756829_ko-KR

liliconcom

JMP® Pro 16의 외삽 제어 기능을 활용하여 실제 채굴 프로세스 최적화(2021-US-30MP-844)

Xinjie Tong, Dow 수석 연구 통계학자

본 사례 연구는 12가지 유형의 거품기를 광산 광물 회수 성능 측면에서 평가하는 것을 목표로 합니다. 거품기 유형 외에도, 입력 변수에는 입자 크기(코드값: 0, 0.35, 1)를 연속형 변수로, 물의 종류(A형, B형, C형)를 범주형 변수로 포함합니다. 반응 변수는 광물 회수 효율입니다.

예측 프로파일러의 외삽 제어 기능을 사용하여, 입자 크기가 1일 때 정규화된 T 제곱 척도에 기반한 물 유형 B에 대한 외삽 가능성이 관찰되었습니다. 이 외삽은 물 유형 B에 대한 측정이 입자 크기가 0.35일 때만 수행되는 DOE 불균형으로 인해 발생했습니다. 신뢰할 수 있는 최적 해를 얻기 위해 광물 회수 효율을 최적화하기 위해 외삽 제어 기능을 활성화했습니다.

DOE가 더욱 균형 잡히도록 확장되자 외삽 문제는 사라졌습니다. 외삽 제어 기능을 통해 불균형한 DOE를 확장하는 것이 예측 모델의 사용성을 어떻게 크게 향상시킬 수 있는지 즉시 파악할 수 있었습니다.

자동 생성된 대본...

스피커	성적 증명서
조쉬 스턴턴	안녕.
통 신지에	안녕 조쉬.
조쉬 스턴턴	안녕하세요, 정말 멋지네요.
통 신지에	네, 좋아요.
조쉬 스턴턴	음, 이 일을 해주셔서 감사합니다. 당신의 프레젠테이션을 듣고 싶습니다.
통 신지에	감사합니다. 어떻게 시작해야 할지 알려주세요.
	시작하기 전에, 다른 것에 대해서도 말씀드리겠습니다.
조쉬 스턴턴	네, 간단한 체크리스트가 있는데, 살펴보고 싶었어요. 혹시 체크리스트가 있다면 알려주시면 감사하겠습니다.
	당신의 전화기는 여전히 켜져 있는 상태입니다.
통 신지에	음, 그렇죠.
조쉬 스턴턴	네, 있어요.
통 신지에	좋은 알림 감사합니다.
조쉬 스턴턴	그리고 한 가지 빨리, 이것이 JMP 디스커버리 서밋을 위해 녹음된다는 것을 이해하도록 구두로 확인을 받아야 합니다.
	컨퍼런스에서 녹음된 내용은 작업 사용자 커뮤니티에서 공개적으로 공개되어 녹음 및 사용에 대한 허가를 받을 수 있습니다.
	네, 네, 좋아요.
	형식주의는 훌륭하고.
	배경이 마음에 들어요. 모든 게 좋아 보이고, 유일한 문제는 디스플레이가 1920x10으로 설정되어 있는지 아는 거겠죠.
통 신지에	사실 저는 그렇지 않아요.
	명확하게 알고 있다.
통 신지에	디스플레이 설정을 아주 빠르게 살펴보겠습니다.
	119 20배 1080이라고 생각합니다.
조쉬 스턴턴	오, 완벽해요.
통 신지에	네 좋아요.
조쉬 스턴턴	네, 완벽합니다. 이 작업은 외삽 제어 기능과 JMP Pro 16 최적화된 보상 마이닝 프로세스 2021을 활용하는 것입니다. 미국 기준 30MP입니다.
	좋아요, 그럼 그렇게 할게요.
	프레젠테이션을 시작할 수 있는지 알아보고 싶으세요? 슬라이드를 만들어 보세요.
	귀하 측에서 모든 것이 괜찮아 보인다면, 저는 영상을 멈추고 음소거를 한 후 귀하에게 전달해드리겠습니다.
통 신지에	그럼 우리는 아주 빨리 시도해 볼 수 있을 것 같아요.
조쉬 스턴턴	발표하고 싶으시면 제가 확인해 드릴게요.
	슬라이드를 볼 수 있습니다.
통 신지에	네, 그럼 먼저 화면을 공유해야겠네요.
	응.
통 신지에	그리고 당신은 내 화면을 보죠.
	네, 알겠습니다. 아마도 데모를 좀 해볼 것 같아요.
