Nous proposons un échange informel et un débat sur le rôle que JMP et JMP Pro sont susceptibles de jouer dans le contexte actuel de l'intelligence artificielle (IA) et de l'apprentissage automatique (AA). Face à l'évolution constante de l'IA/AA, les scientifiques et les ingénieurs de tous les secteurs ont besoin d'outils intuitifs pour l'exploration des données, la modélisation et le déploiement.
JMP et JMP Pro, plateformes sans code, simplifient et accélèrent le processus de transformation des données brutes en données exploitables par l'IA grâce à des fonctionnalités visuelles et interactives qui améliorent la compréhension et l'efficacité. Cette présentation met en lumière leurs atouts à travers des exemples concrets, notamment l'apprentissage profond appliqué aux données tabulaires, textuelles et d'image. Elle démontre comment ces outils permettent d'obtenir des analyses fluides et basées sur l'IA, avec un minimum de compétences en programmation et des gains de temps et d'énergie potentiellement considérables.
Bonjour. Bienvenue à cette discussion. Je suis Florian Vögl, en compagnie de mon collègue Russ. Nous sommes en ligne depuis l'Allemagne et les États-Unis pour parler de la question suivante : JMP peut-il réellement jouer un rôle significatif dans l'avenir de l'IA et de l'apprentissage automatique ?
Bonne question, Florian.
Bien sûr, toutes les réponses seront forcément subjectives aujourd'hui, mais je pense que nous avons quelques arguments pertinents à avancer, et notamment des exemples intéressants à partager. Nous sommes convaincus de sa puissance. JMP a toujours été conçu pour faciliter le travail des scientifiques et des ingénieurs et a évolué pour intégrer une suite d'outils complète, depuis les données brutes jusqu'aux informations exploitables. Je pense que cette suite comprend tout ce dont vous avez besoin pour jouer un rôle majeur dans le domaine de l'IA et de l'apprentissage automatique.
Je connais Florian aussi ; nos clients, scientifiques et ingénieurs, sont des personnes très occupées, et on a souvent l’impression qu’avec l’IA et l’apprentissage automatique modernes, il faut… que la seule façon d’y accéder passe par le codage. Nous allons justement changer cela aujourd’hui et montrer comment, grâce à JMP Pro, nous pouvons accéder à des méthodes très puissantes, certaines quasiment à la pointe de la technologie, directement via une interface, et obtenir les réponses bien plus rapidement qu’en écrivant du code à chaque fois.
Oui. C'est un atout majeur, combiné à toutes les fonctionnalités performantes que JMP intègre déjà pour les scientifiques et les ingénieurs. Assez parlé. Passons à l'exemple. Russ, je crois que tu as préparé un excellent exemple pour commencer.
Oui. Je voulais souligner l'essor actuel, en chimie, de la prédiction [inaudible 00:02:06] à partir d'une simple description structurale, souvent sous forme de chaîne SMILES. Je souhaitais d'ailleurs mettre en avant un exemple particulièrement intéressant. Une étude, parue il y a quelques mois, porte sur les effets de la recristallisation de la glace et cherche à observer l'impact du gel sur les molécules. Ces recherches, menées il y a quelques années, ont franchi avec succès tous les obstacles à la publication et font désormais l'objet d'un excellent article dans Nature Communications. Les données sont également disponibles publiquement sur ce dépôt GitHub, où je les ai obtenues.
Nous n'entrerons pas trop dans les détails de l'article, mais ils l'ont également fait. Je pense qu'ils ont fait un travail très complet. Ils se concentrent essentiellement sur l'approche (Q)SAR classique, où ils ont assemblé plusieurs ensembles de descripteurs moléculaires différents, puis ont effectué des analyses. Ils ont généralement utilisé la validation croisée « leave-one-out » et ont ensuite présenté les résultats. Par exemple, ce premier ensemble de données s'appelle Glyco2 et les résultats présentés dans ce tableau montrent les dernières colonnes des indicateurs de performance pour l'erreur quadratique moyenne de la corrélation de Pearson pour différents ensembles de caractéristiques. Ils ont également réalisé une excellente analyse d'ensemble, et on peut constater que l'amélioration apportée par cette analyse fait passer la corrélation d'environ 0,4 à plus de 45,46.
