めします。これは
	Excelのピボットテーブルは[聞き取れず]便利で強力です
	記述的な統計情報も追加できるためです。
	中間では、テキスト エクスプローラーはテキスト データベースの分析に非常に強力なので、キーワードやフレーズを検索することができ、テキスト マイニングをデータ マイニングに変換することもできます。
	右側は、さまざまな種類の要因間の関連性を見つけるためのカテゴリデータです。
	異なる色は異なる種類の変数を表します。どのペアも、互いに近いか、原点から遠いかで、高い関連性が強調されます。これにより、これらの変数に関する何らかの洞察が得られる可能性があります。
	次のフェーズは改善フェーズです。
	改善フェーズでは、予測モデルの構築に努めます。必要に応じて新たな実験を設計し、生産品質の向上に努めます。
	予測モデリングのためのJMP 16プラットフォームに関しては、予測プロファイラーまたはカスタムプロファイラーを強くお勧めします。また、DOEでは、
	さまざまな種類のカスタムDOE、混合DOE、さらにはDOE拡張版があります。機械学習のような特殊なモデルには、JMPニューラルネットワーク、パーティションモデル、そしてさまざまな種類のスクリーニングがあります。
	調査と消費者調査のために、
	JMP には選択モデルがあり、最大差設計モデルもあります。
	設計の最適化のために、
	左側の予測プロファイラーでは、感度分析を行うことができます。モンテカルロシミュレーションを実行して、不適合な[聞き取れない]をシミュレートできます。
	パーセンテージ。
	一方、モデルに多くの要素がある場合、カスタム プロファイラーは、多くの要素の中から最適なモデルを見つけるのに適した選択肢になります。
	右側は、グループ直交過飽和DOEです。これは、下流工程へのオプションを分析するための非常に強力なDOEです。また、DOEの実行回数を最小限に抑え、コストを削減するために、ブロッキングファクターやコンセプトが用いられます。
	予測モデルには、非常に強力なニューラルネットワークを推奨します。
	変革を起こし、それを実現する最適なモデルを見つけようとします
	より高度なトレーニングと検証を受ける
	適応度です。パーティションは2分割です。データセットを異なる種類のカテゴリに分割することで、
	ハイライトはまた、主要な貢献を結論づけます。
	設計の最適化には、JMP 16 で利用できるスクリーニング プラットフォームの使用も推奨します。右側にある最初のものは、応答スクリーニングです。
	JMPは
	FDR（誤検出率）は、予測モデルの精度を判断する指標です。曲線が下向きに伸び続ける場合は、
	つまり、優れた予測モデルを持っているということです。上昇傾向にある場合、つまりこの部分に関しては、優れた予測能力がないということです。
	真ん中のものはプロセススクリーニングです。すべてのプロセスパラメータを確認できます。入力パラメータの場合もあれば、出力成果物の場合もあり得ます。
	JMPは緑色と赤色を使って上昇シフトと下降シフトを識別します。そのため、緑色または赤色の比率が高い場合、ポリシーがあまり安定していないことを意味します。
	右側のグラフも非常に強力です。すべての予測因子の貢献度をランク付けし、上位数個、つまり「重要な少数」の予測因子を最初に表示します。これにより、根本原因や解決策を見つけることができます。
	消費者調査では、JMPは選択設計を採用した。
	消費者が最適な製品や選択肢を選ぶ方法を支援します。
	差の最大化設計（これもまた別の調査設計です）では、最も好まれる項目と最も好まれない項目の両方を選択します。JMPはモデルを実行して、あなたの好みを順位付けします。
	最後の制御フェーズでは、[聞き取れない]プロセス制御を拡大し、上流から下流まで長期間にわたって改善を維持し、多変量プロセス制御を行います。
	JMPプラットフォームには、古典的管理図、時間感度管理図、多変量管理図が含まれます。消費者調査では多因子分析が、また時系列分析では分解、平滑化、ARIMAモデル、予測などが活用されます。
	左側の多変量管理図では、変化点検出が見られます。これは、前後で最も大きな差が見られるポイントです。つまり、何が起こったのか、いつ最も影響が大きかったのかという根本原因分析です。
	最大の変化点。真ん中にあるのがTスクエアです。
	モデル駆動型管理図。これで故障モードが分かります。
	OOCポイントに最も寄与するパラメータについて分解します。右側は多因子分析です。
	固有値と固有因子分析に基づいています。これは親和図のようなものです。つまり、固有値と固有因子に基づいて、類似する因子をグループ化できるのです。
	左側の時系列分析では、モデル診断を行うことができます。これにより、トレンドの季節性および周期性要素を特定できます。
	中間段階では、季節性モデルまたは非季節性モデルを用いてデータをARIMAモデルでフィッティングすることができます。予測においては、将来の時点を予測するための最適なモデルを見つけることができます。
	この講演から得られる教訓は、伝統的なシックス シグマ DMAIC と学際的な STEAMS メソッドが、リーダーシップとチーム ビルディングに関するデータ サイエンティストの育成に役立つということです。
	最新のJMP 16プラットフォームはDMAICの各フェーズにマッピングされており、データサイエンス分野におけるシックスシグマプロジェクトの展開を支援します。データベース管理、応用工学、統計、データマイニング、テキストマイニングは、今日のデータサイエンス分析において極めて重要です。
	本日のプレゼンテーションはこれで終了となります。お時間をいただきありがとうございました。

高度な統計モデリング基本的なデータ分析とモデリング消費者および市場調査コンテンツの編成データの探索と可視化実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析