	데모를 좀 해봐야겠어요. 데모를 할 때, 아마 이렇게 할 거예요. 괜찮을까요? 그런 다음 슬라이드로 돌아가겠습니다.
조쉬 스턴턴	네, 맞아요. 괜찮습니다.
	그리고 영상 내에서는 편집이 전혀 이루어지지 않을 것이고, 영상의 어떤 부분은 삭제될 것입니다.
	하지만 실수를 하면 어떻게 될지 알 수 있도록요.
	그냥 유지하려고 노력하세요.
	이런저런 일을 겪어보죠. 우리 모두 인간이니까 실수해도 괜찮습니다.
	아는 줄 알지만, 정말 그것이 끔찍한 일이라고 생각한다면 꼭 보고 싶을 겁니다.
	이제는 그냥 할 수 있어요.
	우리는 다시 시작할 수 있어요. 그렇게 큰 문제는 아니지만 그래도 작은 실수 때문에 괴로워하지 마세요. 그냥 계속하세요.
	그럴 거야.
	네 네.
통 신지에	그리고 프레젠테이션은 약 20분 정도 진행될 것 같아요.
	알겠습니다.
	요구사항은 다음과 같습니다.
조쉬 스턴턴	모든 사람이 다 다르다고는 생각하지 않지만, 저는 다르다는 걸 알아요.
	네, 시간에 대해 너무 걱정하지 마세요. 그건 일종의 지침일 뿐이에요. 알아두세요.
	좋아, 댄, 네가 조사한 내용을 말해 봐. 그러면 우리가 확인해 볼게.
통 신지에	좋아요, 좋은 것 같아요. 그렇다면 제가 프레젠테이션을 시작해 볼까요.
조쉬 스턴턴	네, 그럼 영상을 시작하겠습니다. 그리고 네, 그는 잠깐만 시간을 내라고 했습니다. 아니면 언제든 준비가 되면 시작하시면 됩니다.
통 신지에	아, 제가 제작을 할 필요는 없나요?
조쉬 스턴턴	아니요, 그냥 말할 수도 있고, 당신의 이름을 말할 수도 있고, 당신이 무슨 일을 겪을지 알 수도 있습니다.
	일종의 굴림이죠.
통 신지에	알았어 알았어.
조쉬 스턴턴	좋아요, 좋아요, 카메라를 끄고 당신에게 다가가겠습니다. 행운을 빌어요. 고맙습니다.
통 신지에	감사합니다.
	안녕하세요, 저는 신지에 통입니다. 제 프레젠테이션은 JMP Pro 16의 외삽 제어 기능을 실제 광산 문제에서 어떻게 활용하는지에 대한 것입니다. 이 문제를 해결하고자 광산 공정에서 광물 제거 효율을 최적화하고자 했습니다.
	채굴 과정에 대한 사례 연구를 소개하고, 앞서 언급된 외삽 제어 지표에 대해 좀 더 자세히 살펴보겠습니다. 외삽을 염두에 두고 최적화하는 방법과 DOE 증강을 사용하여 외삽 문제를 잠재적으로 처리하는 방법에 대해서도 알아보겠습니다.
	이 슬라이드는 현재 JMP 16 Pro에서 사용되는 외삽 제어 지표에 대한 소개이며, 모든 정보는 JMP 커뮤니티의 비디오에서 가져온 것입니다.
	SAS에서 만든 것으로, 하단의 참고자료에서 볼 수 있듯이 JMP에서는 두 가지 주요 지표가 사용됩니다.
	하나는 선형 플랫폼, 특히 최소제곱법을 적용할 때 사용되는 레버리지입니다. 또 다른 하나는
	정규화된 호텔링의 T 제곱이라는 지표는 현재 GenReg와 같은 비선형 플랫폼, 신경망 부분 최소 제곱에 구현되어 있습니다. 따라서 레버리지의 경우,
	이는 훈련 데이터의 설계 행렬과 예측 지점의 함수입니다. 따라서 모델 형태에 따라 달라집니다. 선형 모델의 경우에도 예측 분산에 비례합니다.
	하지만 다르게 말하면, 정규화된 t 제곱의 경우 비지도 학습 버전이므로 어떤 형태의 모델에도 해당하지 않습니다.
	그리고 이건 제가 그 영상에서 훔친 방정식이에요.
	이는 외삽법을 염두에 두면 최적화가 어떻게 달라질 수 있는지를 보여주기 위해 해당 영상에서 나온 예입니다.
	다음은 세 개의 입력 변수가 있는 예입니다. 여기서 볼 수 있듯이 MaxPulse와 RunPulse는 강한 양의 상관관계를 갖습니다.
