Ciao e benvenuti. Mi chiamo Marilyn e sono un'ingegnere di sistema presso JMP. Oggi sono qui per parlarvi un po' di come accelerare l'identificazione dei minerali con JMP Pro, un sistema di analisi basato sull'intelligenza artificiale per il settore minerario. Prima di iniziare, vorrei fornirvi un breve contesto e le motivazioni per questa presentazione.
Nel settore minerario, l'identificazione o la classificazione dei minerali presentano numerose sfide. L'identificazione dei minerali sul campo può essere complessa, richiedere conoscenze specialistiche ed essere soggetta a errori. I metodi tradizionali si basano in larga misura sull'estrazione manuale delle caratteristiche dai minerali da identificare, ad esempio tramite esame microscopico, che può essere laborioso, dispendioso in termini di tempo e soggetto a errori.
Inoltre, con lo spostamento delle attività minerarie in aree più remote o in depositi di qualità inferiore, cresce la necessità di una classificazione dei minerali in loco in tempo reale. La soluzione che propongo a queste sfide attraverso questo poster è sfruttare il componente aggiuntivo Torch per JMP Pro per costruire un modello in grado di identificare o classificare i minerali in tempo reale.
Per il mio esempio di oggi, voglio informarvi che JMP Pro è necessario per eseguire il componente aggiuntivo Torch, che utilizzerà le immagini come X o input per creare un modello di classificazione per prevedere i minerali futuri. In questo esempio, ho utilizzato un set di dati con 953 immagini di sette minerali diversi e l'ho utilizzato per addestrare un modello per prevedere i minerali per la classificazione dei minerali. Questo set di dati è una versione di un set di dati di Kaggle.
Ora, nella vita reale, probabilmente gli ingegneri minerari vorrebbero procedere alla frantumazione del minerale fino alle dimensioni che normalmente utilizzerebbero nelle loro operazioni, e poi scattare delle immagini, scattare delle foto del minerale frantumato. Mentre lo fanno, vorrebbero anche pensare a dove posizionare la telecamera nell'illuminazione, con l'obiettivo di far sì che le immagini che scattano per addestrare il loro modello assomiglino il più possibile alle immagini che scatteranno in tempo reale per la classificazione in futuro.
Oggi vorrei illustrarvi i passaggi. Vedrete quanto è facile iniziare con alcune immagini di minerali già identificati e costruire rapidamente un modello predittivo, utilizzabile per classificare i minerali in tempo reale durante un'operazione di estrazione mineraria. Il primo passo è installare il componente aggiuntivo Torch, disponibile per JMP Pro nel JMP Marketplace. Lasciate che vi mostri come funziona.
Il marketplace JMP offre numerose estensioni scaricabili per ampliare le funzionalità di JMP. Questo componente aggiuntivo in particolare si trova proprio qui. Si chiama Torch Deep Learning per JMP Pro. Per scaricare questo componente aggiuntivo, è sufficiente cliccare sul pulsante di download. Una volta completato il download, possiamo cliccare e trascinare il file scaricato in cima a una finestra JMP aperta per installare il componente aggiuntivo.
In questa pagina sono presenti anche informazioni sui requisiti di sistema e sulle versioni di JMP supportate, oltre a supporto e documentazione per l'utilizzo del componente aggiuntivo. Una volta installato il componente aggiuntivo, in alto verrà visualizzato un nuovo menu intitolato "Componenti aggiuntivi in JMP". Qui potete vedere il mio componente aggiuntivo Torch per il deep learning. Ho un'immagine nel mio journal JMP che mostra le opzioni di questo componente aggiuntivo.
Esiste un'opzione per creare colonne di convalida K-fold. La esamineremo oggi. Adatteremo il nostro modello Torch. Questo componente aggiuntivo include anche diversi set di dati di esempio. Sono disponibili alcune utility per la gestione delle immagini che aiutano a manipolare e modificare le immagini. Esamineremo anche alcune di queste opzioni oggi. Quando si scarica questo componente aggiuntivo, vengono forniti alcuni modelli e modelli aggiuntivi per questo componente aggiuntivo. Anche la guida e la documentazione sono disponibili in questo menu.
