Salut, Je suis Dave Trinité,
fondateur et propriétaire de Stat-Tech, a consultant ferme spécialisation
dans le utiliser de JMP logiciel pour résoudre industriel problèmes.
Aujourd'hui Je suis en allant à à parler à propos a consultant projet
que I travaillé sur sur le dernier année
avec a robotique entreprise.
Étaient en allant à être parler à propos Drones F couché dans Entrepôts :
Un Application de Attribut Jauge Analyse.
Attribut jauge analyse est typiquement appliqué à comparer accord,
ou manque dont entre deux ou plus notation approches à a problème.
Pour exemple, deux inspecteurs peut avoir différences de avis
comme à si a partie est conforme, appel il passer
ou non conforme appel il échouer.
Basé sur considération de spécifique qualité indicateurs pour individuel parties,
comment faire nous quantitativement mesure le degré de accord?
Allons-y en fait commencer désactivé avec un exemple.
Allons-y dire nous avoir deux inspecteurs,
inspecteur 1 et Inspecteur 2,
et ils sont présenté avec a liste de 100 parties,
le critique caractéristiques sur ces 100 parties
et demandé à déterminer si chaque partie devrait être classifié comme a passer ou a échouer.
J'ai résumé le résultats sur le tableau à le droite, partiel tableau.
Toi voir là sont 100 rangées dans le tableau.
Tous variables sont nominal, donc le d'abord colonne
est le partie 1-100.
Alors le deuxième colonne est le notation par Inspecteur 1,
si c'est a passer ou échouer, et alors le deuxième inspecteur
où aussi deuxième colonne a a passer ou échouer notation.
Maintenant, si nous étaient pas familier avec JMP jauge attribut analyse programme,
d'abord étape que nous pourrait prendre pourrait être
à regarder à le deux classification distributions
et utiliser dynamique enchaînement à comparer.
Quoi I volonté faire est montrer toi le diapositives
et alors I volonté aller et démontrer le résultats sur le diapositives
après J'ai disparu à travers le diapositives, à travers a certain montant de matériel.
Pour exemple, si nous cliquez, dire, allons générer distributions
de le deux colonnes, le échouer, Inspecteur 1 et Inspecteur 2,
alors nous peut cliquez, dire, pour exemple, sur le échouer colonne pour Inspecteur 1,
toi voir surtout matchs pour Inspecteur 2,
mais là sont a peu désaccords sur ici.
Là sont quelques passes où Inspecteur 1
classifié il comme a échouer, mais Inspecteur 2 classifié il comme a passer.
Maintenant, quand toi faire cliquez sur que JMP points forts,
le réel rangées que correspondre à ce.
Toi peut voir sur ici, pour exemple, rangée quatre, Inspecteur 1 appelé il a échouer
et Inspecteur 2 appelé il a passer.
En général cependant, ils sont surtout dans accord,
échouer, échoué, échouer, échouer et donc en avant.
Nous pourrait aussi faire que par en cliquant sur Inspecteur 2 échouer,
et alors vision comment il compare à Inspecteur 1.
Nous voir que là sont en fait cinq cas de désaccord
entre le deux inspecteurs.
Quand le Inspecteur 1 le classe comme a échouer,
il y a cinq que je inspecteur 2 classifié il comme a passer.
Maintenant nous peut aussi visualiser le inspecteur comparaison données.
À faire que, nous peut utiliser générateur de graphiques avec tabuler à voir accepter et être en désaccord
compte entre le deux inspecteurs. Voici un chemin de visualisation il.
Nous peut mettre Inspecteur 1 en utilisant générateur de graphiques sur le horizontal axe
et Inspecteur 2 sur le verticale axe.
Alors nous voir maintenant avec couleur codage, si c'est accord ou être en désaccord,
accepter est vert et alors le rangées
que sont être en désaccord couleur code est rouge marqueurs.
Maintenant nous peut voir le réel distribution.
Alors nous peut utiliser tabuler à en fait total le Nombres que sont impliqué.
Nous peut voir sur ici pour Inspecteur 1 et Inspecteur 2.
Inspecteur 1 et Inspecteur 2 convenu sur le échouer catégorisation
pour 42 de le parties et ils convenu sur 44 de le passer parties.
Ils n'était pas d'accord sur neuf cas sur ici
où Inspecteur 2 appelé il a échouer et Inspecteur 1 appelé il a passer.
Et Inspecteur 2 appelé a passer, où Inspecteur 1 appelé il a échouer.
Donc ceux total 14.
Le inspecteurs convenu sur a classification pour 86% de le parties
et ils n'était pas d'accord sur 14%.