	외삽 제어를 고려하지 않으면 모델은 파란색 점이 최적이라고 알려줍니다. 하지만 훈련 데이터에서는 관계가 적용되지 않으므로 그다지 정확하지 않습니다.
	신뢰할 수 있습니다. 이 모델은 외삽법을 사용하고 있습니다. 하지만 외삽 제어를 활성화하면 이 빨간색 점이 표시되며, 이는 이제 더욱 현실적입니다. 따라서 외삽 제어가 의사 결정에 어떻게 실질적인 도움을 주고 비현실적인 예측을 방지할 수 있는지를 보여줍니다.
	이제 제가 다우에서 근무하는 동안 접했던 사례 연구에 대해 말씀드리겠습니다. 이 사례 연구는 채굴 과정에 관한 것이며, 저희의 목표는 광물 제거 효율을 높이기 위해 채굴 조건을 최적화하는 것이었습니다.
	이 데이터 세트에는 120개의 행이 있으며, 3개의 입력 변수와 1개의 출력 변수가 있습니다.
	입력 변수로는 물의 유형을 지정했는데, 이는 3가지 수준을 갖는 범주형 변수이므로 이를 A형, B형, C형으로 코딩했습니다.
	12가지 유형의 거품기를 사용했는데, 이 역시 범주형입니다. 입자 크기라는 수치형 변수를 사용했는데, 0, 1, 그리고 0.35로 코딩했습니다.
	여기서 출력은 제거 효율이며, 0과 1 사이의 값이며, 여기의 모든 값은 실제 정보를 보호하기 위해 코딩되었습니다.
	이 데이터 세트의 문제점은 설계 단계에서 실제로 공선성이 존재한다는 것입니다. 따라서 이 그래픽 빌더를 살펴보면, JMP의 플랫폼인 그래프 빌더를 사용하여 데이터 구조를 매우 쉽게 시각화할 수 있습니다.
	여기서는 거품기 유형을 포장의 기준으로 사용했습니다. 각 상자는 거품기 한 유형을 나타내며 Y축에서는 입자 크기를, X축에서는 물 유형을 나타냅니다.
	따라서 여기서 문제는 물 유형 B가 있을 때 입자 크기 수준이 중간 수준인 단일 수준만 있으므로 입자 크기를 추정하려고 할 때 공선성이 존재한다는 것입니다.
	그리고 B형과 상호작용을 합니다. 그래서 이 경우에는 추정이 불가능합니다.
	이러한 불균형이나 일부 종속성으로 인해 외삽 문제가 발생하며, 이때 외삽 제어 기능이 실제로 불완전한 데이터 세트로 인한 위험을 예방하는 데 도움이 될 수 있습니다.
	그래서 저는 JMP에서 다양한 플랫폼을 사용하여 모델을 구축했습니다. 이는 지표를 비교하고 그것이 잠재적으로 의사 결정에 어떤 영향을 미칠 수 있는지 알아보기 위한 것입니다.
	모델을 적용하기 전에 보통 이 평가 설계를 시작하는데, 이는 JMP의 기능 중 하나입니다. 이 플랫폼을 사용하면 이해하도록 요청할 수 있습니다.
	주어진 데이터 집합에서 추정할 수 있는 항은 무엇일까요? 이에 대한 간단한 데모를 보여드리겠습니다. 제 데이터 집합은 다음과 같습니다. 입력 변수가 세 개이고 출력 변수가 하나 있습니다. DOE로 가서
	설계 진단 및 설계 평가. 여기서 Y 응답은 선택 사항이므로 세 개의 입력을 여기로 끌어다 놓고 확인을 클릭합니다.
	그리고 지금은 주효과만 고려하더라도 이를 추정할 수 있고, 전체 공간, 설계 공간 내의 예측 분산과 같은 진단 결과와 일부 진단 결과를 볼 수 있다고 알려줍니다.
	하지만 양방향 상호 작용을 추정하고 싶습니다. 따라서 양방향 상호 작용을 클릭하면
	이 경고가 뜨면서, 이 데이터 세트가 모든 양방향 상호 작용 항에 맞지 않고 추정할 수 없는 항이 제거되었다고 알려줍니다.
	그리고 여기를 살펴보면, 물의 종류와 특정 크기 사이의 상호작용이 삭제된 것을 알 수 있는데, 이는 제가 방금 언급한 공선성 문제 때문입니다.