Questo è il passaggio 1. Ho installato il componente aggiuntivo. Il passo successivo sarà importare le immagini in JMP e pulire i dati. Per prima cosa, importeremo le immagini dei minerali per addestrare il modello in JMP. Per farlo, useremo la funzionalità di JMP per importare più file. Ora, prima di procedere, vorrei mostrarvi come queste immagini dei minerali sono organizzate in questa cartella. Per farlo, vi basterà importare questo file. Potete vedere che questa cartella si intitola "immagini dei minerali" e al suo interno ci sono molte sottocartelle. Ognuna di queste sottocartelle ha un titolo che richiama le immagini dei minerali contenute al suo interno.
Ad esempio, se accedo alla cartella "biotipo", vedrete che ho molte immagini di quel particolare minerale. Questo è il modo in cui è organizzato questo set di dati, o queste immagini sono organizzate sul mio computer.
Ora useremo le funzionalità file di JMP, import multiple file, per importare queste immagini in JMP e addestrare il nostro modello. Lo faremo. Vi mostrerò i passaggi all'interno del journal e poi vi mostrerò cosa fare per ogni passaggio. Per iniziare, useremo file, import multiple files. Questa opzione è già impostata sulla posizione della cartella con le immagini che ho. Quello che voglio fare è andare avanti e includere le sottocartelle. Vedo qui che questa cartella in particolare contiene solo altre cartelle. Includeremo le sottocartelle.
Ora vedo qui sotto che ho le mie immagini. Possiamo vedere che ci sono molti JPEG e diversi formati di file. Ho anche alcuni PNG. Va benissimo. A parte questo, nella tabella dati risultante, voglio che JMP aggiunga una colonna con il nome del file. Il nome del file farà riferimento alla cartella che contiene il titolo del minerale. Quello che otterrò è una colonna con il nome del minerale e un'altra colonna nella mia tabella dati con l'immagine corrispondente. Voglio che JMP proceda e inserisca tutti questi file, tutte queste immagini, in un'unica tabella dati JMP.
Ora clicca su "Importa" e JMP andrà in quella cartella e importerà tutte quelle immagini per me, insieme a una nuova colonna che contiene il nome del minerale. Ecco fatto. Ecco la tabella dati risultante. È stato davvero facile importare le mie 953 immagini di questi minerali. Poi daremo un'occhiata qui. Non ho bisogno di queste due colonne a destra, quindi le eliminerò, così potremo dare un'occhiata più da vicino a ciò che abbiamo.
Ogni riga qui contiene l'immagine di uno dei minerali. Nella seconda colonna, ho il nome del minerale seguito dal titolo di ciascuna immagine e dal relativo JPEG. Dovrò fare un po' di pulizia dei dati. Questo sarà il nostro prossimo passo.
Ora abbiamo importato più file. Il passo successivo sarà la pulizia dei dati. Il primo passo sarà la pulizia della colonna delle etichette. Useremo recode e le opzioni avanzate per estrarre il segmento. Voglio solo il segmento con il nome del minerale. Per farlo qui nella mia tabella dati, posso fare clic con il pulsante destro del mouse e andare su recode.
Voglio memorizzare questi risultati nella stessa colonna o in una colonna esistente e utilizzerò il menu hotspot o il triangolo rosso per accedere alle opzioni avanzate. Vorrei estrarre parte di un segmento di testo. Qui posso usare questo controllo. Quello che voglio fare, ancora una volta, è ciò che ho nella tabella dati e qui posso vedere il risultato.
Mi sembra tutto a posto. Il risultato qui mostra che avrò solo il nome del minerale, e posso eliminare il nome di ogni singolo file. Darò il mio consenso e lo ricodificarò. Ecco fatto. Abbiamo i nomi dei nostri minerali. Se espandiamo i grafici delle intestazioni, possiamo vedere che questi sono gli stessi nomi dei minerali che abbiamo visto nella cartella che vi ho mostrato prima.
Bene, questo era il nostro secondo passo. Diamo un'occhiata al passo successivo, perché abbiamo ancora un po' di pulizia dei dati da fare. Daremo un'occhiata alle utilità per le immagini all'interno di questo componente aggiuntivo. In questo particolare set di dati, le immagini dei minerali che ho, presentano alcuni elementi extra nelle dita e nelle mani, e questo potrebbe causare problemi di adattamento del modello.
Modificherò queste immagini. Le ritaglieremo semplicemente per mantenere il centro al 50% dell'immagine ed elimineremo tutto ciò che si trova all'esterno. Per farlo, potete vedere qui il menu delle utilità per le immagini. Questo fa parte del componente aggiuntivo per Torch. Arrivo qui al mio deep learning di Torch. Ecco le mie utilità per le immagini.