Depuis là maintenant nous peut aller et faire attribut jauge analyse
et voir quoi JMP peut faire pour ce analyse.
À aller à attribut jauge analyse, étaient en allant à aller à qualité
et analyser qualité et processus variabilité attribut jauge graphique.
Alors nous casting le rangées. Et ici J'ai montré le inspecteurs
sont répertorié sous le Y réponse, les deux de eux.
Alors le colonne pour le partie est répertorié comme le regroupement.
Ces sont requis entrées.
Nous avis le graphique taper est attribut, nous cliquez d'accord.
Et maintenant JMP fournit nous avec ce attribut jauge analyse rapport.
Le d'abord graphique c'est montré sur ici est le pour cent accord pour chaque partie.
Donc nous avoir 100 parties sur le horizontal rangées axe sur ici,
et quand il y a 100%, il moyens le deux inspecteurs convenu.
Quand il y a 0%, il moyens à être en désaccord.
Le gauche graphique spectacles le dans l'ensemble pour cent accord 86% par inspecteur.
Depuis le comparaison est entre seulement deux inspecteurs,
les deux sont en allant à avoir le même 86% accord valeur.
Le accord rapport maintenant comprend
a numérique résumé de le dans l'ensemble 86% accord.
Toi peut voir 86 matchs dehors de 100 inspecté
et le individuel ceux sont en allant à être le même depuis c'est seulement un problème
de si il était a passer ou échouer pour a donné partie.
Et 95% confiance limites sont fourni pour le deux résultats,
les deux pour le inspecteur et pour le accord.
Maintenant le accord comparaisons rapport comprend a nouveau statistique
que peut-être beaucoup personnes sont pas familier avec,
appelé le Kappa Statistique.
C'est conçu par Cohen, c'est donné dans le référence.
Le Cohen Kappa Statistique indice, lequel dans ce cas est 0,7203.
Est conçu à correct pour accord par chance seul.
Ce était très intéressant à moi quand I d'abord lire à propos ce.
Comme quoi faire nous signifier par accord par chance seul?"
Allons-y aller dans a petit peu de un explication de accord par chance
et comment peut nous estimation il.
Allons-y considérer deux évaluateurs, R1 et R 2.
Bien supposer totalement aléatoire choix
pour chaque évaluateur pour chaque échantillon, exemple, pour chaque partie.
Nous plus loin supposer que le probabilité a évaluateur sélectionne soit choix passer
ou échouer sur le autre est 50%. Donc c'est 50/50.
Cent échantillons ou essais sont différemment catégorisé par passer/ échouer pour chaque évaluateur,
similaire à retournement a pièce de monnaie pour chaque choix.
Nous juste visualiser deux inspecteurs et ils sont chaque retournement a pièce de monnaie,
et ils sont en essayant à correspondre comment beaucoup obtenir tête, têtes
ou queue, queue, ou tête, queue ou queue, tête.
Qu'est-ce que le attendu fraction de accords par chance?
Bien, c'est a simple problème dans probabilité.
Similaire à lancer deux pièces, là sont seulement quatre possible
et également probable chance résultats entre le deux inspecteurs pour chaque partie.
Évaluateur 1 pourrait appel il a échouer, et Noté 2 pourrait appel il a échouer.
Ils serait accepter. Évaluateur 1 peut appel il a passer,
et évaluateur 2 serait appel il a passer et il y aurait être accord là.
Le désaccord serait être quand ils ne le faites pas accepter sur si c'est a passer, échouer.
Maintenant, ces sont quatre également probable chances.
Bien, deux de eux sont à accepter et deux de eux sont en désaccord.
Donc, le probabilité de accord par chance seul est deux dehors de 4 c'est 50%.
C'est un simple probabilité problème.
Maintenant, comment faire nous calculer le Kappa S statistique sur le autre main?
Comme I dire, c'est censé à correct pour ce attendu probabilité
de accord par chance seul.
Le simple formule que toi peut mettre dans JMP pour le Statistique Kappa
est le pour cent accord, dans ce cas, serait être 86% moins le attendu par chance
depuis le données, lequel nous savoir est en allant à être autour 50%.
Comment faire nous en fait utiliser le données à estimation le attendu chance
depuis le données elle-même, le attendu accord par chance depuis le données?
Bien, le estimation de Statistique Kappa de Cohen
est montré ci-dessous, et ce est essentiellement comment c'est fait.
Ce est le tabulé valeur. Ce est quoi nous scie plus tôt.
Accord sur échouer/ échouer pour Inspecteur 1 et 42 cas.
Accord entre Inspecteur 1 et Inspecteur 2
sur le passé critères pour 44 cas.
Toi avait ceux en haut et c'est 86%.
