Bonjour, je suis David Elsheimer. Je suis statisticien-chercheur et testeur chez JMP. J'ai participé à la validation numérique des fonctionnalités de surveillance environnementale intégrées à JMP 19. Il s'agit d'une série de nouvelles fonctionnalités intégrées à la plateforme de criblage de processus. Elles se présentent sous la forme de ce que nous appelons dans la documentation des types de graphiques non normaux. Il s'agit des graphiques de comptage, des graphiques continus non négatifs et des graphiques de proportionnalité, disponibles en option dans la plateforme de criblage de processus de JMP 19.
J'expliquerai plus en détail comment ces nouveaux types de graphiques analysent les processus dans un contexte de surveillance environnementale. Il est important de noter qu'ils comprennent ce que nous appelons des limites d'alerte et d'action. Ces alarmes se déclenchent lorsque les variables de processus dépassent une certaine limite, que j'aborderai sous peu. La surveillance environnementale permet de produire toutes les informations nécessaires dans un seul rapport. Ce n'est pas le cas pour vous. Vous n'avez pas besoin de calculer quoi que ce soit. L'écriture du code GSL peut prendre un certain temps si vous ne maîtrisez pas les différents aspects de JMP en GSL, mais nous allons détailler ces méthodes. Je vais vous donner un exemple de surveillance environnementale avant d'aborder le workflow, puis un exemple de rapport et de JMP pour une simulation de données.
Pour donner un bref aperçu, la surveillance environnementale est très utilisée dans le secteur de la fabrication des sciences de la vie. Cette image illustre une configuration composée de plusieurs salles blanches où il est nécessaire de surveiller la contamination des surfaces, la qualité de l'air, etc. Il peut s'agir d'un laboratoire produisant un vaccin ou étudiant un virus, par exemple, et où il est nécessaire de surveiller plusieurs capteurs différents dans plusieurs salles. L'objectif est de garantir le respect des normes de qualité et de la réglementation gouvernementale. Il peut s'agir de chacun de ces capteurs. Dans cet exemple, nous considérons la contamination mesurée sous forme de données de comptage.
Vous pourriez peut-être considérer les comptages bruts, mais cela ne révélerait que les endroits où les comptages sont élevés. Vous n'examinez pas chaque processus et ne le considérez pas dans son contexte. Ce niveau de contamination dépasse-t-il les valeurs attendues pour ce processus ? Dans JMP 19, nous vous permettons d'examiner chaque processus, l'écran de ce processus et les données relatives aux différents types d'alarmes que vous envisagez.
Pour illustrer brièvement les graphiques de comptage, vous disposez d'un workflow où vous introduisez les données, vous adaptez une série de modèles à ces données, puis vous obtenez les estimations de paramètres pour ces modèles. Ces estimations permettent de calculer un critère de modèle appelé AIC (AIC pour « Critère d'Impact »). Vous pouvez ensuite choisir le meilleur modèle en minimisant l'AIC. Le modèle présentant l'AIC le plus faible est alors sélectionné. Ensuite, vous pouvez attribuer des seuils d'alarme pour analyser le processus selon différents niveaux de gravité : si les données indiquent une contamination, un seuil d'alerte sera alors signalé à l'utilisateur.
Examinons les données ici. L'observation d'une limite d'action indiquerait qu'une action immédiate est très probablement nécessaire. Une fois ces processus analysés, vous obtenez des résultats permettant d'identifier les points d'alerte lorsqu'ils se produisent et les différentes limites d'alarme et d'action, ou limites d'alarme, que vous utilisez pour analyser le processus. Dans JMP 19, pour les données de comptage, nous utilisons des modèles de Poisson et binomial négatif pour ajuster les données.
Nous prenons également en compte les modèles de Poisson à zéro gonflé et les modèles binomiaux négatifs à zéro gonflé pour ajuster les données. Si un processus contient des zéros, le capteur peut enregistrer une contamination nulle, auquel cas JMP implémentera également ces modèles. Auparavant, il était possible d'alimenter la plateforme de distribution avec les données, d'ajuster les modèles et d'obtenir l'AIC le plus faible pour les modèles binomiaux négatifs de Poisson standard. Cependant, les modèles à zéro gonflé sont une nouveauté de JMP 19 sur la plateforme de distribution.
Auparavant, pour ces modèles, vous deviez les scripter vous-même, puis tout le reste. Il fallait également le faire dans les versions précédentes de JMP. C'est un peu difficile, surtout si vous ne maîtrisez pas certains aspects du langage de script JMP. Écrire un script pour tout cela, l'assembler et le générer dans un rapport clair et précis, serait une tâche assez complexe.
Dans JMP 19, tout cela est géré par la plateforme de filtrage des processus. Il suffit de fournir votre variable de processus, les variables de sous-groupe connues concernant la date, etc. La seule particularité à prendre en compte est la présence de probabilités d'alerte et d'action inférieures et supérieures. Celles-ci sont liées au calcul des limites de filtrage pour les types d'alerte et d'action des alarmes. J'y reviendrai plus en détail dans un instant. Par ailleurs, tout le reste est géré par le filtrage des processus, et vous n'avez pas besoin de créer de scripts vous-même.
