Bonjour,
mon
nom
est
Caleb
Roi.
Je suis a senior recherche statisticien promoteur
ici dans le Conception de Expériences et Fiabilité groupe
à JMP Statistique Découverte.
C'est assez a bouchée.
A s toi probablement deviner depuis le titre de mon parler,
Je suis en allant à être parler à propos autonome véhicules,
et spécifiquement comment nous peut probablement évaluer le fiabilité
de autonome véhicules
en utilisant quelques de le fiabilité plateformes comme JMP,
donc que peut être un jour Bien être comme ce bien gentilhomme ici
relaxant dans notre autonome véhicules comme ils prendre nous partout où nous vouloir à aller
sans être effrayé que nous ne le fera pas fin en haut là.
L et obtenir dans que.
O f cours, autonome véhicules sont rapide devenir a réalité.
Nous avoir a parcelle de entreprises maintenant impliqué dans extensif essai de ces véhicules.
Maintenant, de cours, quelques de que essai tôt sur
est basique essai de le logiciel, essai dans simulé environnements,
mais finalement, dans commande à avoir a très fiable véhicule,
toi besoin à test il dehors sur le routes,
et donc à aide dehors avec que, a couple de années dos,
le Californie Département de Moteur Véhicules
mettre ensemble a essai programme que serait permettre ces entreprises
à opter dans et test leur véhicules sur leur routes.
Comme partie de que arrangement, cependant,
chaque année ces entreprises avoir à fournir a détaillé rapport
sur n'importe lequel désengagement, et paradis interdire, accidents
impliquant leur autonome véhicules à le DMV.
Maintenant, parce que le DMV est a fédéral institution,
ces rapports sont en fait publiquement disponible sur demande.
Dans fait, Je vais tirer en haut a lien ici réel rapide à le Californie DMV site web
où toi serait être capable à aller à.
Dans ce cas, toi pourrait accéder rapports depuis le dernier deux années.
Si toi recherché plus, toi juste envoyer un e-mail à ce lien
là joli rapide sur obtenir dos à toi.
Maintenant, déjà a parcelle de personnes sont en utilisant ce données dans académique recherche.
Comme a rapide exemple, Je vais cliquez sur ce lien ici
à a papier sur a projet que I était personnellement impliqué dans
avec mon ancien conseiller et un de son nouveau doctorat étudiants,
dans ce cas, analyser il en utilisant qu'est-ce que appelé, récurrent événements données.
Je vais parler a petit peu à propos que plus plus tard.
Mais encore, il y a déjà recherche regarder à comment peut nous utiliser ce données
à évaluer le fiabilité de autonome véhicules,
peut être utiliser il à introduire nouveau méthodes et donc en avant.
I c'est déjà a été départ à être largement utilisé.
Maintenant pour ce particulier parler, Je vais être regarder à désengagement rapports,
en utilisant que comme a chemin à mesure fiabilité
parce que de cours, nous ne peut pas accéder le réel logiciel,
c'est tous propriétaire pour le entreprise.
Mais à travers le utiliser de ces désengagement événements,
nous peut déduire le fiabilité de le véhicules pour a particulier entreprise.
A gagner, Je vais être montrant désactivé,
ce est a Statistiques JMP découverte conférence,
donc Je vais être montrant désactivé quelques outils dans JMP que permettre nous à obtenir que information.
Wi ème que, allons rapidement parler à propos quoi données sont nous regarder à?
W a sont dans ces rapports ?
F d'abord, ces sont annuel rapports,
et Je suis en allant à être se concentrer sur a célibataire entreprise,
ceux à venir depuis Waymo,
lequel est anciennement ce Google conduite autonome voiture projet.
T ces sont rapports soumis par Waymo à le Californie DMV.
Maintenant, J'ai a été parler à propos a désengagement événement.
Quoi faire I signifier par que?
Bien, il y a deux types de essai.
Le d'abord implique là être a conducteur dans le siège,
le véhicule en fait ne peut pas fonctionner sans a conducteur dans le siège.
Mais à quelques indiquer, ils peut tourner sur autonome mode,
et si rien ça arrive où le conducteur a à prendre sur,
que était pas prévu comme partie de le essai,
c'est a désengagement événement.
Le autre taper de essai, de cours, est a complètement sans conducteur véhicule.
Étaient pas en allant à se concentrer sur ceux.
Étaient juste en allant à se concentrer sur le conducteur nécessaire systèmes.
Maintenant, ces annuel rapports aller tous le chemin dos à à propos 2015,
même contenant information dos à 2014,
lequel est à propos quand ce entier Californie DMV programme commencé.
Waymo était en fait un de le d'abord entreprises à obtenir impliqué dans ce.
T ces rapports contenir, d'abord de tous, ils contenir données
typiquement depuis Décembre de le précédent année,
à Novembre de le actuel année de le rapport,
le exception être le 2015,
lequel en fait va dos a peu plus loin dans 2014.
F ou exemple, le 2016 rapport serait avoir données depuis Décembre de 2015,
tous le chemin en haut à Novembre de 2016.
T voici deux général types de données présent.
Le d'abord est en allant à dire toi tous à propos le désengagement événement.
Quoi était le cause? Où a fait il arriver?
S parfois c'est pourrait donner toi le jour et le VIENS de le véhicule
impliqué dans le incident.
Le autre taper de rapport est,
comment beaucoup milles étaient conduit dans autonome mode
pour a véhicule, pour a particulier mois.
Maintenant, toi peut avoir remarqué que je dit, dans le désengagement événement rapport,
parfois nous savoir le date et le événement.
Oui, c'est droite.
C'est pas très cohérent à travers le entier temps.
Dans fait, que information en fait n'était pas disponible jusqu'à 2018.
