Accueillir à le parler E explicable IA: Déballage le Noir boîte.
Allons-y introduire nous-mêmes et allons commencer avec Laure.
Bonjour, Je suis Laura Lancaster, et Je suis comme développeur statistique dans JMP
et Je suis situé dans le Cary bureau.
Merci.
Quoi à propos toi, Russe ?
Salut tout le monde. Russ Wolfinger.
Je suis le Directeur de Vie Sciences R&D dans le JMP Groupe
et une recherche compagnon comme Bien.
Regarder avant à le parler aujourd'hui.
Et Pete ?
Mon nom Pierre Hersch.
Je suis partie de le Mondial Technique Activation T son
et Je suis situé dans Denver, Colorado.
Super et mon nom est Florian Vogt.
Je suis Systèmes Ingénieur pour le Chimique Équipe dans Europe
et Je suis situé dans beau Heidelberg, Allemagne.
Accueillir à le parler.
IA est a chaud sujet à le moment et a parcelle de personnes vouloir à faire il.
Mais quoi fait que signifier pour le industries?
Fait il signifier que scientifiques et ingénieurs besoin à devenir codeurs,
pour processus dans le avenir courir par données scientifiques?
A récent publication appelé Industriel Données Science - a revoir
de Machine Apprentissage Applications pour Chimique et Processus Industries
explique industriel données science fondamentaux,
avis industriel applications en utilisant
État de le art machine apprentissage techniques
et il points dehors quelques important aspects de industriel IA.
Ces sont le accessibilité de IA, le compréhensibilité de IA
et le consommabilité de IA, et dans particulier le sortir.
Bien montrer toi quelques de le caractéristiques que nous pense
sont contribuant à ce sujet très Bien dans JMP.
Avant nous commencer dans le programme de aujourd'hui, allons brièvement revoir
quoi IA englobe et quoi notre se concentrer aujourd'hui est situé sur.
J'ai choisi a source que en fait sépare il dans quatre groupes.
Ceux groupes sont: d'abord, justificatif IA aussi appelé Réactif Machines
et ce objectifs à décision soutien.
Le deuxième groupe est appelé Augmenter IA
ou Limité Théorie et que se concentre sur processus optimisation
et le troisième groupe est Automatisation IA,
ou Théorie de Esprit, lequel, comme le nom suggère, objectifs sur automation,
et le quatrième est appelé autonome IA
ou soi conscient IA, lequel englobe autonome optimisations.
Aujourd'hui se concentrer est vraiment sur le d'abord et le deuxième sujet.
Nous avait a bref discussion avant.
Russe, quoi sont ton pensées sur ces aussi avec respect à quoi JMP peut couverture?
Bien, certainement le terme IA obtient jeté autour a parcelle.
C'est utilisé dans beaucoup gentil de différent nuancé réunions.
I tendre à préférer réunions que sont
certainement plus tangible et utilisable et plus concentré.
Comme étaient en allant à zoom dans sur aujourd'hui avec quelques spécifique exemples.
Le terminologie peut obtenir a petit déroutant cependant.
I deviner I juste tendre à gentil de garder il assez large, ouvrir esprit
chaque fois que n'importe qui utilisations le terme IA et essayer à déduire c'est signification depuis le contexte.
Droite. C'est dans termes de introduction,
maintenant Bien obtenir a petit peu plus dans le détails et spécifiquement dans
pourquoi il est important à en fait comprendre ton IA modèles.
Sur à toi, Pierre.
Parfait. Merci, Florian.
I pense quoi Russe était frappe sur là et Florian introduction est,
nous souvent ne le faites pas savoir quoi un IA modèle est révélateur nous et qu'est-ce que sous le capot.
Quand étaient pensée à propos comment Bien a modèle effectue,
nous pense à propos comment Bien que convient le données.
Si nous regarder ici, étaient regarder à a neural réseau diagramme
et comme toi peut voir, ces peut obtenir joli complexe.