Donc I montrer toi sur ici dans le Exceller format que nous ajouté, 42 plus 44
nous a obtenu divisé par 100.
Alors être en désaccord est un moins [inaudible 00:08:58]
ou juste le cinq plus neuf divisé par 100.
Maintenant, à calculer le accord par chance, le Cohen Statistique Kappa est le somme
de le produits de le marginal fractions pour chaque passer/ échouer taper.
Bien, ici sont le marginal fractions.
F ou échouer, le marginal fractions sont 51 divisé par 100 et 47 divisé par 100.
Donc nous formulaire a produit de ceux deux. Cinquante et un divisé par 100
fois 47 divisé par 100.
Plus, maintenant nous entrer le l'échec. L'autre critère est l'échec.
C'est 49... I devrait avoir dit que était le d'abord désaccord.
Cinquante et un et 47 pour le échouer critères. Pour le passer critères maintenant,
nous aller 49 dehors de 100 et 53 dehors de 100,
et nous multiplier ceux deux ensemble et ajouter eux.
Que donne nous a nombre quand nous calculer il dehors à 49. 94,
lequel est très fermer évidemment, à 0,5.
Alors le Statistique Kappa est le pourcentage accord
moins le attendu par chance, divisé par un moins le attendu par chance.
Que vient dehors à être 0,7023 dans ce cas.
Le Kappa. Ici sont quelques lignes directrices
pour interprétation Kappa.
Aller dos en haut encore.
I vouloir à montrer toi que le Kappa était 72.03.
Le lignes directrices pour interprétation Kappa sont si Kappa est plus grand
que 0 .75, c'est excellent.
Si c'est entre 0,4 et 0. 75, c'est bien.
Et si c'est moins que 0 .40 c'est appelé marginal ou pauvre.
Il y a quelques fini diviser lignes sur ce.
Un excellent, totalement 100% accord,
serait faire a Kappa de un, et nous pourrait en fait obtenir a Kappa négatif
lequel serait être accord c'est moins que par chance seul.
Le livres car ceux-ci sont donnés dans le référence.
Tous droite, laisser moi juste arrêt ici et aller dans JMP à quoi nous avons fait donc loin.
Nous peut voir que.
Le données déposer que nous avons a obtenu sur ici est le inspecteurs
que I parlé à propos de, et I dit nous pourrait prendre a regarder à le distribution.
Évidemment, si tu es familier avec JMP, toi juste aller analyser distribution
et mettre dans le inspecteurs sur ici.
Alors nous peut mettre ce suivant à le rangées,
et si nous cliquez échouer, nous voir le comparaison entre le échoue
pour Inspecteur 1 contre le échouer pour Inspecteur 2 et quelques désaccords.
Alors toi peut voir lequel zones le lignes qui je ne suis pas d'accord, c'est exemple quatre.
De la même manière, si nous calculer sur là, nous peut comparer Inspecteur 2 à Inspecteur 1.
Obtenir a différent ensemble de Nombres sur ici.
Le autre option que I mentionné pour visualisation est à faire a générateur de graphiques
et dans constructeur de graphiques, nous peut mettre Inspecteur 1 sur le horizontal axe
et Inspecteur 2 sur le verticale axe.
Maintenant nous avoir a comparaison, et maintenant nous peut en fait voir le Nombres
de fois, pour exemple, comment beaucoup fois a fait Inspecteur 1
taux quelque chose comme a passer où Inspecteur 2 noté comme a échouer.
Si nous aller dos à le données tableau,
nous voir que là sont neuf cas de que, et ils sont mis en évidence dans a rangée.
Ème est est a très rapide chemin de vision quoi le Nombres sont
pour le différent catégories que étaient fonctionnement avec.
Allons-y dire, cliquez fait sur ici.
Le autre chose nous peut utiliser comme I mentionné, est le tabuler fonctionnalité.
Nous peut aller à tabuler, et nous peut mettre Inspecteur 1 sur le haut
et Inspecteur 2 sur le bas sur ici ce chemin.
Alors nous peut ajouter dans un autre rangée pour le marginal totaux vers le bas ici et donc en avant.
Maintenant nous avoir le résumé que nous peut mettre suivant à le générateur de graphiques
et voir quoi le réel tableaux sont que nous avons a obtenu pour que.
C'est quelque chose que nous serait faire
peut-être si nous étaient pas familier avec JMP programme.
Mais allons utiliser JMP maintenant à faire le analyse.
Étaient en allant à viens sur ici, étaient en allant à aller à Qualité et Processus.
Étaient en allant à aller à variabilité attribut jauge graphique.
Étaient en allant à mettre dans le inspecteurs sur ici.