	따라서 여기서 확인해 보면, 이 진단은 새로운 모델 용어 집합을 기반으로 업데이트되었습니다. 이제 저는
	공선성 때문에 모든 항을 추정할 수 없어서 모델이 적합할 수 있는 항들로만 시작할 수 있습니다. 그런 다음 슬라이드로 돌아가서 모델 구축을 시작하겠습니다.
	그래서 제가 처음으로 피팅한 모델은 GenReg 플랫폼에 있었습니다. 그 이유는 제 반응, 즉 효율성 때문입니다. 0에서 1 사이의 값을 갖는데, 저는 보통 베타 분포를 고려하는데, 이는 GenReg에서만 구현할 수 있습니다.
	하지만 우리의 경우 0과 1 사이에는 있지만 분포가 정규분포에 더 가깝고 0이나 1 근처에 높은 빈도가 없기 때문에 정규분포를 사용하는 데 문제가 있습니다.
	그래서 제가 한 일은 GenReg 내에서 모델 피팅에 베타와 정규를 모두 시도해 보는 것이었습니다. 또한 전체 모델과 다양한 모델 축소 방법도 시도해 보았습니다.
	AICc와 BIC를 비교해 보니 정규 분포를 사용할 수 있고, 라소 축소 기법을 사용하면 전체 모형보다 AICc나 BIC가 더 작다는 것을 알게 되었습니다. 아마 이 방법을 사용할 것 같습니다.
	하지만 이제 정규 분포를 사용할 수 있게 되면서, 실제로 동일한 모델을 다른 플랫폼에 적용할 수 있다는 걸 깨달았습니다.
	그래서 제가 한 다음 일은 JMP의 선형 플랫폼인 최소 제곱법을 사용하여 같은 모델을 적용하는 것이었습니다.
	하지만 이제는 레버리지를 외삽 통제 지표로 사용할 수 있게 되었습니다. GenReg에서는 정규화된 호텔링의 T 제곱을 사용했었습니다. 이제 두 지표가 실제로 어떻게 대조되는지 또는 얼마나 유사한지 비교할 수 있습니다.
	이제 미터법 비교와 몇 가지 결과를 살펴보겠습니다. 제 지도는 여기 있습니다. 동일한 전체 모델로 시작했거든요.
	그리고 GenReg에 모델을 적용하고, 서로 다른 지표를 사용하는 최소제곱법을 적용했습니다. 지표를 비교하는 것 외에도, 모델 형태를 변경하여 전체 모델과 축소 모델을 사용했을 때 지표 성능에 어떤 변화가 있는지 알아보고 싶었습니다.
	여기서 또 다른 데모를 진행해 보겠습니다. 프로파일러에서 외삽 제어 기능을 어떻게 사용하는지도 살펴보겠습니다. 먼저 동일한 스크립트인 GenReg부터 시작하겠습니다.
	그냥, 그냥... 참고로, 모델 대화상자를 클릭하겠습니다. 여기가 모델이 설정된 곳입니다. Y에 대한 효율성, 평가 설계에서 정의된 이러한 용어와 베타 또는 정규 분포를 사용합니다.
	그리고 '실행'을 클릭합니다. 두 모델을 저장했습니다. 첫 번째는 모델 축소를 적용한 정규 분포이고, 두 번째는 전체 모델을 적용한 정규 분포입니다. 전체 모델로 처음 시작할 경우, 여기를 클릭하고 프로파일러를 켜면 됩니다.
	그리고 프로파일러에서는,
	여기서 새로운 점은 외삽 제어를 클릭하면 경고를 끌 수 있다는 것입니다.
	그래서 지금은 세부 정보가 없으므로 세부 정보를 보고 싶다면 빠른 외삽법을 사용해야 합니다.
	그리고 메트릭의 임계값을 보여줍니다. 입자 크기를 따라 이동할 수 있고 메트릭이 변하더라도 임계값 내에 있다면 경고가 발생하지 않습니다.
	하지만 그러한 공선성이 존재하는 유형 B로 가면 매우 높은 입자 크기나 매우 작은 입자 크기에서 이러한 외삽법 경고가 나타날 수 있습니다.
	또 다른 방법은 경고를 켜는 대신 외삽 제어를 직접 켜는 것입니다. 그러면 외삽이 적용되지 않은 범위만 표시됩니다.
	자, 이제 여기서 임계값이 16.3이라는 점을 언급하고 싶습니다. 축소 모델을 적용하면 어떻게 될까요? 임계값과 외삽 영역도 바뀌나요? 이제 축소 모델로 가서 이미 켜 놓은 프로파일러를 켤 수 있습니다. 여기...
