Wir bieten einen lockeren Austausch und eine angeregte Diskussion über die Rolle, die JMP und JMP Pro im Kontext moderner Trends in den Bereichen Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) voraussichtlich spielen werden. In der sich stetig weiterentwickelnden Landschaft von KI/ML benötigen Wissenschaftler und Ingenieure branchenübergreifend intuitive Werkzeuge für die Datenexploration, die Modellentwicklung und die Implementierung.
JMP und JMP Pro vereinfachen und beschleunigen als No-Code-Plattformen den Prozess von Rohdaten zu KI durch visuelle, interaktive Funktionen, die das Verständnis und die Effizienz steigern. Diese Präsentation verdeutlicht ihre Stärken anhand von Praxisbeispielen, darunter Deep Learning für Tabellen-, Text- und Bilddaten. Sie zeigt, wie diese Tools nahtlose, KI-gestützte Erkenntnisse mit minimalem Programmieraufwand und potenziell erheblichen Zeit- und Energieeinsparungen ermöglichen.
Hallo. Herzlich willkommen zum Vortrag. Hier spricht Florian Vögl zusammen mit meinem Kollegen Russ. Wir schalten uns aus Deutschland und den USA zusammen, um darüber zu sprechen, ob JMP in der Zukunft von KI und maschinellem Lernen wirklich eine bedeutende Rolle spielen kann. Stimmt's?
Gute Frage, Florian.
Natürlich sind die Antworten heute alle subjektiv, aber ich denke, wir haben einige wichtige Punkte anzusprechen und insbesondere einige spannende Beispiele, die wir Ihnen vorstellen möchten. Wir sind überzeugt, dass JMP besonders leistungsstark ist. JMP wurde von Anfang an für Wissenschaftler und Ingenieure entwickelt und hat sich zu einem umfassenden Toolset weiterentwickelt – von Rohdaten bis hin zu, wie wir es nennen, teilbaren Erkenntnissen. Ich denke, damit ist alles abgedeckt, was Sie benötigen, um im Bereich KI und maschinelles Lernen eine bedeutende Rolle zu spielen.
Ich kenne Florian auch. Unsere Kunden, Wissenschaftler und Ingenieure sind sehr beschäftigt, und im modernen KIML herrscht oft der Eindruck vor, dass man … Der einzige Weg dorthin führt über Programmierung. Wir wollen heute genau das ändern und zeigen, wie wir mit JMP Pro auf einige sehr leistungsstarke Methoden zugreifen können. Manche davon sind quasi brandaktuell und direkt über eine Benutzeroberfläche verfügbar. So erhalten wir die Antworten viel schneller, als wenn wir ständig neuen Code schreiben müssten.
Ja. Das ist einer der wichtigsten Aspekte, und in Kombination mit all den anderen leistungsstarken Funktionen, die JMP bereits für Wissenschaftler und Ingenieure bietet, ist das ein großer Vorteil. Genug geredet. Schauen wir uns ein Beispiel an. Russ, ich glaube, du hast ein hervorragendes Beispiel vorbereitet, mit dem wir beginnen können.
Ja. Ich wollte hervorheben, dass es in der Chemie derzeit einen großen Trend gibt, [unverständlich 00:02:06] allein anhand einer Strukturbeschreibung, oft in Form eines SMILES-Strings, vorherzusagen. Ich möchte ein besonders gutes Beispiel anführen. Vor einigen Monaten wurde hier eine Studie veröffentlicht, in der die Auswirkungen der Eisrekristallisation untersucht werden. Die Forscher versuchen, die Auswirkungen des Gefrierens auf Moleküle zu verstehen. Die Forschung wurde vor einigen Jahren abgeschlossen, alle Publikationshürden wurden überwunden, und die Studie ist nun in Nature Communications erschienen. Die Daten sind außerdem in diesem GitHub-Repository öffentlich zugänglich. Dort habe ich die Daten her.