Ok, quindi possiamo ottenere le dimensioni delle immagini che vengono semplicemente memorizzate in una colonna separata. Le dimensioni delle immagini... possiamo ridimensionarle se vogliamo, ingrandirle o rimpicciolirle. Ora le ritaglio, come ho detto. Questo è solo un piccolo esempio di come apparirà. Torniamo a quella tabella dati e sistemiamo queste immagini usando il nostro componente aggiuntivo Torch Deep Learning, Image Utilities, e vorrei ritagliarle.
C'è solo una colonna con immagini in questa tabella dati e posso modificare le impostazioni qui, ma questo è esattamente ciò che voglio. Queste impostazioni seguono questo esempio. Con queste impostazioni, JMP ci dice già che otterremo il 50% centrale delle immagini, che è esattamente ciò che vogliamo. Procedo e premo Esegui. JMP manipolerà queste immagini.
Poi, per fare un confronto, vi mostrerò un po' del prima e del dopo per ciascuno di questi. Ora, c'è un piccolo problema qui, in quello che stiamo vedendo, quindi salverò questo file nella cartella dei miei download. Lo riaprirò e tra un attimo vedrete il perché.
Ecco qua. Posso semplicemente aprirlo per visualizzare i miei elementi recenti. Ecco qua. Ecco cosa voglio che tu guardi. Dai un'occhiata alla riga numero 4. Nella riga numero 4, proprio qui, puoi vedere che ci sono delle dita in questa immagine, per esempio. Sul lato destro, dopo aver ripulito e ritagliato l'immagine, puoi vedere che è ingrandita e abbiamo tagliato quegli elementi extra nell'immagine che non vogliamo includere nelle immagini che stiamo usando per costruire il nostro modello.
Utilizzeremo il nuovo ritaglio dell'immagine della colonna come X e Y per il nostro modello: il minerale, il minerale corretto. Diamo un'occhiata al nostro prossimo passo. Abbiamo modificato le immagini, importato e ripulito i dati, e il passo successivo sarà creare alcune colonne di convalida K-fold.
Per fare questo, useremo anche questo componente aggiuntivo di Torch. Lasciate che vi mostri come appare. Nella mia tabella dati, componenti aggiuntivi, Torch deep learning, vogliamo creare alcune colonne K fold. In questo caso, daremo un'occhiata alla colonna di risposta, la Y, che è il minerale corretto, e useremo anche quella colonna per la stratificazione. Quello che stiamo facendo qui è creare tre colonne che raggruppano questi dati.
In ciascuna di queste tre colonne ci saranno cinque gruppi. Useremo queste colonne K-fold per la convalida durante la costruzione del nostro modello. L'idea è quella di utilizzare solo una parte dei dati per costruire il modello e altre parti per testare le previsioni e quindi aggiornare e migliorare il modello. Questa è l'idea, utilizzare solo piccole porzioni di dati alla volta. Attraverso questo menu, creiamo le colonne di stratificazione che ci consentono di farlo.
Procedo e premo "Vai". JMP sta facendo qualcosa di davvero sofisticato, utilizzando alcune tecniche DOE avanzate per creare queste colonne di raggruppamento per la convalida e il miglioramento del modello. Ecco fatto. Qui possiamo vedere tre nuove colonne, fold A, B e C. Per utilizzare tutte queste colonne e tutti questi raggruppamenti per la convalida, ci vorrà davvero molto tempo, forse un paio d'ore per l'esecuzione sul mio portatile. Anche se dovessimo adattare il nostro modello finale, probabilmente vorremmo usare tutte queste colonne e lasciare che JMP esegua a lungo l'adattamento del modello.
Oggi non vi farò aspettare così a lungo. Useremo semplicemente la convalida a singolo holdout per velocizzare un po' le cose ai fini di questa dimostrazione. Per farlo, userò le utilità di colonna e creerò colonne indicatrici. Per la convalida di oggi, useremo semplicemente questa colonna con il numero 1. Potremmo usare, ad esempio, questa parte dei dati, 763 righe per adattare un modello, e poi magari le restanti 190 righe per testare le previsioni e aggiornare il modello. Per il nostro esempio, useremo semplicemente la convalida semplice.