Avant à que, nous seulement savoir quoi le événement était et comment beaucoup arrivé dans a mois.
Départ dans 2018, ils commencé fournir que information,
la plupart probable parce que le DMV encouragé eux à faire donc.
W a il moyens alors est que
toi en fait avoir deux niveaux de résolution avec notre données.
T il d'abord est à a mois niveau,
et pour que nous peut aller tous le chemin dos à quand essai a commencé.
Je suis en allant à être regarder à que taper de données
en utilisant notre fiabilité croissance plate-forme.
T il autre taper de données est en fait tous les jours et à le VIENS niveau,
donc individuel véhicule niveau.
Je vais être en utilisant le récurrent événements plate-forme à analyser que.
Avant Je continue plus loin, laisser moi montrer toi où ceux sont.
Vous allez trouver eux sous le Analyser Menu, aller vers le bas à Fiabilité et Survie.
Vous allez avis a tonne de plateformes ici.
Le un Je vais être mise en évidence sont Récurrence Analyse.
Ème est est, nous a obtenu individus, dans ce cas, véhicules,
que peut expérience a récurrent événement sur temps,
dans ce cas, a désengagement événement,
donc Bien être en utilisant que pour le VIENS niveau, et alors le fiabilité croissance
Je vais être en utilisant à analyser le mensuel agrégat données.
Le même idée,
bien que fiabilité croissance est plus pour si I avoir a grand système
que pourrait rencontre m ultiple événements,
parfois ils avoir à être réparé comme partie de le événement,
donc ils sont expérimenter il sur temps.
Il pourrait aller à travers différent phases dans,
donc le sous-jacent processus ou logiciel pourrait être en évolution sur temps.
C'est quelque chose que le fiabilité croissance plate-forme est destiné à poignée.
Maintenant ce pourrait aussi poignée le VIENS information comme Bien.
C'est bien avec que.
Je suis juste cueillette ces deux parce que I vouloir à montrer désactivé le largeur
de le truc que nous avoir ici à JMP.
Alors que Je suis faire que,
I aussi vouloir à montrer toi a peu de comment nous utiliser quelques JMP outils à compiler le données.
Évidemment, il y a a parcelle de rapports,
donc comment faire nous compiler tous que ensemble dans a célibataire rapport?
Je vais touche brièvement sur quelques de le outils que nous utilisé dans JMP à aide avec que.
L et plonger droite dans que.
F d'abord Je vais parler à propos en lisant dans quelques de le plus tôt rapports.
Y tu as déjà remarqué il y a a peu de incohérence dans qu'est-ce que signalé.
Il y a aussi a peu de incohérence dans le format de le rapports,
donc quelques de le très tôt rapports étaient dans le formes de PDF.
Laisser moi montrer toi un exemple en utilisant le 2017 rapport.
W e avoir a bon rapport ici depuis Waymo.
C'est très Bien formaté.
Dans fait, ce est probablement un de le mieux, plus agréable rapports
que nous avons vu parmi le entreprises que étaient participant à ce temps.
A bouquet de tables dans ici,
Le ceux nous vraiment vouloir sont le ceux ici à le fin dans le annexes.
Ce est un événements rapport.
Avis jours a peu de a terme impropre.
C'est en fait le mois où il arrivé,
quelques information à propos le opération, quoi causé il.
Nous certainement vouloir ce information.
Ce est a tableau que nous vouloir.
Nous aussi vouloir a tableau ici à le fin
lequel spectacles le autonome milles pour chaque événement, dans ce cas le dernier quatre.
Ne le faites pas même obtenir le complet Viens pour chaque véhicule pour chaque mois.
Maintenant, de cours c'est dans le PDF,
donc nous vraiment ne le faites pas vouloir à avoir à aller dans et manuellement taper ces dans.
Il serait être bon si JMP avait a chemin à lire dans tables depuis a PDF.
Bien, tu es dans chance parce que I peut aller ici et faire ouvrir.
Il y a mon pdf J'ai marqué il à, Sélectionner tous fichiers, pas juste JMP fichiers.
Il y a mon rapport, Je suis en allant à cliquez Ouvrir
et nous avoir notre PDF fantaisie lecteur.
Maintenant, quoi c'est disparu à travers est c'est en essayant à identifier tout c'est a tableau
dans que rapport et c'est fait a joli bien emploi.
Rouleau à travers ici.
Toi peut voir capturé la plupart de ceux tables.
Dans fait, probablement aussi beaucoup tables ne le faites pas besoin tous de ces.
Toi peut rouleau à travers eux individuellement en utilisant ce dérouler menu
et toi peut voir c'est étiqueté par page et le tableau nombre sur que page.
I ne le faites pas besoin tous de ces tables comme I mentionné avant,
I juste vouloir le ceux que sont dans le annexes.
C'est facile.
Je vais aller à le Rouge Triangle menu que soudainement apparu sur le page
et dire, Juste ignorer tous le tables sur ce page.
Je vais rouleau vers le bas et faire le même chose pour ce page.
D'accord, maintenant J'ai a obtenu le tables Je suis intéressé dans.
Nous toujours besoin a peu de peaufinage à faire parce que comme tu vas voir,
ils sont essentiellement chaque tableau sur chaque page est c'est propre entité.
Donc ces sont en fait tous le même tableau.
Comment faire I dire JMP à faire que?
Bien, maintenant I peut aller à le Rouge Triangle menu sur le tableau.
Je suis en allant à rouleau vers le bas ici à nombre de rangées à utiliser ce en-tête
et dire il à utiliser aucun.
Maintenant quoi ce moyens est si il y a a tableau avant à il
c'est révélateur JMP que, Hé,
c'est en fait partie de le précédent tableau.
