我們將就 JMP 和 JMP Pro 在現代人工智慧 (AI) 和機器學習 (ML) 趨勢中可能扮演的角色進行一些輕鬆的討論和探討。在不斷發展的 AI/ML 領域，各行各業的科學家和工程師都需要直覺易用的工具來進行資料探索、模型建置和部署。
JMP 和 JMP Pro 作為無程式碼平台，憑藉其視覺化和互動功能，簡化並加速了從原始資料到人工智慧的整個流程，從而提升了理解力和效率。本次演講將透過實際案例重點介紹它們的優勢，包括表格、文字和圖像資料的深度學習，展示這些工具如何以極少的編碼專業知識實現無縫的人工智慧驅動型洞察，並有可能顯著節省時間和精力。
大家好，歡迎收聽本次講座。我是Florian Vögl，我的同事Russ將和我一起為大家講解。我們分別從德國和美國連線，共同探討JMP是否真的能在人工智慧和機器學習的未來發展中扮演重要角色。對吧？
問得好，佛洛里安。
顯然，今天所有的答案都會帶有主觀色彩，但我認為我們有一些不錯的觀點可以分享，尤其是一些令人興奮的例子。我們認為它非常強大。 JMP 的設計初衷就是為了幫助科學家和工程師，並且不斷發展，最終整合了一套完整的工具集，從原始數據到我們稱之為“可共享的洞察”，我認為這包含了你在人工智慧和機器學習領域發揮重要作用所需的一切。
我也認識弗洛里安，我們的客戶、科學家和工程師都非常忙碌，而且很多人認為，要使用現代人工智慧和機器學習（AIML），唯一的方法就是編寫程式碼。今天，我們將嘗試打破這種固有觀念，展示如何透過 JMP Pro 來存取一些非常強大的方法。其中一些方法幾乎是尖端技術，只需透過介面即可快速獲得答案，而無需每次都編寫一次性程式碼。
是的。這是它的強大之處之一，而且它還整合了JMP本身為科學家和工程師提供的所有強大功能。好了，不多說了，我們舉個例子。 Russ，我想你已經準備好了一個很好的例子，可以先從這裡開始。
是的。我想強調的是，目前化學界正興起一股預測分子結構的熱潮，基本上就是根據結構描述（通常是SMILES字串）來預測分子結構。我想舉一個非常好的例子。幾個月前，他們研究了冰重結晶的影響，試圖觀察凍結對分子結構的影響。這項研究幾年前就完成了，他們克服了所有發表障礙，現在這篇論文發表在《自然通訊》上，而且他們還把數據公開放在了GitHub程式碼庫裡。我的數據就是從這裡取得的。
這篇論文我們就不深入探討了，但他們確實做了一些研究。我認為他們做得非常透徹，他們主要採用經典的(Q)SAR方法，即構建幾個不同的分子描述符集，然後進行分析……他們傾向於使用留一交叉驗證，並展示結果。例如，第一個資料集名為Glyco2，下表展示了幾個不同特徵集的Pearson相關係數均方誤差表現指標的最後一列結果。此外，他們還進行了一項很棒的整合研究，可以看到整合研究帶來的改進，例如將相關係數從0.4左右提升到45、46以上。
這是我一直在用 JMP 和 JMP Pro Torch 深度學習插件重新分析的資料集。這裡是資料集，在這個例子中，我們得到了 223 個分子。我做的第一件事就是運行程式。現在有兩個很不錯的插件，它們都比較新。第一個叫做材料資訊學工具包，你可以直接輸入 SMILES 字串，然後產生你在這裡看到的圖表。你也可以建立基於 RDKit 的特徵，而且，開發者也提供了他們的特徵集。
這已經是一個非常豐富的經典 (Q)SAR 資料集了。我們沒有時間深入探討，但目前有幾種相互競爭的方法可以預測這種結果。經典的 (Q)SAR 方法會像往常一樣提取數值特徵，然後將它們輸入到某種模型中，例如神經網絡，或者也可以使用 XG Boost 或其他基於決策樹的方法。只需輸入這些特徵即可，而且最好像他們一樣設定某種交叉驗證。我們傾向於使用五折交叉驗證而不是留一折交叉驗證，但我認為最終結果差異不大。
但現在真正有趣的是，我們可以採用更現代的機器學習方法，今天我想介紹其中兩種。第一種叫做圖神經網絡，它已經非常流行。有一個名為 Chemprop 的軟體包，它基於 RDKit 的功能，其基本思想是建立一個模擬分子的圖神經網絡，然後在設定完成後預測結果。現在，我們已經在 Torch 深度學習外掛程式中實作了這個功能。輸入只需要一個 SMILES 字串，然後提供輸出即可。設定非常簡單，雖然有時調整模型可能需要一些時間，我們也提供了一些調整選項。今天我們就不深入探討了。