Die Arbeit, auf die wir hier nicht näher eingehen werden, ist sehr gründlich. Die Autoren konzentrieren sich im Wesentlichen auf den klassischen (Q)SAR-Ansatz, bei dem sie verschiedene Deskriptorsätze der Moleküle zusammenstellten und anschließend… Sie verwendeten meist Leave-One-Out-Kreuzvalidierung und präsentierten die Ergebnisse. Der erste Datensatz heißt beispielsweise Glyco2. Die Tabelle zeigt die letzten Spalten der Leistungsmetriken für den mittleren quadratischen Fehler der Pearson-Korrelation für verschiedene Merkmalsmengen. Außerdem führen sie ein Ensemble durch, wodurch die Korrelation von etwa 0,4 auf über 45,46 steigt.
Dies ist ein Datensatz, den ich in JMP und mit dem JMP Pro Torch Deep Learning Add-In neu analysiert habe. Die Daten umfassen in diesem Fall 223 Moleküle. Als Erstes habe ich die Analyse durchgeführt. Es gibt zwei nützliche, relativ neue Add-Ins. Das erste heißt Material Informatics Toolkit. Hiermit lassen sich SMILES-Strings verwenden, um die hier gezeigten Bilder zu erstellen. Außerdem können RDKit-basierte Features erstellt werden. Die Autoren haben zudem ihren Feature-Satz bereitgestellt.
Dies ist bereits ein sehr umfangreicher Datensatz für klassisches (Q)SAR. Wir haben leider nicht die Zeit, hier zu sehr ins Detail zu gehen, aber es gibt mittlerweile mehrere konkurrierende Ansätze, um dieses Ergebnis vorherzusagen. Klassisches (Q)SAR würde die numerischen Merkmale wie üblich verwenden und sie beispielsweise in eine Basis – etwa ein neuronales Netzwerk – einspeisen. Alternativ kann man auch XGBoost oder andere baumbasierte Methoden nutzen. Man gibt die Daten einfach ein und los geht's. Dabei ist es ratsam, eine Kreuzvalidierung durchzuführen, wie sie es getan haben. Wir bevorzugen in der Regel eine fünffache Kreuzvalidierung gegenüber der Auslassung eines Merkmals, aber ich glaube nicht, dass es letztendlich einen großen Unterschied macht.
Das wirklich Interessante ist jedoch, dass wir jetzt modernere Ansätze des maschinellen Lernens nutzen können. Heute möchte ich zwei davon vorstellen. Der erste ist ein Graph-Neuronales Netzwerk, das sich großer Beliebtheit erfreut. Es gibt ein Paket namens Chemprop, das auf den Funktionen von RDKit aufbaut. Die Idee ist, ein Graph-Neuronales Netzwerk zu erstellen, das das Molekül nachbildet und nach der Einrichtung das Ergebnis vorhersagt. Diese Funktion ist jetzt im Torch Deep Learning Add-in verfügbar. Die Eingabe ist lediglich ein SMILES-String, und die Ausgabe wird angegeben – das ist alles. Die Einrichtung ist recht einfach, obwohl die Optimierung des Modells manchmal etwas Zeit in Anspruch nehmen kann. Dafür bieten wir verschiedene Optionen an. Darauf gehen wir heute aber nicht näher ein.
Das Neueste, was wir haben und was ich Ihnen unbedingt vorstellen möchte, ist dieses Modell namens Transformer CNN. Dabei werden zwei, ich würde sagen, die wohl populärsten neuronalen Netzwerk-Miniarchitekturkomponenten, Transformatoren und neuronale Netze, verwendet und zu einem einzigen Modell zusammengeführt.
Hier wenden wir den Transformer-Teil erneut mit einem klassischen BERT-Modell und SMILES-String-Eingabe an. Anschließend leiten wir dessen Ausgabe in eine 1D-Faltungsschicht, genauer gesagt in eine Reihe weiterer 1D-Faltungsschichten, weiter. Dadurch können wir die Ergebnisse der Originalveröffentlichung leicht verbessern. Ich werde nicht auf alle Details eingehen, aber die Veröffentlichung konzentrierte sich hauptsächlich auf klassisches (Q)SAR. Durch die Kombination mit diesen modernen Methoden können wir die Ergebnisse nun noch weiter optimieren. All dies ist jetzt mit dem PyTorch-Add-in möglich, ohne dass man die Operationen per Mausklick ausführen muss. Dies ist ein Beispiel für eine mögliche Ausgabe, die Sie beispielsweise von einem der Modelle erhalten könnten. Auch das Ensembling und alles Weitere ist recht einfach. Florian, ich bin wirklich begeistert von dieser Anwendung. Ich denke, wir konnten mit diesem einen Beispiel der Verwendung von SMILES-Strings bereits überzeugen.