Ma è così che possiamo creare colonne di convalida K-fold tramite questo componente aggiuntivo. Il passo successivo è procedere con l'adattamento del modello e l'iterazione. Ciò che intendo dire è che adatteremo il modello e poi lo modificheremo leggermente. Abbiamo molti controlli per questi modelli Torch. Piccole cose che possiamo modificare per vedere se possiamo migliorare la previsione. Per prima cosa, specificheremo il modello. Indicheremo a JMP cosa vogliamo prevedere.
Torniamo alla tabella dati e procediamo. Componenti aggiuntivi, Torch deep learning, Torch deep learning. Qui, dirò a JMP che la Y o risposta che voglio prevedere è il minerale, e voglio prevederlo in base al ritaglio del 50% delle immagini che avevamo. Useremo solo una semplice convalida per questo esempio, e poi daremo il via libera.
Abbiamo altre opzioni da specificare qui. Ne parlerò molto brevemente, e abbiamo molta altra documentazione a riguardo. Qui possiamo controllare come viene adattato questo modello. Ad esempio, sotto questo menu a discesa dei modelli di immagine, questi sono modelli che sono stati pre-addestrati su migliaia e migliaia di immagini. Useremo un modello pre-addestrato e poi aggiungeremo le nostre immagini per personalizzare il modello in base alle nostre esigenze. Sceglierò Google Net. Ho avuto un po' di fortuna con questo particolare set di dati in quel modello di immagine. Se non siete sicuri, ovviamente, potete semplicemente usare i valori predefiniti in JMP.
Modificherò anche il numero di epoche. Questo è in realtà il numero di passaggi attraverso i dati. Ridurrò leggermente questo numero per velocizzare il processo. Naturalmente, possiamo anche controllare il tasso di apprendimento, ovvero la velocità con cui il modello si adatta agli errori di un modello precedente. Poi abbiamo queste opzioni avanzate aggiuntive qui a destra. Vorrei tornare al mio diario per parlarne brevemente.
Disponiamo di molti controlli avanzati per i modelli, che posso dire essere suddivisi in tre categorie. Innanzitutto, ci sono le specifiche del modello. Quale dovrebbe essere il modello che stiamo adattando? Abbiamo alcuni controlli per l'addestramento. Come dovremmo adattare questo modello? Come dovremmo addestrarlo? Poi abbiamo anche alcune opzioni per la modellazione delle immagini, per manipolare e modificare le immagini.
Lasciate che vi mostri come appare, e andiamo avanti e adattiamo questo modello per noi. Se espando le opzioni sul lato destro, qui potete vedere la parte sinistra. Può sembrare un po' complicato, ma abbiamo un bel po' di aiuto con il passaggio del mouse. Se fate semplicemente un cerchio con il mouse lì, il salto vi darà un piccolo suggerimento su a cosa serve ciascuna di queste opzioni. I livelli in una rete neurale profonda sono essenzialmente simili al numero di nodi in una rete neurale. Per il nostro esempio ne userò otto.
Diamo un'occhiata al prossimo bucket, che è il bucket di addestramento. Qui modificherò la dimensione del batch. La dimensione del batch indica quante righe di dati elaboriamo contemporaneamente. Dato che altrimenti il mio computer non sarebbe molto veloce, voglio esaminare solo 64 righe di dati alla volta. Infine, abbiamo queste opzioni per le immagini sul lato destro. Qui, la dimensione dell'immagine ci aiuta a controllare le dimensioni dell'immagine. Direi 228. Sembra che abbia funzionato bene per me in questo particolare set di dati.
Per ora, questo è tutto ciò che cambierò. Ma l'idea di adattare un modello usando il deep learning di Torch è questa: si entra qui, si adatta un modello e poi si itera. Magari si apportano piccole modifiche e aggiustamenti per cercare di migliorare la capacità predittiva o le prestazioni del modello. Procedo e do il via libera. JMP analizzerà i dati e vedremo che tipo di modello otterremo.
Mentre JMP esegue questa operazione, riceveremo alcuni aggiornamenti in questa piccola finestra che ci mostreranno le prestazioni finora ottenute, sia sui dati di training, ovvero i dati utilizzati per addestrare il modello, sia sulla convalida. Ci concentreremo soprattutto sui numeri di convalida perché ci daranno un'idea più precisa di quanto questo modello sarà efficace nel prevedere le previsioni quando gli forniremo nuove immagini.
