756645_ja-JP

liliconcom

機能データエクスプローラー：非データサイエンティスト向けの結果の視覚化（2021-EU-30MP-765）

ローマン社データ駆動型開発責任者、サイモン・ステルツィグ氏

接着剤の配合とテープ開発の過程において、開発者はデータサイエンティストの支援を受けながら、実験計画法、履歴データの分析、あるいは予備的な試行錯誤から得られたデータの分析を行います。そのため、データスペシャリストは非専門家と結果について話し合い、複雑なデータ分析を分かりやすく提示する必要に迫られます。特にスペクトルデータの分析では、データは分析のためにいくつかの特徴的な数値にまで縮減されることがよくあります。しかし、開発者は依然として数値ではなくスペクトルで考えており、結果の視覚化と解釈は困難です。Functional Data Explorerは、このような分析を実行し、結果をスペクトルのような形で視覚化するための優れたツールです。例えば、Functional Data Explorerを用いて、構造用接着テープのレオロジー挙動、すなわち反応開始の配合成分への依存性を分析します。また、感圧接着剤の合成における分子量分布のプロセスパラメータへの依存性の分析も行います。どちらの場合も、結果として得られる予測スペクトルは、開発者が洞察力を獲得し、メカニズムの理解を深めるのに大いに役立ちます。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
サイモン・ステルツィグ	皆さん、こんにちは。Simon Stelzigです。Lohmann社のボンディングエンジニアです。研究開発部門に所属しています。今日はFunctional Data Explorerについて、そしてデータサイエンティスト以外の方にも結果を視覚化するためにFunctional Data Explorerをどのように活用できるかについてお話ししたいと思います。
	さて、本題に入る前に、ローマンという会社について少しご紹介させてください。ご存知ない方もいらっしゃるかもしれませんが、毎日のようにローマンの製品をお使いになったり、目にしたりされている方もいらっしゃるかもしれません。
	ローマンについて、いくつか事実と数字をお話しします。ローマンの2019年の売上高は約6億ユーロで、私が所属しているのはローマン・テープ・グループです。粘着テープを製造しています。主に両面粘着テープを製造しており、純粋なB2C企業です。
	産業用途であれば、当社の製品のみをご購入いただけます。当社は歴史が古く、今年はローマン社が創業して約170周年を迎えます。
	私たちは基本的に2つの部門に分かれていて、そのうちの1つはテープ製品で、私はそこに注力しています。
	工業用途の粘着テープであり、それが当社の衛生ブランドです。
	私たちはグローバルに事業を展開しています。世界中に25の拠点があり、約1,800人の従業員を抱えています。そして、興味深いことに、
	当社の製品の 90% はカスタマイズされているため、非常に複雑な製品ポートフォリオとなっており、非常に少数の顧客グループ向けの非常に少数のアプリケーションに重点を置いた製品が多数あります。
	当社は粘着テープ、特に両面粘着テープのトップメーカーであり、多くの用途があり、これが当社の市場セグメントです。
	当社の製品の一つは産業用途です。主に窓やドア、あるいは建築・建設分野の屋内外の用途に使用されています。
	あるいは、スマートフォンの背面カバーを固定するための粘着テープなど、家電製品や電子機器にもローマン製品が使われているかもしれません。
	医療分野では主に診断用途、創傷ケアに使用されます。輸送分野では…自動車の内装または外装に使用されます。
	車のエンブレムの接着。また、例えば、フレキシブル印刷用途のグラフィック業界では、粘着テープを提供しています。
	スリーブに印刷版を固定します。ローマンテープグループの事業部の一つは、おむつ用のクロージャーシステムを提供する衛生用品ブランドです。
	非常に幅広い用途があり、先ほども申し上げましたが、当社の製品の約90%はカスタマイズされています。そしてローマンのもう一つの特徴は
	私たちのバリューチェーンは非常に深いバリューチェーンです。粘着テープを考えてみると、粘着層が必要です。
	貼り付けたい対象物に接着または貼り付けます。
	キャリアが必要です。オプションで粘着層を載せるキャリアが必要です。そして反対側には、私たちは両面粘着テープを製造しているので、反対側には、
	接着層です。ローマンのバリューチェーンは基本的に最初から始まっているので、接着剤のベースポリマーであるポリマーを独自に開発することができます。
	次に、ポリマーを接着剤配合物に配合し、次の工程でキャリアに接着テープの形で貼り付けます。
	かなり大きなロールです。そして最後に、この形でお届けできるように