C'est pourquoi il y a Non en-tête sur ce.
Je suis en allant à cliquez zéro.
Vous allez avis que tableau, il y a un moins.
Vous avez aussi remarqué c'est ajouté deux colonnes dans ce cas.
Quoi page est que tableau se produire et quoi tableau sur que page.
Si toi recherché que information, JMP automatiquement fournit il.
Dans ce cas, I ne le faites pas vraiment besoin il,
mais I peut supprimer il plus tard après Je suis fait en lisant ces alors.
Nous aussi avis nous manqué a peu de que tableau
probablement parce que le formatage changement
avis il était capable à joli facilement trouver quoi le routes étaient pour ce tableau,
mais pour ce un, pas donc beaucoup.
Principalement parce que de ce gars.
Quelques nous juste n'a pas mettre il juste droite, donc il n'a pas ajuster le modèle.
C'est d'accord, Je suis en allant à cliquez, Je suis en allant à traîner autour
et que raconte JMP, "Hé, il y a toi a nouveau tableau",
et I peut aller dans droite maintenant pense c'est a zone tableau.
I peut juste dire il Non, c'est partie de le précédent un.
Là nous sont.
Je suis en allant à rouleau à travers et Ouais, il manqué quelques de ce information.
Mais encore, avis c'est en essayant à maintenir que formatage,
mais parce que de le chemin il était saisir, il manqué que dernier rangée.
C'est d'accord I peut saisir que information plus tard. C'est pas a grand accord.
Si nous aller à ce suivant page dans ce cas JMP fait le opposé.
C'est en fait concaténé ces deux ensemble, lequel fait sens.
Il voit ces sont joli fermer ensemble.
Peut être ils sont le même tableau.
Malheureusement, ils sont pas.
Comme toi peut voir, ils sont deux distinct tables ici,
alors que ici ils sont concaténé ensemble.
I besoin à dire JMP.
Non, c'est en fait a différent tableau.
C'est joli facile.
Juste dire comment beaucoup rangées.
Non, il y a en fait est a en-tête rangée,
et que raconte JMP, c'est a différent tableau.
Maintenant c'est créé a différent tableau.
I serait avoir à répéter que pour a parcelle de ces.
Malheureusement, le chemin ils ont saisir ce,
Je suis en allant à avoir à faire a peu de travail plus tard sur
à obtenir eux dans le droite format.
Mais c'est d'accord.
Là sont autre outils et JMP à faire que.
Pour droite maintenant pour le saké de temps Je suis pas en allant à aller dans que.
I juste vouloir à montrer toi comment nous pourrait lire il dans depuis a PDF.
Maintenant, heureusement, départ dans à propos 2018,
ils commencé en utilisant Exceller pour leur rapports.
Il était a parcelle Plus facile à juste copie et coller directement dans JMP.
Maintenant que nous avons a obtenu le brut données tables dans,
Je suis pas fait encore parce que I serait comme à reformater quelques de ces données tables
à obtenir eux dans a bon commun formatage
que peut alors utiliser à enchaîner eux tous ensemble dans a célibataire tableau.
Maintenant Je vais montrer toi comment I a fait que,
et c'est en fait assez a parcelle de des choses que I vouloir à faire.
Voici un exemple de le Waymo 2022 rapport.
Nous dans ce cas,
nous avoir le date de le incident, le VIENS nombre de le véhicule impliqué.
Ce est juste supplémentaire information que I en fait ne le faites pas vouloir à garder.
C'est juste adage, peut I conduire par elle-même ?
Est il complètement sans conducteur ? Non.
Oui, Monsieur. De cours il y a a conducteur présent.
OMS initié il. Je suis pas en allant à utiliser que information.
Je suis en allant à garder le emplacement et le description.
Ce est essentiellement le cause.
I volonté probablement rebaptiser quelques de ceux colonnes.
I aussi besoin à résumer sur ce tableau,
parce que depuis ce Identifiant comme à créer un agrégat événements
donc I peut utiliser il avec le mensuel agrégat données.
Je voudrais besoin à agrégat résumer sur le VIENS Nombres sur le dates par mois.
Faire tous que, donc si toi ours avec moi,
J'ai a parcelle de à propos cinq minutes ou donc à faire que.
I savoir c'est a peu dangereux à gentil de faire que en direct, mais juste ours avec moi.
D'abord chose I besoin à faire est I besoin à ouvrir ce gars
et alors I besoin à cliquez ce bouton.
D'accord. Donner moi.
Laisser moi prendre a petit casser ici. Que était a parcelle.
Remercier toi pour palier avec moi sur que.
Comme toi peut voir, merci à quelque chose nouveau appelé le JMP flux de travail,
I était capable à accomplir tous de que dans a fraction de a deuxième.
Bien, peut être a petit sur a deuxième, mais toujours a parcelle plus rapide.
J'ai a obtenu a données tableau ici agrégé par mois.
J'ai eu le emplacement, le noyaux, comment beaucoup événements arrivé dans que?
I peut réétiqueter quelques de que et J'ai a obtenu mon individuel données tableau
que a le date, le VIENS et le réel individuel événements.
J'ai a obtenu que ensemble en haut.
Maintenant I peut sauvegarder ceux dans différent emplacements à être concaténé plus tard.
Quoi est ce nouveau flux de travail ?
Bien, laisser moi ouvrir en haut a nouveau un pour toi juste donc toi peut voir il si peut obtenir là.
Là nous aller.
Ce est quoi toi serait commencer désactivé avec.
Quoi toi faire est toi cliquez ce rouge enregistrer bouton et sur un individuel données tableau toi
serait alors il serait alors enregistrer le actes tu es prise sur que données tableau.