Ich denke, das klingt absolut plausibel. Zumindest für mich als Biotechnologen, der an der Uni nie Scratch gelernt hat, klingt es so, als ob man es zwar schaffen könnte, es aber sehr schwierig ist. Ergänzend zu dem, was Sie gezeigt haben: Die Pakete sind, sagen wir, Industriestandard-Pakete, die beispielsweise in Python integriert sind, oder es handelt sich um etablierte und bewährte Methoden. Diese sind jetzt über eine benutzerfreundliche Oberfläche zugänglich, sodass man gar nicht programmieren muss und trotzdem die gleichen Ergebnisse erzielen kann wie beim Programmieren. Das ist, denke ich, besonders für uns ein großer Vorteil.
Darüber hinaus verleiht JMP dem Prozess meiner Meinung nach eine besondere Note, da unsere Philosophie der engen Verzahnung von Modellierung und Grafik – und Funktionen wie der Profiler, den Sie uns gleich vorstellen werden – es uns ermöglicht, tiefer in die Materie einzutauchen, nicht nur ein Modell anzupassen, sondern es auch zu analysieren und Vorhersagen oder Was-wäre-wenn-Szenarien zu erstellen. Genau damit haben Wissenschaftler und Ingenieure ständig zu kämpfen.
Das ist ein sehr guter Punkt. Ich möchte Ihnen kurz meinen Bildschirm zeigen und meine Sichtweise auf den Aspekt erläutern, warum JMP meiner Meinung nach in Zukunft eine wichtige Rolle spielen wird. Einerseits scheinen diese fortgeschrittenen Techniken unerlässlich zu sein, andererseits ist es wichtig, dass sie zugänglich sind. Und wie Sie schon sagten, sind Wissenschaftler und Ingenieure nicht nur an reinen Vorhersagen interessiert, sondern wollen immer verstehen, warum die Dinge so geschehen.
Insbesondere in Forschung und Entwicklung, aber auch in der Produktion, ist es wichtig zu verstehen, wie die einzelnen Komponenten interagieren. Eine der wirklich nützlichen Funktionen von JMP sind die spezialisierten Techniken, wie beispielsweise der Functional Data Explorer, mit dem wir komplexe Daten wie eine Kurve analysieren können. In diesem Fall haben wir ein Chromatogramm. Die zentrale Frage ist: Wie können wir möglichst viel von dem grünen Produkt gewinnen, ohne dabei rote Spuren zu erhalten?
Diese Plattform ermöglicht es uns, einige Vorhersagen zu treffen, aber sie erlaubt uns auch, die Einstellungen zu untersuchen, Dinge, die wir in unserem Prozess anpassen können, und zu sehen, wie stark oder schwach jede einzelne davon mit dem gewünschten Ergebnis zusammenhängt. Darüber hinaus können wir dies auch mit, sagen wir, eher Black-Box-Modellierung kombinieren, um eine Vorhersage zu erhalten, die uns dann sagt: „Okay, führen Sie es einfach so aus, und Sie werden ein gutes Ergebnis erzielen.“
Ich denke, das ist eine Ecke, sagen wir mal, ein bisschen an einem Ende, aber JMP bietet auch sehr leistungsstarke Funktionen, wie die meisten JMP-Nutzer wissen. Wenn wir uns zum Beispiel diese Datentabelle ansehen, in der wir viele Chargen, Fermentationschargen, haben, können wir uns diese Kurven ansehen, sie untersuchen und sehen, wie ihre Form mit den Eingangsfaktoren zusammenhängt. Aber wir können auch all diese Informationen zu einem Chargen-Fingerabdruck kombinieren, und das ist in JMP genauso einfach.
