Ofrecemos charlas y debates sobre el papel que JMP y JMP Pro probablemente desempeñarán en las tendencias modernas de inteligencia artificial (IA) y aprendizaje automático (AA). En el cambiante panorama de la IA/AA, científicos e ingenieros de todos los sectores necesitan herramientas intuitivas para la exploración de datos, la creación y la implementación de modelos.
JMP y JMP Pro, como plataformas sin código, simplifican y aceleran el proceso de datos sin procesar a IA con funciones visuales e interactivas que mejoran la comprensión y la eficiencia. Esta presentación destaca sus fortalezas mediante ejemplos reales, incluyendo el aprendizaje profundo para datos tabulares, de texto e imágenes, y muestra cómo estas herramientas permiten obtener información fluida basada en IA con mínima experiencia en programación y un potencial ahorro significativo de tiempo y energía.
Hola. Bienvenidos a la charla. Les habla Florian Vögl junto con mi colega Russ. Nos conectamos desde Alemania y EE. UU. para hablar sobre si JMP realmente puede desempeñar un papel importante en el futuro de la IA y el aprendizaje automático. ¿Verdad?
Buena pregunta, Florian.
Obviamente, todas las respuestas de hoy estarán sesgadas, pero creo que tenemos algunos puntos importantes que destacar y, en particular, algunos ejemplos interesantes para compartir con ustedes. Creemos que es particularmente eficaz. JMP siempre se ha diseñado para ser útil para científicos e ingenieros y ha evolucionado para incorporar un conjunto de herramientas integral, desde datos sin procesar hasta, como lo llamamos, información compartible. Creo que esto incluye todo lo necesario para desempeñar un papel importante en el panorama de la IA y el aprendizaje automático.
Conozco a Florian también. Nuestros clientes, científicos e ingenieros son personas muy ocupadas, y con gran parte del AIML moderno, se da la impresión de que hay que... La única manera de lograrlo es mediante la codificación, y hoy vamos a intentar romper con eso y mostrar cómo, a través de JMP Pro, podemos acceder a métodos muy potentes. Algunos de ellos son prácticamente de vanguardia, directamente desde una interfaz, y obtenemos las respuestas mucho más rápido que tener que escribir código único constantemente.
Sí. Es uno de los aspectos más potentes, y todo ello en combinación con todas las herramientas útiles para científicos e ingenieros que JMP ya incorpora. Basta de hablar. Veamos el ejemplo. Russ, creo que tienes un gran ejemplo preparado para que comencemos.
Sí. Quería destacar que ahora hay un gran interés en el mundo de la química por predecir [inaudible 00:02:06] simplemente a partir de una descripción estructural, a menudo en una cadena SMILES, y quería destacar un ejemplo muy bueno. Se publicó hace unos meses aquí, donde estudian los efectos de la recristalización del hielo y tratan de observar estos efectos de la congelación en las moléculas. La investigación se realizó hace unos años y superó todos los obstáculos para su publicación. Ahora es un buen artículo en Nature Communications, y también han publicado los datos en este repositorio de GitHub. Aquí es donde obtuve los datos.
No profundizaremos demasiado en el artículo, pero también lo hicieron. Considero que hicieron un trabajo muy exhaustivo; básicamente se centraron en el enfoque clásico (Q)SAR, donde ensamblaron varios conjuntos de descriptores de moléculas y luego realizaron... Usaron validación cruzada con exclusión de uno y presentaron los resultados. Por ejemplo, este primer conjunto de datos se llama Glyco2. Los resultados de esta tabla muestran las columnas finales de las métricas de rendimiento para el error cuadrático medio en la correlación de Pearson para un par de conjuntos de características diferentes. Además, también realizaron un buen trabajo de ensamblaje, y se puede observar que la mejora del ensamblaje eleva la correlación, digamos alrededor de 0,4, hasta valores superiores a 45,46.