Voici un jeu de données que j'ai réanalysé dans JMP avec l'extension Torch Deep Learning pour JMP Pro. Ces données contiennent 223 molécules. La première étape a consisté à lancer l'analyse. Deux extensions récentes et performantes sont désormais disponibles. La première, appelée Material Informatics Toolkit, permet d'insérer des chaînes SMILES et de générer les images présentées ici. On peut également créer des caractéristiques basées sur RDKit ; les auteurs ont d'ailleurs fourni leur propre ensemble de caractéristiques.
Il s'agit déjà d'un jeu de données riche et intéressant pour le (Q)SAR classique. Nous n'avons pas le temps d'entrer dans les détails, mais il s'avère qu'il existe désormais plusieurs approches concurrentes pour prédire ce résultat. Le (Q)SAR classique utilise les caractéristiques numériques comme d'habitude et les intègre dans un modèle, par exemple un réseau de neurones, ou encore XGBoost ou d'autres méthodes arborescentes. Il suffit d'entrer ces données et de lancer le traitement. Il est conseillé de mettre en place une validation croisée, comme ils l'ont fait. Nous avons tendance à privilégier une validation croisée à cinq plis plutôt que d'en omettre un, mais je ne pense pas que cela ait une grande incidence au final.
Mais aujourd'hui, le plus intéressant, c'est que nous pouvons utiliser des approches d'apprentissage automatique plus modernes, et je voulais vous en présenter deux. La première, un réseau neuronal graphique, a gagné en popularité. Il existe un package appelé Chemprop qui s'appuie sur les fonctionnalités de RDKit. Le principe est simple : on construit un réseau neuronal graphique qui imite la molécule, puis on prédit le résultat une fois configuré. Cette fonctionnalité est désormais disponible dans l'extension Torch Deep Learning. L'entrée est simplement une chaîne SMILES, et on fournit la sortie. C'est tout ! La configuration est assez simple, même si l'optimisation du modèle peut parfois prendre un peu de temps. Nous proposons d'ailleurs plusieurs options pour cela. Nous n'entrerons pas dans les détails aujourd'hui.
La dernière nouveauté que nous avons, et que je voulais mentionner, est ce modèle appelé CNN transformeur, qui utilise deux composants d'architecture de réseau neuronal parmi les plus populaires : les transformateurs et les réseaux neuronaux, et les combine en un seul modèle.
Ici, nous utilisons à nouveau un modèle BERT classique avec une entrée de type chaîne SMILES pour la transformation. Nous envoyons ensuite la sortie vers un réseau de neurones convolutif 1D, puis vers une série de couches convolutives 1D. Au final, nous parvenons à améliorer légèrement les résultats de l'article. Je ne vais pas entrer dans les détails, mais l'article se concentrait principalement sur le (Q)SAR classique. En combinant ces méthodes modernes, nous pouvons améliorer encore davantage les résultats, et tout cela est désormais possible grâce à l'extension PyTorch, sans avoir à effectuer de manipulations complexes à la souris. Voici un exemple de sortie que vous pourriez obtenir avec l'un de ces modèles. L'assemblage et le reste sont également assez simples. Je suis vraiment enthousiaste à propos de cette application, Florian. J'espère que cet exemple d'utilisation de la chaîne SMILES a déjà démontré son potentiel.
Je pense que c'est tout à fait plausible, du moins pour moi qui suis biotechnologiste et n'ai jamais appris à programmer en Scratch à l'université. Cela donne l'impression d'être faisable, mais très complexe. Pour compléter ce que vous avez montré, il faut savoir que les packages utilisés sont des standards de l'industrie, intégrés à Python par exemple, ou qu'il s'agit de méthodes déjà reconnues et utilisées. Elles sont désormais accessibles via une interface conviviale qui permet de se passer de toute programmation, tout en obtenant le même résultat qu'avec du code. C'est un avantage considérable, surtout pour nous.
Pour aller plus loin, je pense que JMP apporte une dimension magique au processus grâce à notre philosophie d'intégration étroite entre la modélisation et le graphisme. Avec des outils comme le profileur, que vous allez nous présenter, nous pouvons désormais explorer plus en profondeur, non seulement en ajustant un modèle, mais aussi en l'examinant attentivement et en effectuant des prédictions ou en envisageant différents scénarios. C'est précisément le genre de problématique auquel les scientifiques et les ingénieurs sont confrontés quotidiennement.
