| Vocero |
Transcripción |
| Simón Stelzig |
Hola a todos. Me llamo Simon Stelzig. Soy de Lohmann, ingenieros de uniones. Trabajo en el departamento de investigación y desarrollo, y hoy me gustaría contarles algo sobre el Explorador de Datos Funcionales y cómo pueden usarlo para visualizar resultados para quienes no son científicos de datos. |
| |
Antes de empezar, una breve introducción a la empresa Lohmann. Quizás no hayas oído hablar de ella, pero quizá uses o hayas visto sus productos a diario. |
| |
Algunos datos sobre Lohmann. En 2019, Lohmann facturó unos 600 millones de euros. Trabajo en Lohmann Tape Group, un fabricante de cintas adhesivas. Principalmente cintas adhesivas de doble cara, y somos una empresa puramente B2C, así que... |
| |
Solo puede adquirir nuestro producto si es industrial... para aplicaciones industriales. Somos bastante antiguos, así que este año se cumplen 170 años de la fundación de la empresa Lohmann. |
| |
Básicamente, nos dividimos en dos partes. Una de ellas es el producto de cinta en el que estoy trabajando. Ese es el enfoque en... |
| |
Cintas adhesivas para aplicaciones industriales y esa es nuestra marca de higiene. |
| |
Y operamos a nivel mundial. Tenemos 25 sedes en todo el mundo, con aproximadamente 1800 empleados. Y quizás sea muy interesante, |
| |
El 90% de nuestros productos son personalizados, por lo que tenemos una cartera de productos bastante compleja, donde muchos productos se centran en una cantidad muy pequeña de aplicaciones para un grupo muy pequeño de clientes. |
| |
Y entonces, somos el principal productor de cintas adhesivas o muchas cintas adhesivas de doble cara y, como usted sabe, tenemos muchas aplicaciones, y este es nuestro segmento de mercado en el que estamos. |
| |
Una de nuestras aplicaciones es la industrial, principalmente para ventanas y puertas, tanto interiores como exteriores en el sector de la construcción. |
| |
O puede que encuentre productos Lohmann en electrodomésticos y dispositivos electrónicos, por ejemplo, como cintas adhesivas para fijar la tapa trasera de los teléfonos inteligentes. O en el |
| |
Segmentos médicos, principalmente para aplicaciones de diagnóstico y cuidado de heridas. En el sector del transporte, para automoción, puede ser para interiores o exteriores. |
| |
Adhesión de emblemas a los vehículos. También trabajamos, por ejemplo, en la industria gráfica para aplicaciones de impresión flexible, donde suministramos cintas adhesivas. |
| |
Para fijar la placa de impresión a las fundas. Una de las subdivisiones de Lohmann Tape Group es la marca de higiene, donde suministramos sistemas de cierre para pañales. |
| |
Tenemos una gama de aplicaciones muy amplia, y otro punto que acabo de mencionar es que aproximadamente el 90 % de nuestros productos son personalizados. Y otro dato sobre Lohmann es... |
| |
que nuestra cadena de valor es una cadena de valor muy profunda, por lo que si piensas en una cinta adhesiva, necesitas una capa adhesiva que |
| |
se pega o se adhiere al sujeto al que desea adherirse. |
| |
Necesita un soporte, opcionalmente un soporte que lleve su capa adhesiva, y en el otro lado, que es como somos productores de cintas adhesivas de doble cara, tiene en el otro lado nuevamente, |
| |
Una capa adhesiva. Y la cadena de valor de Lohmann comienza básicamente desde el principio, así que podemos fabricar nuestro propio polímero, el polímero base para un adhesivo. |
| |
Luego tenemos que formular ese polímero en una formulación adhesiva, que luego colocamos en el siguiente paso sobre un soporte, ya sea en forma de cinta adhesiva en forma de |
| |
Rollos bastante grandes. Y al final, para que podamos entregarlos en forma |
| |
El cliente lo desea. Por ejemplo, si tiene troqueles, o quizás emblemas para autos, necesita cinta adhesiva. No requiere una forma específica; la entregamos según las necesidades del cliente. |
| |