	お客様がそれを望まれるのです。例えば、ダイカットや車のエンブレムなど、粘着テープが必要なら、特定の形状は必要ありません。お客様のご要望に応じて、特定の形状で納品いたします。
	研究開発は主に最初の3つの部分、つまり重合、コーティングの配合、そして、先ほども申し上げたように、多くの製品がカスタマイズされているため、お客様のご要望をできるだけ早く満たす目標に到達するために、私たちは
	コース全体を通しての実験計画
	最終製品を完成させ、顧客の要件を満たすことを目指しています。
	そして、たくさんの
	実験を計画したり、全体的に多くの実験を行ったりすることでも、大量のデータが得られます。
	そして、そのコースでこれらの実験や実験の設計を行うと、化学会社として、実験結果の中で大量のデータ、大量のスペクトルが得られます。
	つまり、私たちの実験のほとんどでは、値や数字は得られず、スペクトルが得られます。
	そして、ほとんどの場合、私の場合のように実験をしたい場合、私は、いわば実験を計画し分析するサービスを提供するデータサイエンティストです。
	実験や、その場合、データ サイエンティストではない同僚のために全体的なデータ分析を実行します。
	彼らは最終製品の開発者であり、データ分析に関わるすべての時間を私に任せています。ほとんどの場合、スペクトルデータから、スペクトルデータを説明する主要なパラメータを抽出します。
	それは、重合の場合、分子量分布を意味するかもしれません。
	反応から得られるポリマーは、測定手段やその他の手段によって反応の種類を検出する反応の始まりである可能性があります。
	したがって、データ分析で分析を行う場合は、それらの主要なパラメータを抽出し、それらの主要なパラメータに対して、ほとんどの場合、従来の DOE 分析で分析を実行します。
	それで
	私はデータ サイエンティストとして、同僚である開発者へのサービスとして、これらの主要なパラメータに基づいて分析を行っています。
	彼らは私にも顧客の要件を伝え、あなたはこれらの顧客の要件を満たしたいと考えています。彼らはあなたの処方や製品がどこにあるか、あるいは到達したいかの最適なところを私に伝えます。
	これを実行し、分析を実行し、最適化を実行した後、ある時点で、あなたは自分の、または私は自分の同僚のところに行き、結果を発表します。
	主要なパラメータに関する分析をすべて実行したので、それらの主要なパラメータに関する結果も提示します。
	問題は、私の開発同僚やプロジェクト チームは、その分野の専門家ではありますが、専門分野の専門家ではあっても、データ サイエンスの専門家ではないということです。
	ここで問題となるのは、私が主要なパラメータの分析を行い、主要なパラメータの言語で話しても、彼らは専門分野の専門家として、
	彼らはまだスペクトルについて考えています。なぜなら、実験が行われたのはスペクトルであり、彼らが得た分析結果はスペクトルであり、私が数字を見るところで彼らはスペクトルを見ているからです。
	結果と分析を主要なパラメータで提示しても、彼らは依然としてスペクトルで考えているという問題が常に残ります。
	ですから、常に異なる言語で話すという問題があります。私は数字の言語で話しますが、彼らはスペクトルの言語で話します。
	すると、それらの数値をスペクトルという専門分野に翻訳しなければならないという問題が発生します。
	あるいは、これらの主要なパラメータをスペクトルを表す言語に翻訳する必要があります。幸いなことに、Functional Data Explorerは、そのような問題を解決するための万能翻訳ツールです。
	本日は、3 つの例を用いて、Functional Data Explorer が、数字で話すデータ サイエンティストとスペクトルで考え話す開発者との間の障壁、つまり言語の壁を克服するのにどのように役立つかを説明します。
	一つの例として、私が皆さんにお見せしたい最初の例は、非常に単純で些細な例ですが、フラクタル印刷における印刷品質を表す測定に関するものです。
	実験です。2つ目は、ある種の化学反応を定義する測定値です。そして3つ目は、ポリマーの分子量を示す測定値です。
	重合反応中のものです。PowerPointの使用はここで止めて、JMPに切り替えます。はい、あります。
	最初の例は、先ほどお話ししたように、印刷品質の分析です。測定を行うと、理想的で完璧なスペクトルは次のようになります。
	原点を通る、傾き 1 の非常に直線です。この完璧さに到達できれば理想的です。今回は 1 つの測定値、つまり印刷品質です。
	通常、得られるのは…普通、現実の環境です。得られるものは、実際には直線ではなく、少し高い値にシフトしたもので、直線ではなく、上向きに曲がっています。