Étaient en allant à mettre dans le partie.
Sur ici toi avis c'est requis, attribut.
D'accord, cliquez d'accord, et maintenant nous avoir notre sortir.
Ce sortir spectacles encore pour chaque partie le accord.
Zéro moyens I être en désaccord. 100% moyens I être en désaccord.
Ce spectacles le notation entre le deux inspecteurs, 86%.
Ce est le résumé, 86%.
Voici notre Kappa indice sur ici, et nous avoir le accord dans taux.
Ce est gentil de redondant dans le sens
parce que étaient seulement regarder à un binaire comparaison.
Alors plus loin sur vers le bas ici, nous peut faire le accord par catégories.
Nous peut en fait calculer comment beaucoup est le accord par le échouer,
individuellement, ou par le passer individuellement.
D'accord, donc c'est comment nous serait faire il pour a simple comparaison.
Mais quoi si nous maintenant considérer que le réel diagnostic
de le partie était connu ou confirmé?
Allons-y aller dos dans notre PowerPoint présentation.
Je présente un standard.
D'accord, ce est a mesure de quoi nous appel efficacité.
Étaient en allant à supposer le correct partie, classification était soit connu
ou ensuite confirmé.
Donc ce est le vrai correct diagnostic que devrait avoir a été fait sur que partie.
Comment précis sont le inspecteurs choix?
Dans autre mots, comment peut nous comparer comment précis chaque inspecteur était
à déterminer correspondant en haut avec le vrai standard?
Nous ensemble en haut que colonne dans JMP, et maintenant nous peut aller à travers le processus
que nous dit plus tôt de regarder à a distribution.
Pour exemple, si nous ajouter dans le distribution,
ce temps nous inclure a standard, maintenant nous peut cliquez sur passer,
et nous peut voir le accords entre Inspecteur 1 et Inspecteur 2
sur passer classifications.
Toi peut voir les deux de eux avait quelques erreurs de classification, quelques faux diagnostic.
Nous peut cliquez sur échouer et faire le même chose pour le autre catégorie.
Alors JMP volonté souligner ceux dans le données tableau.
À faire le attribut jauge analyse dans JMP en utilisant le standard,
tous nous avoir à fais-le maintenant est entrer standard dans le dialogue boîte comme nous a fait avant.
Ce est le supplémentaire colonne.
Le grand différence maintenant, et ce est pas mis en évidence dans le manuel,
est que sous attribut jauge, nous peut maintenant obtenir a graphique
que s'applique spécifiquement à le efficacité.
Quoi étaient en allant à faire est décocher ces accord points sur le graphique,
et cliquez plutôt le efficacité points sous attribut jauge.
Quand nous faire que, nous obtenir un autre graphique que mesures le efficacité.
Et ce efficacité a trois notes pour il.
Ce jauge attribut graphique maintenant spectacles le pour cent accord,
0, 50 %, ou 100% de le deux inspecteurs à le standard pour chaque partie.
A 0% implique les deux inspecteurs mal diagnostiqué leur problème.
Sept événements de que s'est produit.
A 50% signifie un de le inspecteurs a obtenu leur correct classification,
et évidemment, 100% moyens ils les deux a obtenu il droite.
Alors le gauche graphique spectacles le dans l'ensemble pour cent accord
à le standard pour chaque inspecteur.
Nous remarqué que là était quelques léger différence entre le deux inspecteurs.
Nous maintenant générer le efficacité rapport
que incorpore le passer/ échouer comparaisons
à le standard pour chaque inspecteur.
Toi peut voir Inspecteur 1 a obtenu 42 de le échoue correct.
Il a obtenu 43 de le passes correct, mais il a obtenu 10incorrect de le échoue,
appel eux passe.
Et il a obtenu cinq de le passes incorrect.
I trouver ce notation a petit peu déroutant.
I mettre il vers le bas à le bas.
Quand nous dire incorrect échouer,
que moyens a échouer était incorrectement classifié comme a passer.
Quand nous dire incorrect passer, il moyens a passer était incorrectement
classifié comme a échouer.
Toi peut obtenir ton esprit en allant dans fou manières
juste en essayant à toujours interpréter qu'est-ce que dans là.
Quoi J'ai fait est I créé mon propre graphique à simplifier des choses.
Le classifications erronées spectacles sur ici que 17 réel échouer parties étaient classifié
comme passer, et onze passer parties classifié comme échouer.
Donc c'est dans le JMP sortir.
Mais quoi I dit sur ici, et Identifiant amour à voir JMP inclure
quelque chose similaire à ce comme a clair explication de qu'est-ce que en allant sur.
Inspecteur 1, Inspecteur 2, le standard est passer,
et alors le correct classification comme passer est 43 et 42.