Ces IA modèles sont devenir plus et plus répandu
et s'est appuyé sur pour décision fabrication.
Vraiment, compréhension pourquoi un IA modèle est fabrication a certain décision,
quoi critères c'est baser que décision sur,
est impératif à prise complet avantage de ces modèles.
Quand a modèle changements ou mises à jour,
en particulier avec que autonome IA ou le automatiser IA,
nous besoin à comprendre pourquoi.
Nous besoin à confirmer que ce modèle est peut être pas
extrapolant ou baser il sur a peu points dehors de notre normale en fonctionnement gamme.
Prise sur.
Laisser moi voler le écran ici depuis Florian,
et Je suis en allant à aller devant et marcher à travers a cas étude ici.
Tous droite, donc ce cas étude
est basé sur directionnel forage depuis puits près Fort Valeur, Texas.
Le idée avec ce taper de forage est
contrairement à conventionnel puits, où toi serait juste aller verticalement,
toi aller vers le bas a certain profondeur, et alors toi commencer en allant horizontal.
Le idée est ces sont beaucoup plus efficace que le traditionnel puits.
Toi avoir ces zones de piégé huile et gaz que toi peut
obtenir à avec quelques spécial achèvement paramètres.
Étaient regarder à le données ici depuis ces puits,
et étaient en essayant à chiffre dehors quoi sont le la plupart important facteurs,
y compris le géologie, le emplacement, et le achèvement facteurs,
et peut nous optimiser ces facteurs à augmenter ou optimiser notre Bien production?
À donner toi un idée, voici a carte de que bassin,
donc comme I mentionné, ce est Fort Valeur, Texas.
Toi peut voir nous avoir puits tous autour ce.
Nous avoir certain zones où notre annuel production est plus haut,
autres où c'est inférieur.
Nous recherché à demander a peu questions regarder à ce données.
Quoi facteurs avoir le le plus grand influence sur production?
Si nous savoir certain niveaux pour a nouveau Bien,
peut nous prédire quoi notre production volonté être?
Est là a chemin à modifier notre facteurs, peut être quelques de le achèvement paramètres
et impact notre production?
Étaient en allant à aller devant et répondre quelques questions avec a modèle.
Mais avant nous obtenir dans que, I recherché à demander Russe,
depuis il est a obtenu beaucoup de expérience avec ce.
Quand tu es départ à toi dans données, Russe,
qu'est-ce que le meilleur lieu à commencer et pourquoi ?
Bien, I deviner peut être Je suis biaisé, mais I amour JMP
pour ce taper de application, Pierre,
juste parce que c'est donc Bien adapté pour rapide exploratoire données analyse.
Toi vouloir à obtenir a sentir pour quoi cible tu es en essayant à prédire
et le prédicteurs tu es à propos à utiliser, regarder à leur distributions,
vérification pour valeurs aberrantes ou n'importe lequel inhabituel motifs dans le données.
Toi peut même vouloir à faire quelques rapide modèle découverte regroupement
ou PCA taper analyse juste à obtenir a sentir pour n'importe lequel structure c'est dans le données.
Alors aussi être pensée soigneusement à propos
quoi performance métrique serait faire le la plupart sens pour le application à main.
Typiquement le commun un, évidemment pour continu prédicteurs serait
comme racine moyens carré erreur, mais là pourrait être cas où
c'est peut-être ça pas assez approprié, en particulier si il y a
direct coût impliqué, parfois absolu l'erreur est plus pertinent
pour a vrai profit- perte taper décision.
Ces sont tous des choses que toi vouloir à commencer pensée à propos
comme Bien comme comment tu es en allant à valider ton modèle.
Je suis a grand ventilateur de validation croisée k-fold.
Où toi diviser ton données dans distinct sous-ensembles et prise un dehors
et être très prudent à propos pas permettant fuite ou aussi prudent à propos surapprentissage.
Ces sont tous préoccupations que tendre
à viens haut de esprit pour moi quand I commencer dehors avec a nouveau problème.
