| Oratore |
Trascrizione |
| Simon Stelzig |
Ok, ciao a tutti. Mi chiamo Simon Stelzig. Lavoro per Lohmann, gli ingegneri del bonding. Lavoro nel reparto ricerca e sviluppo e vorrei parlarvi di oggi del Functional Data Explorer e di come potete usarlo per visualizzare i risultati anche a chi non è un data scientist. |
| |
Quindi, prima di iniziare, una breve presentazione dell'azienda Lohmann. Forse non ne avete mai sentito parlare, ma usate o potreste aver incontrato i suoi prodotti quotidianamente. |
| |
Ecco alcuni dati e cifre su Lohmann. Lohmann ha registrato un fatturato di circa 600 milioni di euro nel 2019 e la divisione su cui lavoro è il Lohmann Tape Group, produttore di nastri adesivi. Si tratta principalmente di nastri biadesivi e siamo un'azienda puramente B2C, quindi... |
| |
Puoi acquistare solo i nostri prodotti quando... se operi nel settore industriale... per applicazioni industriali. Siamo piuttosto anziani, quindi quest'anno ricorrono circa 170 anni dalla fondazione dell'azienda Lohmann. |
| |
Siamo fondamentalmente divisi in due parti, quindi uno dei prodotti su cui sto lavorando è il nastro. Quello è il focus su |
| |
nastri adesivi per applicazioni industriali: questo è il nostro marchio per l'igiene. |
| |
E siamo attivi a livello globale. Abbiamo 25 sedi in tutto il mondo, con circa 1.800 dipendenti. E forse è molto interessante, |
| |
Il 90% dei nostri prodotti è personalizzato, pertanto disponiamo di un portafoglio prodotti piuttosto complesso, in cui molti prodotti sono concentrati su un numero molto limitato di applicazioni per un gruppo molto ristretto di clienti. |
| |
Quindi siamo il principale produttore di nastri adesivi o di nastri biadesivi e sappiamo che abbiamo moltissime applicazioni, e questo è il segmento di mercato in cui operiamo. |
| |
Una delle nostre applicazioni è quella industriale, principalmente per finestre e porte o per applicazioni interne ed esterne nel settore dell'edilizia e delle costruzioni. |
| |
Oppure potresti imbatterti nei prodotti Lohmann negli elettrodomestici e nei dispositivi elettronici, ad esempio, come i nastri adesivi per fissare la cover posteriore degli smartphone. O nel |
| |
Segmenti medicali principalmente per applicazioni diagnostiche e cura delle ferite. Nel settore dei trasporti, per l'automotive, forse per interni o esterni. |
| |
Adesione di emblemi sulle auto. Operiamo anche, ad esempio, nel settore grafico per applicazioni di stampa flessibili, dove forniamo nastri adesivi. |
| |
Per fissare la lastra di stampa sulle maniche. Una delle... una suddivisione del Gruppo Lohmann Tape è il marchio di prodotti per l'igiene, dove forniamo sistemi di chiusura per pannolini. |
| |
Quindi una gamma di applicazioni molto ampia e un altro punto che ho appena menzionato prima è che circa il 90% dei nostri prodotti è personalizzato. E un altro fatto su Lohmann è |
| |
che la nostra catena del valore è una catena del valore molto profonda, quindi se pensi a un nastro adesivo, hai bisogno di uno strato adesivo che |
| |
si incolla o si attacca al soggetto a cui si desidera aderire. |
| |
Hai bisogno di un supporto, facoltativamente un supporto che trasporti lo strato adesivo, e dall'altro lato, dato che siamo produttori di nastri biadesivi, hai di nuovo l'altro lato, |
| |
Uno strato adesivo. E la catena del valore di Lohmann inizia praticamente dall'inizio, quindi possiamo produrre il nostro polimero, ovvero il polimero di base per un adesivo. |
| |
Quindi dobbiamo formulare il polimero in una formulazione adesiva, che poi mettiamo nel passaggio successivo su un supporto, sotto forma di nastro adesivo sotto forma di |
| |
rotoli piuttosto grandi. E alla fine, così possiamo consegnarlo nella forma |
| |
Il cliente lo desidera. Quindi, se avete delle fustelle, magari degli emblemi per auto, avete bisogno di quel nastro adesivo. Non serve una forma specifica, noi forniamo quella forma specifica in base alle esigenze del cliente. |
| |