Le mal classé comme échoue sont cinq et six.
Alors sur ici, quand le standard est le échouer,
le correct choix par Inspecteur 1 et l'inspecteur 2 est 42 et 45.
Et le mal classé, donc quand il était échouer,
10 de eux étaient classé comme passe et sept sur ici.
Maintenant, comprendre, a échouer partie classifié comme passer
est a partie c'est a défectueux partie en allant en haut.
C'est appelé a manquer.
Sur le autre main, a échouer partie que est-ce que il réel passer partie,
nous appel que essentiellement produit risque, c'est a FAUX alarme.
Et JMP utilisations ceux termes, FAUX alarme et manquer,
plus tard sur Je vais expliquer que.
I comme ce graphique parce que il semble à faire a clair explication
de qu'est-ce que en allant sur.
En utilisant constructeur de graphiques, encore nous peut voir le classifications
par chaque inspecteur comme montré sur ici.
A gagner, toi peut souligner spécifique problèmes là.
JMP aussi permet toi à définir a conformité.
Dans autre mots, nous dit non- conforme est a échouer et conforme est a passer.
Que chemin nous peut prendre a regarder à le taux de FAUX alarmes et ratés
dans le données lui-même comme déterminé par le inspecteurs.
Nous peut voir que le probabilité de FAUX alarmes pour Inspecteur 1 était 0,1
et Inspecteur 2 est de 0,125. Le probabilité de raté,
ok, ça moyens que nous laisser il défaut le parc, aller dehors,
était plus haut pour Inspecteur 1 et Inspecteur 2.
Je vais montrer comment ces calculs sont fait.
À souligner ce, a FAUX alarme
se produit quand le partie est incorrectement classifié comme a échouer,
quand il est a passer. C'est appelé a FAUX positif.
Le FAUX alarme, le nombre de parties
que avoir a été incorrectement jugé à être échoue,
divisé par le total nombre de parties que sont jugé à être passe.
Maintenant, c'est où ce calcul est fait sur ici.
Si I aller en haut ici, voici le le laissez-passer est mal classé comme échouer,
donc si I prendre cinq dehors de 48, I fin en haut avec que nombre 0,1042.
Maintenant le suivant chose est a manquer.
Que partie est incorrectement classifié comme a passer.
Quand il en fait est a échouer. C'est a FAUX négatif.
Dans ce cas, étaient envoi dehors a défectueux partie.
Le nombre de parties que avoir a été incorrectement jugé à être passes
divisé par le total de parties que sont jugé à être échoue
est 10 dehors de 42 plus 10 est 0,193.
A gagner, en allant dos à ce tableau,
ces sont le parties que sont échouer, mais 10 de eux étaient mal classé comme a passer.
Donc le parties que devrait avoir a été classifié comme ils échouer est 52.
Dix divisé par 52 donne toi que nombre de 0,1923.
Donc I comme que tableau est Plus facile à interpréter sur ici.
Le final chose à propos le conformité rapport
est toi peut changement ton conformité catégorie,
ou toi peut changer se conformer à non conforme.
Toi peut calculer aussi un s'échapper taux. Et que est le taux que le probabilité
que a non conforme partie est en fait produit et pas détecté.
À faire que, nous avoir à fournir quelques estimation ou probabilité
de non-conformité à le JMP programme.
I mettre dans comme 10%, allons dire 10% de le temps nous produire a défectueux partie.
Donné que nous avons produit a défectueux partie, qu'est-ce que le probabilité
que 's en allant à être a manquer et alors s'échapper?
Et c'est le s'échapper taux. C'est le multiplication de le deux.
notre processus volonté produire fois le probabilité de a manqué processus
produit échouer partie fois le probabilité de a manquer.
Maintenant allons aller dans JMP encore
et étaient en allant à utiliser le inspection avec le standard.
Je suis rapidement en allant à aller à travers ce.
Nous faire analyser distribution, encore, mettre dans trois sur ici,
et maintenant nous peut cliquez sur a standard vers le bas ici
et alors nous peut souligner, comparer le Inspecteurs 01 et Inspecteur 2.
Un autre chemin à visualiser il est à utiliser graphique constructeur comme nous avons fait avant.
Alors nous peut mettre Inspecteur 1 sur ici.
Laisser moi faire il ce chemin.
Et Inspecteur 2 peut être sur ce côté maintenant.
Alors nous peut entrer le standard sur ici sur ce côté.
Et maintenant nous avoir a chemin de en cliquant et vision quoi le catégories
étaient relatif à le standard.
C'est a très bon petit graphique, et si toi recherché à dire,
"D'accord, comment beaucoup Inspecteur 1
contre classifié comme a passer quand il était a échouer.