Y la I+D se centra principalmente en las tres primeras partes, es decir, para la polimerización, la formulación del recubrimiento y para conseguir, como he mencionado, que muchos de nuestros productos sean personalizados, para llegar lo más rápido posible al objetivo de cumplir con los requisitos de nuestros clientes, aplicamos |
| |
Diseño de experimentos a lo largo del curso |
| |
de llegar al producto final y cumplir con los requisitos de nuestros clientes. |
| |
Y tener mucho |
| |
Realizar diseños de experimentos o, en general, realizar muchos experimentos también proporciona una gran cantidad de datos. |
| |
Y al hacer estos experimentos o el diseño de experimentos en ese curso y siendo una empresa química, muchos de los datos, en los resultados de los experimentos, se obtienen muchos datos, muchos espectros. |
| |
Entonces, la mayoría de nuestros experimentos no te dan un valor, no te dan un número, te dan un espectro. |
| |
Y, en la mayoría de los casos, si quieres hacer los experimentos, como en mi caso, yo soy, digamos, el científico de datos que brinda el servicio de planificación y análisis de esos experimentos. |
| |
experimentos y hacer todo el análisis de datos para mis colegas, quienes, en ese caso, podrían ser los que no son científicos de datos. |
| |
Son desarrolladores del producto final y me contratan como servicio para realizar todo el análisis de datos. En la mayoría de los casos, se extraen de esos datos espectrales los parámetros clave que los describen. |
| |
Eso podría ser, en el caso de la polimerización, podría ser la distribución del peso molecular, podría significar el tamaño de su |
| |
polímero que obtenemos de la reacción, que podría ser el comienzo de una reacción para detectar el tipo de reacción por cualquier medio de medición o algo más. |
| |
Entonces, si haces el análisis de datos, extraes esos parámetros clave y haces el análisis, la mayoría de las veces en el análisis DOE clásico, sobre esos parámetros clave. |
| |
Entonces |
| |
Como científico de datos, yo, como un servicio a mis colegas, los desarrolladores, hago este análisis sobre esos parámetros clave. |
| |
También me entregan los requisitos del cliente y usted quiere cumplir con los requisitos de estos clientes, ellos lo óptimo donde quiere que esté su formulación o producto o alcanzarlo. |
| |
Hecho esto, hecho el análisis, hecho la optimización, en algún momento tú vas a tu, o yo voy a mis compañeros y les presento los resultados. |
| |
Y como hice todo el análisis sobre los parámetros clave, también presento los resultados sobre esos parámetros clave. |
| |
El problema es que, aunque mis colegas de desarrollo o mis equipos de proyecto son expertos en la materia... expertos en su especialidad, pero no expertos en ciencia de datos. |
| |
Entonces el problema aquí es que si hago el análisis de los parámetros clave y también hablo en el lenguaje de los parámetros clave, pero ellos, como expertos en su área de especialización, |
| |
Todavía están pensando en espectros porque fue entonces cuando se hicieron los experimentos, ese es el análisis que obtienen, ellos ven espectros donde yo veo números. |
| |
Siempre queda el problema de que si presento los resultados y el análisis en parámetros clave, ellos todavía piensan en espectros. |
| |
Así que siempre existe el problema de que se habla en diferentes idiomas. Yo hablo en el lenguaje de los números, ellos en el lenguaje de los espectros. |
| |
Lo que entonces conduce al problema de que tienen que traducir esos números a su área de especialización, es decir, los espectros. |
| |
O bien, tengo que traducir estos parámetros clave a su lenguaje, es decir, a los espectros. Afortunadamente, con el Explorador de Datos Funcionales, este es un traductor universal que resuelve este tipo de problema. |
| |
Y lo que hago, o quiero mostrarles hoy, es con tres ejemplos cómo el Functional Data Explorer les ayuda enormemente a superar esta barrera o esta barrera del lenguaje entre los científicos de datos hablando de números y los desarrolladores pensando y hablando en espectros. |
| |