Prenons l'exemple des graphiques de comptage. Dans JMP 19, nous fournissons un cas de données simulées pour la surveillance environnementale. Nous simulons les données de plusieurs types de capteurs dans différentes salles blanches de différents niveaux. Ces exemples simulés illustrent le niveau de vigilance à adopter en matière de contamination. Au total, il y a 86 processus ou capteurs, chacun comportant 90 lignes. La plateforme de filtrage des processus peut afficher des rapports comme celui-ci. Celui-ci concerne l'un de ces processus. Vous pouvez générer un rapport incluant les 86 processus, puis les examiner simultanément et identifier ceux qui génèrent des alarmes.
Le rapport présente les alarmes de la carte de contrôle. Il détaille la fréquence des alarmes, le nombre d'alarmes, le nombre d'alarmes de chaque type que vous pouvez voir lorsqu'elles se déclenchent, etc. La section « Optimisation » du rapport, que je reviendrai plus tard, est présentée. Vous y trouverez également le graphique des alarmes, qui indique le type d'alarme et le moment où elle se déclenche, ainsi que les cartes de contrôle, qui, pour chaque processus sélectionné, indiquent les valeurs du processus à ce moment précis.
Par exemple, le premier point correspond à une violation de limite d'action, et le second à une simple violation de limite d'alarme. En interagissant avec JMP, vous pouvez survoler le point pour voir sa valeur, la ligne de données dans laquelle il se trouve, etc.
Pour la section « Meilleur ajustement » du rapport, je souhaite revenir plus en détail sur ce point. Elle fournit la distribution optimale ajustée en fonction du modèle minimisant l'AIC, puis une série de quantiles d'alerte et d'action supérieurs et inférieurs. Ceux-ci correspondent au lancement d'une plateforme. Soit on utilise les valeurs par défaut, soit on spécifie des probabilités d'alerte et d'action supérieures et inférieures. Ces probabilités, ces quantiles, correspondent au point dans les données de la distribution considérée, définissant pour cette distribution, où la proportion, la probabilité que 97,5 % des données pour la partie inférieure soient inférieures à ce point pour la limite supérieure, par exemple.
Une façon d'interpréter cela de manière significative est d'utiliser ces quantiles. Si vous dépassez ces quantiles, mais que le processus est conforme aux spécifications, ou, dans cet exemple, si le capteur fonctionne normalement, aucun problème lié au capteur n'est détecté dans les données. Il n'y a pas de problème de contamination. Les probabilités de voir ce type de violation sont donc importantes. Prenons l'exemple par défaut où seules des limites supérieures sont définies pour l'alerte : la probabilité de limite supérieure d'alerte est de 0,975 et la probabilité de limite supérieure d'action est de 0,9985.
Si vous constatez des violations de ces points pour les données, et que celles-ci ne traitent pas réellement du problème de contamination, la probabilité d'observer ce cas d'alerte est de 2,5 %. Si vous dépassez la limite d'action, la probabilité est de 0,15 %. Autrement dit, lorsque vous constatez ce type de violations, vous savez d'emblée qu'il est peu probable que cela se produise.
Si vous avez spécifié ces probabilités, vous vous attendriez à une faible probabilité que cela se produise alors que tout fonctionne normalement, ce qui est signalé à l'utilisateur. Examinons ces éléments et voyons ce qui se passe. S'ils constatent ce type de violations.
En résumé, ces nouveaux types de graphiques simplifient la génération de résultats utiles pour la surveillance environnementale. Vous pouvez également créer des graphiques pour des processus continus non négatifs et proportionnels. Les types de graphiques continus s'adaptent aux distributions exponentielle, gamma, Weibull et log-normale, mais si vos données contiennent des zéros, vous pouvez également ajuster les versions gonflées à zéro de ces distributions.
Comme pour les graphiques de comptage, ces nouveaux types de graphiques éliminent la nécessité de longs scripts pour relier les résultats de différentes parties de JMP. Désormais, tout peut être généré directement sur la plateforme de filtrage et les rapports obtenus sont faciles à interpréter et utiles pour une prise de décision immédiate. Je tiens à remercier les personnes qui ont également participé à la création de cette plateforme et de ces nouvelles fonctionnalités.
John Sall et Clay Barker ont travaillé au développement de la plateforme, et Tonya Mauldin a également contribué aux tests supplémentaires. Je tiens également à remercier Byron Wingerd et Jason Rasnake pour leur travail sur un tableau de bord permettant de visualiser ces scénarios de surveillance environnementale. L'image que nous avons vue au début faisait partie de leur travail. Ils travaillent actuellement à l'implémentation d'un module complémentaire dans JMP, accessible sur la marketplace JMP, qui vous permettra également de réaliser cette opération avec vos propres données. C'est tout pour aujourd'hui. Merci.