Este es un conjunto de datos que he estado reanalizando en JMP y con el complemento de aprendizaje profundo Torch de JMP Pro. Aquí están los datos: en este caso, tenemos 223 moléculas. Lo primero que hice fue ejecutarlas. Ahora tenemos dos complementos útiles, relativamente nuevos. El primero se llama Material Informatics Toolkit, y aquí puedes simplemente usar cadenas SMILES y crear las imágenes que ves aquí. También puedes crear características basadas en RDKit; los autores también proporcionaron su conjunto de características.
Este ya es un conjunto de datos completo y atractivo para el (Q)SAR clásico. No tenemos tiempo para profundizar demasiado, pero resulta que existen varios enfoques que compiten para predecir este resultado. El (Q)SAR clásico simplemente tomaría las características numéricas como de costumbre, las introduciría en una base, por ejemplo, una red neuronal, o incluso se podría usar XG Boost u otros métodos basados en árboles. Simplemente se introducen y listo, y se debe configurar algún tipo de validación cruzada como la que se hizo. Solemos preferir una validación quíntuple en lugar de omitir una, pero no creo que la diferencia sea significativa al final.
Pero ahora, lo realmente interesante es que podemos implementar estos enfoques de aprendizaje automático más modernos, y hoy quería mencionar dos de ellos. El primero se llama red neuronal gráfica, que se popularizó. Existe un paquete llamado Chemprop que se basa en las características de RDKit. La idea es construir una red neuronal gráfica que imite la molécula y predecir el resultado una vez configurada. Esto lo tenemos ahora en el complemento Torch Deep Learning. La entrada es simplemente una cadena SMILES, y luego se le asigna la salida; eso es todo lo que se necesita. Es una configuración bastante sencilla, aunque a veces ajustar el modelo puede llevar algo de tiempo, y ofrecemos varias opciones para ello. No entraremos en detalles hoy.
Lo último que tenemos, que es completamente nuevo ahora y que quería mencionar, es este modelo llamado CNN transformador, donde se utilizan dos, diría yo, los dos componentes de mini arquitectura de red neuronal más populares, transformadores y redes neuronales, y se los junta en un modelo.
Aquí, estamos trabajando en la parte del transformador usando un modelo BERT clásico con la entrada de la cadena SMILES. Luego, canalizamos la salida a un convolucional 1D, una serie de capas convolucionales 1D. En resumen, podemos mejorar ligeramente los resultados del artículo. No entraré en detalles, pero el artículo se centró principalmente en el (Q)SAR clásico, pero al combinarlo con estos métodos modernos, podemos mejorar aún más los resultados, todo esto ahora posible en el complemento Torch, sin necesidad de ejecutar los procesos con clics del ratón. Este es un ejemplo de salida que podría obtener, por ejemplo, de uno de los modelos; el ensamblaje y todo lo demás también es bastante sencillo. Estoy muy entusiasmado con esta aplicación en particular, Florian. Espero que ya hayamos demostrado nuestro caso con este ejemplo del uso de la cadena SMILES.
Creo que eso es algo que suena, al menos para mí, que soy biotecnólogo y nunca aprendí a programar desde cero en la universidad. Así que todo suena un poco como algo que se puede hacer, pero es muy difícil. Solo para añadir a lo que has mostrado, los paquetes son, digamos, paquetes estándar de la industria integrados en, por ejemplo, Python, o son métodos ya reconocidos y utilizados, pero ahora son accesibles a través de una interfaz intuitiva donde no es necesario programar nada y se puede implementar el resultado como si se programara. Eso es algo bueno, creo, especialmente para nosotros.
Yendo más allá, creo que JMP realmente añade un toque de magia al proceso gracias a nuestra filosofía de mantener siempre una estrecha integración del modelado con los gráficos. Además, contamos con herramientas como el generador de perfiles, que creo que estás a punto de mostrarnos. Ahora podemos profundizar más, no solo ajustando un modelo, sino analizándolo y luego haciendo predicciones o escenarios hipotéticos. Este es precisamente el tipo de cosas con las que los científicos e ingenieros tienen dificultades constantemente.