En un ejemplo, el primer ejemplo que quiero mostrarles, es un ejemplo muy simple, muy trivial, tal vez sobre una medición que describe la calidad de impresión en la impresión fractal. |
| |
Experimento. El segundo describe una medición que define un tipo de reacción química. Y hay un tercero; es una medición que proporciona el peso molecular de un polímero. |
| |
Durante una reacción de polimerización. Dejaré de usar PowerPoint y me pasaré a JMP. Sí, ahí está. |
| |
El primer ejemplo que mostré, como les dije, es el análisis de la calidad de impresión. Se realiza la medición, y el espectro ideal y perfecto sería... |
| |
línea muy recta que pasa por el origen con pendiente de 1. Entonces ese sería el ideal si llegas a ese perfecto, entonces es una medida, esta vez la calidad de impresión. |
| |
Normalmente, lo que se obtiene... normal, es un entorno real. Obtenemos algo que no parece una línea recta, sino que está ligeramente desviado hacia un valor más alto; por lo tanto, no es una línea... está curvado hacia arriba. |
| |
¿Qué quieres hacer con esa información? Queremos ver o filtrar qué parámetros mueven o doblan la curva hacia arriba, dejándola no ideal. |
| |
Así que voy a los parámetros clave, que definiríamos como parámetros clave, o básicamente es la diferencia entre una línea recta y la línea real que se obtiene. Es bastante simple, simplemente se usa... |
| |
La diferencia...es alguna diferencia con este punto. |
| |
Entonces, si se realiza el análisis de los parámetros clave, es un análisis muy simple. Utilizo un árbol de decisión para obtener la información sobre qué parámetro influye más en esta desviación del espectro ideal. Es bastante simple. Tenemos unos 22 factores influyentes. |
| |
Allí se ve uno, que básicamente tiene una influencia en algunos o influye en este desvío de esta situación ideal. |
| |
Y se llama X 22, sea lo que sea, da igual. Así que, en un momento dado, si se mueve... |
| |
Si es mayor que cierto valor, obtienes, digamos, un número de 250, si se mueve por debajo de ese cierto valor, obtienes 196, el problema es que, si le dijeras esto al desarrollo... si se lo mostraras a un análisis de desarrollo, |
| |
Él te preguntará, ¿196 es bueno o 254 todavía es bueno o es muy malo o es quizás adecuado y ese tipo de adecuado? |
| |
El problema es que el número puro no se ve realmente, porque él está hablando en un tipo diferente de... en un área diferente con un idioma diferente. |
| |
Y el uso del Explorador de datos funcionales puede realmente ayudarle a responder la pregunta, porque si pasa al Explorador de datos funcionales y hace el mismo análisis en los datos de la función... con el Explorador de datos funcionales, |
| |
Obtienes algo como esto. Te lo muestra, se lo muestra a él o al desarrollador que le mostraste... le muestras el gráfico. El gráfico al que está acostumbrado, con el gráfico que normalmente obtiene de sus mediciones o experimentos, los experimentos que realiza. |
| |
Lo mismo ahora si tu por ejemplo si tiene el mismo parámetro que influye en la forma de la curva, pero si no te gusta el que muestra el que tiene los 250, |
| |
Según el análisis, el parámetro clave sería 250, y será 196, y se puede apreciar la diferencia. No es una línea recta. |
| |
Pero si se mueve hacia abajo como al número inferior, que muestra el número antes de que quieran mantenerlo, 196, |
| |
No se ve tan mal así que... no es realmente, quiero decir, una especie de línea recta perfecta, pero no es así, no tanto... no está lejos de serlo. |
| |
una línea recta y tal vez en ese punto, si le muestras este tipo de análisis a los no científicos de datos, al desarrollador, |
| |
Tal vez eso ya sea suficiente para él, tal vez en ese punto digas, está bien, no es una línea recta, no es perfecta, pero es bueno para el trabajo. |
| |
Básicamente, se ajusta a la necesidad del cliente. Y eso es algo que no ve en el número puro que le muestra. Así que, en ese caso, es un ejemplo muy trivial, muy simple. |
| |
pero espero que te dé la esencia de que el uso de un Explorador de Datos Funcional te permite hablar en el lenguaje de los expertos, de los no científicos de datos, tal vez del desarrollador del material. |