Parfait. Merci, Russ .
Je suis en allant à marcher à travers ce dans JMP
quelques de le outils nous peut utiliser à commencer regarder à notre problème.
Alors étaient en allant à couverture quelques de le des choses que aide nous déterminer
lequel de ces facteurs sont ayant le le plus grand impact sur Bien production.
Je suis en allant à montrer Variable Importance et alors Shapley Valeurs
et Bien avoir Laura parler à que et comment nous faire que.
Mais d'abord, allons aller devant et regarder à ce données à l'intérieur a JMP.
Comme nous mentionné ici, I avoir mon production depuis ces puits.
I avoir quelques emplacement paramètres donc où il est latitude et longitude,
I avoir quelques géologique paramètres.
Ce est à propos le rocher formation étaient forage à travers.
Alors I avoir quelques achèvement paramètres
et ce est facteurs que nous peut changement alors que étaient forage comme Bien,
quelques de ces nous pouvons avoir influence sur.
Si nous recherché à aller à travers et ce ensemble de données seulement a 5 000 rangées.
Quand parler à Russe dans départ à préparation ce parler, il dit juste aller devant
et courir quelques modèle dépistage et voir quoi taper de modèle convient ce données meilleur.
À faire que, étaient en allant à aller devant et aller sous le Analyser menu,
aller à Prédictif Modèle et frapper Modèle Dépistage.
Je suis en allant à mettre mon réponse, lequel est que production,
prendre tous de notre facteurs, emplacement, géologie et achèvement paramètres,
mettre ceux dans le X et saisir mon Validation et mettre il dans Validation.
Vers le bas ici nous avoir tous sortes de différent options sur types de modèles nous peut courir.
Nous peut prendre et choisir lequel ceux peut être faire sens
ou ne le faites pas faire sens pour ce taper de données.
Nous peut prendre dehors quelques différent modélisation options pour notre linéaire modèles.
Même, comme Russe mentionné ici, si nous ne le faites pas avoir assez données
à prise dos et faire notre validation.
Que chemin nous peut utiliser a Validation croisée k-fold ici.
Maintenant à sauvegarder quelques temps, J'ai disparu devant et courir ce déjà donc toi ne le faites pas avoir
à montre JMP créer tous ces modèles.
Voici le résultats.
Pour ce données, toi peut voir
que ces arbre basé méthodes : Boosté Arbre, Bootstrap f heure et XGB est
tous a fait très Bien à convenable le données, comparé à quelques de le autre techniques.
Nous pourrait aller à travers et courir plusieurs de ces,
mais pour ce un, Je suis en allant à juste prendre
le Boosté Arbre depuis il avait le meilleur RS pourquoi et racine moyenne carré erreur
pour ce ensemble de données.
Bien aller devant et courir que.
Après nous avons courir le dépistage, étaient en allant à aller devant et prendre a modèle
ou a couple de modèles que ajuster Bien et juste courir eux.
Al droite, donc voici le dans l'ensemble ajuster dans ce cas.
En fonction sur quoi taper de données tu es regarder à,
peut être un RS pourquoi de .5 est super, peut être un RSquare de .5 est pas donc super.
Juste selon sur quoi taper de données toi avoir,
toi peut juge si ce est a bien assez modèle ou pas.
Maintenant que I avoir ce, I vouloir à répondre que d'abord question.
Connaissance a peu paramètres en allant dans,
quoi peut I attendre mon production niveau à être?
Un facile chemin à faire que à l'intérieur a JMP avec n'importe lequel taper modèle est avec ce profileur.
D'accord, donc nous avoir le profileur ici,
nous avoir tous de le facteurs que étaient compris dans le modèle,
et nous avoir quoi notre attendu 12 mois production à être.
Ici I peut ajuster si I savoir mon certain emplacement.
I savoir le latitude et longitude entrer
peut être I savoir quelques de ces géologique paramètres.
