| Lautsprecher |
Transkript |
| Simon Stelzig |
Okay, hallo zusammen. Mein Name ist Simon Stelzig. Ich bin von Lohmann, den Bonding Engineers. Ich arbeite in der Forschungs- und Entwicklungsabteilung und möchte Ihnen heute etwas über den Functional Data Explorer erzählen und wie Sie ihn nutzen können, um Ergebnisse für Nicht-Datenwissenschaftler zu visualisieren. |
| |
Bevor ich anfange, eine kurze Einführung zur Firma Lohmann. Sie haben vielleicht noch nie davon gehört, nutzen aber ihre Produkte täglich oder sind ihnen vielleicht schon begegnet. |
| |
Hier sind einige Zahlen und Fakten zu Lohmann. Lohmann erzielte 2019 einen Umsatz von rund 600 Millionen Euro. Ich arbeite für die Lohmann Tape Group. Wir produzieren Klebebänder. Wir produzieren hauptsächlich doppelseitige Klebebänder und sind ein reines B2C-Unternehmen. |
| |
Sie können nur unsere Produkte kaufen, wenn Sie in der Industrie tätig sind, für industrielle Anwendungen. Wir sind ziemlich alt, dieses Jahr sind es ungefähr 170 Jahre seit der Gründung der Firma Lohmann. |
| |
Wir sind grundsätzlich in zwei Bereiche unterteilt. Einer davon ist das Bandprodukt, an dem ich arbeite. Das ist der Fokus auf dem |
| |
Klebebänder für industrielle Anwendungen und das ist unsere Hygienemarke. |
| |
Und wir sind global tätig. Wir haben 25 Standorte weltweit mit rund 1.800 Mitarbeitern. Und vielleicht ganz interessant: |
| |
90 % unserer Produkte sind kundenspezifisch, daher verfügen wir über ein recht komplexes Produktportfolio, bei dem sich viele unserer Produkte auf eine sehr kleine Anzahl von Anwendungen für eine sehr kleine Kundengruppe konzentrieren. |
| |
Wir sind der führende Hersteller von Klebebändern und vielen doppelseitigen Klebebändern und haben, wie Sie wissen, viele Anwendungsgebiete. Dies ist unser Marktsegment, in dem wir tätig sind. |
| |
Einer unserer Anwendungsbereiche ist die industrielle Anwendung. Das betrifft vor allem Fenster und Türen oder die Innen- und Außenanwendung im Baubereich. |
| |
Oder Sie begegnen Lohmann-Produkten in Haushaltsgeräten und elektronischen Geräten, zum Beispiel in Klebebändern zur Befestigung der Rückseite von Smartphones. Oder in der |
| |
Medizinische Segmente, hauptsächlich für diagnostische Anwendungen, Wundversorgung. Im Transportbereich, im Automobilbereich, vielleicht für den Innen- oder Außenbereich |
| |
Anbringen von Emblemen auf Fahrzeugen. Wir sind beispielsweise auch in der grafischen Industrie für flexible Druckanwendungen tätig, wo wir Klebebänder liefern |
| |
um die Druckplatte auf den Ärmeln zu befestigen. Eine der...eine Unterabteilungen der Lohmann Tape Group ist die Hygienemarke, in der wir Verschlusssysteme für Windeln liefern. |
| |
Das Anwendungsspektrum ist also sehr breit gefächert. Ein weiterer Punkt, den ich bereits erwähnt habe, ist, dass etwa 90 % unserer Produkte kundenspezifisch sind. Und eine weitere Tatsache über Lohmann ist |
| |
dass unsere Wertschöpfungskette eine sehr tiefe Wertschöpfungskette ist. Wenn Sie also an ein Klebeband denken, brauchen Sie eine Klebeschicht, die |
| |
wird auf Ihr Motiv geklebt oder geklebt, welches Sie befestigen möchten. |
| |
Sie benötigen einen Träger, optional einen Träger, der Ihre Klebeschicht trägt, und auf der anderen Seite, da wir Hersteller der doppelseitigen Klebebänder sind, haben Sie auf der anderen Seite wieder, |