Es un muy buen punto. Permítanme compartir brevemente mi pantalla y mi opinión sobre, digamos, el aspecto específico por el que creo que JMP juega un papel importante en el futuro. Por un lado, estas técnicas avanzadas parecen ser imprescindibles, un ejercicio imprescindible, pero por otro lado, tenerlas accesibles, y especialmente como usted dice, los científicos e ingenieros siempre están interesados no solo en la predicción pura, sino que siempre buscan comprender por qué suceden las cosas.
Especialmente en investigación y desarrollo, pero también en entornos de producción, es importante comprender cómo interactúan los elementos. Una de las ventajas de JMP son las técnicas especializadas que vemos aquí, el Explorador de Datos Funcionales, que nos permite analizar resultados complejos como una curva. En este caso, tenemos un cromatograma y la pregunta clave es cómo podemos obtener la mayor cantidad posible de materia verde, es decir, producto, sin tener nada de materia roja.
Esta plataforma nos permite hacer algunas predicciones, pero también nos permite explorar las configuraciones, las cosas que podemos ajustar en nuestro proceso y ver cuánto o qué tan poco se relaciona cada una de ellas con el resultado deseado y no solo podemos combinar eso con, digamos, nuevamente, más modelado de caja negra para obtener una predicción que nos diga entonces, "Está bien, simplemente ejecútalo así y obtendrás un buen resultado".
Creo que esto es, una esquina, digamos un poco en un extremo, pero también JMP ofrece capacidades muy poderosas, como la mayoría de las personas que han usado JMP saben y es que, si echamos un vistazo a una tabla de datos aquí donde tenemos muchos lotes, lotes de fermentación, y acabamos de ver que podemos echar un vistazo a estas curvas, investigarlas y ver cómo su forma está relacionada con los factores de entrada, pero nuevamente, también podemos combinar toda esa información en una huella digital de lote y eso es igual de fácil en JMP.
Tengo este pequeño botón aquí. Necesito reorganizarme. Esta es la tabla que buscaba. Solo necesitas realizar algunas pequeñas transformaciones en tu tabla de datos, lo cual es fácil de hacer en JMP y, como viste, también puedes automatizarlo todo. Desde ahí, puedes usar el Constructor de Gráficos y crear tu huella digital. Creo que no fue preciso, y luego puedes colorearlo. Conviértelo en un mapa de calor.
Ahora tienes una huella digital, que a primera vista es un promedio de todos los lotes, pero también puedes crear una para cada lote, e instantáneamente has creado una huella digital, que resalta específicamente los valores en esa imagen para cada uno de los lotes y eso es, quiero decir, depende del experto en la materia decidir qué quieres tener ahí de nuevo, pero ahora es fácilmente accesible, no solo para que obtengas una descripción general, sino que, de nuevo, puedes volver a ponerlo fácilmente en una tabla, unirlo a tus datos originales.
También se puede usar para, por ejemplo, la clasificación de imágenes con aprendizaje automático de alto nivel, donde se puede predecir un rendimiento o un resultado de interés, lo que lo convierte en un conjunto de herramientas muy potente. Se puede observar la rapidez y facilidad con la que se puede pasar de la transformación y visualización de datos a la creación de predictores de imágenes y cómo se pueden usar. Russ, tienes otro ejemplo de ello.
Esto es increíble para él porque todas estas nuevas posibilidades están surgiendo. JMP ya era muy potente. Mucha gente lo adora. Ahora podemos hacer no solo lo que mostramos con las predicciones de cadenas de SMILES, sino también usar imágenes como entradas y como datos. Esto abre un nuevo mundo de posibilidades. Como acabas de mostrar, por ejemplo, y esto es algo en lo que quizás no pensarías normalmente, especialmente en JMP, sería convertir datos multifuncionales en una imagen como la que acabas de mostrar fácilmente. Una vez hecho esto, nos adentramos en el campo de los métodos modernos de aprendizaje automático para el procesamiento de imágenes, y el clásico es la clasificación de imágenes, que también se puede hacer con el complemento Torch. La idea estaría aquí. Tengo un ejemplo similar al que acabas de mostrarle a Florian. De hecho, creé estas mismas imágenes con Graph Builder.