I peut peut être ajuster plusieurs de ces facteurs
et chiffre dehors de le achèvement paramètres
et chiffre dehors a chemin à optimiser ce.
Mais I pense ici avec a parcelle de facteurs, ce peut être complexe.
Allons-y parler à propos le deuxième question,
où nous étaient se demandant lequel un de ces facteurs était ayant le le plus grand influence.
Toi peut voir basé sur lequel de ces lignes sont flatter
ou avoir plus forme à eux, quoi est le le plus grand influence.
Mais allons JMP faire que pour nous.
Sous Évaluer Variable Importance,
Je suis en allant à juste laisser JMP aller à travers
et prendre le facteurs que sont la plupart important.
Ici toi peut voir c'est décrit le la plupart important
vers le bas à ceux que sont moins important.
I comme ce fonctionnalité coloriser le profileur.
Maintenant c'est mis en évidence le la plupart important facteurs
et disparu vers le bas à le moins important facteurs.
Encore, I peut ajuster ces et voir, Oh, il apparence comme
peut être réglage le profondeur de le Bien,
ajout quelques plus [inaudible 00:15:51], il pourrait améliorer mon production.
Que est le chemin nous pourrait faire ce mais nous avoir a nouveau chemin de regarder
à le impact de chaque un de ces facteurs sur a certain Bien.
Nous peut lancement que sous le rouge triangle dans JMP 17 et Shapley valeurs.
I peut ensemble mon options ou sauvegarder dehors le Shapley valeurs.
Une fois I faire que, il volonté créer nouveau colonnes dans mon données tableau
que sauvegarder dehors le contributions depuis chaque un de ceux facteurs.
Ce est où Je suis en allant à laisser Laura parler à quelques Shapley valeurs.
I juste recherché en allant à parler brièvement à propos quoi Shapley valeurs sont
et comment nous utiliser eux.
Shapley valeurs sont a modèle agnostique méthode pour expliquant modèle prédictions
et ils sont vraiment utile pour Noir boîte modèles
que sont vraiment dur à interpréter ou expliquer.
Le méthode vient depuis coopérative jeu théorie
et I ne le faites pas avoir temps à parler à propos le arrière-plan
ou le mathématiques derrière le calculs, mais nous avoir a référence
à le bas de le glisser et si toi Google il, toi devrait être capable à trouver
a parcelle de références à apprendre plus si tu es intéressé.
Quoi ces Shapley valeurs faire,
ils dire toi comment beaucoup chaque saisir variable
est contribuant à un individuel prédiction pour a modèle.
C'est loin depuis le moyenne prédit valeur
à travers le saisir ensemble de données
et ton saisir ensemble de données est en allant à viens depuis ton données de formation.
Valeurs de Shapley sont additif,
lequel fait eux vraiment bon et facile à interpréter et comprendre.
Chaque prédiction peut être écrit comme a somme de ton Valeurs de Shapley
plus que moyenne prédit valeur,
lequel nous référer à comme le Shapley intercepter dans JMP.
Ils peut être informatiquement intensif
à calculer si toi avoir a parcelle de valeurs d'entrée, variables d'entrée dans ton modèle
ou si tu es en essayant à créer Valeurs de Shapley pour a parcelle de prédictions.
Nous essayer à donner quelques options pour portion à réduire temps dans JMP .
Ces Shapley valeurs, comme Pierre mentionné,
étaient ajouté à le prédiction profileur pour assez a peu de le modèles dans JMP Pro17
et ils sont aussi disponible dans le graphique profileur.
Ils sont disponible pour Coupe minimale S carrés Logistique nominale, O rond Logistique,
Neural, Général Reg, P répartition, Bootstrap Forêt et Boosté Arbre.
Ils sont aussi disponible si toi avoir le XB est Ajouter -Dans.
Sauf dans que Add-I n, ils sont disponible depuis le modèle menu
et pas depuis le prédiction profileur.
D'accord, suivant glisser.
Dans ce glisser I vouloir à juste regarder à quelques de le prédictions depuis de Pierre modèle.