Ce est très utile si toi avoir un ce comme I avoir ici, I avoir a parcelle de rapports.
Je suis en allant à être faire le même chose pour chaque rapport.
Alors ayant à plutôt répéter tous ceux actes pour chaque de ceux tables,
I juste enregistrer il pour un tableau et alors sauvegarder il comme a flux de travail.
Alors quand I couru il, quoi il serait faire est il serait ouvrir en haut
a fenêtre adage, "Hé, ne pouvait pas trouver que original données tableau.
Peut toi montrer moi quoi le nouveau un est?"
Sélectionner il et il courses il.
Maintenant, dans ce cas,
il n'a pas faire il ici parce que I déjà avait il apprêté pour ce données tableau.
Mais typiquement si le données tableau a modifié dans le nom,
donc long comme il garde le même formatage,
c'est le seulement chose toi avoir à inquiétude à propos de.
Si a colonne a fait changement a nom, c'est d'accord.
JMP aussi sait à demander,
"Hé, ne pouvait pas trouver que colonne. Peut toi donner moi a remplacement?"
Ce est très utile.
Allons-y dire toi avoir a tous les jours rapport que toi avoir à collecter données sur
donc toi serait obtenir a données tableau de que rapport.
Peut être il y a a couple nettoyage des choses toi besoin à faire sur que données tableau.
Sauvegarder a flux de travail, ouvrir que données tableau,
cliquez Courir, sélectionner le droite données tableau et tu es fait.
Ce est a super temps épargnant.
Ce vraiment aidé sauvegarder nous a parcelle de temps
quand nous étaient compilation ces données ensemble.
Que était quelque chose que était juste récemment introduit dans JMP 17.
Je suis bien sûr tu es en allant à amour que.
Laisser moi sortie dehors de tous de ces. J'ai déjà a obtenu ceux tables fait,
et vouloir à faire bien sûr étaient en allant à aller sur à le analyse
parce que vouloir à faire bien sûr nous avoir temps à faire que.
Allons-y commencer avec le mensuel agrégat niveau.
Ici J'ai compilé il à travers tous le temps périodes
en haut jusqu'à le la plupart récent, que être 2022.
Allons-y rapidement marcher à travers quoi J'ai a obtenu ici.
J'ai a obtenu date dans ce cas, c'est le mois.
Comment beaucoup véhicules sont activement être testé dans que période?
Comment beaucoup total autonome milles étaient conduit dans que mois?
Ce est comment beaucoup différent événement types arrivé.
Ce est le total nombre de désengagement événements que s'est produit.
Allons-y faire a rapide visuel regarder à ce.
JMP est tous à propos graphiques et visuel exploration.
Allons-y regarder à que.
Ici J'ai a obtenu tracé le cumulatif nombre de événements sur temps
et le individuel événements et nous avis est un intéressant petit modèle ici.
Là sembler à être il y a clair pointes et alors gouttes et il semble à arriver
à propos 4 ou 5 fois où nous voir ce pointes.
Toi peut aussi voir que avec le cumulatif données.
Idéalement quoi toi serait comme avec ce taper de données,
il y aurait être a peu de un augmenter à le début
et alors c'est en allant à aplatir dehors.
Idéalement, il devient complètement plat.
Si toi faire que, toi avoir réalisé le parfait autonome véhicule.
Toi avoir Non plus désengagement incidents à inquiétude à propos de.
Mais de cours c'est jamais en allant à arriver.
Toi juste vouloir il à être comme plat comme possible.
Quoi étaient vision, de cours, est a peu de a augmenter ou a brûler dans période,
si toi volonté, et alors c'est départ à plat dehors.
Mais nous avoir que répété a couple de fois la plupart de manière significative ici.
C'est a joli grand saut là.
De cours, toi peut voir que corrélant ici.
Nous avons a obtenu notre brûler dans période.
Alors comme nous baisse dans le nombre de incidents,
notre courbe en haut haut est en allant à aplatir dehors.
Ce est en allant à être le clé morceau de information nous allons à être regarder à
dans notre fiabilité plateformes.
Nous avons a obtenu que information là.
Maintenant Je vais aller devant et rapidement adresse un question que pourrait viens en haut.
Peut être toi pourrait pense, Bien,
peut être le plus toi conduire il, le plus incidents toi pourrait avoir.
Peut être nous devrait essayer et compte pour que et I avoir.
Voici un autre graphique où J'ai regardé à le corrélation entre, dans ce cas,
le enregistrer de le kilométrage et le enregistrer de le total désengagement événements.
Là est a peu de a s'orienter.
C'est a très petit un.
Dans fait, le R² est pas bien à tous.
Il y a a parcelle de propagé dans le données.
Voici en fait le prédiction équation avec c'est individuel prédiction frontières,
il y a a parcelle en allant sur.
Il y a beaucoup de chambre pour a plat doubler là.
Ce est juste adage que là
pourrait être quelque chose comme que événement, mais c'est clairement pas le conduite forcer.
Oui, si toi conduire il a petit peu plus, toi pourrait expérience a peu plus incidents
que faire sens.
Mais c'est clairement pas a grand conduite forcer.
Quelque chose autre est clairement en allant sur.
Avec un peu de chance que aide adresse a côté question que pourrait viens en haut.
Bien, allons obtenir dans le réel fiabilité analyse.
Je suis en allant à courir ce scénario ici,
et ce est en allant à courir que fiabilité croissance plate-forme.
Ne le faites pas inquiétude.
Après J'ai courir il, Je suis en allant à cliquez ici sous le Rouge Triangle refaire relancer.
Ce apporte en haut le initial lancement.
Ce est quoi le initial lancement fenêtre apparence comme.