Qui sto esaminando l'accuratezza sia per l'addestramento che per la convalida, e finora sembra piuttosto buona. Abbiamo superato il 90% sui dati di addestramento e l'accuratezza si attesta tra il 70 e l'80% sui dati di convalida. Questo è un modello che abbiamo addestrato molto rapidamente. Se usassimo opzioni diverse, ad esempio con più epoche, potremmo probabilmente ottenere un modello diverso, migliore, senza apportare troppe modifiche a quello che già abbiamo.
Ma diamo un'occhiata qui perché questo è il nostro prossimo passo, che consiste nel confrontare i modelli. Ora abbiamo costruito un solo modello. Daremo un'occhiata a come appare con un solo modello. Man mano che costruiamo altri modelli, JMP aggiungerà ulteriori informazioni nel confronto tra modelli, in modo da poter confrontare modelli diversi. Per questo modello iniziale, il modello 1, la risposta era minerale. Queste sono le informazioni che abbiamo inserito nella finestra per adattare il nostro modello.
Abbiamo informazioni su R-quadrato, ma non le esaminerò perché non stiamo prevedendo un numero. Stiamo classificando le immagini. Siamo più interessati alle misure di accuratezza e, in particolare, all'accuratezza di convalida. I risultati sembrano già piuttosto buoni. Siamo quasi al 90% di accuratezza con questo modello che abbiamo addestrato molto rapidamente.
Qui possiamo ottenere una rappresentazione grafica di come si è evoluto il modello durante l'addestramento. Potete vedere che ci sono due linee, una per i dati di addestramento e una per i dati di convalida. In generale, ciò che possiamo osservare per questa tendenza è che la perdita o l'errore nel modello diminuisce man mano che attraversiamo epoche diverse. Man mano che eseguiamo più analisi dei dati per estrarre più informazioni da quelle immagini, l'errore si riduce e le nostre previsioni vengono migliorate.
Visto che queste linee sono ancora in declino, probabilmente vorremmo aumentare il numero di epoche e lasciare che questo modello esegua qualche altro passaggio sui dati, il che potrebbe aiutarci a migliorarlo. Questi sono alcuni degli aspetti che possiamo osservare per valutare l'efficacia del modello. Qui abbiamo questi grafici di confronto tra effettivo e previsto, dove sul lato sinistro vediamo il minerale reale e la probabilità prevista sul fondo. Essenzialmente sul lato destro di questi grafici, questi sono ben previsti sul lato destro. Sul lato sinistro, questi sono punti che non sono stati previsti altrettanto bene.
Tutto qui è interattivo e dinamico. Se torniamo alla tabella dati, ad esempio, e impostiamo la colonna delle immagini come etichetta, passando il mouse su questi punti, possiamo vedere quale immagine sembra essere in quarzo e, visto che questa immagine è piuttosto a sinistra in questo grafico, probabilmente è stata classificata in modo errato. Era in quarzo. Potremmo anche evidenziare tutte le immagini che non sono state classificate correttamente. Sembra che qui ci siano circa 40 righe.
Potremmo tornare indietro e dare un'occhiata a quelle immagini e vedere se ci sono potenziali problemi con le immagini, o forse dovremmo raccogliere più immagini per quei minerali specifici per cercare di migliorare quelle previsioni.
Qui sotto, per darvi qualche informazione in più, daremo un'occhiata alle matrici di confusione per i dati di convalida. Ciò che vorremmo vedere su entrambe queste diagonali, sia che si tratti dei conteggi che dei tassi, è che questa diagonale abbia numeri grandi e, auspicabilmente, zeri sopra o sotto.
Per la biotite, il minerale effettivo è elencato sul lato sinistro e, tra questi, i minerali previsti. Circa il 75% di accuratezza per la biotite, il 92% per la boronite. Possiamo vedere quanto bene stiamo andando con ciascuno di questi diversi modelli. Qui sembra che per la muscovite la percentuale sia del 77,8%. Sembra che la muscovite sia il minerale che stiamo ottenendo i risultati peggiori nel prevedere o classificare con questo modello.
Di nuovo, nel mio caso, abbiamo solo un esempio per il confronto. Voglio mostrarvi in questa rivista come apparirebbe se confrontaste diversi modelli. Man mano che nuovi modelli vengono adattati, modificando le opzioni, JMP continuerà ad aggiungerli al confronto. Quindi potrete confrontare l'accuratezza della convalida per più modelli e potrete anche visualizzare le prestazioni di questi modelli e confrontarli.