Por cierto, también es fácil importar cualquier tipo de imagen directamente a JMP usando el archivo, o importar varios archivos. Ya sea que los datos de la imagen ya se hayan tomado, por ejemplo, con una cámara, o que desees crearlos tú mismo mediante la manipulación de características numéricas. En definitiva, la imagen es simplemente una forma muy intuitiva y compacta de capturar una gran cantidad de datos detallados, organizados, por ejemplo, en el eje X. Además, ofrece cierta flexibilidad en la configuración, aunque a menudo estos también tienen importancia en términos de su ordenación. En cuanto al complemento, es muy fácil, casi más fácil que antes, ya que solo tienes que tomar la imagen, convertirla en tu entrada y, por ejemplo, en el objetivo de algo que quieres calcular.
Digamos, en este caso, una puntuación de calidad. También se puede usar más de una opción y algún tipo de marco de validación para evitar el sobreajuste. El complemento ofrece opciones muy prácticas para aprovechar las arquitecturas clásicas y modernas de clasificación de imágenes. Se pueden probar varias y comparar métodos rápidamente. Además, estamos desarrollando muchas opciones adicionales para optimizar los modelos, como, por ejemplo, ajustar el tamaño de la imagen de entrada y realizar mejoras. A medida que se profundiza en el tema, se pueden experimentar con opciones como la pérdida de datos y otras características para crear un modelo personalizado para la aplicación. La adición tiene en cuenta todos los aspectos.
También aprovechará el hardware moderno, generalmente una máquina Windows con una GPU NVIDIA, o si tienes una Mac, normalmente querrás uno de los chips M modernos, ya que estos cálculos pueden volverse muy intensos muy rápidamente, especialmente a medida que aumenta el número de imágenes, tanto en número como en tamaño. Es útil tener a mano una computación potente. Afortunadamente, es bastante asequible hoy en día, y luego puedes hacer predicciones y cosas como nunca antes. Creo que JMP Pro está en un momento muy emocionante y ya tenemos muchos clientes muy entusiasmados.
Sé que algunos ya han creado modelos, digamos, en sus imágenes y los están implementando en la práctica con Python. Creo que ya hemos demostrado nuestro punto de vista sobre si puede ser útil, y ya lo es, y creo que apenas estamos empezando. Son tiempos muy emocionantes.
Por supuesto. Gracias por compartir estos excelentes ejemplos. Como dices, ya hemos visto que juegan un papel importante. Resumiendo, siempre hemos recurrido a científicos e ingenieros para ayudarlos a ser más eficientes en el uso de datos en su vida diaria, y normalmente, estas personas no tienen una formación específica en ese ámbito. Además, suelen estar demasiado ocupados para aprender cosas como codificar modelos de aprendizaje automático desde cero.
Sí, para responder, contamos con todas las herramientas que muchos científicos e ingenieros ya conocen en JMP, pero también contamos con un conjunto de herramientas muy intuitivo y completo, y además, contamos con lo que hemos visto hoy: estos métodos de vanguardia disponibles. En resumen, sí, JMP puede desempeñar un papel importante en el futuro de la IA y el aprendizaje automático. Supongo que estás de acuerdo, ¿verdad?
Totalmente de acuerdo. Además, creo que ahora existe una interesante conexión entre programadores y científicos, y la brecha es considerable en muchos casos, y ambos pueden adquirir conocimiento. Si podemos ser una herramienta facilitadora, incluso podríamos ir un paso más allá en algunos casos. Y sé que, al escribir la interfaz, mejor nos planteamos algunas preguntas sobre cuáles son los mejores valores predeterminados y la mejor manera de organizar las cosas. Creo que todo esto ayuda a superar las complejidades y a obtener respuestas de calidad más rápidamente.
Estoy totalmente de acuerdo. Muchas gracias, Russ. Creo que con esto terminamos nuestra charla de hoy, pero siempre nos alegra seguir hablando de estos temas.
Gracias.
Gracias. Adiós. Bien.