| |
Y usted está hablando en su área o en su idioma, lo ayuda a obtener esta perspectiva y no tiene que traducir el número en perspectiva en un espectro, pero él ve eso y tal vez obtiene la respuesta que necesita. |
| |
Nuevamente, un ejemplo muy trivial y muy simple, pero entiendo... Espero que te muestre la esencia de lo que son los datos... Function Data Explorer o te ayude a lograrlo. |
| |
Entonces, pasando al segundo ejemplo, ese es el comienzo de la reacción química que quieres detectar. |
| |
Y lo hacemos mediante la medición de ??? y queremos ver un cambio en el módulo durante... si calentamos cierta formulación química. Normalmente hay dos grandes espectros; el espectro se vería así: |
| |
En cierto punto, el módulo cambia y sube bruscamente. Normalmente, ese es el inicio de la reacción química. El parámetro clave que se extrae de esos espectros es el punto donde el módulo empieza a subir bruscamente. |
| |
El |
| |
El parámetro clave para una buena extracción es encontrar el punto. Calcular un punto a partir de los datos originales puede ser un poco más complicado, pero se puede hacer: verificar el punto donde comienza la reacción y luego analizar el parámetro clave. |
| |
Haciendo eso, |
| |
Lo que se obtiene de este análisis del parámetro clave es un modelo que permite predecir el tipo de reacción química basándose, en este ejemplo, en cinco parámetros. Por lo tanto, |
| |
Ya veré. Bueno, el punto de... el punto de estos parámetros clave al inicio de la reacción química es... puede que dependa de esos... depende de esos tres parámetros. |
| |
y básicamente obtienes el rango desde algo así como 70 grados donde comienza la reacción química hasta algo así como 100 grados Celsius (oh, lo siento, esa no es la correcta). |
| |
a unos 100 grados, sí. Así que, de nuevo, se reduce el espectro total a un solo número, |
| |
Dando al desarrollo una pista de dónde comienza esta reacción química. |
| |
Haciendo el mismo análisis y también los datos... ya tienes los datos, así que si quieres extraer los parámetros clave, también necesitas los datos sin procesar, así que también tienes los datos sin procesar disponibles. |
| |
Entonces no es necesario mucho más esfuerzo para realizar el análisis dentro del Explorador de datos funcionales utilizando un método de regresión estándar sobre parámetros clave. |
| |
Entonces, |
| |
utilizando la misma cantidad o los mismos datos y utilizando el Explorador de datos funcionales para |
| |
Analizar los datos sólo toma un par de segundos para calcular el resultado. |
| |
Ahí está. |
| |
Nuevamente, ahora puedes modelar todo el espectro, y qué... entonces, en ese caso particular, no le mostré al desarrollador el análisis de los parámetros clave, pero primero le mostré el Explorador de datos funcionales, los resultados del Explorador de datos funcionales. |
| |
Y cuando me moví... comencé a moverme y a mostrarles esto y comencé a moverme alrededor de los factores influyentes, ellos inmediatamente lo notaron. |
| |
Que el punto de reacción cambia. Así que no tuve que decirles que los puntos empezaron a cambiar porque son expertos en el campo... expertos en los datos del espectro. |
| |
Inmediatamente reconocieron que, básicamente, el inicio de la reacción química se desplaza, como pueden ver aquí, ven que comienza a desplazarse. |
| |
El otro es lo que ves, porque ahora básicamente modelaste el espectro completo, no solo modelas el parámetro clave, lo que ves... |
| |
que la forma en que se ve el espectro cambia totalmente si lo mueves. Por ejemplo, verán que el pico comenzó a moverse y la altura del pico... |
| |
cambios. Eso fue algo que también se reconoció inmediatamente después de ver estos análisis. |
| |
Y la diferencia está en el parámetro clave, si extraes la posibilidad de un parámetro clave que significa un tipo de reacción química, puedes usar otro parámetro clave, tal vez. |
| |
indicándole la posición del óptimo o la posición del pico máximo aquí o la altura del pico máximo. |
