756645_ko-KR

liliconcom

기능적 데이터 탐색기: 비데이터 과학자를 위한 결과 시각화(2021-EU-30MP-765)

Simon Stelzig, Lohmann의 데이터 기반 개발 책임자

접착제 배합 및 테이프 개발 과정에서 개발자는 실험 계획, 과거 데이터 분석 또는 예비 시행착오를 통해 수집된 데이터 분석을 처리하는 과정에서 데이터 과학자의 지원을 받습니다. 따라서 데이터 전문가는 복잡한 데이터 분석을 보다 간결하게 제시해야 하는 필요성에 직면하여 비전문가와 결과에 대해 논의합니다. 특히 스펙트럼 데이터 분석의 경우, 데이터는 분석을 위해 몇 가지 특성 수치로 축약되는 경우가 많습니다. 그러나 개발자는 여전히 수치보다는 스펙트럼을 기반으로 생각하기 때문에 결과의 시각화 및 해석이 어렵습니다. 기능 데이터 탐색기(Functional Data Explorer)는 이러한 분석을 수행하고 결과를 스펙트럼과 유사한 형태로 시각화하는 데 유용한 도구입니다. 예를 들어, 구조용 접착 테이프의 유동 거동, 즉 반응 시작 시점이 배합 성분에 따라 어떻게 달라지는지 기능 데이터 탐색기를 사용하여 분석합니다. 또 다른 예로, 감압 접착제 합성 과정에서 분자량 분포가 공정 변수에 따라 어떻게 달라지는지 분석하는 것입니다. 두 경우 모두, 예측된 스펙트럼은 개발자가 통찰력을 얻고 기전적 이해를 발전시키는 데 큰 도움이 됩니다.

자동 생성된 대본...

스피커	성적 증명서
사이먼 스텔지그	안녕하세요 여러분. 저는 Simon Stelzig입니다. Lohmann의 본딩 엔지니어입니다. 연구개발 부서에서 근무하고 있습니다. 오늘은 Functional Data Explorer에 대해, 그리고 데이터 과학자가 아닌 분들에게 결과를 시각화하는 데 어떻게 활용할 수 있는지에 대해 알려드리고자 합니다.
	자, 시작하기 전에 로만(Lohmann)이라는 회사에 대해 아주 간략하게 소개해 드리겠습니다. 아마 들어보신 적은 없겠지만, 아마 매일같이 로만 제품을 사용하거나 접해보신 적이 있으실 겁니다.
	로만에 대한 몇 가지 사실과 수치입니다. 로만은 2019년 약 6억 유로의 매출을 올렸고, 제가 담당하는 부서는 로만 테이프 그룹입니다. 저희는 접착 테이프를 생산하는 회사입니다. 주로 양면 접착 테이프를 생산하며, 순수 B2C 기업입니다.
	저희 제품은...산업용...산업용으로만 구매하실 수 있습니다. 저희는 오랜 역사를 자랑하며, 올해는 로만(Lohmann)이 설립된 지 약 170주년이 되는 해입니다.
	저희는 기본적으로 두 부분으로 나뉘는데, 제가 작업하는 테이프 제품 중 하나가 바로 그 부분입니다.
	산업용 접착 테이프를 생산하는 것이 저희의 위생 브랜드입니다.
	저희는 전 세계적으로 활동하고 있습니다. 전 세계 25개 지사에 약 1,800명의 직원이 근무하고 있습니다. 그리고 아주 흥미로운 점은,
	당사 제품의 90%는 맞춤형으로 제작되므로 매우 복잡한 제품 포트폴리오를 보유하고 있으며, 이 중 많은 제품이 매우 소규모의 고객 그룹을 위한 매우 소수의 애플리케이션에 초점을 맞추고 있습니다.
	따라서 저희는 접착 테이프나 양면 접착 테이프를 생산하는 최대 생산업체이며, 다양한 용도로 활용될 수 있습니다. 이것이 저희가 속한 시장 부문입니다.
	저희 제품 중 하나는 산업용입니다. 주로 창문과 문, 또는 건축 및 건설 분야의 실내외 적용 분야에 사용됩니다.
	또는 가전제품이나 전자기기에서 로만 제품을 접할 수도 있습니다. 예를 들어 스마트폰 뒷면 커버를 고정하는 접착 테이프처럼요. 또는
	의료 분야는 주로 진단, 상처 치료 등에 사용됩니다. 운송 분야에서는 자동차 내부 또는 외부에 사용될 수 있습니다.