| |
eine Klebeschicht. Und die Wertschöpfungskette von Lohmann beginnt im Grunde ganz am Anfang, sodass wir unser eigenes Polymer herstellen können, also das Basispolymer für einen Klebstoff. |
| |
Dann müssen wir das Polymer zu einer Klebstoffformulierung formulieren, die wir dann im nächsten Schritt auf einen Träger auftragen, sei es in Form eines Klebebandes in Form von |
| |
ziemlich große ??? Rollen. Und ganz am Ende, damit wir das in der Form liefern können |
| |
Der Kunde wünscht es. Wenn Sie also Stanzteile haben, zum Beispiel Embleme für Autos, benötigen Sie Klebeband in keiner bestimmten Form. Wir liefern es genau nach Kundenwunsch. |
| |
Und die Forschung und Entwicklung konzentriert sich hauptsächlich auf die ersten drei Teile davon, also auf die Polymerisation, die Formulierung der Beschichtung und um, wie ich bereits erwähnte, viele unserer Produkte kundenspezifisch zu gestalten, um so schnell wie möglich zum Ziel zu kommen, die Anforderungen unserer Kunden zu erfüllen, wenden wir |
| |
Gestaltung von Experimenten während des gesamten Kurses |
| |
um zum Endprodukt zu gelangen und die Anforderungen unserer Kunden zu erfüllen. |
| |
Und mit viel |
| |
Auch die Versuchsplanung oder die Durchführung vieler Experimente insgesamt liefert viele Daten. |
| |
Und wenn man diese Experimente durchführt oder die Experimente in diesem Kurs entwirft und in einem Chemieunternehmen arbeitet, erhält man in den Experimentergebnissen eine Menge Daten, eine Menge Spektren. |
| |
Die meisten unserer Experimente ergeben also keinen Wert, keine Zahl, sondern ein Spektrum. |
| |
Und in den meisten Fällen, wenn Sie die Experimente durchführen möchten, wie in meinem Fall, bin ich der, sagen wir, Datenwissenschaftler, der den Service der Planung dieser Experimente und der Analyse bereitstellt. |
| |
Experimente und die Durchführung der gesamten Datenanalyse für meine Kollegen, die in diesem Fall möglicherweise keine Datenwissenschaftler sind. |
| |
Sie sind Entwickler des Endprodukts und beauftragen mich mit der gesamten Datenanalyse. In den meisten Fällen extrahieren Sie aus diesen Spektraldaten Schlüsselparameter, die Ihre Spektraldaten beschreiben. |
| |
Das könnte im Falle der Polymerisation die Molekulargewichtsverteilung sein, es könnte die Größe Ihres |
| |
Das Polymer, das wir aus der Reaktion erhalten, könnte der Beginn einer Reaktion sein, um die Art der Reaktion durch Messungen oder auf andere Weise festzustellen. |
| |
Wenn Sie also die Analyse bei der Datenanalyse durchführen, extrahieren Sie diese Schlüsselparameter und führen die Analyse durch, meistens in der klassischen DOE-Analyse anhand dieser Schlüsselparameter. |
| |
Also |
| |
Als Datenwissenschaftler führe ich diese Analyse dieser Schlüsselparameter als Service für meine Kollegen, die Entwickler, durch. |
| |
Sie liefern mir auch die Kundenanforderungen und ich möchte diese Kundenanforderungen erfüllen, damit sie das Optimum erreichen, wo meine Formulierung oder mein Produkt sein soll. |
| |
Nachdem Sie dies getan haben, nachdem Sie die Analyse durchgeführt haben, nachdem Sie die Optimierung vorgenommen haben, gehen Sie irgendwann zu Ihrem oder ich gehe zu meinen Kollegen und präsentiere die Ergebnisse. |