C'est un excellent point. Permettez-moi de vous faire part rapidement de mon point de vue sur l'aspect précis qui explique pourquoi je pense que JMP jouera un rôle important à l'avenir. D'une part, ces techniques avancées semblent indispensables, mais d'autre part, il est crucial qu'elles soient accessibles. Et comme vous le dites, les scientifiques et les ingénieurs ne se contentent pas de simples prédictions ; ils cherchent toujours à comprendre le pourquoi des choses.
Que ce soit en recherche et développement ou en production, il est essentiel de comprendre les interactions entre les différents éléments. L'une des fonctionnalités les plus intéressantes de JMP réside dans ses techniques spécialisées, comme l'Explorateur de données fonctionnelles, qui permet d'analyser des données complexes telles qu'une courbe. Dans ce cas précis, nous avons un chromatogramme et la question est la suivante : comment obtenir un maximum de matière verte (le produit) sans aucune trace de matière rouge ?
Cette plateforme nous permet de faire des prédictions, mais aussi d'explorer les paramètres, les éléments que nous pouvons ajuster dans notre processus, et de voir dans quelle mesure chacun d'eux est lié au résultat souhaité. De plus, nous pouvons combiner cela avec, disons, une modélisation de type « boîte noire » pour obtenir une prédiction qui nous dit alors : « OK, exécutez-le comme ceci et vous obtiendrez un bon résultat. »
Je pense que c'est un aspect, disons un peu à une extrémité, mais JMP offre également des fonctionnalités très puissantes, comme la plupart des utilisateurs de JMP le savent. Si nous regardons un tableau de données comme celui-ci, où nous avons de nombreux lots, des lots de fermentation, nous pouvons examiner ces courbes, les analyser et voir comment leur forme est liée aux facteurs d'entrée. Mais encore une fois, nous pouvons également combiner toutes ces informations en une seule empreinte de lot, et c'est tout aussi facile avec JMP.
J'ai ce petit bouton ici. Je dois me réorganiser. Voici le tableau que je cherchais. Il suffit d'effectuer quelques petites transformations sur votre tableau de données, ce qui est très facile avec JMP. Comme vous l'avez vu, vous pouvez aussi automatiser tout cela. Ensuite, vous pouvez utiliser Graph Builder et créer votre empreinte digitale. Je pense que ce n'était pas tout à fait exact. Vous pouvez ensuite la colorer et en faire une carte thermique.
Vous disposez maintenant d'une empreinte digitale, qui, à première vue, est une moyenne de tous les lots, mais vous pouvez également en créer une pour chaque lot, et vous obtenez instantanément une empreinte digitale qui met spécifiquement en évidence les valeurs de cette image pour chacun des lots. Il appartient à l'expert du domaine de décider de ce que vous souhaitez y inclure, mais ces informations sont désormais facilement accessibles, non seulement pour vous permettre d'obtenir une vue d'ensemble, mais aussi pour vous permettre de les réintégrer facilement dans un tableau et de les joindre à vos données d'origine.
On peut aussi l'utiliser pour, par exemple, la classification d'images par apprentissage automatique de pointe, permettant de prédire un rendement ou un résultat d'intérêt. C'est ce qui en fait un outil très puissant. On voit à quel point il est rapide et facile de passer de la transformation des données à la visualisation, puis à la création de prédicteurs d'images et à leur utilisation. Russ, tu as un autre exemple.
C'est incroyable pour lui car toutes ces nouvelles possibilités commencent à se révéler. JMP était déjà très puissant et très apprécié. Désormais, nous pouvons non seulement faire ce que nous avons montré avec les prédictions de chaînes SMILES, mais aussi utiliser des images comme entrées et comme données. Cela ouvre un tout nouveau monde de possibilités. Comme vous venez de le montrer, par exemple, et c'est quelque chose auquel on ne pense pas forcément spontanément, surtout avec JMP, il est possible de convertir facilement des données multifonctionnelles en image. Une fois cette conversion effectuée, nous entrons dans le domaine des méthodes d'apprentissage automatique modernes pour le traitement d'images, notamment la classification d'images, une méthode classique également disponible avec l'extension Torch. L'idée est là. J'ai un exemple similaire à celui que vous venez de montrer, Florian. En fait, j'ai créé ces mêmes images avec Graph Builder.