Ce est depuis a modèle en utilisant cinq saisir variables.
Ces sont empiler bar graphiques de le d'abord trois prédictions
à venir depuis le d'abord trois rangées de son données.
Sur le gauche toi voir a empiler graphique à barres de le Shapley valeurs pour le d'abord rangée.
Que d'abord prédiction est 11.184 production barils
par centaines de milliers.
Chaque couleur dans que bar graphique est divisé dehors par le différent saisir variables.
À l'intérieur le barres sont le Valeurs de Shapley.
Si toi ajouter en haut tous de ceux valeurs, plus le Shapley intercepter
que I avoir dans le milieu de le graphique, toi obtenir que prédiction valeur.
Ce est montrant toi que d'abord de tous, tous de ces sont fabrication
positif contributions à le production et ils montrer toi comment beaucoup, donc le taille,
I peut voir que longitude et agent de soutènement
sont contribuant le la plupart pour ce particulier prédiction.
Alors si I regarder à le droite côté à le troisième prédiction,
lequel est 2.916 production barils et des centaines de des milliers,
I peut voir que deux de mon saisir variables
sont contribuant positivement à mon production
et trois de eux sont ayant négatif contributions,
le bas trois ici.
Toi peut utiliser graphiques comme ce à aide visualiser ton Valeurs de Shapley .
Que aide toi vraiment comprendre
ces individuel prédictions.
Suivant glisser.
Ce est juste un de beaucoup types de graphiques
toi peut créer.
Le Shapley valeurs obtenir enregistré dans ton données tableau.
Toi peut manipuler eux
et créer tous types de graphiques dans Graphique Constructeur et JMP.
Ce graphique est juste a graphique de tous le Shapley valeurs
depuis sur 5 000 rangées de le données diviser dehors par chaque saisir variable.
C'est juste donne toi un idée de le contributions de ceux variables,
les deux positif et négativement à le prédictions.
Maintenant Je suis en allant à main il dos sur à Pierre.
Super. Merci, Laure.
I pense maintenant Bien aller devant et transition à notre deuxième cas étude
que Florian est en allant à faire.
Devrait I passer le écran partager dos à toi ?
Ouais, que serait être super.
Faites la transition.
Merci pour ce d'abord cas étude et merci pour le contributions.
Vraiment intéressant.
J'espère nous peut apporter quelques lumière sur a différent gentil de application
avec notre deuxième cas étude.
I avoir donné il le sous-titre, Était il Couple ?
Parce que c'est a question Bien avoir avec un peu de chance répondu
par le fin de le deuxième cas étude présentation.
Ce deuxième cas étude est à propos prédictif entretien
et le particulier aspects de pourquoi il est important à comprendre
ton modèles dans ce scénario.
La plupart probable tout le monde peut pense que c'est très important
à avoir a sens pour quand machines exiger entretien.
Parce que si machines échouer, alors c'est a parcelle de inquiéter,
a parcelle de frais, quand plantes avoir à fermer vers le bas et donc sur.
C'est vraiment nécessaire à faire préventif entretien
à garder systèmes en cours d'exécution.
A majeur tâche dans ce est à déterminer
quand le entretien devrait être effectué
et pas aussi tôt, pas aussi en retard, certainement.
Donc, c'est a tâche à trouver a équilibre
lequel limites échecs et aussi sauvegardes frais sur entretien.
Il y a a cas étude que étaient en utilisant à souligner quelques fonctions caractéristiques
et c'est en fait a synthétique données ensemble
lequel vient depuis a publié étude.
Le la source est vers le bas là à le bas.
Toi peut trouver il.
Il était publié dans le IA pour Industrie événement dans 2020.
Le basique contenu de ce ensemble de données
est que il a six différent caractéristiques de processus paramètres,
lequel sont produit ou type de produit
lequel désigne pour différent qualité variantes.
Alors nous avoir air température,
processus température, rotationnel vitesse, couple, et usure des outils.