我們最新推出的、全新的模型，我想提一下，叫做 Transformer CNN，它使用了兩種，可以說是最受歡迎的兩種神經網路、微型架構組件：Transformer 和神經網絡，並將它們組合成一個模型。
在這裡，我們再次使用經典的 BERT 模型，以 SMILES 字串作為輸入，來實作 Transformer 部分。然後，我們將模型的輸出傳遞給一個一維卷積層，以及一系列一維卷積層。最終，我們能夠略微改進論文中的結果。我不會贅述所有細節，但論文主要關注經典的 (Q)SAR 模型，而現在結合這些現代方法，我們可以進一步提升結果，而且所有這些都可以在 torch 插件中實現，而無需像以前那樣頻繁地點擊滑鼠。這是一個範例輸出，例如來自某個模型的輸出。整合和其他操作也都非常簡單。 Florian，我對這個應用程式感到非常興奮，我想我們僅憑這個使用 SMILES 字串的例子就已經證明了我們的優勢。
我覺得這聽起來確實很棒，至少對我來說是這樣。我是生物技術專家，大學也沒學過Scratch程式設計。所以這聽起來有點像是你能做到，但實際上卻非常困難的事情。補充一下你剛才展示的，這些軟體包是行業標準軟體包，例如Python內建的，或者說是已被認可和使用的方法，現在可以透過這個友好的介面訪問，完全不需要編寫任何程式碼，就能像編寫程式碼一樣實現輸出結果。我認為這很棒，尤其對我們來說。
更進一步來說，我認為 JMP 實際上為整個流程增添了一些神奇之處，因為我們始終秉持著將建模與圖形緊密結合的理念，再加上像性能分析器這樣的工具（我想您接下來會向我們展示），我們現在可以更深入地挖掘，不僅僅是擬合模型，而是真正地觀察模型，然後進行預測或設想各種假設情景。這正是科學家和工程師一直在努力解決的問題。
你說得很有道理。我先簡單分享一下我的螢幕，以及我對JMP未來發展重要性的看法。一方面，這些高級技術似乎是必備的，是必須掌握的技能；另一方面，它們的易用性也至關重要，尤其正如你所說，科學家和工程師們不僅關注純粹的預測，他們還總是試圖理解事物發生的原因。
尤其是在研發領域，以及生產環境中，了解事物之間的相互作用至關重要。 JMP 的一個非常棒的功能是它提供的特殊技術，例如我們在這裡看到的“功能數據瀏覽器”，它允許我們查看複雜的輸出，例如曲線。在這個例子中，我們有一個色譜圖，這裡的具體問題是：如何在不包含任何紅色雜質的情況下，盡可能多地提取出綠色部分（即產品）？
這個平台不僅允許我們進行一些預測，還允許我們探索各種設置，調整流程中的各種因素，看看每項設置與預期結果的相關性有多大或多小。我們不僅可以將其與更偏向黑箱建模的方式結合起來，從而得到一個預測結果，告訴我們：“好的，只要這樣運行，就能得到一個好的結果。”
我認為這只是一個方面，或者說是一端，但JMP也提供了非常強大的功能，正如大多數使用過JMP的人所知道的那樣。例如，如果我們看這裡的數據表，其中有很多批次，發酵批次，我們剛剛看到我們可以查看這些曲線，研究它們，看看它們的形狀是如何與輸入因素相關的。但是，我們也可以將所有這些資訊合併到一個批次指紋中，這在JMP中也很容易做到。
我這裡有個小按鈕。需要重新整理一下。這就是我要找的表格。你只需要對資料表做一些簡單的轉換，這在 JMP 裡很容易做到，而且正如你所看到的，你還可以把所有這些操作自動化。之後，你可以使用圖表產生器，建立你的指紋圖譜。我覺得剛才說得不太準確，然後你可以給它著色，做成熱力圖。
現在您有了一個指紋圖譜，乍一看它是所有批次的平均值，但您也可以為每個批次創建一個指紋圖譜，這樣就立即創建了一個指紋圖譜，它專門突出顯示了圖像中每個批次的值。我的意思是，這取決於領域專家決定您要在其中包含哪些內容，但現在可以輕鬆訪問這些信息，不僅可以讓您獲得概覽，而且您還可以輕鬆地將其放回表格中，並將其與您的原始數據連接起來。
