Ciao, sono David Elsheimer. Sono un tester statistico di ricerca presso JMP e ho svolto parte del lavoro di validazione numerica dei test sulle funzionalità di monitoraggio ambientale che abbiamo introdotto in JMP 19. Si tratta di una serie di nuove funzionalità che abbiamo introdotto nella piattaforma di screening dei processi. Si presentano sotto forma di quelli che nella documentazione chiamiamo tipi di grafici non normali. Questi includono grafici di conteggio, grafici continui non negativi e grafici di proporzione, che vedrete come opzioni nel processo. Piattaforma di screening in JMP 19.
Più avanti entrerò più nel dettaglio su come questi nuovi tipi di grafici analizzano i processi in un contesto di monitoraggio ambientale, ma vale la pena notare che consistono in quelli che chiamiamo limiti di avviso e di azione. Si tratta di allarmi che vengono generati quando le variabili di processo superano un certo tipo di limite, di cui parlerò a breve. Nel monitoraggio ambientale siamo in grado di produrre tutte le informazioni necessarie in un unico report. Non è possibile. Non è necessario andare a cercare di calcolare qualcosa. Il codice GSL potrebbe richiedere un po' di tempo per essere scritto, se non si ha familiarità con i vari aspetti di JMP in termini di scripting in GSL, ma stiamo entrando troppo nei dettagli su cosa comportano questi metodi. Voglio fornirvi un esempio di cos'è il monitoraggio ambientale, prima di parlare di un esempio di flusso di lavoro, e poi di un esempio di come potrebbe apparire un report e JMP per un caso di dati simulati.
Per fornire una breve panoramica, il monitoraggio ambientale è ampiamente utilizzato nel settore manifatturiero delle scienze biologiche. In questa immagine, si tratta di un mock-up di un ambiente con più camere bianche in cui è necessario monitorare la contaminazione superficiale, la qualità dell'aria, ecc. Si tratta di un laboratorio in cui si produce un vaccino o si studia un virus o qualcosa del genere, e si deve essere in grado di monitorare una serie di sensori diversi in più stanze diverse. È necessario garantire il rispetto degli standard di qualità e la conformità alle normative governative. Ad esempio, ciascuno di questi sensori. In questo esempio, stiamo considerando la contaminazione misurata sotto forma di dati di conteggio.
Forse potresti considerare i conteggi grezzi, ma questo mostrerebbe solo i punti in cui i conteggi sono elevati. Non stai esaminando ogni processo e non stai considerando il contesto di quel processo. Questo livello di contaminazione supera quello che ci aspetteremmo per quel processo? In JMP 19, ti permettiamo di esaminare ogni processo e, per quella schermata di processo, i dati per i vari tipi di allarmi che stai prendendo in considerazione.
Per fare un breve esempio di grafici di conteggio, si ha un flusso di lavoro in cui si inseriscono i dati, si adatta una serie di modelli ai dati e, per questi modelli, si ottengono le stime dei parametri. Si utilizzano questi per calcolare un criterio di modello noto come AIC (Area di Contaminazione Assiale), e quindi si può scegliere il modello migliore minimizzando l'AIC; il modello con l'AIC più basso è il modello da scegliere. Da lì, è possibile assegnare questi limiti di allarme per monitorare il processo in base a diversi livelli di gravità, ad esempio se i dati indicano una contaminazione, un limite di allerta indicherebbe all'utente.
Diamo un'occhiata ai dati qui. Vedere cosa sta succedendo in un limite di azione sarebbe indicativo della necessità di intraprendere un'azione immediata. Una volta analizzati questi processi, si ottengono risultati in termini di identificazione dei punti che costituiscono punti di allarme quando si verificano e dei vari limiti di allarme e azione o limiti di allarme. I limiti di avviso e azione utilizzati per analizzare il processo. In JMP 19, per i dati di conteggio, utilizziamo modelli di Poisson e binomiali negativi per adattare i dati.
Consideriamo anche i modelli Poisson con inflazione zero e binomiale negativo con inflazione zero per adattarli ai dati; se un processo contiene zeri, forse il sensore registra che la contaminazione è effettivamente a zero, e JMP implementerebbe anche questi modelli. In precedenza, era possibile immettere i dati nella piattaforma di distribuzione e adattare i modelli, ottenendo l'AIC più basso per i modelli binomiali negativi Poisson standard, ma i modelli con inflazione zero sono una novità di JMP 19 nella piattaforma di distribuzione.
In precedenza, per quei modelli, avresti dovuto creare autonomamente uno script e poi tutto il resto. Anche nelle versioni precedenti di JMP era necessario creare script. Questo è un po' complicato, soprattutto se non si ha familiarità con alcune parti del linguaggio di scripting di JMP. Scrivere uno script per fare tutto questo, collegarlo e poi produrlo in un report ordinato e ben strutturato sarebbe un compito piuttosto complesso.
Ora, in JMP 19, tutto questo viene fatto nella piattaforma di screening dei processi. Tutto ciò che dovete fare è fornire la vostra variabile di processo, eventuali variabili di sottogruppo note della data e così via. L'unica cosa unica che deve essere considerata è che abbiamo le cosiddette probabilità di avviso e azione inferiori e superiori. Queste sono correlate al modo in cui calcoliamo i limiti di screening per l'avviso e i tipi di azione degli allarmi. Approfondirò questo argomento tra poco. Oltre a questo, tutto il resto viene fatto nello screening dei processi e non è necessario scrivere script per nulla di tutto questo.