Nous avoir un principal réponse et que est si le machine échoue ou pas.
Quand nous pense de questions
que nous pourrait répondre avec a modèle ou modèles ou en général données.
Il y a plusieurs que viens à esprit.
Maintenant, le la plupart évident question
est probablement comment nous peut expliquer et interpréter paramètres,
lequel probable plomb à machine échec.
Ce est quelque chose que [inaudible 00:24:38]
à créer et comparer multiple modèles
et alors choisir le un c'est la plupart approprié.
Maintenant, dans ce particulier paramètre où nous vouloir à prédire
si une machine échoue ou pas.
Nous aussi avoir à compte pour classifications erronées
que est soit a FAUX positif ou a FAUX négatif prédiction.
Avec JMP décision seuil graphiques
et le profit matrice, nous peut en fait spécifier un accent
ou importance à lequel résultat est moins souhaitable.
Pour exemple,
il est typiquement moins souhaitable à en fait avoir a échec
quand le modèle n'a pas prédire un
comparé à le opposé, classification erronée.
Alors en plus le binaire classification, de cours,
tu ferais être aussi intéressé dans compréhension quoi lecteurs échec typiquement.
Là sont certainement plusieurs manières à accord avec ce question.
I pense visualisation est toujours a partie de il.
Mais quand étaient en utilisant modèles nous peut considérer,
pour exemple, ce soi expliquant modèles
comme décision arbres ou nous peut utiliser construit- dans fonctionnalité
comme le prédiction profileur et le variable importance fonctionnalité.
Le dernier indiquer ici
quand nous enquêter et évaluer lequel facteurs sont la plupart important
pour le prédictif résultat,
nous supposer que là est un sous-jacent comportement.
Le la plupart important facteur est XYZ,
mais nous faire pas savoir lequel facteur en fait
a contribué à quoi étendue à un individuel prédiction.
A gagner, Shapley valeurs sont a très utile
ajout que peut permettre nous à comprendre le contribution
pour chaque de le facteurs dans individuel prédiction.
Sur un général niveau,
maintenant, allons prendre a regarder dans trois spécifique questions
et comment nous peut répondre ceux avec le logiciel.
Le d'abord un est comment faire nous ajuster prédictif modèle
avec respect à le haut importance de omettant FAUX négatif prédictions ?
Ce suppose a petit peu que nous avons déjà fait a d'abord étape
parce que nous avons déjà vu modèle dépistage et comment nous peut obtenir là.
Je suis départ un étape devant.
Allons-y se déplacer dans JMP à en fait prendre a regarder à ce.
Nous voir le ensemble de données, nous pouvons voir que c'est assez petit,
pas aussi beaucoup colonnes.
Il apparence très simple.
Nous seulement avoir ces peu prédicteurs et il y a quelques plus colonnes.
Il y a aussi a validation colonne que J'ai ajouté,
mais c'est pas montré ici.
Comme pour le d'abord question,
allons supposer nous avoir déjà fait le modèle dépistage.
Encore, ce est accessible
sur le analysé prédictif modèle dépistage
où nous ne le faites pas spécifier quoi nous vouloir à prédire
et le facteurs que nous vouloir à enquêter.
Encore, I avoir déjà préparé ce.
Nous avoir un résultat que apparence comme ce.
Il apparence a petit peu différent que dans le d'abord utiliser cas
parce que maintenant nous avoir ce binaire résultat
et donc nous avoir quelques différent mesures
que nous peut utiliser à comparer.
Mais encore, qu'est-ce que important est que nous avoir un aperçu
de lequel de le méthodes sont en train de jouer mieux que autre ceux.
Comme nous dit, dans commande à maintenant améliorer
le modèle et souligner sur omettant ces
FAUX négatif prédictions.
Allons-y juste prendre le un et voir quoi nous peut faire ici.
Allons-y peut être même prendre le d'abord trois ici,
donc nous peut juste faire que par holding le contrôle clé.