Ancora una volta, cercate semplicemente di apportare un miglioramento e di trovare il miglior modello possibile prima di procedere con la distribuzione. Abbiamo parlato un po' del confronto tra modelli e della valutazione dei risultati. Approfondiamo ora la valutazione dei risultati.
Ci sono alcuni grafici interattivi davvero interessanti, che potete vedere in questo output. Vorrei sottolineare che per ogni modello che avete, ci sono opzioni aggiuntive per cose che potete salvare nella tabella dati. Qui potrei andare avanti e salvare gli incorporamenti, ad esempio. Lasciatemi cliccare lì e tornerò alla mia tabella dati per mostrarvelo.
Qui potete vedere che ci sono 8 colonne per gli embedding. Cosa sono gli embedding? Se ricordate, nei controlli del modello ho impostato otto come numero di nodi per la mia rete neurale. Ecco di cosa si tratta. Questi nodi sono le caratteristiche estratte dalle immagini dei minerali. Potrei, se volessi, usare questi embedding come X o input per modelli predittivi utilizzando altre piattaforme di modellazione all'interno di JMP. Potrei semplicemente usare Torch per estrarre le informazioni e usarle per prevedere o per costruire un modello utilizzando una piattaforma diversa, se lo desidero.
Un'altra ottima opzione, almeno per me, perché mi piace visualizzare l'efficacia delle previsioni del mio modello in questo modo, è salvare le previsioni nella tabella dati. Torno lì e ti mostro come appare. Questo è il minerale più probabile o previsto che abbiamo memorizzato qui nella tabella dati. Utilizzando Graph Builder, è davvero facile rappresentare graficamente il minerale effettivo sull'asse Y. Lo userò anche come variabile colore. Metterò il minerale previsto sull'asse X.
Cosa rappresenta questo? Beh, i riquadri grandi contengono i minerali classificati correttamente, mentre tutti i punti al di fuori di essi sono stati classificati in modo errato. Questo era quarzo, classificato come boronite. Questo minerale è muscovite, classificato erroneamente come biotipo. In questo modo è facile vedere quali immagini sono state classificate in modo errato e quante di esse lo sono state.
Un'altra opzione che vale la pena menzionare. Da questo triangolo rosso, possiamo anche generare il codice Python per fare previsioni in tempo reale. Se questo fosse il nostro modello finale, se fossimo soddisfatti delle previsioni e volessimo implementarlo in tempo reale, potremmo salvare il codice Python qui. Ora non lo farò, ma vorrei tornare al mio diario e parlare di cosa potremmo fare una volta esportato il codice Python.
Vorremmo usare quel modello per fare previsioni. In una miniera, ecco cosa potremmo fare. Una volta ottenuto il modello addestrato ed esportato il codice Python, potremmo integrarlo in un sistema in loco. Avremmo bisogno di una fotocamera per scattare foto dei minerali o del minerale grezzo che esce dalla miniera. Vorremmo una sorta di dispositivo edge a cui aggiungere il nostro codice Python in modo che possa acquisire le nuove immagini dei minerali scattate dalla fotocamera e classificarle rapidamente come questo o quel minerale. Questa è l'idea. Potremmo fare previsioni in tempo reale.
Cosa potremmo farci? Beh, potremmo usare queste informazioni per prendere decisioni come la regolazione dei parametri di macinazione. Potremmo separare automaticamente il minerale dagli scarti in base a queste previsioni. Oppure potremmo voler fare delle stime in tempo reale sulla quantità di ciascun minerale che andremo a estrarre dal minerale. Questo potrebbe essere davvero utile se le informazioni arrivassero in tempo reale.
Per concludere, ecco alcuni spunti di riflessione. Spero che abbiate visto attraverso questa dimostrazione di oggi che Torch Deep Learning e JMP Pro offrono una valida soluzione senza codice per la classificazione dei minerali. I modelli possono essere addestrati rapidamente utilizzando immagini etichettate e JMP offre tutti gli strumenti necessari per importare le immagini, ripulire i dati e pre-elaborarli prima di creare il modello. La classificazione in tempo reale è possibile con hardware piuttosto semplice e questo approccio supporta decisioni più rapide e accurate nelle operazioni di estrazione mineraria. Detto questo, vi ringrazio molto per aver seguito la presentazione.