| |
Y luego puedes usar los datos espectrales en diferentes tipos de parámetros clave, analizando esos parámetros clave posteriormente y mostrándoselos para calcular un óptimo. |
| |
Pero lo bueno es que, si usas el Explorador de datos funcionales, obtienes toda esta información en un solo lugar. |
| |
Análisis. Y tú, como mencioné antes, dejas de hablar, o... no estás hablando en números, sino en su lenguaje de datos espectrales, y ya no tienes que traducir estos parámetros clave a su mundo espectral. |
| |
Sí, y entonces obtendrás mucha más información sobre estos en Functional Data Explorer y tal vez obtengas una visión más profunda de los procesos subyacentes. |
| |
Sí, ahora llego al último y definitivo ejemplo. Es el |
| |
El proceso de polimerización del que estaba hablando y que es básicamente determinar la distribución del peso molecular, |
| |
que resulta de una reacción de polimerización. Y, como ya he mencionado, determinar la distribución molecular suele ser complicado. |
| |
Obtener o reducir una distribución completa a ciertos parámetros clave. Entonces, ¿cómo se ve normalmente un espectro típico? Consideremos el espectro típico normal que muestra la masa molar de un polímero, es decir, el número total de unidades repetidas en una cadena polimérica. |
| |
Y eso es lo que se obtiene de la reacción química y de la medición. Así que los parámetros clave, que son bien conocidos o son un parámetro clave, hay que... |
| |
Esa es la masa molar promedio numérica, y la masa molar promedio en masa, la masa molar promedio Z y la polidispersidad, |
| |
que es la masa molar promedio dividida por la masa molar promedio numérica. |
| |
Ese parámetro, el PDI, la polidispersidad, le da una indicación de la amplitud o el tamaño de... o el ancho de su distribución de peso molecular. |
| |
Nuevamente, al tener estos cuatro parámetros clave que calculamos a partir de nuestros datos brutos o nuestros datos espectrales, nuevamente ya tenemos esos datos disponibles para... |
| |
Calcula los parámetros clave. Puedes repetir el análisis con técnicas estándar que no requieren ningún tipo de especialización. |
| |
Y luego obtienes un modelo sobre tu... en este caso, son cuatro parámetros infractores en tu, en este caso tres, no puse polidispersidad, |
| |
Bajo tres parámetros clave. Y como ven, la masa molar promedio no cambia mucho si se modifican estos cuatro factores, por lo que la influencia de estos cuatro factores en la masa molar promedio no es muy significativa. Es bastante grande. |
| |
En la masa molar promedio, como se puede ver aquí. Se puede modificar bastante, por lo que la diferencia es bastante grande: aproximadamente 150.000 μl por mol en total, la diferencia entre el ajuste más bajo y el más alto. |
| |
Pero, es decir, que este, que este número cambie bastante significativamente y esto no significa también que su dispersión debería variar o debería ser... o debería cambiar bastante. |
| |
El problema es que este número no muestra cómo se ve la distribución, por lo que no muestra la forma, y digamos que, en nuestro caso, es muy importante tener forma porque... |
| |
Afecta drásticamente la procesabilidad de un polímero. Por lo tanto |
| |
teniendo solo tres números y quizás la polidispersidad, no te da o no te dice, si la forma...o |
| |
si la distribución es esa distribución monomolar, bimodal, trimodal o lo que sea. |
| |
Lo que ves o simplemente hablar de la dispersión tal vez te dé una indicación de la amplitud de la distribución, pero no te dice si tienes un pico, dos picos o tres picos. |
| |
Pero hay una diferencia bastante grande en las características finales del material que obtenemos. |
| |
del polímero o cambiar el rendimiento de nuestra cinta adhesiva en desarrollo. |
| |
Ahora, nuevamente, dado que ya tienes disponibles los datos sin procesar, puedes usar nuevamente el Explorador de datos funcionales para obtener esta información o sacar mucha más información de todos estos datos solo a partir de esos parámetros clave. |