Toi avoir quatre différent manières de entrer le données.
Le d'abord est a temps à événement.
Si toi avait enregistré voici comment beaucoup jours ou mois en haut jusqu'à un événement arrivé,
toi serait utiliser ce un.
Alors toi pourrait de cours, peut être multiple arrivé à que temps.
Toi pourrait mettre que là.
Nous avoir le dattes, lequel est quoi Je vais être en utilisant parce que nous plutôt de un réel
chronométré événement nous juste avait adage que dans ce mois ce beaucoup événements arriver.
Nous avoir a horodatage et un événement compter pour que.
Toi aussi avoir il si toi avoir individuel information,
peut être étaient faire concurrent essai ou essai dans parallèle.
Toi peut faire que information ici.
Avis il y a a place pour le système I D.
Si I étaient regarder à le individuel événement information,
ce est où I serait aller.
Mais pour droite maintenant, étaient en allant à bâton avec le dattes.
Je vais revisiter le phase truc dans a moment.
Vous allez avis c'est tracé que cumulatif courbe, lequel nous scie plus tôt.
Là il est droite là.
Maintenant le métrique de intérêt ici est qu'est-ce que appelé signifier temps entre échecs.
C'est clairement orienté vers fiabilité données
où étaient regarder à échecs.
Pense de ce comme qu'est-ce que le moyenne mois
entre incidents, désengagement incidents.
Il y a a peu de a non paramétrique
mesure ici c'est juste trier de a mobile fenêtre, regarder à il sur temps.
Mais toi peut obtenir a sens de comment bien nous obtenir, peut être comment pauvre nous obtenir.
Je suis en fait en allant à ajuster a modèle.
Le modèle Je vais être convenable est ici sous ajuster modèle.
Ce était a peu de a bouchée.
C'est a par morceaux viable dans changement indiquer détection.
Laisser moi casser que vers le bas pour toi.
Le typique modèle utilisé dans modélisation ce taper de compte taper données
est qu'est-ce que appelé a Poisson processus.
Quoi c'est essentiellement dit est que le taux à lequel incidents se produire
dans ce cas taux par mois est constante sur temps.
Que serait être le équivalent de a droit doubler ici
depuis a mathématique perspective, c'est a bon modèle.
C'est très facile à analyser ,
depuis a pratique perspective que est a horrible modèle
parce que nous jamais obtenir à améliorer.
Notre taux de incident est toujours le même.
Nous ne le faites pas vouloir a constante taux.
Nous vouloir le taux à aller à zéro, de préférence.
C'est quoi I signifier par que aplanissement de le courbe.
Quoi nous vouloir est qu'est-ce que appelé a Non homogène Poisson processus,
fantaisie terme signification le taux changements sur temps.
Le Weibel partie dit comment exactement fait il changement sur temps?
Il consiste de deux parties.
Il y a un initial taux lambda Pense de que comme comme a constante dehors devant
et multiplier que par temps soulevé à quelques pouvoir bêta.
Que valeur bêta est en allant à dire toi comment le taux changements.
Si bêta est plus grand que un, mon taux est croissant sur temps.
C'est mauvais, nous ne le faites pas vouloir que.
Que taux étaient zéro.
Étaient à a Poisson processus. C'est constante, nous aussi ne le faites pas vouloir que.
Quoi étaient regarder pour est a valeur de bêta c'est entre 0 et 1 adage, toi savoir,
d'accord, ça va augmenter a petit peu, mais alors c'est en allant à commencer à le désactivé,
c'est en allant à lent vers le bas obtenir nous que nivellement désactivé que nous vouloir.
Quand nous estimation ces, étaient regarder à a valeur entre 0 à 1.
Étaient aussi regarder visuellement pour que aplanissement désactivé.
Pour le en attendant, entre échecs, quoi nous vouloir est que à obtenir très grand,
idéalement ce serait être infini, signification ça va jamais arriver,
mais de cours que ne peut pas arriver.
Nous juste vouloir très grand signifier fois entre échecs.
Je suis en allant à ajuster que modèle ici.
Je suis en allant à utiliser a changement indiquer
parce que c'est adage que à quelques indiquer
peut être que valeur de bêta dans mon modèle est en allant à changement de manière significative,
principalement parce que de ce gars ici.
Je suis en allant à courir que parce que il apparence donc différent.
Oui, selon à ce,
là est a changement indiquer droite là, a joli significatif un.
Si toi regarder graphiquement,
c'est pas a super ajuster, mais c'est pas a vraiment mauvais ajuster soit.
Mais il est détection que quelque chose significatif arrivé dans 2021.
Si nous aller à ce parcelle,
ce est montrant toi comment fait que signifier temps entre échec modifié sur temps
et c'est faire il pour chaque dans ce cas phase.
Ce est trier de le empirique phase basé sur ce changement indiquer.
Dans le d'abord phase, il dit, Bien, nous a obtenu à à propos comme bien comme 0,15 mois.
C'est à peu près cinq jours entre incidents, pas aussi mauvais.
À peu près a semaine.
Encore, ce est à travers a flotte de véhicules.
Pour n'importe lequel individuel véhicule, il pourrait être plus long ou plus court.
Mais pour le flotte,
essentiellement le logiciel elle-même, à propos a semaine entre désengagement incidents.
Après 2021, il gouttes de manière significative à à propos 5%.
C'est presque a jour et a moitié.
C'est assez a baisse.
Nous peut regarder à le paramètre estimations. Il y a mon données, c'est juste mon initial.
Avis Pour bêta un c'est moins que un, étaient faire super.
Pour le deuxième phase, pas donc beaucoup.
Dans fait nous peut voir peut être nous pourrait faire a petit peu mieux.