	자동차 엠블럼 접착. 예를 들어, 저희는 그래픽 산업 분야에서도 유연 인쇄용 접착 테이프를 공급하고 있습니다.
	소매에 인쇄판을 고정하는 작업입니다. 로만 테이프 그룹의 한 사업 부문은 기저귀 잠금 시스템을 제공하는 위생 브랜드입니다.
	매우 광범위한 적용 범위를 가지고 있으며, 앞서 말씀드린 것처럼 저희 제품의 약 90%가 맞춤형으로 제작됩니다. 그리고 Lohmann에 대한 또 다른 사실은
	우리의 가치 사슬은 매우 깊은 가치 사슬이므로 접착 테이프에 대해 생각해 보면 접착층이 필요합니다.
	붙이고 싶은 대상에 붙이거나 붙입니다.
	접착층을 운반하는 캐리어가 필요합니다. 그리고 반대쪽에는 양면 접착 테이프를 생산하는 회사이기 때문에 반대쪽에도 접착층이 있습니다.
	접착층입니다. 로만의 가치 사슬은 기본적으로 맨 처음부터 시작됩니다. 즉, 접착제의 기본 폴리머인 폴리머를 직접 만들 수 있습니다.
	그런 다음 우리는 폴리머를 접착제 형태로 공식화해야 하며, 이를 다음 단계에서 캐리어에 넣어 접착 테이프 형태로 만들어야 합니다.
	꽤 큰 ??? 롤이에요. 그리고 맨 마지막에, 그걸 이렇게 형태로 전달할 수 있어요.
	고객이 원하는 형태입니다. 다이 컷이나 자동차 엠블럼 같은 경우, 접착 테이프가 필요합니다. 특정 형태는 필요하지 않습니다. 고객이 원하는 형태로 제작해 드립니다.
	그리고 R&D는 주로 중합, 코팅의 제형, 그리고 제가 언급했듯이 우리 제품의 대부분이 맞춤화되어 고객 요구 사항을 충족시키는 목표를 가능한 한 빨리 달성하기 위해 처음 세 부분에 집중합니다.
	과정 전반에 걸친 실험 설계
	최종 제품을 만들고 고객 요구 사항을 충족시키는 것이 목표입니다.
	그리고 많은 것을 가지고
	실험 설계를 하거나 전반적으로 많은 실험을 하면 많은 데이터를 얻을 수 있습니다.
	그리고 그 과정에서 이런 실험을 하거나 실험을 설계하고 화학 회사가 되면 실험 결과에서 많은 데이터, 많은 스펙트럼을 얻게 됩니다.
	그래서 대부분의 실험은 값을 주는 게 아니고, 숫자를 주는 게 아니라 스펙트럼을 주는 거예요.
	그리고 대부분의 경우, 내 경우처럼 실험을 하고 싶다면, 나는 실험을 계획하고 분석하는 서비스를 제공하는 데이터 과학자라고 할 수 있습니다.
	동료들을 위해 실험을 하고, 데이터 분석을 전반적으로 수행하는데, 이 경우 동료들은 데이터 과학자가 아닐 수도 있습니다.
	그들은 최종 제품 개발자이고, 모든 데이터 분석 작업을 저에게 맡기고 있습니다. 대부분의 경우, 스펙트럼 데이터에서 스펙트럼 데이터를 설명하는 핵심 매개변수를 추출합니다.
	중합의 경우 분자량 분포가 될 수도 있고 크기를 의미할 수도 있습니다.
	반응에서 얻은 중합체는 반응의 시작일 수 있으며 측정이나 다른 수단을 통해 반응의 종류를 감지할 수 있습니다.
	따라서 데이터 분석을 수행하면 주요 매개변수를 추출하고 분석을 수행하게 되는데, 대부분은 이러한 주요 매개변수에 대한 고전적인 DOE 분석을 수행합니다.
	그래서
	저는 데이터 과학자이므로, 동료인 개발자들을 위해 이러한 주요 매개변수에 대한 분석을 수행합니다.
	그들은 또한 고객 요구 사항을 나에게 전달하고, 당신은 이러한 고객 요구 사항을 충족시키고자 하며, 그들은 당신이 제형이나 제품을 원하는 최적의 위치에 두거나 도달하고자 합니다.