Ich habe hier diesen kleinen Button. Ich muss meine Daten neu anordnen. Das ist die Tabelle, die ich gesucht habe. Sie müssen lediglich einige kleine Transformationen an Ihrer Datentabelle vornehmen, was in JMP ganz einfach möglich ist. Wie Sie gesehen haben, können Sie das alles auch automatisieren. Anschließend können Sie den Graph Builder verwenden und Ihren Fingerabdruck erstellen. Ich glaube, das war nicht ganz korrekt. Danach können Sie ihn farblich gestalten. Erstellen Sie eine Heatmap.
Sie haben nun einen Fingerabdruck, der auf den ersten Blick ein Durchschnitt aller Chargen ist. Sie können aber auch für jede Charge einen eigenen Fingerabdruck erstellen und haben so im Handumdrehen einen Fingerabdruck erzeugt, der die Werte in diesem Bild für jede einzelne Charge hervorhebt. Es liegt nun am Fachexperten zu entscheiden, welche Informationen er wieder einbeziehen möchte. Diese Daten sind aber jetzt leicht zugänglich, nicht nur für einen Überblick, sondern können auch problemlos in eine Tabelle eingefügt und mit Ihren Originaldaten verknüpft werden.
Man kann es beispielsweise auch für anspruchsvolle Bildklassifizierung im Bereich maschinelles Lernen verwenden, um Ertragsprognosen oder Vorhersagen zu erstellen. Ich denke, das macht es zu einem sehr leistungsstarken Werkzeugkasten. Man sieht, wie schnell und einfach man von der Datentransformation und Visualisierung zur Erstellung von Bildvorhersagemodellen gelangt und wie man diese einsetzen kann. Ich glaube, Russ, du hast ein weiteres Beispiel dafür.
Das ist unglaublich für ihn, denn all diese neuen Möglichkeiten eröffnen sich gerade erst. JMP war schon vorher sehr leistungsstark. Viele Anwender sind begeistert davon. Jetzt können wir nicht nur die SMILES-String-Vorhersagen nutzen, die wir gezeigt haben, sondern auch Bilder als Eingabedaten. Das eröffnet uns völlig neue Möglichkeiten. Wie Sie gerade gezeigt haben – und daran denkt man im Normalfall vielleicht nicht, insbesondere nicht in JMP – lassen sich multifunktionale Daten wie von Ihnen gezeigt ganz einfach in ein Bild umwandeln. Sobald man das aber kann, bewegen wir uns im Bereich moderner ML-Methoden für die Bildverarbeitung, allen voran der klassischen Bildklassifizierung, die man auch mit dem Torch-Add-in durchführen kann. Die Idee dahinter ist hier enthalten. Ich habe ein ähnliches Beispiel wie das, das Sie Florian gerade gezeigt haben. Tatsächlich habe ich dieselben Bilder mit dem Graph Builder erstellt.
Übrigens lassen sich Bilder aller Art ganz einfach direkt in JMP importieren, indem Sie die Option „Datei importieren“ verwenden oder mehrere Dateien importieren. Egal, ob Ihre Bilddaten bereits von einer Kamera stammen oder Sie sie selbst bearbeiten möchten, indem Sie numerische Merkmale verändern oder manipulieren. Letztendlich ist das Bild eine sehr intuitive und kompakte Möglichkeit, viele detaillierte Daten zu erfassen, die typischerweise angeordnet sind, beispielsweise die Zeitachse (X-Achse). Sie haben dann einige Flexibilität bei der Anordnung der Datenpunkte, die oft auch eine Bedeutung in Bezug auf ihre Reihenfolge haben. Die Verwendung des Add-ins ist sehr einfach, fast einfacher als zuvor: Sie müssen lediglich das Bild aufnehmen, es als Eingabe verwenden und dann beispielsweise das Ziel angeben, das Sie berechnen möchten.