	では、その情報を使って何をしたいですか？ どのパラメータが基本的に曲線を上向きに動かしたり曲げたりして、理想的ではない状態にしているのかを確認したい、あるいは検査したいのです。
	では、キーパラメータとは何か、つまり、直線と実際に得られる直線の差について考えてみましょう。これはとても簡単で、
	違いは...この点に関していくつかの違いがあります。
	主要なパラメータについて分析を行うと、これも非常にシンプルな分析になります。決定木を使って、どのパラメータが最も影響を与えているか、つまり理想的なスペクトルからどれだけ離れているかを画面に表示します。これは非常にシンプルです。影響要因は約22個あります。
	基本的に、一部の人々に影響を与えたり、この理想的な状況から逸脱する影響を与えたりするものが 1 つあります。
	これはX 22という名前ですが、名前が何であろうと、それはあまり重要ではありません。だから、もしある時点でこれが動いたら…
	ある値より大きい場合は、例えば250という数値が返され、その値を下回ると196という数値が返されます。問題は、これを開発部門に伝えた場合、開発分析部門に見せた場合、
	彼はあなたに、196 は良いのか、それとも 254 はまだ良いのか、それとも非常に悪いのか、それともおそらく適切であり、ある程度適切であるかを尋ねます。
	問題は、純粋な数字ではそれが実際には見えないことです。なぜなら、彼は異なる種類の、異なる分野の、異なる言語で話しているからです。
	しかし、Functional Data Explorerを使用すると、この質問に答えるのに非常に役立ちます。Functional Data Explorerに移動して、関数内のデータで同じ分析を行うと、Functional Data Explorerでは、
	こんな感じのグラフが表示されます。つまり、あなた、彼、あるいはあなたが彼に見せた開発者にグラフを見せます。彼が慣れ親しんでいるグラフは、通常、彼が測定や実験、つまり実際に行っている実験から得られるものです。
	例えば、同じパラメータが曲線の形状に影響を与える場合、250のパラメータが表示され、
	分析の結果、重要なパラメータは250ですが、実際には196となり、その差が分かります。つまり、直線ではないということです。
	しかし、もしそれが下の方に移動すると、それは彼らが保持したい前の数字、196を示します。
	見た目はそれほど悪くないので、完璧な直線というわけではないのですが、それほど、それほど…それほど遠くないのです
	直線で、その時点で、この種の分析をデータサイエンティスト以外の開発者に示すと、
	彼にとってはそれで十分かもしれません。その時点で、あなたは「これは直線ではないし完璧でもないけど、仕事にはいい」と言うかもしれません。
	基本的に、それは顧客のニーズに合致しています。そして、それはあなたが示す単なる数字からは顧客には分からないものです。つまり、これは非常に些細な、非常に単純な例です。
	しかし、Functional Data Explorer を使用すると、専門家、非データ サイエンティスト、あるいは素材の開発者の言語で会話できるようになるという本質が伝われば幸いです。
	そして、あなたが彼の地域や言語で話していると、彼は洞察力を得ることができ、数字を洞察力やスペクトルに翻訳する必要はありませんが、彼はそれを見て、必要な答えを得ることができるかもしれません。
	もう一度、非常に些細で単純な例ですが、これでデータの本質がわかると思います。Function Data Explorer が、データの実現に役立つと思います。
	それで、2 番目の例に移ります。これが、検出したい化学反応の始まりです。
	測定は???で行います。特定の化学組成を加熱した場合の弾性率の変化を調べたいのです。通常、2つの大きなスペクトルがあります。スペクトルは次のようになります。
	ある点を過ぎると弾性率は変化し、急激に上昇します。通常、ここで化学反応が始まります。つまり、スペクトルから抽出する重要なパラメータは、弾性率が急激に上昇し始める点です。
	その
	良好な抽出のための重要なパラメータは、そのポイントを見つけるためのポイントです。元の生データからポイントを計算するのは少し複雑かもしれませんが、それでも、反応が始まるポイントを確認し、重要なパラメータに基づいて分析を行うことは可能です。
	そうすることで、
	この主要パラメータの分析から得られるのは、この例では5つのパラメータに基づいて化学反応の種類を予測できるモデルです。つまり、
	わかりました。化学反応の開始時に重要なパラメータが重要なポイントになるのですが、それは…これら3つのパラメータによって決まるのかもしれません。
	基本的に、化学反応が始まる 70 度程度から 100 度程度までの範囲になります (ああ、すみません、それは間違いです)。
	約100度です。つまり、スペクトル全体を一つの数字にまとめると、