Avis là étaient à propos quatre de ceux, donc peut être I peut invoquer
quelques trier de empirique regroupement sur que,
lequel est quoi J'ai fait dans le autre scénario.
C'est en allant à courir ce.
Tous I a fait ici. Je vais faire le refaire, relancer ?
I juste ajouté a colonne appelé Empirique Phase
c'est juste a obtenu a bouquet de courrier dans il
que juste distinguer le phases depuis chaque autre.
C'est a catégorique facteur.
C'est tous il est, et c'est quoi ces verticale lignes représenter.
Ce est a combinaison de moi à plusieurs reprises en utilisant le changement indiquer.
Il seulement détecte un changement indiquer.
Toi peut faire a astuce où I peut sélectionner quelques de le données, cacher et exclure il,
et alors faire il encore.
C'est a chemin pour il à conduire détecter différent changement points.
Quelques de ce est aussi juste moi observation oculaire il.
Complet confession.
Maintenant pour ce un, le modèle tous ajuster est appelé a par morceaux Weeble.
Le même chose est quoi nous a fait avant.
Mais plutôt de il détection le changement indiquer, c'est adage,
J'ai déjà a obtenu ceux dans pour toi.
Chaque temps toi voir un de ces changements,
ces différent phases, que valeur de bêta est en allant à changement.
C'est en allant à connecter eux tous ensemble.
Mais que valeur de bêta pourrait changement,
indiquant a changement dans le processus dans l'ensemble basé sur ces phases.
Ce est a beaucoup mieux ajuster.
C'est peut être c'est a peu de a aussi beaucoup surapprentissage.
I volonté reconnaître que.
Mais si nous regarder à ce, quoi c'est essentiellement adage est
pour que d'abord initial période de changements dans le logiciel,
étaient toi à propos a obtenu presque comme bien comme 0,4 mois.
C'est presque 12 jours entre incidents.
C'est toujours adage que nous a obtenu vraiment bien en haut jusqu'à 2021 et alors nous avons abandonné.
Clairement quelque chose est en allant sur dans autour 2021.
Quelque chose significatif a modifié
dans le sous-jacent logiciel à travers le flotte de véhicules c'est abandonné.
C'est augmenté c'est incidence taux.
Il y a ceux paramètre estimations.
Encore, avis Je suis en allant à ignorer que un.
C'est a brûlant période.
A parcelle de ces sont moins que un
jusqu'à nous obtenir à le saison D, lequel sont après.
Clairement quelque chose événement parce que c'est plus grand que un.
Étaient déjà nous avons a obtenu a peu de a histoire.
Quelque chose clairement arrivé dans 2021 à changement le incident taux.
Peut être quand nous regarder à le individuel données, Bien chiffre dehors qu'est-ce que en allant sur.
Laisser moi clair dehors tous de ce et allons se déplacer sur à le individuel véhicules.
Rapide résumé. Nous avoir notre date.
Le réel date de le incident,
le véhicule identification nombre, le NIV ce VIENS groupe, c'est rien fantaisie.
C'est juste le d'abord quatre chiffres de le NIV.
Tu es en allant à voir pourquoi J'ai créé a groupe dans a moment.
J'ai a obtenu le emplacement, le cause.
J'ai réduit le texte de le cause. Il était très verbeux.
I juste réduit il à a basique description.
Bien couverture que dans juste a moment.
Le départ et fin mois.
J'ai a obtenu ce information essentiellement révélateur moi
comment long était ce véhicule sous test?
Ce particulier véhicule,
il était essentiellement être testé dans autonome mode sur et désactivé
depuis Décembre de 2017 à à propos Novembre, peut être Octobre de 2019.
Étaient en allant à besoin que information.
Je suis en allant à d'abord regarder à quelques basique quelques graphique résumé.
D'abord chose Je suis en allant à faire, Je suis en allant à courir ce.
Ce est juste en allant à résumer sur le causes.
Laisser moi regarder à le total nombre
de désengagement événements pour chaque véhicule chaque mois.
Alors Je suis en allant à courir ce parcelle
et tu es en allant à voir c'est en allant à regarder intéressant,
comme corail sous le mer, agitant à propos très joli.
A parcelle de information en allant sur.
Mais le basique chose I vouloir à dire toi est
le chemin à interpréter ce est comme nous a fait avec le cumulatif événements graphique.
C'est quoi ces sont.
Toi vouloir à voir a peu de a brûler dans, mais il finalement aplanissement désactivé.
Maintenant J'ai a obtenu a coloré par individuel alors, lequel est pourquoi toi ne le faites pas voir le étiquettes.
Il y aurait être chemin aussi beaucoup.
Je suis en allant à couleur par a différent variable ce temps.
Étaient en allant à couleur par le VIENS groupe.
Viens ici sous couleur.
Encore, c'est juste le d'abord quatre chiffres de le VIENS nombre,
lequel instruit moi dans parce que laisser moi lancer dans le légende donc toi peut en fait voir il.
Montrer légende.
Je suis fait.
Avis là était a significatif changement dans le VIENS nombre
indiquant peut être a significatif changement dans le véhicule.
Avis quand le changement s'est produit droite autour 2021.
Très intéressant.
Toi peut aussi voir a général s'orienter dans le comportement pour ces tôt véhicules.
Maintenant, quelques de ces probablement en fait commencé plus tôt que ce.
Il y a a peu de censure impliqué, mais déjà ils sont joli plat.
Nous avons a obtenu a peu de brûler dans et alors quelques aplanissement désactivé.
C'est super, c'est quoi nous vouloir à voir.
Ces les gars, il y a presque a droit doubler en haut.
Nous avons a obtenu a parcelle de incidents événement dans a très court période de temps.