Un autre fonctionnalité que volonté aide nous ici
est appelé décision seuil
et c'est situé dans le rouge décision triangulaire seuil.
Le décision seuil donne nous plusieurs contenu.
Nous avoir ces graphiques ici, ces spectacles le réel données points.
Nous avoir ce confusion matrice
et nous avoir quelques supplémentaire graphiques et matrice,
mais nous volonté se concentrer sur le supérieur partie ici.
En fait, allons-y prendre a regarder à le test partie de le ensemble.
Quand nous prendre a regarder à ce,
nous peut voir que nous avoir différent types de résultats.
Le défaut de ce probabilités seuil
est le milieu, lequel serait être ici à .5.
Nous avoir maintenant plusieurs options à voir et optimiser ce modèle
et comment efficace il est avec respect à le confusion matrice.
Confusion matrice, nous peut voir le prédit valeur
et si que en fait était vrai ou pas.
Si nous regarder à quand o échec est prédit,
nous peut voir que ici, avec ce paramètre,
nous en fait avoir assez a haut nombre de échecs,
même cependant là étaient Non prédit.
Maintenant nous peut de manière interactive explorer comment réglage ce seuil
en fait affecte le précision de le modèle ou le classification erronée taux.
Ou dans quelques cas, nous peut aussi mettre
un accent sur qu'est-ce que vraiment pire que un autre échec.
Nous peut faire ce avec le donc appelé profit matrice.
Si nous aller ici, nous peut ensemble a valeur
sur lequel de le classifications erronées est en fait pire que le autre un.
Dans ce cas, nous vraiment faire pas vouloir
à avoir a prédiction de Non échec
quand là en fait est a échec événement.
Nous serait mettre quelque chose comme 20 fois.
Plus surtout, nous faire pas obtenir ce classification erronée
et nous ensemble il et frapper d'accord,
et alors il volonté automatiquement mise à jour le graphique
et alors nous peut voir que le valeurs pour le classification erronée
avoir abandonné maintenant dans chaque de le modèles
et nous peut utiliser ce comme un supplémentaire outil
à sélectionner a modèle c'est peut être la plupart approprié.
C'est pour le d'abord question de comment nous peut ajuster a prédictif modèle
avec respect à le plus haut importance de omettant FAUX négatif prédictions.
Maintenant, un autre question ici est aussi quand nous pense de entretien
et où nous mettre notre efforts dans entretien,
est comment peut nous identifier et communiquer
le dans l'ensemble importance de prédicteurs ?
Quoi facteurs sont conduite le système, le des échecs ?
Allons-y aller dos à le données tableau à dire que d'abord,
I personnellement comme visuel et simpliste ceux.
Un de eux que I comme à utiliser est truc comme le parallèle parcelle.
Parce que c'est vraiment a bon aperçu résumant
où le échecs groupe et lequel paramètres paramètres et donc sur.
Sur le modélisation et machine apprentissage côté,
il y a a peu autre options que nous peut en fait utiliser.
Un que I comme parce que c'est très croustillant et clair,
est le prédicteur dépistage.
Prédicteur dépistage donne nous très compact sortir
à propos quoi est important et c'est très facile à faire
et c'est sous analysé dépistage,
prédicteur dépistage.
A ll nous besoin à faire est dire quoi nous vouloir à comprendre
et alors spécifier le paramètres
que nous vouloir à utiliser pour ce.
Cliquez d'accord, et alors il recalcule
et nous avoir ce sortir.
Pour moi, c'est a vraiment bon chose
parce que comme je l'ai dit, croustillant et clair et consommant.
Mais nous avons parlé à propos ce avant
et Russe, quand étaient fonctionnement avec modèles particulièrement,
faire toi avoir n'importe lequel autre suggestion ou faire toi avoir rien à ajouter
à mon approche à compréhension le facteurs
de lequel prédicteurs sont important.
Oui, il est a bien chose à essayer.