你也可以將它用於高端機器學習影像分類，例如預測產量或某些感興趣的結果，我認為這使它成為一套非常強大的工具。你可以看到，從資料轉換、視覺化到建立影像預測器以及如何使用它們，整個過程是多麼快速方便。我想Russ，你還有另一個例子可以說明這一點。
這對JMP來說簡直太棒了，因為所有這些新的可能性都湧現出來了。 JMP本身就已經非常強大了，很多人都很喜歡它。現在，我們不僅可以像之前展示的SMILES字串預測那樣進行操作，還可以將圖片作為輸入和數據，這為我們開啟了一個全新的世界，讓我們能夠做更多的事情。就像你剛才展示的那樣，例如，你可能不會想到，尤其是在JMP中，我們可以輕鬆地將多維或函數資料轉換為影像。但一旦你做到了這一點，我們就進入了現代機器學習影像處理方法的領域，其中最經典的例子就是影像分類，你也可以在Torch插件中實現影像分類。思路就在這裡。我有一個和你剛剛展示的Florian類似的例子。事實上，這些圖像都是我用Graph Builder創建的。
順便一提，使用檔案匯入功能，可以直接將任何類型的圖片匯入 JMP，也可以匯入多個檔案。無論你的影像資料是已經拍攝好的（例如來自相機），還是你想透過調整或處理數值特徵來自己產生的，都可以。最終，圖片導入功能提供了一種非常直觀、簡潔的方式來捕捉大量細節數據，這些數據通常以時間軸（例如 X 軸）排列，你可以靈活地設置數據點，但通常這些數據的順序也具有意義。至於插件方面，它非常簡單，幾乎比以前更容易，你只需要拍攝圖片，將其作為輸入，然後設定你想要計算的目標值。
比如說，在這種情況下，你可以使用品質評分之類的指標。你也可以使用多個指標，或是使用某種驗證框架，這樣可以避免過度擬合。此外，該插件提供了一些非常方便的選項，讓你可以輕鬆地呼叫這些經典的現代圖像分類架構。你可以嘗試幾種不同的架構，快速比較不同的方法。同時，我們也在努力編寫更多額外的選項，以幫助你更好地微調模型，例如調整輸入影像的大小、進行一些資料增強等等。隨著你深入學習，你可以開始嘗試使用 dropout 和其他一些高級功能，從而創建一個真正針對特定應用場景進行客製化的模型。該插件會為你考慮所有這些因素。
它還能充分利用現代硬件，通常是配備 NVIDIA GPU 的 Windows 電腦，或者如果您使用的是 Mac，通常需要配備最新的 M 系列晶片，因為這些計算會迅速變得非常繁重，尤其是在圖像數量和大小都增加的情況下。擁有強大的運算能力至關重要。值得慶幸的是，如今這樣的硬體價格相當實惠，有了它，您就可以大展身手，進行前所未有的預測和其他操作。我認為 JMP Pro 正處於一個令人興奮的發展時期，我們已經擁有許多非常滿意的客戶。
我知道有些人已經基於自己的映像建立了模型，現在正用 Python 進行實際部署。我認為，就其能否發揮作用而言，我們已經證明了我們的觀點，而且它實際上已經發揮了作用，我認為我們才剛剛起步。真是令人興奮！
完全正確。感謝您分享這些精彩的例子。正如您所說，我們已經看到它發揮著重要作用。我再總結一下，我們一直以來都以科學家和工程師為目標群體，幫助他們更有效率地利用日常工作中的數據，而這些人通常並沒有這方面的專業背景。此外，他們往往工作繁忙，根本無暇從零開始學習編寫機器學習模型之類的東西。
是的，要回答這個問題，JMP 擁有許多科學家和工程師已經習慣使用的所有工具集，而且我們現在擁有非常直觀且完整的工具集，除此之外，我們還擁有今天我們看到的這些前沿方法。我認為，總而言之，JMP 將在人工智慧和機器學習的未來發展中扮演重要角色。我想您也同意，對嗎？
完全同意。不僅如此，我認為現在程式設計師和科學家之間存在著一個非常有趣的領域，在許多情況下，這種差距不容忽視，雙方都能從中獲益。如果我們能作為一種輔助工具參與其中，我們甚至可以在某些情況下突破界限。我知道在編寫介面時，我們最好認真思考一些問題，例如最佳的預設設定是什麼，以及最佳的組織方式是什麼。我認為所有這些都有助於應對其中的複雜性，並幫助每個人更快地獲得高品質的答案。
我完全同意。非常感謝你，Russ。我想我們今天的談話就到此結束了，不過我們一直都樂意就這些話題進行更多討論。
謝謝。
謝謝。再見。很好。