E la R&S si concentra principalmente sulle prime tre parti, quindi per la polimerizzazione, la formulazione del rivestimento e per ottenere, come ho detto, molti dei nostri prodotti sono personalizzati, per raggiungere il più velocemente possibile l'obiettivo di soddisfare le esigenze dei nostri clienti applichiamo |
| |
progettazione di esperimenti durante il corso |
| |
per arrivare al prodotto finale e soddisfare le esigenze dei nostri clienti. |
| |
E avendo un sacco di |
| |
Anche la progettazione di esperimenti o l'esecuzione di molti esperimenti in generale fornisce molti dati. |
| |
E quando si fanno questi esperimenti o si progettano esperimenti in quel corso, ed essendo un'azienda chimica, si ottengono molti dati, molti spettri, nei risultati degli esperimenti. |
| |
Quindi, la maggior parte dei nostri esperimenti fornisce...non fornisce un valore, non fornisce un numero, fornisce uno spettro. |
| |
E, nella maggior parte dei casi, se si vogliono fare gli esperimenti, come nel mio caso, io sono, diciamo, lo scienziato dei dati che fornisce il servizio di pianificazione di quegli esperimenti e di analisi |
| |
esperimenti e svolgere l'intera analisi dei dati per i miei colleghi, che in tal caso potrebbero non essere degli scienziati dei dati. |
| |
Sono gli sviluppatori del prodotto finale e mi assumono come collaboratore per occuparmi di tutte le analisi dei dati. Nella maggior parte dei casi, da questi dati spettrali si estraggono parametri chiave che descrivono i dati spettrali. |
| |
Potrebbe essere, nel caso della polimerizzazione, che potrebbe essere la distribuzione del peso molecolare, potrebbe significare la dimensione del tuo |
| |
polimero che otteniamo dalla reazione, che potrebbe essere l'inizio di una reazione per rilevare il tipo di reazione tramite qualche mezzo di misurazione o qualcos'altro. |
| |
Quindi, se si esegue l'analisi dei dati, si estraggono quei parametri chiave e si esegue l'analisi, il più delle volte nell'analisi DOE classica, su quei parametri chiave. |
| |
COSÌ |
| |
in quanto data scientist, quindi, per rendere un servizio ai miei colleghi sviluppatori, eseguo questa analisi su quei parametri chiave. |
| |
Forniscono anche a me le esigenze del cliente e tu vuoi soddisfare le esigenze di questi clienti, il punto ottimale in cui vuoi che sia la tua formulazione o il tuo prodotto o che vuoi raggiungere. |
| |
Dopo aver fatto questo, aver effettuato l'analisi, aver effettuato l'ottimizzazione, a un certo punto tu vai dai tuoi, o io vado dai miei colleghi e presento i risultati. |
| |
E poiché ho effettuato tutte le analisi sui parametri chiave, presento anche i risultati su tali parametri chiave. |
| |
Il problema è che, sebbene i miei colleghi dello sviluppo o i miei team di progetto siano esperti nel settore... esperti nelle loro competenze, ma non esperti di scienza dei dati. |
| |
Quindi il problema qui è che se faccio l'analisi sui parametri chiave e parlo anche nel linguaggio dei parametri chiave, ma loro sono esperti nel loro campo di competenza, |
| |
loro continuano a pensare agli spettri perché è allora che sono stati condotti gli esperimenti, è questa l'analisi che ottengono, vedono spettri dove io vedo numeri. |
| |
Rimane sempre il problema che, se presento i risultati e l'analisi in parametri chiave, loro continuano a pensare in termini di spettri. |
| |
Quindi hai sempre il problema di parlare in lingue diverse. Io parlo il linguaggio dei numeri, loro parlano il linguaggio degli spettri, |
| |
il che porta al problema di dover tradurre quei numeri nella loro area di competenza, ovvero gli spettri. |
| |
Oppure, devo tradurre questi parametri chiave nel loro linguaggio, ovvero gli spettri. Fortunatamente, con Functional Data Explorer, si ha una sorta di traduttore universale che risolve questo tipo di problema. |
| |
Ciò che faccio o voglio mostrarvi oggi, con tre esempi, è come Functional Data Explorer vi aiuti notevolmente a superare questa barriera o barriera linguistica tra gli scienziati dei dati che parlano di numeri e gli sviluppatori che pensano e parlano in termini di spettri. |
| |
In un esempio, quindi il primo esempio che voglio mostrarvi, è un esempio molto semplice, molto banale, forse su una misurazione che descrive la qualità di stampa nella stampa frattale |