	이런 일을 하고, 분석을 하고, 최적화를 하고 나면 어느 시점에서는 제가나 여러분이 동료들에게 가서 결과를 발표하게 됩니다.
	그리고 저는 주요 매개변수에 대한 모든 분석을 수행했으므로 해당 주요 매개변수에 대한 결과도 제시합니다.
	문제는, 저의 개발 동료나 프로젝트 팀은 해당 분야의 전문가이지만, 각자 전문 분야에 대한 전문가일 뿐, 데이터 과학 분야의 전문가는 아니라는 점입니다.
	그래서 여기서 문제는 내가 주요 매개변수에 대한 분석을 수행하고 주요 매개변수의 언어로 말하더라도 그들이 해당 분야의 전문가인 경우,
	그들은 여전히 스펙트럼에 대해 생각하고 있는데, 그 이유는 그때 실험이 이루어졌고, 그들이 얻은 분석 결과이기 때문입니다. 그들은 제가 숫자를 보는 곳에서 스펙트럼을 봅니다.
	주요 매개변수에 대한 결과와 분석을 제시하더라도 여전히 스펙트럼으로 생각한다는 문제가 항상 남습니다.
	그래서 항상 다른 언어로 말해야 한다는 문제가 있습니다. 저는 숫자의 언어로 말하고, 그들은 스펙트럼의 언어로 말하죠.
	그러면 그들은 그 숫자를 자신의 전문 분야, 즉 스펙트럼으로 변환해야 하는 문제가 발생합니다.
	아니면, 이 핵심 매개변수들을 스펙트럼을 의미하는 그들의 언어로 번역해야 합니다. 다행히 함수형 데이터 탐색기(Functional Data Explorer)를 사용하면 이런 문제를 해결할 수 있는 일종의 범용 번역기가 있습니다.
	그리고 오늘 제가 하는 일, 혹은 여러분께 보여드리고 싶은 것은 함수형 데이터 탐색기가 숫자로 이야기하는 데이터 과학자와 스펙트럼으로 생각하고 이야기하는 개발자 사이의 장벽이나 언어 장벽을 극복하는 데 얼마나 큰 도움이 되는지에 대한 세 가지 예입니다.
	예를 들어, 제가 보여드리고 싶은 첫 번째 예는 프랙탈 인쇄의 인쇄 품질을 설명하는 측정에 관한 매우 간단하고 사소한 예입니다.
	실험입니다. 두 번째는 일종의 화학 반응을 정의하는 측정을 설명합니다. 그리고 세 번째는 고분자의 분자량을 알려주는 측정입니다.
	중합 반응 중. 이제 PowerPoint 사용을 중단하고 JMP로 넘어가겠습니다. 네, 바로 여기 있습니다.
	첫 번째 예는 제가 보여드렸듯이... 말씀드렸듯이 인쇄 품질 분석입니다. 측정을 하면 이상적인 스펙트럼과 완벽한 스펙트럼은 다음과 같습니다.
	원점을 지나는 매우 직선이며 기울기는 1입니다. 따라서 완벽한 수준에 도달하면 이상적일 것입니다. 측정은 한 번이고 이번에는 인쇄 품질입니다.
	일반적으로 우리가 얻는 건... 보통은 실제 환경이죠. 직선처럼 보이지는 않지만, 더 높은 값 쪽으로 조금 치우쳐 있어서 직선이 아니라 위쪽으로 휘어진 형태입니다.
	그럼 그 정보로 뭘 하시겠습니까? 어떤 매개변수가 곡선을 위쪽으로 움직이거나 휘게 해서 이상적이지 않게 만드는지 확인하고 싶으시거나, 아니면 직접 확인해 보시는 게 좋겠습니다.
	그래서 핵심 매개변수로 넘어가서, 핵심 매개변수란 무엇을 정의해야 할까요? 아니면 기본적으로 직선과 실제 직선의 차이입니다. 아주 간단합니다.
	차이점은...이 지점에서 약간 차이가 있다는 것입니다.
	따라서 주요 매개변수에 대한 분석을 수행하면, 아주 간단한 분석이 됩니다. 저는 의사결정 트리를 사용하여 어떤 매개변수가 이상적인 스펙트럼에서 벗어나는 데 가장 큰 영향을 미치는지 파악합니다. 꽤 간단합니다. 약 22개의 영향 요인이 도출되었습니다.
	여기 여러분이 보는 것은 기본적으로 일부에 영향을 미치거나 이상적인 상황에서 벗어나게 하는 것입니다.