| |
Und da ich die gesamte Analyse der Schlüsselparameter durchgeführt habe, präsentiere ich auch die Ergebnisse zu diesen Schlüsselparametern. |
| |
Das Problem ist, dass meine Entwicklungskollegen oder meine Projektteams zwar Experten auf dem Gebiet sind … Experten auf ihrem Fachgebiet, aber keine Experten der Datenwissenschaft. |
| |
Das Problem hierbei ist, dass wenn ich die Analyse der Schlüsselparameter durchführe und auch in der Sprache der Schlüsselparameter spreche, sie aber als Experten auf ihrem Fachgebiet, |
| |
Sie denken immer noch an Spektren, weil die Experimente damals durchgeführt wurden. Das ist das Ergebnis ihrer Analyse. Sie sehen Spektren, wo ich Zahlen sehe. |
| |
Es bleibt immer das Problem, dass sie immer noch in Spektren denken, wenn ich die Ergebnisse und die Analyse in Schlüsselparametern präsentiere. |
| |
Man hat also immer das Problem, dass man in verschiedenen Sprachen spricht. Ich spreche in der Sprache der Zahlen, sie sprechen in der Sprache der Spektren. |
| |
was dann zu dem Problem führt, dass sie diese Zahlen in ihr Fachgebiet, also die Spektren, übersetzen müssen. |
| |
Oder ich muss diese Schlüsselparameter in ihre Sprache übersetzen, also in die Spektren. Zum Glück gibt es mit dem Functional Data Explorer eine Art Universalübersetzer, der dieses Problem löst. |
| |
Und was ich heute tue oder Ihnen zeigen möchte, ist, anhand von drei Beispielen zu zeigen, wie der Functional Data Explorer Ihnen dabei hilft, diese Barriere bzw. diese Sprachbarriere zwischen den Datenwissenschaftlern, die über Zahlen sprechen, und den Entwicklern, die in Spektren denken und sprechen, zu überwinden. |
| |
In einem Beispiel, also dem ersten Beispiel, das ich Ihnen zeigen möchte, handelt es sich um ein sehr einfaches, sehr triviales Beispiel, vielleicht um eine Messung, die die Druckqualität im fraktalen Druck beschreibt |
| |
Experiment. Das zweite beschreibt eine Messung, die eine Art chemische Reaktion definiert. Und es gibt ein drittes; es ist eine Messung, die das Molekulargewicht eines Polymers angibt. |
| |
während einer Polymerisationsreaktion. Ich höre jetzt auf, PowerPoint zu verwenden und gehe zu JMP. Ja, da ist es. |
| |
Das erste Beispiel, das ich Ihnen gezeigt habe, ist die Analyse der Druckqualität. Sie führen also die Messung durch, und die idealen und perfekten Spektren wären ein |
| |
sehr gerade Linie, die durch den Ursprung geht, mit der Steigung 1. Das wäre also das Ideal, wenn Sie dieses Perfekt erreichen, also ist es eine Messung, diesmal die Druckqualität. |
| |
Normalerweise erhalten Sie ... normal, es ist eine reale Umgebung. Wir erhalten etwas, das nicht wirklich wie eine gerade Linie aussieht, sondern ein wenig in Richtung höherer Werte verschoben ist, also keine Linie ... es ist nach oben gebogen. |
| |
Was möchten Sie also mit diesen Informationen tun? Wir möchten sehen, oder Sie möchten untersuchen, welche Parameter die Kurve grundsätzlich nach oben verschieben oder verbiegen und sie somit nicht ideal machen. |
| |
Ich gehe also zu den Schlüsselparametern, die wir als Schlüsselparameter definieren würden. Es ist im Grunde der Unterschied zwischen einer geraden Linie und der tatsächlichen Linie, die man erhält. Es ist also ziemlich einfach, man verwendet einfach die |