	この化学反応がどこから始まるのかを開発者に知らせる手がかりを与えます。
	同じ分析を行い、データも取得します。すでにデータが存在するため、主要なパラメータを抽出するには生データも必要になります。つまり、生データも利用可能になります。
	したがって、主要なパラメータに対して標準的な回帰法を使用して、Functional Data Explorer 内で分析を実行するのに、それほど多くの労力はかかりません。
	それで、
	同じ量または同じデータを使用し、機能データエクスプローラを使用して
	データの分析と結果の計算には数秒しかかかりません。
	そこにあるよ。
	もう一度言いますが、これでスペクトル全体をモデル化できるようになりました。この特定のケースでは、開発者に主要なパラメータの分析は示しませんでしたが、最初に機能データ エクスプローラ、つまり機能データ エクスプローラからの結果を示しました。
	そして私が動き回って、彼らにこれを見せ、影響を与える要因を動き回り始めたとき、彼らはすぐに気づきました
	反応点が変化するということです。彼らはスペクトルデータの専門家なので、点が動き始めたことを伝える必要はありませんでした。
	彼らはすぐに、基本的に化学反応の開始が変化していることを認識しました。ここでわかるように、変化し始めているのがわかります。
	もう1つは、基本的に全スペクトルをモデル化したので、キーパラメータをモデル化するだけでなく、
	スペクトルの見え方が全く変わることを確かめてください。例えば、ピークが動き始め、ピークの高さが変化するのを観察できます。
	変化です。この分析を見た後、彼らもすぐにそのことに気付きました。
	そして、違いは主要なパラメータにあり、化学反応のような意味を持つ 1 つの主要なパラメータにチャンスを抽出すれば、おそらく、別の主要なパラメータを使用できるでしょう。
	ここでは、最適位置、最大ピークの位置、または最大ピークの高さがわかります。
	そして、スペクトル データをさまざまな種類の主要パラメータに使用し、それらの主要パラメータを分析して提示し、最適値を計算できます。
	しかし、良いことに、Functional Data Explorerを使用すると、この情報をすべて1つにまとめることができます。
	分析です。先ほども申し上げましたが、数字ではなく、スペクトルデータという言語で話すようになり、これらの重要なパラメータをスペクトルの世界に翻訳する必要がなくなります。
	はい、Functional Data Explorer では、これらに関するさらに多くの情報が得られ、基礎となるプロセスに対するより深い洞察が得られる可能性があります。
	さて、最後の例に移りましょう。それは
	私が話していた重合プロセスは基本的に分子量分布を決定するものですが、
	これは重合反応の結果です。そして先ほども申し上げたように、分子分布を決定するのは通常難しいです。
	分布全体を特定の主要パラメータに絞り込む、あるいは縮小する。では、通常、典型的なスペクトルはどのように見えるでしょうか？ポリマーのモル質量を示す通常の典型的なスペクトルを例に挙げましょう。ポリマー鎖に含まれる繰り返し単位の数をすべて計算します。
	これが化学反応と測定から得られるものです。つまり、よく知られている、あるいは重要なパラメータである重要なパラメータは…
	それは数平均モル質量、質量平均モル質量、Z平均モル質量、そして多分散性です。
	これは質量平均モル質量を数平均モル質量で割ったものです。
	このパラメーター、PDI、多分散性は、分子量分布の広さや大きさ、つまり幅の指標を示します。
	繰り返しますが、生データやスペクトルデータから計算したこれらの4つの主要なパラメータは、すでに利用可能なデータであり、
	主要なパラメータを計算します。特別なことは何もせずに、標準的な手法で再度分析を行うことができます。
	そして、モデルを取得します...この場合、4つの違反パラメータがあります。この場合は3つです。多分散性は考慮していません。
	3つの主要なパラメータの下で、数平均モル質量はこれらの4つの要因を変えてもそれほど大きく変化しないことがわかります。つまり、これら4つの要因が数平均モル質量に与える影響はそれほど大きくなく、むしろかなり大きいのです。
	質量平均モル質量については、ご覧の通りです。かなり動かすことができるので、差はかなり大きくなります。最低設定と最高設定の差は、合計で1モルあたり約15万Åです。
	しかし、これはつまり、この数値がかなり大きく変化するということであり、分散度が変化する、あるいは大きく変化するということを意味するわけではありません。
	問題は、この数字から分布がどのように見えるかが分からないことです。つまり、形が分からないのです。私たちの場合、形が分かることは非常に重要です。
	ポリマーの加工性に非常に大きな影響を与えるので