Maintenant, plus tard sur ici, plus tard dans 2022, là sont départ à maigre désactivé a petit peu.
Nous avons a obtenu quelques que a fait commencer et ils sont départ à être joli peu profond courbe.
C'est bien.
Mais clairement quelque chose arrivé ici.
Ce semble à indiquer que a différent véhicule
et peut-être a différent taper de logiciel était introduit à propos 2021.
C'est ayant quelques problèmes.
C'est en difficulté a peu, ou à moins initialement a fait.
À propos ici c'est en train de jouer à propos comme Bien comme nous scie tôt sur.
Ils ont ils ont fait mieux dans fixation il.
Ils introduit quelque chose nouveau et avait a bouquet de insectes.
C'est quoi ça arrive quand toi introduire nouveau des choses.
Laisser moi sortie dehors de ce.
Allons-y regarder à peut être quelque chose à propos a différent taper de cause.
Maintenant, souviens-toi, dans le précédent vidéo,
nous n'a pas vraiment regarder à le cause parce que il était agrégé à travers tous le véhicules.
Mais allons regarder dans que réel rapide.
Peut être là pourrait être quelque chose en allant sur là.
Avant nous en fait obtenir dans le récurrence données.
Ici J'ai juste fait a basique bar graphique de le causes,
et a parcelle de eux sont des choses toi pourrait attendre à être a cause.
Un indésirable manœuvre
est égal à faire quelque chose toi ne le faites pas vouloir il à faire, a perception divergence.
Le véhicule n'a pas voir quelque chose il devrait avoir
ou pensée il scie quelque chose que n'était pas là.
Alors il y a, de cours, logiciel, a général fourre-tout logiciel divergence.
Quelque chose arrivé avec le logiciel.
Là sont quelques intéressant causes.
Pour exemple, autre personnes être imbéciles sur le route.
A téméraire route utilisateur voiture n'a pas savoir quoi à faire.
Négatif météo, incorrect comportement prédiction, matériel divergence.
Ces sont le basique causes.
Maintenant, Je suis en allant à utiliser a fonctionnalité appelé a Graphique Lit
à enquêter des choses plus loin.
Je suis en allant à droite cliquez à l'intérieur ce bar.
Je suis en allant à flotter étiquette, Je suis en allant à cliquez Bar.
Quoi c'est fait est c'est ajouté a petit bar graphique Graphique Lit.
Quand I partir mon barres là avec a flotter, voici mon petit Graphique Lit.
Maintenant, par défaut, c'est en allant à utiliser le d'abord catégorique facteur il voit,
lequel était le variante nombre.
I ne le faites pas vouloir que.
I en fait vouloir le date.
Je suis en allant à ouvrir le contrôle panneau ici.
Je suis en allant à mettre le date ici et remplacer il.
Je suis en allant à droite cliquez dans le date.
Parce que c'est a date.
Ce était récemment introduit.
Pense il était soit 16 ou 17.
I peut en fait plier par a particulier taper de date,
dans ce cas I vouloir à plier par a mois?
Parfait.
I aussi serait comme à couleur par le Groupe VIN.
Juste donc que nous obtenir a clair comparaison de le différent types de groupes.
Avis il y a a peu de violet ici.
Que moyens là est quelques chevaucher, lequel fait sens.
Là était a peu de chevaucher depuis fin de 2020 à 2021 avec a nouveau groupes,
mais maintenant nous peut clairement voir,
comparer visuellement le groupes à travers le types de incidents juste visuellement.
Je suis en allant à viens ici, Je suis en allant à aller dos vers le bas à sauvegarder scénario à a presse-papiers.
Je suis en allant à sortie dehors de ce
parce que droite maintenant, si I flotter, c'est Non plus long là,
mais I peut droite cliquez aller à flotter étiquette et coller Graphique Lit.
Maintenant c'est en allant à montrer moi le graphique pour chaque de eux.
Dans fait, Je suis pas en allant à cliquez et zoom dans
parce que nous peut voir qu'est-ce que événement.
Il y a pas aussi beaucoup il y a ce est le indésirable manœuvre.
Là pourrait avoir a été a peu plus indésirable manœuvres,
mais c'est plus de a général pointe
dans dans l'ensemble termes, pas beaucoup différence, I serait dire,
pour le perception divergence joli beaucoup sur à propos de.
Il y a a peu plus dans général ici, mais Identifiant toujours dire comparable.
Trier pour divergence.
Ouah, allons regarder dans que.
D'accord, Ce est très intéressant.
Apparemment avec le vieux groupe,
là était à peine n'importe lequel logiciel divergences, peut être un.
Alors que avec le nouveau groupe, il y a a parcelle.
Intéressant.
Là pourrait être quelques explications.
Il pourrait être que le chemin le catégorie était défini peut être modifié sur temps.
Peut être là étaient autre des choses.
Il était concernant catégorisé comme autre des choses pour le vieux un
avant ils changement le définition pour ce nouveau groupe.
C'est a très valide explication.
Il pourrait aussi être pris à affronter valeur.
Peut être là étaient a parcelle de autre différent causes avec le vieux un.
Peut être si nous regarder, étaient capable à regarder dos tôt sur
à le individuel véhicule information pour le plus tôt données,
peut être nous serait avoir vu a pointe dans le logiciel divergences.
Parce que ce est plus tard dans que série essai,
peut être nous a fait ceux dehors a petit peu.
Étaient juste vision ces tôt insectes événement avec le nouveau véhicules.
Allons-y en fait maintenant aller dans le récurrence événement analyse maintenant pour actuel événements.
C'est juste adage avoir un individuel objet que peut
expérience un événement à plusieurs reprises, dans ce cas a désengagement événement.