Nehmen wir an, wir verwenden in diesem Fall beispielsweise einen Qualitätsfaktor. Sie können auch mehrere Qualitätsfaktoren verwenden und eventuell ein Validierungsframework einsetzen, um Überanpassung zu vermeiden. Das Add-in bietet Ihnen außerdem praktische Optionen, um auf diese klassischen und modernen Architekturen für die Bildklassifizierung zuzugreifen. Sie können verschiedene Architekturen ausprobieren und Methoden schnell vergleichen. Darüber hinaus arbeiten wir an vielen zusätzlichen Optionen, die Ihnen helfen, Ihre Modelle optimal abzustimmen. Dazu gehören beispielsweise die Anpassung der Eingabebildgröße und Datenaugmentierung. Mit zunehmender Erfahrung können Sie dann mit Dropout und anderen Funktionen experimentieren, um ein Modell zu erstellen, das perfekt auf die jeweilige Anwendung zugeschnitten ist. Das Add-in berücksichtigt dabei alle relevanten Aspekte.
Es nutzt außerdem moderne Hardware, typischerweise einen Windows-Rechner mit einer NVIDIA-GPU. Bei einem Mac empfiehlt sich in der Regel ein moderner M-Chip, da die Berechnungen sehr schnell sehr rechenintensiv werden können, insbesondere bei einer wachsenden Anzahl und Größe der Bilder. Leistungsstarke Rechenleistung ist daher unerlässlich. Zum Glück ist sie heutzutage recht erschwinglich. Damit lassen sich dann Prognosen erstellen und Dinge anstellen, die es so noch nie gab. Ich denke, es ist eine sehr spannende Zeit für JMP Pro, und wir haben bereits viele begeisterte Kunden.
Ich weiß, dass einige bereits Modelle, beispielsweise auf Basis ihrer Images, erstellt und diese nun mit Python in der Praxis eingesetzt haben. Meiner Meinung nach haben wir bereits bewiesen, dass es eine Rolle spielen kann und bereits spielt, und ich denke, wir stehen erst am Anfang. Sehr spannende Zeiten.
Absolut. Vielen Dank für diese tollen Beispiele. Wie Sie schon sagten, spielt das eine wichtige Rolle. Um es nochmals zusammenzufassen: Wir haben uns immer auf Wissenschaftler und Ingenieure konzentriert, um sie dabei zu unterstützen, Daten in ihrem Arbeitsalltag effizienter zu nutzen. Typischerweise verfügen diese Personen jedoch nicht über spezifische Vorkenntnisse in diesem Bereich. Hinzu kommt, dass sie oft zu beschäftigt sind, um Dinge wie die Programmierung von Machine-Learning-Modellen von Grund auf zu erlernen.
Ja, um es kurz zu machen: Wir haben in JMP alle Werkzeuge, die vielen Wissenschaftlern und Ingenieuren bereits vertraut sind. Darüber hinaus verfügen wir mittlerweile über ein sehr intuitives und umfassendes Toolset und haben darüber hinaus die heute vorgestellten, hochmodernen Methoden zur Verfügung. Kurz gesagt: Ja, JMP kann in der Zukunft von KI und ML eine bedeutende Rolle spielen. Ich denke, Sie stimmen mir zu, oder?
Volle Zustimmung. Darüber hinaus sehe ich derzeit eine interessante Schnittstelle zwischen Programmierern und Wissenschaftlern. Die Kluft ist in vielen Fällen beträchtlich, und beide Seiten können voneinander profitieren. Wenn wir als unterstützendes Werkzeug fungieren, können wir in manchen Fällen sogar neue Wege beschreiten. Beim Entwickeln der Benutzeroberfläche müssen wir uns mit Fragen auseinandersetzen, welche Standardeinstellungen optimal sind und wie die Anordnung am besten gestaltet werden kann. All dies trägt dazu bei, die Komplexität zu bewältigen und allen Beteiligten zu helfen, schneller zu qualitativ hochwertigen Ergebnissen zu gelangen.
Dem kann ich nur zustimmen. Vielen Dank, Russ. Ich denke, damit ist unser Gespräch für heute beendet, aber wir freuen uns jederzeit über weitere Diskussionen zu diesen Themen.
Danke schön.
Danke. Tschüss. Gut.