| |
der Unterschied ... es ist ein Teil des Unterschieds in diesem Punkt. |
| |
Wenn Sie die Analyse der Schlüsselparameter durchführen, ist es auch eine sehr einfache Analyse. Ich verwende einen Entscheidungsbaum, um den Parameter zu ermitteln, der die Abweichung vom Idealspektrum am stärksten beeinflusst. Es ist ziemlich einfach. Wir haben etwa 22 Einflussfaktoren. |
| |
Da sehen Sie einen, der grundsätzlich Einfluss auf die eine oder andere hat bzw. diese Abweichung von diesem Idealzustand beeinflusst. |
| |
Und es heißt X 22, was auch immer es ist, ist eigentlich egal. Wenn es sich also irgendwann bewegt ... |
| |
Wenn es größer als ein bestimmter Wert ist, erhalten Sie beispielsweise eine Zahl von 250. Wenn es unter diesen bestimmten Wert fällt, erhalten Sie 196. Das Problem ist, wenn Sie dies der Entwicklung mitteilen ... wenn Sie es einer Entwicklungsanalyse zeigen, |
| |
er wird Sie fragen, ob 196 gut ist oder ob 254 noch gut ist oder ob es sehr schlecht ist oder ob das vielleicht geeignet ist und so weiter. |
| |
Das Problem liegt in der reinen Zahl, die sieht man nicht wirklich, weil er auf eine andere Art und Weise spricht... in einem anderen Bereich mit einer anderen Sprache. |
| |
Und die Verwendung des Functional Data Explorer kann Ihnen bei der Beantwortung dieser Frage wirklich sehr helfen, denn wenn Sie zum Functional Data Explorer wechseln und die gleiche Analyse in den Daten in der Funktion durchführen ... mit dem Functional Data Explorer, |
| |
Sie erhalten etwas, das so dargestellt wird. Es zeigt Ihnen, es zeigt ihm oder dem Entwickler, den Sie ihm gezeigt haben ... Sie zeigen ihm die Grafik. Die Grafik, die er gewohnt ist, erhält er normalerweise aus seinen Messungen oder Experimenten, den Experimenten, die er durchführt. |
| |
Das Gleiche gilt jetzt, wenn Sie beispielsweise den gleichen Parameter haben, der die Form der Kurve beeinflusst, aber wenn Ihnen das nicht gefällt, zeigt der mit den 250, |
| |
Aus der Analyse für den Schlüsselparameter würden Ihre 250 hervorgehen, es wird 196 sein und Sie sehen den Unterschied. Ich meine, das ist nicht wirklich eine gerade Linie. |
| |
Aber wenn es nach unten geht, wie auf die niedrigere Zahl, die die Zahl zeigt, bevor sie halten wollen, von, 196, |
| |
es sieht nicht so schlimm aus, also... es ist nicht wirklich, ich meine, eine Art perfekte gerade Linie, aber es ist nicht so, nicht so sehr... es ist nicht weit davon entfernt, |
| |
eine gerade Linie und vielleicht an diesem Punkt, wenn Sie diese Art der Analyse den Nicht-Datenwissenschaftlern, den Entwicklern zeigen, |
| |
vielleicht ist ihm das schon gut genug, vielleicht sagen Sie an diesem Punkt: „Okay, es ist keine gerade Linie, es ist nicht perfekt, aber es ist gut für die Aufgabe.“ |
| |
Im Grunde entspricht es den Bedürfnissen des Kunden. Und das erkennt er nicht an der bloßen Zahl, die man ihm zeigt. In diesem Fall handelt es sich also um ein sehr triviales, sehr einfaches Beispiel. |
| |
aber ich hoffe, es vermittelt Ihnen die Essenz, dass die Verwendung eines Functional Data Explorer es Ihnen ermöglicht, in der Sprache der Experten, der Nicht-Datenwissenschaftler und vielleicht des Entwicklers des Materials zu sprechen. |
| |