Maintenant nous peut apporter que à un stand, et le les lignes sont mis en évidence aussi.
Allons-y aller dans JMP. Maintenant étaient en allant à analyser
qualité et processus, variabilité attribut jauge graphique,
rappel et Je suis en allant à ajouter dans le standard sur ici.
Nous cliquez le standard. Maintenant voici le problème.
JMP donne nous le attribut jauge graphique, mais ce était pour le accord.
Quoi épouser comme à mesure est contre le standard.
Nous viens en haut ici sur le attribut jauge graphique
et ce que nous sommes en allant à faire est décocher rien que dit accord.
Et cliquez sur rien que dit efficacité.
Là pourrait être a plus simple chemin à faire ce finalement
dans le [inaudible 00:23:31] programmation dans JMP.
Maintenant nous avoir le effet sur ce graphique, encore, comme I dit, 50% moyens
que un de le inspecteurs a obtenu il droite, 0% moyens ils les deux a obtenu il faux.
Et nous avait le accord rapport montrant 86 que nous avons vu avant.
Mais quoi nous vouloir à obtenir vers le bas à est le efficacité notation,
le efficacité rapport.
Et maintenant nous voir que Inspecteur 1 était 85% efficace.
Inspecteur 2 était 87% efficace.
Dans l'ensemble il était 86% efficace.
Voici le résumé de le manquer classifications.
Et ces sont le ceux que sont répertorié sur ici.
Comme ils dire ce terminologie toi besoin à comprendre que incorrect échoue
étaient correct passes et incorrect passes étaient correct échoue.
Alors le conformité rapport est vers le bas ici, nous a montré toi comment à faire le calcul
et alors nous peut changement le conforme catégorie par faire que sur ici.
Ou nous peut calculer le probabilité de s'échapper, s'échapper taux,
par putting dans quelques nombre dans que estimations,
comment souvent épouser attendre à voir a défectueux partie.
Je suis putting dans sur ici indiquer un,
cliquez, d'accord.
Et alors JMP donne nous le probabilité de non-conformité et le s'échapper tarifs
comme montré sur ici maintenant pour chaque inspecteur.
J'étais en allant dos à maintenant mon PowerPoint présentation.
Maintenant que nous avoir a sentiment pour ces concepts de accord,
efficacité et le Kappa indice, laisser nous voir comment nous peut appliquer le approche
à a plus complexe problème s'engager analyse appelé inventaire suivi.
Comme partie de a consultant projet avec le robotique entreprise,
et C'est Vimaan Robotique,
et par le chemin, il y a quelques merveilleux vidéos
si toi cliquez sur ici que spectacles le drones vol
dans le entrepôt et donc en avant
faire le lectures et quelques de le résultats depuis le analyse.
Comme partie de a consultant projet I était introduit à le problème
de drones vol dans a entrepôt en utilisant optique personnage reconnaissance
à lire inventaire étiquettes et boîtes et étagères.
Dans mesures système analyse MSA,
le but est à déterminer si le variabilité dans le mesures système
est faible assez à avec précision détecter
différences dans produit- à- produit variabilité.
A plus loin objectif est à vérifier que le mesures système
est précis, précis et écurie.
Dans ce étude, le produit à être mesuré via OCR
sur drones est le étiquette sur le récipient stocké dans étagères sur a entrepôt.
Le mesures système doit lire le étiquettes avec précision.
En outre, le mesures système volonté aussi valider le capacité à détecter,
pour exemple, vide poubelles, endommagé article, compte de articles dans a donné emplacement,
dimensions, et donc en avant. Tous être fait par le drones.
Dans les études de jauge R&R, un préoccupation adresses pur erreur,
que est le répétabilité de répété mesures sur le même étiquette.
Répétabilité est a mesure de précision.
Dans ajout, dans études de jauge R&R,
a deuxième préoccupation est le biais associé avec différences dans le outils,
que est, différences parmi le drones en lisant le même étiquettes.
Ce aspect est appelé reproductibilité, c'est a mesure de précision.
Le conception que I proposé
était a croix étude dans lequel le même emplacements dans le entrepôts,
dans le poubelles sont mesuré multiple fois, c'est pour répétabilité
à travers différent biais facteurs, le drones pour reproductibilité.
Le proposition volonté définir plusieurs normes pour le drones à mesure.
Le comparaisons volonté impliquer les deux dans- drone répétabilité,
drone- à- drone accord cohérence,
et drone- à- standard précision.
Le plan était à mesure 50 emplacements 1-50,
et trois drones volonté être utilisé à mesure reproductibilité
c'est drone- à- drone comparaisons, et là volonté être trois passes
pour chaque emplacement par chaque drone à mesure répétabilité.