| |
esperimento. Il secondo descrive una misurazione che definisce una sorta di reazione chimica. E ce n'è un terzo; è una misurazione che fornisce il peso molecolare di un polimero. |
| |
durante una reazione di polimerizzazione. Ora smetto di usare PowerPoint e passo a JMP, eccolo qui. |
| |
Quindi, il primo esempio che ho mostrato... come ti ho detto, è l'analisi della qualità di stampa. Quindi esegui la misurazione e lo spettro ideale e perfetto sarebbe un |
| |
una linea retta che passa per l'origine con pendenza pari a 1. Quindi questa sarebbe l'ideale se si raggiungesse quella perfezione, quindi è una misurazione, questa volta la qualità di stampa. |
| |
Normalmente, quello che si ottiene... normale, è un ambiente di vita reale. Otteniamo qualcosa che non sembra proprio una linea retta, ma è leggermente spostata verso un valore più alto, quindi non è una linea... è piegata verso l'alto. |
| |
Quindi cosa vuoi fare con queste informazioni? Vogliamo vedere, o vuoi che tu, estrapolare quali parametri spostano o piegano la curva verso l'alto, rendendola non ideale. |
| |
Quindi passo ai parametri chiave di ciò che definiremmo parametri chiave, ovvero la differenza tra una linea retta e la linea effettiva che si ottiene. Quindi è piuttosto semplice, basta usare |
| |
la differenza...è una parte della differenza con questo punto. |
| |
Quindi, se si esegue l'analisi sui parametri chiave, è anche... è un'analisi molto semplice. Uso un albero decisionale per ottenere... per ottenere la schermata qui, quale parametro influenza di più, questo si allontana dallo spettro ideale ed è piuttosto semplice. Abbiamo circa 22 fattori influenzanti. |
| |
Eccone uno che fondamentalmente ha un'influenza su alcuni o influenza questo allontanamento da questa situazione ideale. |
| |
E si chiama X 22, qualunque cosa sia, non ha importanza. Quindi a un certo punto, se si muove... |
| |
se è più grande di un certo valore, ottieni diciamo un numero di 250, se si muove al di sotto di quel certo valore, ottieni 196, il problema è che se lo hai detto allo sviluppo... se lo hai mostrato a un'analisi di sviluppo, |
| |
ti chiederà se il 196 è buono o se il 254 è ancora buono o se è pessimo o se è adatto o qualcosa del genere. |
| |
Il problema è che con il numero puro non si vede davvero, perché lui sta parlando in un modo diverso... in un'area diversa e con una lingua diversa. |
| |
E l'utilizzo di Functional Data Explorer può davvero aiutarti notevolmente a rispondere alla domanda, perché se passi a Functional Data Explorer ed esegui la stessa analisi nei dati nella funzione... con Functional Data Explorer, |
| |
Ottieni qualcosa che mostra questo. Quindi mostra a te, a lui o allo sviluppatore che gli hai mostrato... gli mostri il grafico. Il grafico a cui è abituato, quello che normalmente ottiene dalle sue misurazioni o dai suoi esperimenti, gli esperimenti che fa. |
| |
La stessa cosa ora se, ad esempio, hai lo stesso parametro che influenza la forma della curva, ma se non ti piace quello che mostra quello con il 250, |
| |
Dall'analisi del parametro chiave, se fosse 250, sarebbe 196 e si vede la differenza. Voglio dire, non è proprio una linea retta. |
| |
Ma se si sposta verso il basso come il numero più basso, che mostra il numero prima che vogliono mantenere da, 196, |
| |
non sembra così male quindi...non è proprio, voglio dire, una specie di linea retta perfetta, ma non è così, non così tanto...non è lontano dall'essere |
| |
una linea retta e forse a quel punto, se mostri questo tipo di analisi ai non scienziati dei dati, allo sviluppatore, |
| |
Forse per lui è già abbastanza, forse quel punto in cui dici "ok, non è una linea retta, non è perfetto", ma è... è buono per il lavoro. |
| |
In pratica, soddisfa le esigenze del cliente. E questo è qualcosa che non si capisce dal numero puro che gli mostri. Quindi, in questo caso, è un esempio molto banale, molto semplice. |
| |
ma spero che vi dia l'idea che l'utilizzo di Functional Data Explorer vi consenta di parlare il linguaggio degli esperti, dei non esperti di dati, magari dello sviluppatore del materiale. |