	그리고 이 X 22라는 이름이 뭐든 상관없어. 그러니까 어느 순간 이게 움직이면...
	특정 값보다 크면 250이라는 숫자를 얻게 되고, 특정 값 아래로 이동하면 196을 얻게 됩니다. 문제는 이것을 개발팀에 알려주고 개발 분석팀에 보여주면,
	그는 당신에게 196이 좋은지, 254가 여전히 좋은지, 아니면 매우 나쁜지, 아니면 적당한지, 그런 식으로 물을 것입니다.
	문제는 순수한 숫자로는 그걸 실제로 볼 수 없다는 거예요. 왜냐하면 그는 다른 종류의... 다른 지역에서 다른 언어로 말하고 있기 때문이죠.
	그리고 기능적 데이터 탐색기를 사용하면 질문에 답하는 데 정말 큰 도움이 될 수 있습니다. 기능적 데이터 탐색기로 이동하여 기능적 데이터 탐색기를 사용하여 함수의 데이터에서 동일한 분석을 수행하면
	이렇게 표시되는 것을 얻게 됩니다. 즉, 그 사람이나 개발자가 당신에게 보여주는 것이죠... 당신은 그 사람에게 그래프를 보여줍니다. 그 사람이 익숙한 그래프는 보통 자신의 측정이나 실험, 즉 그가 하는 실험에서 얻은 것입니다.
	예를 들어 곡선 모양에 영향을 미치는 동일한 매개변수가 있지만 250이 표시된 것이 마음에 들지 않으면 이제 동일한 작업이 수행됩니다.
	핵심 매개변수를 분석하면 250이 되는데, 196이 되면 차이가 눈에 띄죠. 이게 직선이 아니라는 말씀입니다.
	그러나 196보다 낮은 숫자로 이동하면 유지하려는 숫자가 표시됩니다.
	그렇게 나쁘지 않아 보이긴 하지만... 사실 완벽한 직선이라고 할 수는 없지만, 그렇지도 않고, 그렇지도 않고... 그렇게 멀지도 않은데...
	직선이고 아마도 그 지점에서, 만약 당신이 이런 종류의 분석을 비데이터 과학자, 개발자에게 보여준다면,
	어쩌면 그 정도면 그에게는 충분할지도 몰라요. 어쩌면 그 지점이 직선이 아니고 완벽하지는 않지만, 그 직업에는 좋다고 말할 수도 있겠죠.
	기본적으로 고객의 니즈에 부합합니다. 그리고 이는 고객에게 보여주는 순수한 수치만으로는 알 수 없는 부분입니다. 따라서 이 경우에는 아주 사소한, 아주 간단한 예시입니다.
	하지만 기능적 데이터 탐색기를 사용하면 전문가, 비데이터 과학자, 어쩌면 자료 개발자의 언어로 이야기할 수 있다는 요점을 전달하고 싶습니다.
	그리고 여러분이 그의 지역이나 그의 언어로 말하면 그가 통찰력을 얻는 데 도움이 되고 숫자를 통찰력으로, 스펙트럼으로 번역할 필요는 없지만 그는 그것을 보고 필요한 답을 얻을 수 있을 것입니다.
	다시 한번 말씀드리지만, 매우 사소하고 간단한 예이지만... 이 예제가 여러분에게 데이터의 본질이 무엇인지 보여주거나, Function Data Explorer가 여러분이 이를 달성하는 데 도움이 되기를 바랍니다.
	그럼 두 번째 예로 넘어가서, 이것이 여러분이 감지하고자 하는 화학 반응의 시작입니다.
	??? 측정을 통해 이를 수행합니다. 특정 화학 조성을 가열할 때 발생하는 탄성 계수의 변화를 확인하고 싶습니다. 일반적으로 두 가지 큰 스펙트럼이 있는데, 스펙트럼은 다음과 같습니다.
	특정 지점에서 탄성 계수가 변하고 가파르게 상승하는 지점입니다. 보통 이 지점이 화학 반응의 시작점입니다. 따라서 스펙트럼에서 추출하는 핵심 매개변수는 탄성 계수가 급격히 상승하기 시작하는 지점입니다.
	그만큼
	좋은 추출의 핵심 매개변수는 그 지점을 찾는 지점입니다. 원래 원시 데이터에서 지점을 계산하는 것이 조금 더 복잡할 수 있지만, 그럼에도 불구하고 반응이 시작되는 지점을 확인하고 핵심 매개변수에 대한 분석을 수행할 수 있습니다.