D'ailleurs, il est très facile d'importer directement des images dans JMP, que ce soit par fichier ou par multiples. Vos données d'image peuvent provenir d'une prise de vue traditionnelle ou être créées manuellement en manipulant des données numériques. L'image offre une méthode intuitive et compacte pour capturer des données détaillées, généralement organisées selon le temps (par exemple, l'axe X). Vous disposez d'une certaine flexibilité pour configurer l'axe des abscisses, dont l'ordre a souvent une signification. Quant au module complémentaire, son utilisation est très simple, presque plus simple qu'auparavant : il suffit de sélectionner l'image comme entrée, puis de définir la donnée cible à calculer.
Prenons l'exemple d'un score de qualité. Vous pouvez en définir plusieurs, et éventuellement un cadre de validation pour éviter le surapprentissage. L'extension vous offre des options très pratiques pour exploiter ces architectures modernes et classiques de classification d'images. Vous pouvez en tester plusieurs et comparer rapidement différentes méthodes. De plus, nous développons actuellement de nombreuses options supplémentaires pour vous aider à affiner vos modèles, comme l'ajustement de la taille de l'image d'entrée, l'augmentation de données, et, en approfondissant vos connaissances, vous pourrez explorer des techniques comme le dropout et d'autres fonctionnalités avancées pour créer un modèle parfaitement adapté à une application spécifique. L'extension prend en compte tous ces éléments pour vous.
Il tirera également parti du matériel moderne, généralement une machine Windows équipée d'un GPU NVIDIA, ou, si vous possédez un Mac, il vous faudra de préférence une puce M récente, car ces calculs peuvent devenir très intensifs très rapidement, surtout lorsque le nombre et la taille des images augmentent. Disposer d'une puissance de calcul importante est donc essentiel. Heureusement, c'est relativement abordable de nos jours, et vous pourrez alors vous lancer à fond et réaliser des prédictions comme jamais auparavant. Je pense que c'est une période vraiment passionnante pour JMP Pro et nous avons déjà de nombreux clients, ce qui est très encourageant.
Je sais que certains ont déjà créé des modèles à partir de leurs images et les déploient actuellement en pratique avec Python. Je pense que nous avons déjà prouvé l'intérêt de cette technologie, et qu'elle a déjà un rôle à jouer. Ce n'est que le début. Une période passionnante s'annonce.
Absolument. Merci d'avoir partagé ces excellents exemples. Comme vous le dites, nous avons déjà constaté son importance. Pour résumer, nous nous sommes toujours concentrés sur les scientifiques et les ingénieurs afin de les aider à utiliser plus efficacement les données au quotidien. Or, ces personnes n'ont généralement pas de formation spécifique en la matière. De plus, elles sont souvent trop occupées pour apprendre à programmer des modèles d'apprentissage automatique de A à Z.
Oui, pour répondre, nous disposons de tous les outils que de nombreux scientifiques et ingénieurs utilisent déjà dans JMP. De plus, nous proposons désormais un ensemble d'outils très intuitif et complet, enrichi des méthodes de pointe que nous avons pu observer aujourd'hui. En résumé, JMP peut jouer un rôle majeur dans l'avenir de l'IA et du ML. Vous êtes d'accord ?
Entièrement d'accord. De plus, je pense qu'il existe actuellement un terrain d'entente intéressant entre les développeurs et les scientifiques. L'écart est loin d'être négligeable dans de nombreux cas, et chacun a beaucoup à apprendre. Je crois que si nous pouvons jouer un rôle de facilitateur, nous pourrons peut-être même repousser les limites dans certains cas. Lors de la conception de l'interface, nous devons nous pencher sérieusement sur la question des meilleures valeurs par défaut et de la meilleure organisation des éléments. Je pense que tout cela contribue à gérer la complexité et permet à chacun d'obtenir plus rapidement des réponses de qualité.
Je ne peux qu'acquiescer. Merci beaucoup, Russ. Je pense que cela conclut notre discussion d'aujourd'hui, mais nous sommes toujours ravis de poursuivre les échanges sur ces sujets.
Merci.
Merci. Au revoir. Bien.