| |
E parlare nella sua area o nella sua lingua lo aiuta ad avere questa intuizione e non deve tradurre il numero in una intuizione in uno spettro, ma lui la vede e forse ottiene la risposta di cui ha bisogno. |
| |
Quindi, ancora una volta, un esempio molto banale, molto semplice, ma che capisco... Spero che vi mostri l'essenza di cosa sia la funzione Data Explorer o che vi aiuti a realizzare. |
| |
Quindi, passando al secondo esempio, questo è l'inizio della reazione chimica che vuoi rilevare. |
| |
E lo facciamo eseguendo la misurazione ??? e vogliamo vedere una variazione del modulo durante... se riscaldiamo una certa formulazione chimica. Normalmente ci sono due grandi spettri; lo spettro apparirebbe così, |
| |
dove, a un certo punto, il modulo cambia, sale bruscamente. Normalmente, questo è il punto in cui inizia la reazione chimica. Quindi il parametro chiave, che si estrae da quegli spettri, è il punto in cui il modulo inizia a salire bruscamente. |
| |
IL |
| |
Il parametro chiave per un buon estratto è il punto in cui trovare il punto. Ora, potrebbe essere un po' più complicato calcolare un punto a partire dai dati grezzi originali, ma è comunque possibile farlo, controllando il punto in cui inizia la reazione e quindi effettuando l'analisi sul parametro chiave. |
| |
Facendo ciò, |
| |
Ciò che si ottiene da questa analisi sul parametro chiave è un modello che consente di prevedere il tipo di reazione chimica basandosi, in questo esempio, su cinque parametri. Quindi, |
| |
Vedrò. Okay, il punto di... il punto di questi parametri chiave all'inizio della reazione chimica è... potrebbe dipendere da questi... dipende da questi tre parametri. |
| |
e sostanzialmente si ottiene un intervallo che va da circa 70 gradi, dove inizia la reazione chimica, fino a circa 100 gradi Celsius (oh, mi dispiace, ho sbagliato temperatura). |
| |
a circa 100 gradi, sì. Quindi, di nuovo, si riduce lo spettro totale a un numero, |
| |
fornendo allo sviluppo un indizio su dove inizia questa reazione chimica. |
| |
Facendo la stessa analisi e anche i dati...hai già i dati, quindi se vuoi estrarre i parametri chiave, hai bisogno anche dei dati grezzi, quindi hai a disposizione anche i dati grezzi. |
| |
Quindi non...non è poi così impegnativo...è piuttosto impegnativo effettuare l'analisi all'interno di Functional Data Explorer utilizzando un metodo di regressione standard sui parametri chiave. |
| |
COSÌ, |
| |
utilizzando la stessa quantità o gli stessi dati e utilizzando Functional Data Explorer per |
| |
analizzare i dati richiede solo un paio di secondi per calcolare il risultato. |
| |
Eccolo lì. |
| |
Di nuovo, ora puoi modellare l'intero spettro e... quindi, in quel caso particolare, non ho mostrato allo sviluppatore l'analisi sui parametri chiave, ma gli ho mostrato prima Functional Data Explore, i risultati di Functional Data Explorer. |
| |
E quando mi sono appena trasferito...ho iniziato a muovermi e a mostrarglielo e ho iniziato a muovermi intorno ai fattori influenti, loro se ne sono accorti immediatamente |
| |
che il punto della reazione cambia. Quindi non ho dovuto dire loro che i punti hanno iniziato a muoversi perché sono gli esperti del settore... sono gli esperti dei dati dello spettro, |
| |
hanno subito riconosciuto che sostanzialmente l'inizio della reazione chimica cambia, come potete vedere qui, vedete che inizia a cambiare. |
| |
L'altro è ciò che vedi, perché ora hai sostanzialmente modellato gli spettri completi, non modelli solo il parametro chiave, ciò che vedi |
| |
che l'aspetto dello spettro cambia completamente se lo si sposta. Quindi, ad esempio, vedranno che il picco ha iniziato a muoversi e l'altezza del picco |
| |
cambiamenti. Questo è stato un aspetto che è stato riconosciuto subito dopo aver visto questa analisi. |
| |
E la differenza sta nel parametro chiave: se si estrae la possibilità da un parametro chiave, che significa una sorta di reazione chimica, si possono usare altri parametri chiave, forse. |
| |