Sur temps.
Je suis en allant à courir le scénario
et alors faire le refaire relancer donc toi peut voir quoi I a fait.
Faire. Je suis en allant à faire relancer par groupe.
Dans ce cas, voici quoi toi serait obtenir si toi ouvert il en haut.
Dans ce cas, toi avoir un âge ou événement horodatage.
Quand a fait il arriver? Avoir a horodatage. Le date.
Qu'est-ce que le système? C'est le VIENS.
Qu'est-ce que le cause?
Bien, Hé, super à avoir a colonne appelé cause
c'est en allant à essentiellement casser il vers le bas par le différent causes.
Toi peut regarder à ces différent causes.
Le horodatage. Quand a fait I commencer essai sur ce chose?
Essentiellement, quand fait il subir commencer?
Quand a fait I arrêt regarder à il?
Qu'est-ce que le horodatage ?
I mettre le VIENS groupe dans par, I pourrait avoir mettre il dans regroupement,
mais là est a peu de un problème où si il y a pas a parcelle de données
dans le causes pour les deux de eux,
c'est pas en allant à être capable à comparer eux.
Pour droite maintenant, Je suis juste en allant à utiliser a par groupe, un VIN par groupe.
Nous peut toujours faire a trier de visuel comparaison.
Pour le mise à l'échelle toi peut sélectionner que
J'ai fait aujourd'hui parce que c'est le niveau de résolution nous avoir.
Ça va faire il dans a jour juste pour interprétation, facilité de que.
D'accord, donc étaient regarder à ce d'abord groupe.
Ce est le tôt groupe deux pour notre groupe.
Avis c'est cassé il en haut par tous le différent causes
et ils sont joli similaire.
Le matériel divergence semble comme le le plus grand un,
si Je suis en lisant que correctement. Oui, c'est matériel.
Avis ce est qu'est-ce que appelé a signifier coût fonction.
C'est similaire dans interprétation à que cumulatif fonction.
Tu es regarder pour le même comportement,
a peu de a augmenter, mais toi finalement vouloir il à aplatir dehors.
Ce est adage qu'est-ce que le moyenne trier de incidence taux
pour a célibataire véhicule par ce âge?
C'est a petit peu Plus fort à interpréter que
juste qu'est-ce que le signifier total compter parce que c'est accumuler sur temps.
Juste à a haut niveau pense,
I vouloir à augmenter mais aussi vouloir il à aplatir dehors à quelques indiquer.
De sorte que Je suis obtenir Non plus incidence pour que véhicule.
C'est quoi étaient vision avec a parcelle de ces.
Il y a a peu de a augmenter et c'est départ à peu profond dehors.
Si toi vouloir détaillé information, toi peut regarder sous chaque un.
Nous peut faire quelques ajuster modèles, Je suis pas en allant à à ce indiquer,
parce que étaient départ près le fin,
mais il serait être similaire types de modèles que toi serait ajuster ici.
Allons-y regarder à le TRISTE Groupe, si toi volonté.
Il y a clairement a différence ici.
Avis ce grand pointe et encore, que est le logiciel divergence.
Quoi étaient vision est nous avons essentiellement a obtenu a nouveau véhicule.
Toi peut toi peut clairement voir si nous comparer que est départ dehors plus tard.
Nous avait a couple, peut être quelques tôt sur alors que le autre véhicules être testé.
Fait sens.
Toi a obtenu à trier de pilote groupe être testé.
Alors quand ils a fait complet échelle essai, le logiciel commencé ayant quelques problèmes.
Maintenant c'est départ à obtenir mieux.
Étaient vision que niveau dehors.
Nous scie que dans le précédent données.
Il y a clairement a différence, mais ils sont faire mieux.
Ces deux, le indésirable manœuvre, le perception divergence,
I serait dire visuellement ils sont sur à propos avec quoi I voir ici.
Clairement le logiciel est le grand problème ici.
Qu'est-ce que le grand emporter ici?
Quoi serait nous dire à propos ce?
Bien, il semble que nous avons a obtenu deux différent série de véhicules.
Nous avons a obtenu un que ils étaient fonctionnement sur pour a alors que.
Alors dans 2021, ils ont introduit a nouveau série de véhicules.
Pour droite maintenant, en particulier dans 2021,
là est a peu de problèmes avec le logiciel en allant sur.
A parcelle de logiciel divergence problèmes causant incidents.
Ils sembler à être améliorer que maintenant.
Que fait sens.
Vous avez introduit quelque chose, il y a en allant à être insectes.
Juste donner il quelques temps.
Tous le autre ceux sembler comparable avec quoi était en allant avant.
Dans l'ensemble, J'ai a obtenu a joli bien sentiment à propos ce nouveau série.
Donner il quelques temps à brûler dans.
Bien, I espoir J'ai donné toi a saveur de tous le des choses que JMP peut faire,
en particulier dans le fiabilité plate-forme comme Bien comme dans préparation quelques de ton données.
Si toi avoir n'importe lequel questions à propos ce,
ce journal volonté être disponible où toi peut trouver ce pourparlers.
Quelques de le données tables volonté être disponible là comme Bien.
Toi obtenir à jouer avec tous de ce.
Là sont aussi quelques autre graphiques n'a pas vraiment aller dans quelques autre analyses,
donc sentir gratuit à explorer.
C'est quoi nous faire ici à JMP statistique découverte.
Si toi avoir n'importe lequel questions à propos il,
Je vais être dans quelques de le Rencontrer le Expert séances donc toi peut trouver moi là.
Identifiant amour à chat avec toi à propos ce
ou rien autre toi pourrait avoir à propos conception expériences ou fiabilité.
Remercier toi pour ton temps.