Maintenant, multiple réponses peut être mesuré contre chaque spécifique standard.
Donc nous ne le faites pas avoir à avoir juste un article et a standard.
Nous peut avoir différent caractéristiques.
Le en lisant peut être binaire, que est, classifié comme soit correct ou incorrect.
Et aussi le en lisant peut fournir statut
rapports pour a emplacement, comme le nombre de unités, n'importe lequel dommage unités, et donc en avant.
Exemples de différent réponses
sont comment avec précision peut le drones lire a standard étiquette?
Sont là n'importe lequel manquant ou inversé des étiquettes ?
Sont le inventaire articles dans le correct emplacement?
Est le quantité de boîtes dans a emplacement correct?
Sont n'importe lequel de le boîtes endommagé? Ce serait être quelque chose
que a humain personne serait être vérification comme partie de un inventaire contrôle,
mais maintenant étaient faire il tous avec drones.
Voici le proposition.
I avoir 50 rangées sur ici,
150 rangées en fait, parce que chaque emplacement est être lire trois fois par chaque drone.
Donc I avoir drone UN, drone B, et drone C.
Alors ces sont le résultats de a comparaison à le standard.
Étaient classement cinq normes, A, B, C, D et ET,
et ils sont au hasard arrangé dans ici comme loin comme le emplacement va.
Et c'est un caractéristiques spécifier chaque de le 50 emplacements.
S mince étaient faire trois lectures, c'est 150 rangées.
T trois drones reproductibilité, trois passes pour chaque emplacement
et par chaque drone c'est répétabilité
et le normes sont spécifiés pour chaque emplacement.
Je suis en allant à faire un important déclaration sur ici que le données que Je suis en utilisant
pour illustration est fait- en haut données et pas réel expérimental
résultats depuis le entreprise.
Nous peut commencer désactivé avec distributions et dynamique enchaînement.
Nous peut maintenant comparer le classification de le drones par standard.
Nous générer le distributions et alors nous cliquez sur dire, standard UN,
et nous peut voir comment beaucoup drones a obtenu que standard A droite,
ou si n'importe lequel drones avait plus loin diagnostic erroné.
Même chose si nous peut cliquez sur standard ET, nous peut voir drone A avait a plus haut propension
pour classification erronée standard E et même chose avec drone C.
Maintenant le graphique ci-dessous spectacles comment Bien
le drones convenu avec chaque autre pour chaque emplacement.
Ici sont le 50 emplacements et étaient regarder à le drones en comparant.
Maintenant quand tu es comparer a drone à autre drones, tu as a obtenu a parcelle de comparaisons.
Tu es comparer peut être drone un à i lui-même trois fois.
Tu es comparer zone un,
drone un à zone deux, fois pour chaque un de le mesures.
Donc il pourrait avoir comme un 1, 2, 3 pour zone,
drone un et a un, deux, trois pour zone.
Deux, et tu es comparer tous possible combinaisons maintenant de ceux drones.
C'est pourquoi le calculs obtenir a petit peu complexe
quand toi obtenir multiple drones dans là.
Mais tu es faire a comparaison.
Ce spectacles le accord parmi tous le comparaisons.
Maintenant nous remarqué que entre zones le cinq et 10,
que pour ces emplacements le précision abandonné assez de manière significative
et que invité plus loin enquête comme à pourquoi ?
Il pourrait avoir a été le éclairage, il pourrait avoir a été le emplacement,
il pourrait avoir a été quelque chose autre que était interférant avec le approprié diagnostic.
Toi voir la plupart de le drones sont en lisant avec précision 100%.
Ce est un accord entre le drones,
donc ils étaient d'accord à peu près 90, 91% à le temps.
Et ces sont le confiance intervalles pour chaque drone.
Donc ce dit nous comment Bien le drones étaient comparer à chaque autre.
Maintenant nous a obtenu accord comparaison, le tables volonté montrer le accord valeurs
comparer paires de drones et drones à le standard.
Et le Kappa indice est donné contre le standard et répétabilité
dans drones et reproductibilité sont tous excellent basé sur le Statistiques Kappa
et accord à travers même le catégories est aussi excellent.
Donc étaient comparer ici drone A à drone B
drone A à drone C, drone B à drone C, tous faire excellent accord.
Étaient comparer ici le drones à le normes, tous un excellent accord.
Et alors ce est le accord, juste essentiellement a résumé de il.
Alors ce est le accord par le différent catégories.
Maintenant encore, nous peut regarder à le attribut graphique pour efficacité.