indicandoti la posizione dell'ottimo o la posizione del picco massimo qui o l'altezza del picco massimo. |
| |
E poi è possibile utilizzare i dati spettrali in diversi tipi di parametri chiave, analizzando successivamente tali parametri chiave e mostrandoli, per calcolare un valore ottimale. |
| |
Ma la cosa positiva è che, se si utilizza Functional Data Explorer, tutte queste informazioni vengono raccolte in un unico |
| |
analisi. E tu, come ho detto prima, smetti di parlare o... non parli più in termini numerici, ma parli nel loro, o parli nel loro linguaggio dei dati spettrali e non devi più tradurre questi parametri chiave nel loro mondo degli spettri. |
| |
Sì, e quindi si ottengono molte più informazioni su questi in Functional Data Explorer e forse si ottiene una comprensione più approfondita dei processi sottostanti. |
| |
Sì, ora arrivo all'ultimo e ultimo esempio. È il |
| |
processo di polimerizzazione di cui parlavo e che consiste fondamentalmente nel determinare la distribuzione del peso molecolare, |
| |
che deriva dalla reazione di polimerizzazione. E ancora, come ho detto, determinare la distribuzione molecolare è in genere complicato. |
| |
Per ottenere o ridurre un'intera distribuzione in determinati parametri chiave. Quindi, come si presenta normalmente uno spettro tipico? Mettiamo a punto il nostro spettro tipico che mostra la massa molare di un polimero, in modo da ottenere il numero di unità ripetute presenti in una catena polimerica. |
| |
E questo è ciò che si ottiene dalla reazione chimica e dalla misurazione. Quindi i parametri chiave, che sono ben noti o un parametro chiave, devono... |
| |
questa è la massa molare media numerica, e la massa molare media in massa, la massa molare media Z e la polidispersità, |
| |
che è la massa molare media divisa per la massa molare media numerica. |
| |
Quel parametro, il PDI, la polidispersità, fornisce un'indicazione dell'ampiezza o della dimensione della...o della larghezza della distribuzione del peso molecolare. |
| |
Di nuovo, avendo questi quattro parametri chiave che calcoli dai tuoi dati grezzi o dai tuoi dati spettrali, di nuovo abbiamo già quei dati disponibili per |
| |
Calcola i parametri chiave. Puoi ripetere l'analisi utilizzando tecniche standard, niente di speciale. |
| |
E poi ottieni un modello su...questo caso, sono quattro parametri che violano il tuo, in questo caso tre, non ho inserito la polidispersità, |
| |
In base a tre parametri chiave. E vedete... quello che vedete è che la massa molare media numerica non cambia molto se si modificano questi quattro fattori, quindi l'influenza di questi quattro fattori sulla massa molare media numerica non è minima. È piuttosto grande e significativa. |
| |
sulla massa molare media, come potete vedere qui. Quindi potete spostarla abbastanza, quindi la differenza è piuttosto grande, quindi è di circa 150.000 μg per mole in totale, la differenza tra l'impostazione più bassa e quella più alta. |
| |
Ma, nel senso che questo, che questo numero cambia in modo abbastanza significativo, questo non significa nemmeno che la tua dispersione dovrebbe variare o dovrebbe essere... o dovrebbe cambiare molto. |
| |
Il problema è che non si vede da questo numero come appare la distribuzione, quindi non ti dà la forma, e diciamo, nel nostro caso, è molto importante avere una forma perché |
| |
influisce in modo piuttosto drammatico sulla lavorabilità di un polimero. Quindi |
| |
avendo solo tre numeri e forse la polidispersità, non ti dà o non ti dice se la forma...o |
| |
se la distribuzione è quella distribuzione monomolecolare, bimodale, trimodale o altro. |
| |
Ciò che vedi, o la semplice disperdibilità, può darti un'indicazione dell'ampiezza della distribuzione, ma non ti dice se hai un picco, due picchi o tre picchi. |
| |
Ma c'è una differenza notevole nelle caratteristiche finali del materiale che otteniamo |
| |
del polimero o modificare le prestazioni del nostro nastro adesivo in fase di sviluppo. |
| |