Und Sie sprechen in seinem Bereich oder in seiner Sprache, das hilft ihm, diese Einsicht zu gewinnen, und es muss die Zahl nicht in ein Spektrum übersetzen, aber er sieht das und bekommt vielleicht die Antwort, die er braucht. |
| |
Also noch einmal, ein sehr triviales, sehr einfaches Beispiel, aber ich verstehe … Ich hoffe, es zeigt Ihnen die Essenz dessen, was der Daten- …Funktionsdaten-Explorer ist oder was er Ihnen hilft zu erreichen. |
| |
Kommen wir also zum zweiten Beispiel. Das ist der Beginn der chemischen Reaktion, die Sie erkennen möchten. |
| |
Und wir tun dies, indem wir die ???-Messung durchführen. Man möchte eine Moduländerung während der Erwärmung einer bestimmten chemischen Formulierung sehen. Normalerweise gibt es zwei große Spektren; ein Spektrum würde so aussehen: |
| |
Ab einem bestimmten Punkt ändert sich der Modul, er steigt steil an. Das ist normalerweise der Beginn der chemischen Reaktion. Der Schlüsselparameter, den Sie aus diesen Spektren extrahieren, ist der Punkt, an dem der Modul steil ansteigt. |
| |
Der |
| |
Der Schlüsselparameter für eine gute Extraktion ist der Punkt, an dem der Punkt gefunden wird. Es mag zwar etwas komplizierter sein, einen Punkt aus den ursprünglichen Rohdaten zu berechnen, aber Sie können dies dennoch tun, indem Sie den Punkt überprüfen, an dem die Reaktion beginnt, und dann die Analyse des Schlüsselparameters durchführen. |
| |
Wenn Sie das tun, |
| |
Aus dieser Analyse des Schlüsselparameters erhalten Sie ein Modell, mit dem Sie die Art der chemischen Reaktion anhand von, in diesem Beispiel, fünf Parametern vorhersagen können. Also, |
| |
Ich werde sehen. Okay, der Punkt... der Punkt dieser Schlüsselparameter zu Beginn der chemischen Reaktion ist... hängt möglicherweise von diesen... hängt von diesen drei Parametern ab |
| |
und im Grunde genommen reicht der Bereich von etwa 70 Grad, wo die chemische Reaktion beginnt, bis zu etwa 100 Grad Celsius (oh, entschuldigen Sie, das ist das Falsche.) |
| |
auf etwa 100 Grad, ja. Also reduziert man die Gesamtspektren wieder auf eine Zahl, |
| |
Dies gibt der Entwicklung einen Hinweis darauf, wo diese chemische Reaktion beginnt. |
| |
Führen Sie die gleiche Analyse durch und auch die Daten … Sie haben die Daten bereits. Wenn Sie also die Schlüsselparameter extrahieren möchten, benötigen Sie auch die Rohdaten, sodass Ihnen auch die Rohdaten zur Verfügung stehen. |
| |
Es ist also nicht wirklich viel mehr Aufwand erforderlich, die Analyse im Functional Data Explorer mithilfe einer Standardregressionsmethode für Schlüsselparameter durchzuführen. |
| |
Also, |
| |
mit der gleichen Menge oder den gleichen Daten und mit dem Functional Data Explorer, um |
| |
Die Analyse der Daten und die Berechnung des Ergebnisses dauern nur wenige Sekunden. |
| |
Da ist es. |
| |
Auch hier können Sie jetzt das gesamte Spektrum modellieren, und was... also in diesem speziellen Fall habe ich dem Entwickler die Analyse der Schlüsselparameter nicht gezeigt, sondern ihm zuerst den Functional Data Explore gezeigt, die Ergebnisse des Functional Data Explorer. |
| |
Und als ich mich einfach bewegte... anfing, mich zu bewegen und ihnen das zu zeigen und anfing, die Einflussfaktoren zu bewegen, bemerkten sie sofort |
| |