| |
Una vez más, toma un par de segundos, pero luego estás listo. |
| |
Y, una vez más, no hay nada sofisticado en el análisis, así que también para el comienzo de... para operar el Explorador de datos funcionales no hay nada sofisticado, nada |
| |
fuera de lo común, que extraes en tus exportaciones como Y, colocas tu ID de muestra y luego colocas tus factores de tu DOE. |
| |
Introdúcelos, presione el botón de inicio y listo. Ahora puede configurarlo con los parámetros del modelo. |
| |
Pero es un procedimiento muy simple y directo, y, de nuevo, se obtiene mucha más información sobre los aspectos subyacentes de interés, simplemente reduciendo todos esos datos a algunos parámetros clave. En ese caso, |
| |
Lo que quiero decir es que, después de haberles mostrado que un parámetro clave en realidad no cambia mucho, el otro sí lo hace, pero no les da la forma, por lo que no les da una indicación o una sensación acerca de la distribución. |
| |
En ese caso, usar de nuevo esta herramienta te da ese insight, porque si ves cómo... antes veías ese punto que cambia mucho, el otro no. |
| |
Si usted conoce algún tipo de cambio, aunque, por ejemplo, en ese caso. |
| |
Ese pico es más bien como un hombro, no es realmente un pico, pero si cambias tus factores de influencia llegas a un punto en que realmente se convierte en un pico. |
| |
Sí, entonces realmente obtiene un segundo pico, y eso te dice algo sobre quizás el mecanismo de polimerización o el mecanismo de polimerización subyacente. |
| |
lo cual no se obtiene de los parámetros clave, con solo mirar esos tres números, sí. |
| |
Pero aquí, podría darte una indicación o podrías activar algo en el desarrollador porque esa es su área de especialización. Podrías activar algo que le ayude a comprender el mecanismo subyacente y luego... |
| |
le ayuda a realizar el siguiente paso o le ayuda a realizar mejor el siguiente paso para planificar los próximos experimentos incluso mejor que antes, simplemente habiendo visto estos números. |
| |
Bien, entonces estoy al final de mi... presentación de mi ejemplo, por lo que espero poder mostrarle que el Explorador de datos funcionales realmente permite la visualización de los datos. |
| |
resultados a los desarrolladores en su área de especialización. Es decir, tengan en cuenta que la mayoría, en nuestro caso, la mayoría de los desarrolladores no son científicos de datos, así que... |
| |
ellos |
| |
No creen o quizás no están tan interesados en cómo llegar a los resultados, pero están más interesados en los resultados y en el |
| |
El problema es que... o si el Functional Data Explorer, digamos, te permite hablar en su idioma o en su área de especialización, eso significa, en nuestro caso, ser una empresa química, datos espectrales, y no tienes que |
| |
desechar datos valiosos para reducir los datos espectrales a algunos parámetros clave y hacer el análisis sobre los parámetros clave. |
| |
Tener que explicar cuáles son realmente los parámetros clave... cómo afectan a los espectros, las formas de los espectros, la forma de los espectros, pero puedes simplemente usar los datos y luego... |
| |
Comenzarás a mostrarles esta influencia sobre los factores que estás estudiando en la forma y figura de los espectros y cómo cambian los espectros. |
| |
Y en muchos casos, en algunos casos, puedes obtener la misma información, pero en muchos casos, el análisis, usando la FDE, a menudo te brinda mucha más información, te brinda una visión más profunda del mecanismo subyacente. |
| |
Y no es necesario, digamos, desechar muchos datos valiosos durante el proceso de reducción de los datos espectrales a algunos parámetros clave. |
| |
Con esto, quiero agradecerles a ustedes, mis colegas del departamento de I+D, por realizar todo el trabajo experimental, lo que me permite estar aquí frente a ustedes para presentarles los excelentes resultados. Y |
| |
Terminé mi presentación. Muchas gracias por su atención. Si tienen alguna pregunta, no duden en preguntar. Muchas gracias. |