	그렇게 하면,
	이 핵심 매개변수 분석을 통해 얻을 수 있는 것은, 이 예시에서는 다섯 가지 매개변수를 기반으로 화학 반응의 종류를 예측할 수 있는 모델입니다. 즉,
	알겠습니다. 네, 화학 반응 시작 시 핵심 매개변수의 요점은... 이 세 가지 매개변수에 따라 달라질 수 있습니다.
	기본적으로 화학 반응이 시작되는 70도에서 섭씨 100도 정도까지 범위를 잡게 됩니다.(아, 죄송합니다. 틀린 표현이네요.)
	네, 약 100도 정도입니다. 다시 말해서, 전체 스펙트럼을 하나의 숫자로 줄이면,
	개발에 화학 반응이 시작되는 지점에 대한 단서를 제공합니다.
	동일한 분석을 수행하고 데이터도 확보하면, 이미 데이터가 있으므로 주요 매개변수를 추출하려면 원시 데이터도 필요하므로 원시 데이터도 사용할 수 있습니다.
	그러니까 그렇지 않습니다... 실제로는 그다지 많은 노력이 들지 않습니다... 핵심 매개변수에 대한 표준 회귀 방법을 사용하여 기능적 데이터 탐색기에서 분석을 수행하는 것이 더 많은 노력일 뿐입니다.
	그래서,
	동일한 양 또는 동일한 데이터를 사용하고 기능 데이터 탐색기를 사용하여
	데이터를 분석하고 결과를 계산하는 데는 몇 초 밖에 걸리지 않습니다.
	여기 있습니다.
	다시 말해서, 이제 전체 스펙트럼을 모델링할 수 있습니다. 그 특정한 사례에서 저는 개발자에게 주요 매개변수에 대한 분석을 보여주지 않았지만, 먼저 기능 데이터 탐색과 기능 데이터 탐색기의 결과를 보여주었습니다.
	그리고 내가 막 움직였을 때... 움직이기 시작했고 그들에게 이것을 보여주고 영향을 미치는 요인들을 움직이기 시작했을 때 그들은 즉시 알아차렸습니다.
	반응의 지점이 변한다는 거죠. 그래서 제가 그들에게 지점이 움직이기 시작했다고 말할 필요가 없었어요. 그들이 그 분야의 전문가이기 때문이죠... 스펙트럼 데이터 전문가이기 때문에요.
	그들은 기본적으로 화학 반응의 시작이 변화한다는 것을 즉시 알아챘습니다. 여기서 볼 수 있듯이, 변화가 시작되는 것을 볼 수 있습니다.
	다른 하나는 당신이 보는 것입니다. 왜냐하면 이제 기본적으로 전체 스펙트럼을 모델링했기 때문에 주요 매개변수만 모델링하는 것이 아니라 당신이 보는 것도 모델링합니다.
	스펙트럼을 움직이면 스펙트럼의 모양이 완전히 달라집니다. 예를 들어, 피크가 움직이기 시작했고 피크 높이가
	변화입니다. 이는 그들이 이 분석을 본 직후에 인식한 것이었습니다.
	그리고 차이점은 주요 매개변수에 있습니다. 하나의 주요 매개변수, 즉 화학 반응의 가능성을 추출한다면, 다른 주요 매개변수를 사용할 수도 있을 것입니다.
	여기서 최적의 위치나 최대 피크의 위치, 또는 최대 피크의 높이를 말해줍니다.
	그리고 스펙트럼 데이터를 다양한 종류의 주요 매개변수에 적용하여 해당 주요 매개변수를 분석하고 이를 고객에게 보여주고 최적값을 계산할 수 있습니다.
	하지만 좋은 점은 Functional Data Explorer를 사용하면 이 정보를 모두 하나로 얻을 수 있다는 것입니다.
	분석이죠. 그리고 앞서 말씀드렸듯이, 더 이상 말을 하지 마세요. 숫자로 말하는 게 아니라, 그들의 언어로, 혹은 그들의 스펙트럼 데이터 언어로 말하게 되고, 더 이상 이러한 핵심 매개변수를 그들의 스펙트럼 세계로 번역할 필요가 없게 됩니다.
	네, 그래서 Functional Data Explorer에서 이에 대한 더 많은 정보를 얻을 수 있고, 기본 프로세스에 대한 더 깊은 통찰력을 얻을 수도 있습니다.