dass sich der Punkt der Reaktion ändert. Ich musste ihnen also nicht sagen, dass sich die Punkte zu verschieben begannen, weil sie Experten auf diesem Gebiet sind ... Experten für die Spektrumdaten, |
| |
Sie haben sofort erkannt, dass sich der Beginn der chemischen Reaktion grundsätzlich verschiebt, wie Sie hier sehen können. Sie sehen, dass er sich zu verschieben beginnt. |
| |
Das andere, was Sie sehen, weil Sie jetzt im Grunde die gesamten Spektren modelliert haben, modellieren Sie nicht nur den Schlüsselparameter, was Sie sehen |
| |
dass sich das Erscheinungsbild der Spektren völlig verändert, wenn man sie bewegt. So werden sie beispielsweise sehen, dass sich der Peak zu bewegen begann und die Höhe des Peaks |
| |
Änderungen. Das wurde auch sofort erkannt, nachdem sie diese Analyse gesehen hatten. |
| |
Der Unterschied liegt im Schlüsselparameter. Wenn Sie die Möglichkeit auf einen Schlüsselparameter extrahieren, also eine Art chemische Reaktion, können Sie vielleicht einen anderen Schlüsselparameter verwenden. |
| |
Dies gibt Ihnen die Position des Optimums oder die Position des maximalen Peaks bzw. die Höhe des maximalen Peaks an. |
| |
Und dann können Sie die Spektraldaten in verschiedene Arten von Schlüsselparametern umwandeln, diese Schlüsselparameter anschließend analysieren und ihnen zeigen, wie sie ein Optimum berechnen. |
| |
Aber das Gute ist, wenn Sie den Functional Data Explorer verwenden, erhalten Sie alle diese Informationen in einem |
| |
Analyse. Und Sie hören, wie ich bereits erwähnt habe, auf zu sprechen, oder Sie... Sie sprechen nicht in Zahlen, sondern in ihrer Sprache der Spektraldaten, und Sie müssen diese Schlüsselparameter nicht mehr in ihre Welt der Spektren übersetzen. |
| |
Ja, und Sie erhalten im Functional Data Explorer viel mehr Informationen zu diesen Themen und vielleicht auch einen tieferen Einblick in die zugrunde liegenden Prozesse. |
| |
Ja, jetzt komme ich zum allerletzten und abschließenden Beispiel. Es ist die |
| |
Polymerisationsprozess, über den ich gesprochen habe, und der im Wesentlichen dazu dient, die Molekulargewichtsverteilung zu bestimmen, |
| |
Das Ergebnis einer Polymerisationsreaktion. Und wie bereits erwähnt, ist es auch bei der Bestimmung der Molekülverteilung typischerweise schwierig |
| |
um eine Verteilung auf bestimmte Schlüsselparameter zu reduzieren. Wie sieht also ein typisches Spektrum normalerweise aus? Nehmen wir also ein typisches Spektrum, das die Molmasse eines Polymers zeigt, also die Anzahl der sich wiederholenden Einheiten in einer Polymerkette. |
| |
Und das ist das Ergebnis der chemischen Reaktion und der Messung. Die Schlüsselparameter, die bekannt sind oder Schlüsselparameter darstellen, müssen Sie … |
| |
das ist die zahlendurchschnittliche Molmasse, die massendurchschnittliche Molmasse, die Z-durchschnittliche Molmasse und die Polydispersität, |
| |
Dies ist die massendurchschnittliche Molmasse geteilt durch die zahlendurchschnittliche Molmasse. |
| |
Dieser Parameter, der PDI, die Polydispersität, gibt Ihnen einen Hinweis auf die Breite oder die Größe der... oder die Breite Ihrer Molekulargewichtsverteilung. |
| |
Mit diesen vier Schlüsselparametern, die Sie aus Ihren Rohdaten oder Ihren Spektraldaten berechnen, stehen uns diese Daten bereits zur Verfügung, um |
| |