Même chemin nous cliquez dehors tous le accord vérifier boîtes
et alors cliquez sur le efficacité boîtes.
Nous voir encore sur ici, que Sept et huit avait le le plus bas
accord à le standard.
Encore, que pourrait avoir a été quelque chose associé avec le éclairage.
Il pourrait avoir a été quelque chose associé avec quelques autre problème là.
Alors le dans l'ensemble accord à le standard par drone,
toi peut voir ils sont à propos 95%.
Le drone est joli précis et ils étaient joli reproductible
et le répétabilité était excellent.
Ce est le efficacité rapport. Maintenant ce est a petit peu plus élaborer
parce que maintenant étaient comparer il pour chaque de le cinq caractéristiques normes
et ces sont le incorrect choix que étaient fait pour chaque un.
Dehors de 150 possible mesures,
drone A mesuré 142 correctement, drone B 145 et drone C 140.
Donc efficacité est le important un.
Comment précis étaient le des drones ?
Nous peut voir que le drones sont tous en cours d'exécution en haut autour un moyenne à propos 95%.
Ce apparaît à être très efficace.
Alors nous avoir a détail analyse
par niveau, fourni dans classification erronée rapport.
Donc nous peut voir individuellement comment chaque un de ces drones comparé à le différent,
comment chaque un de le différent caractérisations
étaient mesuré correctement ou incorrectement par le drones.
Ce est le ceux que sont erreurs de classification.
A gagner, laisser moi aller dans JMP.
Oh, un plus loin exemple I censé à montrer en haut sur ici.
Toi en utilisant constructeur de graphiques,
nous peut voir le classifications et quoi classifications par chaque fort.
Ce est a vraiment soigné chemin de montrant il. I souhait JMP serait inclure ce peut-être
comme partie de le sortir, mais toi peut voir où le classifications erronées se produire.
Pour exemple, pour drone UN, quand toi classer de manière erronée drone C,
la plupart de eux étaient classifié correctement, mais là sont a peu que étaient pas.
Ces montrer le erreurs de classification.
I comme que gentil de représentation dans constructeur de graphiques.
Maintenant allons aller dos dans JMP et étaient en allant à faire
attribut jauge analyse multiple avec le réel expérience que était courir.
D'accord, donc étaient en allant à analyser distributions donc nous peut faire ce.
Nous peut comparer le drones à le standard.
Encore, nous peut juste cliquez sur a standard et voir comment il compare à travers le drones.
Nous peut aussi faire un analysé constructeur de graphiques.
Et nous peut mettre le zone drone A
et alors drone B, et alors drone C sur ici.
Et alors nous peut mettre le standard dans là
et il spectacles très clairement qu'est-ce que événement avec que.
B dehors nous peut aller et aussi dans JMP et utiliser le JMP qualité et processus
variabilité attribut jauge.
Donc nous ajouter le trois drones dans ici, nous ajouter le standard,
et nous mettre dans le emplacement et nous obtenir notre jauge attribut rapport graphique
montrant que drones comme loin comme le accord avec chaque autre, étaient à 90%.
Ce un a le la plupart difficile emplacements à caractériser.
Ici sont le accord rapports que J'ai montré toi.
Drone UN, Drone B et Drone C accord avec le autre drones et avec lui-même aussi.
Drone A à drone B, ces sont le Kappa valeurs.
Ce est le mesures à le standard, tous très haut.
Et alors ces sont le accord à travers catégories.
Et alors pour le efficacité,
à obtenir que graphique que nous comme à voir pour le efficacité rapport,
nous prendre dehors le accord sur ici et cliquez sur maintenant le efficacité.
Nous maintenant avoir le efficacité parcelle
sur le robinet que spectacles nous comment le drones convenu avec le standard.
Nous maintenant aller dos dans le PowerPoint présentation sur ici.
D'accord, à résumer w a nous avons fait sur ici,
le utiliser de attribut jauge analyse autorisé le entreprise à fournir solide données
sur le accord et efficacité de drones pour inventaire gestion.
T il résultats sont très impressionnant. Ultérieur résultats signalé
sur le de l'entreprise site web montrer inventaire compte à être 35%, plus rapide inventaire frais
réduit par 40% et réduit manqué- expéditions
et dommage réclamations réduit par 50% comparé à le précédent méthodes.
Dans ajout, le système génère quoi nous appel exploitable données
pour plus précis, efficace, plus sûr, plus coût efficace,
et plus rapide inventaire contrôle.
Quelques excellent références sur ici est Cohen original papier,
et livre par Fleiss est excellent,
a a parcelle de détail, et aussi le livre par Le est Bien fait.
I remercier toi très beaucoup pour écoute. Avoir a bien jour.