	네, 이제 아주 마지막이자 마지막 예시를 말씀드리겠습니다.
	제가 말했던 중합 공정은 기본적으로 분자량 분포를 결정하는 것입니다.
	이는 중합 반응의 결과입니다. 그리고 앞서 언급했듯이, 분자 분포를 결정하는 것도 일반적으로 까다롭습니다.
	전체 분포를 특정 주요 매개변수로 얻거나 축소하는 것. 그렇다면 일반적으로 일반적인 스펙트럼은 어떻게 생겼을까요? 폴리머의 몰 질량을 나타내는 일반적인 스펙트럼을 만들어 보겠습니다. 폴리머 사슬에 있는 반복 단위의 개수를 모두 구해 보겠습니다.
	화학 반응과 측정을 통해 얻을 수 있는 것이 바로 그것입니다. 핵심 매개변수는 잘 알려져 있거나 핵심 매개변수인데, 여러분은...
	그것은 수평균 몰 질량, 질량평균 몰 질량, Z평균 몰 질량 및 다분산성입니다.
	이는 질량 평균 몰 질량을 수 평균 몰 질량으로 나눈 값입니다.
	PDI, 즉 다분산도라는 매개변수는 분자량 분포의 폭이나 크기를 나타냅니다.
	다시 말해서, 원시 데이터 또는 스펙트럼 데이터에서 계산하는 이러한 4가지 핵심 매개변수가 있으면 우리는 이미 해당 데이터를 사용할 수 있습니다.
	주요 매개변수를 계산하세요. 특별한 기법 없이도 표준 기법을 사용하여 분석을 다시 수행할 수 있습니다.
	그리고 당신은 당신의...이 경우에 대한 모델을 얻습니다. 그것은 당신의 침해 매개변수 4개이고, 이 경우에는 3개이고, 나는 다분산성을 넣지 않았습니다.
	세 가지 핵심 매개변수를 살펴보겠습니다. 보시다시피, 이 네 가지 요소를 변경해도 수평균 몰 질량은 크게 변하지 않습니다. 따라서 이 네 가지 요소가 수평균 몰 질량에 미치는 영향은 그리 크지 않습니다. 상당히 크고 유의미합니다.
	질량 평균 몰 질량을 기준으로 보면, 여기 보시다시피, 꽤 많이 움직일 수 있어서 차이가 꽤 큽니다. 총 몰당 약 150,000Ω 정도인데, 가장 낮은 설정과 가장 높은 설정의 차이입니다.
	하지만 이 숫자는 상당히 크게 변한다는 뜻이고, 이는 분산도가 달라야 한다거나, 상당히 많이 바뀌어야 한다는 뜻은 아닙니다.
	문제는 이 숫자에서 분포가 어떻게 보이는지 볼 수 없기 때문에 모양을 알 수 없다는 것입니다. 예를 들어 우리의 경우 모양을 갖는 것이 매우 중요합니다.
	폴리머의 가공성에 매우 큰 영향을 미칩니다.
	숫자가 3개만 있고 분산도가 높을 수도 있으므로 모양이 무엇인지 알려주지 않습니다.
	분포가 단분자 분포이든, 이분자 분포이든, 삼분자 분포이든 무엇이든.
	여러분이 보는 것, 또는 분산도에 대해 이야기하는 것만으로도 분포의 폭을 알 수 있지만, 피크가 하나인지, 둘인지, 셋인지는 알 수 없습니다.
	하지만 우리가 얻는 최종 재료 특성에는 상당히 큰 차이가 있습니다.
	폴리머의 변경 또는 개발 중인 접착 테이프의 성능을 변경합니다.
	이제 다시 원시 데이터를 사용할 수 있으므로 기능 데이터 탐색기를 다시 사용하여 이러한 통찰력을 얻거나 이러한 모든 데이터에서 더 많은 정보를 얻을 수 있습니다. 이러한 모든 데이터는 핵심 매개변수에서만 제공됩니다.
	다시 한 번 말씀드리지만 몇 초 정도 걸리지만 그 후에는 끝납니다.
	그리고 다시 한 번, 분석에 대해 특별한 것이 없으므로 기능 데이터 탐색기를 작동하기 시작하는 것도 특별한 것이 아닙니다.
	특이한 점은 Y로 수출을 가져오고, 샘플 ID를 입력한 다음 DOE에서 요인을 입력한다는 것입니다.