Berechnen Sie die wichtigsten Parameter. Sie können die Analyse erneut mit Standardtechniken durchführen, die nichts Besonderes sind. |
| |
Und dann erhalten Sie ein Modell über ... in diesem Fall sind es vier verletzende Parameter, in diesem Fall drei. Ich habe die Polydispersität nicht eingegeben. |
| |
unter drei Schlüsselparametern. Und Sie sehen, dass sich die zahlenmittlere Molmasse nicht wirklich stark ändert, wenn Sie diese vier Faktoren ändern. Der Einfluss dieser vier Faktoren auf die zahlenmittlere Molmasse ist also nicht allzu gering. Er ist ziemlich groß und ziemlich signifikant. |
| |
auf die durchschnittliche Molmasse, wie Sie hier sehen können. Man kann es also ziemlich verschieben, der Unterschied ist also ziemlich groß, insgesamt beträgt er etwa 150.000 ? pro Mol, der Unterschied zwischen der niedrigsten und der höchsten Einstellung. |
| |
Das bedeutet aber, dass sich diese Zahl ziemlich stark ändert, und das bedeutet auch nicht, dass Ihre Streuung variieren sollte oder sein sollte ... oder sich ziemlich stark ändern sollte. |
| |
Das Problem war, dass man aus dieser Zahl nicht erkennen konnte, wie die Verteilung aussieht. Sie gibt also keine Form an, und sagen wir, in unserem Fall ist es sehr wichtig, eine Form zu haben, weil sie |
| |
beeinflusst die Verarbeitbarkeit eines Polymers erheblich. |
| |
nur drei Zahlen und vielleicht die Polydispersität zu haben, gibt es Ihnen nichts oder sagt Ihnen nichts darüber, ob die Form... oder |
| |
ob die Verteilung eine monomodale, bimodale oder trimodale Verteilung ist oder nicht. |
| |
Was Sie sehen oder was Sie einfach über die Dispersität sagen könnten, gibt Ihnen vielleicht einen Hinweis auf die Breite der Verteilung, sagt Ihnen aber nicht, ob Sie einen, zwei oder drei Peaks haben. |
| |
Aber es gibt einen ziemlich großen Unterschied in den endgültigen Materialeigenschaften, die wir erhalten |
| |
des Polymers oder die Leistung unseres Klebebandes in der Entwicklung verändern. |
| |
Da Ihnen die Rohdaten bereits zur Verfügung standen, können Sie den Functional Data Explorer erneut verwenden, um diese Erkenntnisse zu gewinnen oder aus all diesen Daten allein anhand dieser Schlüsselparameter noch viel mehr Informationen abzurufen. |
| |
Auch hier dauert es ein paar Sekunden, aber dann sind Sie fertig. |
| |
Und noch einmal, es gibt nichts Besonderes an der Analyse, also auch am Anfang... die Bedienung des Functional Data Explorers ist nichts Besonderes, nichts |
| |
Außergewöhnliches, das Sie in Ihren Exporten als Y abrufen, Sie geben Ihre Proben-ID ein und dann Ihre Faktoren aus Ihrem DOE. |
| |
Reinstecken, Startknopf drücken und im Prinzip wars das. Und im Prinzip kannst du es jetzt... du kannst es mit den Modellparametern anpassen. |
| |
Es ist jedoch ein sehr einfaches und unkompliziertes Verfahren, und man erhält deutlich mehr Einblick in die zugrundeliegenden Aspekte, indem man die Daten auf einige Schlüsselparameter reduziert. In diesem Fall |
| |
Ich meine, ich habe Ihnen gezeigt, dass sich der eine Schlüsselparameter nicht wirklich stark ändert, der andere jedoch schon, aber er gibt Ihnen keine Form und somit auch keinen Hinweis oder Eindruck von der Verteilung. |
| |