	외삽 세부 정보를 클릭하고 켜면 동일한 임계값과 외삽 범위가 표시됩니다. 따라서 이 정규화된 T-제곱은 비지도 학습이며, 전체 모델과 축소 모델을 사용하더라도 변화가 없습니다.
	GenReg 대신 선형 플랫폼인 적합 임대 제곱을 사용해 보겠습니다. 레버리지는 모델 외삽에 사용할 수 있습니다. 전체 모델은 다음과 같습니다. 요인 프로파일링을 클릭하고 프로파일러를 켤 수 있습니다.
	여기서도 마찬가지로 외삽 제어를 클릭하고 경고를 켜고 외삽 세부 정보도 켤 수 있습니다.
	여기서 임계값이 다른 이유는 다른 방정식을 기반으로 계산되었기 때문입니다. 이전과 마찬가지로, 유형 B... 유형 A와 C는 외삽법이 없지만, 유형 B의 경우 실제로는... 모두 외삽법에 따른 온난화가 적용됩니다.
	그리고 이 값을 0.35로 설정하면 외삽이 적용되지 않는 유일한 지점이 여기입니다. 더 명확하게 보여드리기 위해 외삽 제어를 켜면 B 물이 있는 지점을 볼 수 있습니다.
	실험에서 관찰된 입자 크기의 단일 수준만 예측할 수 있습니다. 즉, 이는 다음과 같은 사실을 말해줍니다.
	주어진 데이터 집합을 사용하고 레버리지를 척도로 사용하면 물, 즉 물 유형 B를 사용할 때 다른 입자 크기를 예측할 수 없습니다.
	따라서 정규화된 T 제곱을 사용한 GenReg와 비교했을 때, 이 방법은 더 엄격합니다. 다른 시나리오에서는 더 좁은 범위를 예측할 수 있었기 때문입니다. 다시 말하지만, 이는 GenReg가 비지도 학습이고, GenReg는 모델 형태에 더 집중되어 있기 때문입니다.
	여기서 임계값은 0.5입니다. 레버리지를 사용할 때 축소 모델을 시도해 봤는데, 모델 형태에 따라 임계값도 변경되었습니다. 따라서 모델이 작을수록 임계값도 작아집니다. 비교표는 다음과 같습니다.
	이 특정한 사례에서 우리는 레버리지가 정규화된 T-스퀘어보다 더 엄격하다는 것을 알 수 있습니다.
	그래서 저는 이 외삽 제어 기능을 어떻게 최적화할 수 있을지에 관심이 있었습니다. 그것이 우리 프로젝트의 목표이거든요.
	최종 결과는 다음과 같습니다. 모든 입력 변수를 그린 결과이고, 파란색 점은 외삽 제어 없이 최적화한 결과입니다. 데이터에서 관찰되지 않은 이 점을 시사하는 것입니다.
	하지만 외삽법 제어를 고려한다면, 이는 훈련 데이터와 더 유사한 것을 시사하는데, 이제 우리는 이에 대해 더 확신을 가질 수 있게 되었습니다.
	실제로 할 수 있는 또 다른 방법은 외삽 제어를 적용하거나 적용하지 않고 시각화하는 것입니다. 이 부분도 아주 빠르게 데모로 보여드리고 싶습니다.
	제가 가장 사랑하는 미래는 이렇습니다. 예를 들어, 우리가 이렇게 결정한다면...
	죄송합니다. 명확하게 보여주기 위해 이 페이지를 닫겠습니다.
	그러니 가능하다면... 이 프로파일러를 사용하기로 결정했다면... 이 모델을 사용하면 계속 진행할 수 있고, 외삽 제어를 켜면 무작위 표를 출력할 수 있습니다.
	이를 통해 모델이 어떠한 추론 없이 예측할 수 있는 모든 잠재적 조건이 생성됩니다.
	이제 5,000번의 실행이 있고 여기를 클릭하면 각 매개변수의 분포나 히스토그램을 매우 쉽게 볼 수 있습니다.
	A 유형을 클릭하면 모델이 입자 크기에 대해 0과 1 사이의 전체 범위를 예측할 수 있음을 알 수 있습니다.
	C형도 비슷하지만, B형의 경우 추가로 인해 좁은 범위의 입자 크기만 예측할 수 있습니다.
	죄송합니다, 외삽법입니다. 그래서 이걸 사용하면 외삽 제어를 염두에 두고 최적화하고 시뮬레이션할 수 있습니다.