	3つの数字と多分散度しかないので、形状がどうなっているのかは分かりません。
	分布が単モル分布、二峰性、三峰性のいずれであっても。
	見たもの、あるいは分散性について話すだけでも、分布の広さの目安は得られるかもしれませんが、ピークが 1 つなのか、2 つなのか、あるいは 3 つなのかはわかりません。
	しかし、最終的な材料特性にはかなり大きな違いが出てきます
	ポリマーを変更したり、開発中の粘着テープの性能を変更したりすることがあります。
	ここでも、生のデータがすでに利用可能になっているため、Functional Data Explorer を使用して、これらの洞察を得たり、これらの主要なパラメータから得られたすべてのデータからさらに多くの情報を取得したりできます。
	もう一度、数秒かかりますが、これで完了です。
	そして、もう一度言いますが、分析には特別なことは何もないので、機能データエクスプローラーの操作も特別なことは何もありません。
	通常とは異なり、エクスポートを Y として取得し、サンプル ID を入力してから、DOE から係数を入力します。
	それを差し込んでスタートボタンを押すだけで、基本的に完了です。これで、モデルのパラメータに合わせて調整できるようになります。
	しかし、これは非常にシンプルで分かりやすい手順であり、すべてのデータをいくつかの重要なパラメータに絞り込むだけで、関心のある部分の根底にある部分についてより深い洞察が得られます。その場合、
	つまり、1 つの主要なパラメータは実際にはあまり変化せず、もう 1 つのパラメータは変化することが示されましたが、その形は示されないため、分布に関する兆候や感覚は得られません。
	その場合、このツールを再度使用すると、その洞察が得られます。なぜなら、大きく変化する 1 つのポイントを確認する前に、他のポイントは変化していないことがわかるからです。
	ただし、たとえばその場合、ある種の変化がわかっているとします。
	そのピークは肩のようなもので、本当のピークではありませんが、影響を与える要因を変更すると、実際にピークになる点に到達します。
	そうです、それで2番目のピークが現れ、それが重合メカニズムやその基礎にある重合メカニズムについて何かを教えてくれるのです
	はい、主要なパラメータから、この 3 つの数字だけを見ても、そのことはわかりません。
	しかし、ここでは、何かヒントが与えられるかもしれませんし、開発者の専門分野なので、何かきっかけが生まれるかもしれません。何かがきっかけとなって、開発者が根本的なメカニズムを理解するのに役立つかもしれません。そして、
	これらの数字を見るだけで、彼は次のステップを踏むことができ、次の実験を以前よりもさらにうまく計画できるようになります。
	さて、これで私の例の提示は終わりです。Functional Data Explorer が、実際に視覚化を可能にしていることをお見せできればと思います。
	開発者に専門分野の成果を提供するということです。つまり、私たちの場合、ほとんどの開発者はデータサイエンティストではないということを覚えておいてください。
	彼らは
	結果にたどり着く方法を信じていない、あるいはあまり興味がないかもしれないが、彼らは結果と
	問題は…あるいは、例えば、Functional Data Explorerが、彼らの言語や専門分野で話すことを可能にしてくれるとしましょう。つまり、私たちの場合、化学会社なので、スペクトルデータで、
	スペクトル データをいくつかの重要なパラメータに減らし、重要なパラメータに基づいて分析を行うために、貴重なデータを破棄します。
	実際にどの主要パラメータがスペクトルにどのような影響を与えるか、スペクトルの形態、スペクトルの形状を説明する必要がありますが、データを使用するだけで
	スペクトルの形式や形状、スペクトルの変化について研究している要因にこれらの影響が及ぼす影響を示し始めます。
	多くの場合、場合によっては同じ洞察が得られることもありますが、多くの場合、FDE を使用した分析によってさらに多くの洞察が得られ、基礎となるメカニズムに対するより深い洞察が得られます。
	また、スペクトル データをいくつかの重要なパラメータに縮小するプロセス中に、貴重なデータを大量に捨てる必要もありません。
	最後に、R&D部門の同僚の皆さん、実験作業全般を手伝っていただいたおかげで、私はここで皆さんの前に立って素晴らしい結果をご報告することができました。
	私のプレゼンテーションはこれで終了です。ご清聴ありがとうございました。ご質問等ございましたら、お気軽にお尋ねください。ありがとうございました。

高度な統計モデリング基本的なデータ分析とモデリング消費者および市場調査データの探索と可視化実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析結果の共有と伝達