In diesem Fall erhalten Sie durch die erneute Verwendung dieses Tools diese Erkenntnisse, denn Sie sehen, wie … bevor Sie den einen Punkt sehen, der sich stark verändert hat, hat sich der andere nicht stark verändert. |
| |
Wenn Sie jedoch beispielsweise in diesem Fall eine Art Änderung kennen. |
| |
Dieser Gipfel ähnelt eher einer Schulter, es ist nicht wirklich ein Gipfel, aber wenn Sie Ihre Einflussfaktoren ändern, kommen Sie an einen Punkt, an dem es tatsächlich einen Gipfel gibt. |
| |
Ja, es gibt also tatsächlich einen zweiten Peak, und das sagt Ihnen vielleicht etwas über den Polymerisationsmechanismus oder den zugrunde liegenden Polymerisationsmechanismus. |
| |
was Sie aus den Schlüsselparametern nicht erfahren, wenn Sie nur diese drei Zahlen betrachten, ja. |
| |
Aber hier könnte es Ihnen einen Hinweis geben oder Sie könnten beim Entwickler etwas auslösen, weil das sein Fachgebiet ist. Sie könnten etwas auslösen, das ihm hilft, den zugrunde liegenden Mechanismus zu verstehen und dann |
| |
hilft ihm, den nächsten Schritt zu tun oder hilft ihm, den nächsten Schritt besser zu tun, um die nächsten Experimente noch besser als zuvor zu planen, nur weil er diese Zahlen gesehen hat. |
| |
So, ich bin am Ende meiner... Präsentation meines Beispiels, also hoffe ich, dass ich Ihnen zeigen konnte, dass der Functional Data Explorer wirklich die Visualisierung der |
| |
Ergebnisse an Entwickler in ihrem Fachgebiet weitergeben. Bedenken Sie, dass die meisten Entwickler, sagen wir in unserem Fall, keine Datenwissenschaftler sind, also |
| |
Sie |
| |
glauben nicht oder sind vielleicht nicht so sehr daran interessiert, wie man zu den Ergebnissen kommt, aber sie sind mehr an den Ergebnissen interessiert und an der |
| |
Problem gibt es ... oder wenn der Functional Data Explorer, sagen wir, es Ihnen ermöglicht, in ihrer Sprache oder in ihrem Fachgebiet zu sprechen, das heißt in unserem Fall, da wir ein Chemieunternehmen sind, Spektraldaten, und Sie müssen nicht |
| |
Wertvolle Daten wegwerfen, um die Spektraldaten auf einige Schlüsselparameter zu reduzieren und die Analyse auf der Grundlage der Schlüsselparameter durchzuführen. |
| |
Man muss erklären, welche Schlüsselparameter tatsächlich... wie sie die Spektren beeinflussen, die Formen der Spektren, die Gestalt der Spektren, aber man kann einfach die Daten verwenden und dann |
| |
Sie werden beginnen, ihnen den Einfluss der von Ihnen untersuchten Faktoren auf die Form und Gestalt der Spektren und die Veränderungen der Spektren aufzuzeigen. |
| |
Und in vielen Fällen, in manchen Fällen, erhalten Sie vielleicht die gleichen Erkenntnisse, aber in vielen Fällen verschafft Ihnen die Analyse mithilfe der FDE oft viel mehr Erkenntnisse, sie gibt Ihnen einen tieferen Einblick in den zugrunde liegenden Mechanismus. |
| |
Und Sie müssen beim Reduzieren der Spektraldaten auf einige Schlüsselparameter beispielsweise nicht viele wertvolle Daten wegwerfen. |
| |
In diesem Sinne möchte ich Ihnen, meinen Kollegen aus der Forschungs- und Entwicklungsabteilung, für die Durchführung der gesamten experimentellen Arbeit danken, sodass ich hier vor Ihnen stehen und die schönen Ergebnisse präsentieren kann. Und |
| |
Ich bin mit meiner Präsentation fertig. Vielen Dank für Ihre Aufmerksamkeit. Bei Fragen stehen wir Ihnen gerne zur Verfügung. Vielen Dank. |