	또한 이 파일에서 그래픽 빌더를 사용할 수 있습니다.
	그리고 이 플롯을 생성하면 외삽 제어가 없는 경우 모든 범위가 표시되고 색상은 효율성, 즉 예측 효율성을 나타냅니다.
	하지만 외삽 제어를 사용하면 이 모든 범위를 예측할 수 없으며, 이는 시뮬레이션 기능을 기반으로 한 매우 훌륭한 시각화입니다.
	이제 마지막 질문은, 이 공간들을 정말 추정하고 싶다면 어떻게 해야 할까요? 그러기 위해서는 데이터를 수정하거나 증강해야 모델이 전체 범위를 예측할 수 있습니다. 이제 JMP 기능의 일부인 데이터 증강을 수행할 수 있습니다.
	증강된 디자인에서 우리가 할 수 있는 것은 새로운 블록 변수를 추가하여 새로운 런을 분리하고 두 개의 블록으로 그룹화할 수 있다는 것입니다.
	또한, 추정하고자 하는 모델 항을 정의할 수 있습니다. 이제 모든 양방향 상호작용을 추정하고 싶습니다.
	그리고 증강된 실행의 시각화가 있습니다. 빨간색 점은 모든 증강된 실행이며 이제 데이터를 다음에 할당하고 있습니다.
	물의 종류가 B형일 때 입자 크기의 상한과 하한을 예측할 수 있으며, 모든 항을 추정할 수 있고 공선성 문제도 더 이상 발생하지 않습니다. 또한 프로파일러에서도 B형일 때 전체 범위를 예측할 수 있음을 확인할 수 있습니다.
	몇 가지 요점을 알려드리겠습니다. 입력 변수 간에 종속성이 있거나 추정할 수 없지만 추정하려는 다른 용어가 있는 경우와 같이 외삽의 소스가 많을 수 있습니다.
	모델에 포함되어야 합니다. 모든 예측 모델링 분야에는 머신 러닝도 포함됩니다. 외삽 제어는 건전성 검사이므로 이를 고려해야 합니다.
	예측 분야에 있어서 JMP 16 Pro 덕분에 이 기능 덕분에 사용이 매우 간편해졌습니다. 또한 데이터 세트의 구조가 모델의 사용성에 어떤 영향을 미치는지 보여주는 것도 매우 쉽습니다.
	그래서 이 기능을 만들었고, 더 많은 커뮤니티와 공유하여 이 기능이 얼마나 유용한지 직접 보여드리고 싶습니다. 제 프레젠테이션은 여기까지입니다. 참고 자료와 몇 가지 면책 조항을 알려드리겠습니다.
조쉬 스턴턴	엄청난.
통 신지에	괜찮을까요?
조쉬 스턴턴	고맙습니다. 정말 멋졌어요. 사랑해요.
	프로필에서 예측자를 보는 걸 좋아해요.
	윤곽.
	이제 그는 문제없이 잘 해냈습니다.
통 신지에	고맙습니다, 고맙습니다, 그렇지 않기를 바랍니다.
	글쎄요, 초보자를 위한 것이므로 그다지 복잡하지는 않다고 말하고 싶습니다.
조쉬 스턴턴	제게는 그게 어떤 의미인지 알겠지만, 조금은 발전할 거라고 생각했지만, 그게 좋은 생각이 아니었어요. 그는 증강 디자인에 대해 이야기하기 시작했는데, 확실히 다음 단계예요.
	저것.
	네, 그게 전부입니다. 말씀드린 대로, 이것을 잘라내고 편집해서 앞면과 뒷면을 만든 다음, 언제 웹사이트에 올릴지는 아직 확실하지 않지만 곧 올릴 겁니다.
	이 내용을 공유하기 위해 시간과 노력을 투자해 주셔서 다시 한번 감사드립니다.
	우리 지역 사회와 함께.
통 신지에	네, 물론이죠.
	네, 좋은 것 같아요.
조쉬 스턴턴	좋습니다, 잘 지내세요. 언젠가 이 행사 중 하나에서 여러분을 만날 수 있기를 바랍니다.
통 신지에	응.
	고맙습니다. 기대하겠습니다.
	기회를 주셔서 감사합니다.
조쉬 스턴턴	오, 네, 정말 고맙습니다. 알겠습니다. 안녕히 가세요.
통 신지에	안녕, 좋은 하루 보내세요.
	너도.

고급 통계 모델링자동화 및 스크립팅기본 데이터 분석 및 모델링실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석