	넣고 시작 버튼을 누르면 끝입니다. 이제 모델 매개변수에 맞춰 장착할 수 있습니다.
	하지만 매우 간단하고 직관적인 절차이며, 다시 한번 말씀드리지만, 관심 있는 근본적인 부분에 대한 훨씬 더 많은 통찰력을 얻을 수 있으며, 모든 데이터를 몇 가지 핵심 매개변수로 축소하는 것만으로도 가능합니다. 이 경우,
	제가 보여드린 것은 한 가지 주요 매개변수는 크게 바뀌지 않고 다른 매개변수는 바뀌지만 형태를 알려주지 않으므로 분포에 대한 징후나 느낌을 얻을 수 없다는 것입니다.
	그런 경우, 이 도구를 다시 사용하면 통찰력을 얻을 수 있습니다. 한 지점이 많이 바뀌기 전에 다른 지점은 그렇지 않았다는 것을 알 수 있기 때문입니다.
	하지만 예를 들어, 그런 경우에는 어떤 종류의 변화가 있는지 알고 있다면요.
	그 정점은 어깨에 가깝고, 실제로 정점은 아니지만, 영향을 미치는 요소를 바꾸면 실제로 정점이 되는 지점에 도달하게 됩니다.
	네, 그래서 두 번째 정점에 도달하게 되고, 그것은 아마도 중합 메커니즘이나 기본 중합 메커니즘에 대한 무언가를 알려줍니다.
	세 개의 숫자만 보고는 핵심 매개변수에서 알 수 없는 내용이에요.
	하지만 여기서는 개발자의 전문 분야이기 때문에 어떤 징후를 보여주거나 개발자에게 뭔가를 촉발할 수도 있습니다. 개발자가 기본 메커니즘을 이해하는 데 도움이 되는 무언가를 촉발할 수도 있고,
	다음 단계를 수행하는 데 도움이 되거나, 그 다음 실험을 이전보다 더 잘 계획하여 다음 단계를 수행하는 데 도움이 됩니다. 이 숫자만 봐도 알 수 있죠.
	그래서 저는 제 예를 제시하는 마지막 단계에 있습니다. 그래서 제가 Functional Data Explorer가 실제로 시각화를 가능하게 한다는 것을 보여드릴 수 있기를 바랍니다.
	전문 분야의 개발자에게 결과를 제공합니다. 예를 들어, 우리의 경우 대부분의 개발자는 데이터 과학자가 아니므로
	그들
	결과에 도달하는 방법에 대해 믿지 않거나 관심이 없을 수도 있지만 결과와 그 자체에 더 관심이 있습니다.
	문제가 있습니다... 또는 기능 데이터 탐색기가 해당 언어나 전문 분야로 대화할 수 있도록 허용한다면, 우리의 경우 화학 회사인 경우 스펙트럼 데이터를 사용할 수 있다는 의미입니다.
	귀중한 데이터를 버리고 스펙트럼 데이터를 몇 가지 주요 매개변수로 축소한 다음 주요 매개변수에 대한 분석을 수행합니다.
	실제로 주요 매개변수가 무엇인지 설명해야 합니다... 스펙트럼에 영향을 미치는 방식, 스펙트럼의 형태, 스펙트럼의 모양 등이지만 데이터를 그대로 사용할 수 있습니다.
	여러분은 스펙트럼의 형태와 모양에 영향을 미치는 요인들과 스펙트럼이 어떻게 변화하는지에 대해 연구하기 시작할 것입니다.
	그리고 많은 경우, 어떤 경우에는 동일한 통찰력을 얻을 수도 있지만, 많은 경우 FDE를 사용한 분석을 통해 훨씬 더 많은 통찰력을 얻을 수 있으며, 기본 메커니즘에 대한 더 깊은 통찰력을 얻을 수 있습니다.
	그리고 스펙트럼 데이터를 몇 가지 주요 매개변수로 줄이는 과정에서 귀중한 데이터를 많이 버릴 필요는 없습니다.
	마지막으로, 모든 실험 작업을 맡아주신 R&D 부서 동료 여러분께 감사드립니다. 덕분에 제가 이 자리에 서서 멋진 결과를 발표할 수 있게 되었습니다. 그리고
	발표를 마쳤습니다. 귀 기울여 주셔서 정말 감사합니다. 궁금한 점이 있으시면 언제든지 문의해 주세요. 정말 감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 탐색 및 시각화실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달