Ora, di nuovo, poiché hai già a disposizione i dati grezzi, puoi utilizzare nuovamente Functional Data Explorer per ottenere queste informazioni o ricavare molte più informazioni da questi... tutti questi dati solo da quei parametri chiave. |
| |
Anche in questo caso, ci vogliono un paio di secondi, ma poi è tutto fatto. |
| |
E, ancora una volta, non c'è niente di complicato nell'analisi, quindi anche per quanto riguarda l'inizio... per utilizzare Functional Data Explorer non c'è niente di complicato, niente |
| |
fuori dall'ordinario, che inserisci nelle tue esportazioni come Y, inserisci il tuo ID campione, quindi inserisci i tuoi fattori dal tuo DOE. |
| |
Inseriscili, premi il pulsante di avvio e il gioco è fatto. E ora puoi praticamente... adattarlo ai parametri del modello. |
| |
Ma è una procedura molto semplice e diretta e, ancora una volta, si ottiene una comprensione molto più approfondita delle parti sottostanti di interesse, semplicemente riducendo tutti quei dati ad alcuni parametri chiave. In tal caso, |
| |
Voglio dire, dopo averti mostrato che un parametro chiave non cambia molto, l'altro sì, ma non ti dà la forma, quindi non ti dà un'indicazione o una sensazione sulla distribuzione. |
| |
In tal caso, utilizzare nuovamente questo strumento ti fornisce questa intuizione, perché se vedi come... prima di vedere quel punto che cambia molto, l'altro non cambiava. |
| |
Se conosci una sorta di cambiamento, però, ad esempio, in quel caso. |
| |
Quel picco è più simile a una spalla, non è propriamente un picco, ma se si modificano i fattori che lo influenzano si arriva al punto in cui effettivamente raggiunge un picco. |
| |
Sì, quindi ottiene davvero un secondo picco, e questo ti dice qualcosa forse sul meccanismo di polimerizzazione o sul meccanismo di polimerizzazione sottostante. |
| |
cosa che non si ottiene dai parametri chiave, guardando solo quei tre numeri, sì. |
| |
Ma qui, potrebbe darti un'indicazione o potresti innescare qualcosa nello sviluppatore, perché è la sua area di competenza. Potresti innescare qualcosa che lo aiuti a comprendere il meccanismo sottostante e poi |
| |
lo aiuta a fare il passo successivo o lo aiuta a fare meglio il passo successivo per pianificare i prossimi esperimenti ancora meglio di prima, semplicemente avendo visto questi numeri. |
| |
Bene, quindi sono alla fine del mio...presentando il mio esempio, quindi spero di poterti mostrare che Functional Data Explorer consente davvero la visualizzazione del |
| |
risultati per gli sviluppatori nel loro settore di competenza. Voglio dire, tieni presente che la maggior parte, diciamo nel nostro caso, degli sviluppatori non sono data scientist, quindi |
| |
Essi |
| |
non credono o forse non sono così interessati a come arrivare ai risultati ma sono più interessati ai risultati e al |
| |
problema c'è...o se il Functional Data Explorer, diciamo, ti consente di parlare nella loro lingua o nella loro area di competenza, ciò significa, nel nostro caso, essere un'azienda chimica, dati spettrali e non devi |
| |
eliminare dati preziosi per ridurre i dati spettrali in alcuni parametri chiave ed eseguire l'analisi su parametri chiave. |
| |
Dovendo spiegare quali sono i parametri chiave in realtà...come influenzano gli spettri, le forme degli spettri, la forma degli spettri, ma puoi semplicemente usare i dati e poi |
| |
inizierai a mostrare loro come questi fattori influiscono sulla forma e sulla configurazione degli spettri e come gli spettri cambiano. |
| |
E in molti casi, in alcuni casi, potresti ottenere la stessa intuizione, ma in molti casi, l'analisi, utilizzando l'FDE, spesso fornisce informazioni molto più approfondite, fornisce una visione più approfondita del meccanismo sottostante. |
| |
E non è necessario, diciamo, buttare via un sacco di dati preziosi durante il processo di riduzione dei dati spettrali in alcuni parametri chiave. |
| |
Con questo, vorrei ringraziare voi, i miei colleghi del dipartimento di ricerca e sviluppo, per aver svolto tutto il lavoro sperimentale, così posso presentarvi qui i bei risultati. E |
| |
Ho terminato la mia presentazione. Grazie mille per l'attenzione. Se avete domande, non esitate a contattarmi. Grazie mille. |