Un esempio per i grafici di conteggio, in JMP 19, è un caso di dati simulati per il monitoraggio ambientale, in cui simuliamo i dati per diversi tipi di sensori in diverse camere bianche con diversi gradi di pulizia. Questi esempi simulati mostrano quanto rigoroso potrebbe essere il livello di contaminazione da adottare. In totale ci sono 86 processi o sensori. Ognuno di questi processi ha 90 righe. Nella piattaforma di screening dei processi, potreste vedere report come questo. Questo è per uno di questi processi. È possibile creare un report che includa tutti gli 86 processi, per poi esaminarli tutti contemporaneamente e determinare quali presentano allarmi e quali no.
Nel report, vedrai gli allarmi del grafico di controllo. Indicherà la frequenza degli allarmi del grafico di controllo, il numero di allarmi, quanti di ciascun tipo di allarme potresti visualizzare quando si verificano tali allarmi, eccetera. Troverai la sezione del report dedicata al miglior adattamento, che rivedrò tra un attimo. Troverai anche il grafico degli allarmi, che indica che tipo di allarme si sta verificando e quando si verifica, e poi i grafici di controllo, che per tutti i processi selezionati che stai prendendo in considerazione, mostreranno quali erano i valori del processo in quel momento.
Ad esempio, potresti avere l'impressione che il primo punto rappresenti una violazione del limite di azione, mentre il secondo punto rappresenti semplicemente una violazione del limite di allarme. Quando interagisci con questo e JMP, puoi passare il mouse sul punto e vedere qual è il valore, in quale riga di dati si trova e così via.
Per quanto riguarda la sezione "Best Fit" del rapporto, vorrei tornare più nel dettaglio. Questa fornisce la migliore distribuzione che si è rivelata adatta in termini di modello che ha minimizzato l'AIC, e poi c'è una serie di quantili di allerta e azione superiori e inferiori. Questi corrispondono al lancio di una piattaforma. Si possono utilizzare i valori predefiniti oppure specificare alcune probabilità di allerta e azione superiori e inferiori. Queste probabilità, questi quantili corrispondono al punto nei dati per la distribuzione considerata come definitrice per quella distribuzione, in cui quella proporzione, quella probabilità dei dati, quel 97,5% dei dati per la lettera minuscola è inferiore a quel punto per il limite superiore, ad esempio.
Un modo per interpretare questo in modo significativo è tramite questi quantili. Se si superano questi quantili, ma il processo è effettivamente conforme alle specifiche, o in questo esempio, se il sensore funziona normalmente, non ci sono problemi con il sensore nei dati. Non c'è effettivamente un problema di contaminazione. Le probabilità che si verifichi questo tipo di violazione sono molto alte. Ad esempio, nel caso predefinito in cui si hanno solo limiti superiori, e questi limiti superiori sono per l'avviso, la probabilità del limite superiore dell'avviso è 0,975 e 0,9985 per la probabilità del limite superiore dell'azione.
Se si riscontrano violazioni di questi punti per i dati, e i dati non affrontano realmente il problema della contaminazione, ci sarebbe una probabilità del 2,5% di osservare questo fenomeno per il caso di allerta, mentre se si viola il limite di azione, la probabilità sarebbe dello 0,15%. Ciò significa che quando si riscontrano questo tipo di violazioni, si può sapere fin da subito che è improbabile che ciò accada.
Se hai specificato queste probabilità, ti aspetteresti che ci sia una piccola probabilità che ciò accada mentre le cose funzionano normalmente, il che indica all'utente. Diamo un'occhiata a questi elementi e vediamo cosa sta succedendo. Se stanno riscontrando questo tipo di violazioni.
In sintesi, questi nuovi tipi di grafici semplificano il processo di generazione di risultati utili per il monitoraggio ambientale. Inoltre, è possibile produrre grafici per processi continui non negativi e basati su proporzioni. I tipi di grafici continui si adattano alle distribuzioni esponenziale, gamma, Weibull e log-normale, ma se si dispone di dati che contengono zeri, è possibile adattare anche le versioni con zeri gonfiati di queste distribuzioni.
Come per i grafici di conteggio, questi nuovi tipi di grafici eliminano la necessità di lunghi script per collegare l'output di più parti diverse di JMP, perché ora tutto può essere prodotto nel processo di screening della piattaforma e i report ottenuti sono facili da interpretare e utili per prendere decisioni immediate. Desidero ringraziare alcune persone che hanno contribuito alla creazione di questa piattaforma e di queste nuove funzionalità.
John Sall e Clay Barker hanno lavorato allo sviluppo della piattaforma, e Tonya Mauldin ha contribuito anche con ulteriori test. Infine, vorrei ringraziare Byron Wingerd e Jason Rasnake per il loro lavoro su una dashboard per visualizzare questi scenari di monitoraggio ambientale, in modo che l'immagine che abbiamo visto all'inizio fosse parte del loro lavoro. Attualmente stanno lavorando all'implementazione di un componente aggiuntivo in JMP, accessibile dal marketplace di JMP, che consente di fare lo stesso anche con i propri dati. Questo è tutto per voi oggi. Grazie.