Comme I mentionné plus tôt, toi a obtenu à être vraiment prudent
à propos surapprentissage.
J'ai tendance à travailler avec a parcelle de ces large problèmes,
dire depuis Génomique et autre applications,
où toi pourrait même avoir
beaucoup plus prédicteurs que toi avoir observations.
Dans tel a cas, si toi étaient à courir prédicteur dépistage,
dire peut être prendre le haut 10 meilleur
et alors aller tourner droite autour et ajuster a nouveau modèle
avec ceux 10 seulement, tu as en fait juste ensemble toi-même en haut
pour surapprentissage si toi a fait le prédicteur dépistage sur le entier données ensemble.
C'est le scénario Je suis concerné à propos de.
C'est un facile piège à automne dans,
parce que toi pense tu es juste filtration des choses vers le bas,
mais tu as a obtenu à réutilisation le même données deux fois.
Le danger serait être si toi étaient à branchez alors appliquer que modèle
à quelques nouveau données, il probable ne le fera pas faire presque comme Bien.
Si tu es dans le jeu où toi vouloir à réduire prédicteurs,
I tendre à comme à préférer à faire il dans chaque pli de a Pli K.
Le inconvénient de que est tu vas obtenir
a différent ensemble chaque temps, mais toi ne peut pas agrégat ceux des choses.
Si toi a obtenu a certain prédicteur
c'est juste pour montrer en haut systématiquement à travers plis.
C'est très bien preuve de cela. C'est a très important un.
I attendre c'est quoi serait arriver dans ce cas avec, dire, couple.
Même si toi étaient à faire ce exercice,
dire 10 fois avec 10 différent plis, tu ferais probable obtenir a joli similaire classement,
mais c'est plus de a subtilité
mais encore, a danger que toi avoir à montre dehors pour.
Emploi peut faire il a petit peu Plus facile juste parce que des choses sont donc rapide et faire le ménage,
comme toi mentionné, que toi pourrait automne dans que piège si tu es pas prudent.
Ouais, c'est très précieux ajout à ce approche.
Juste en accompagnement à ce supplémentaire information,
il y a aussi le autre option que nous avoir,
particulièrement quand nous avoir déjà
disparu à travers le processus de création a modèle où nous peut alors
en fait encore, utiliser le prédiction profileur et le variable importance.
C'est un autre chemin où nous peut évaluer
lequel de le variables avoir le plus haut importance.
Russe, faire toi vouloir à dire mot sur que aussi
dans contraste peut être à le prédicteur dépistage?
Ouais. Honnêtement, Vogt, I comme le importance était-ce un petit mieux.
Juste plonger droite dans le modélisation.
Encore, I serait préférer avec Pli K.
Alors toi peut juste utiliser le variable importance mesures,
lequel sont souvent vraiment informatif directement.
Ils sont très similaire. Dans fait, prédicteur dépistage,
I croire, c'est juste appel bootstrap forêt dans le arrière-plan
et collectionner le la plupart important variables.
C'est essentiellement le même chose.
Alors suivant en haut avec le profileur, lequel peut être excellent pour vision exactement
comment certain variables sont marginalement affectant le réponse,
et alors forage que même plus loin avec Shapley
à être capable à casser vers le bas individuel prédictions
dans leur composants.
À moi, c'est a très convaincant et intéressant chemin
à plonger dans a prédictif modèle
et comprendre qu'est-ce que vraiment en allant sur avec il,
sorte de déballage le noir boîte
et location toi voir qu'est-ce que vraiment événement.
Ouais, merci.
I pense c'est le entier indiquer,
fabrication il compréhensible et fabrication il consommable
en plus, de cours, en fait obtenir à le résultats,
lequel est compréhension lequel facteurs sont influencer le résultat.
Merci.
Maintenant, I avoir un plus question, et tu as déjà mentionné il.
Quand nous score nouveau données, dans particulier,
quoi peut nous faire à identifier
lequel prédicteurs avoir en fait influencé le modèle résultat?
Maintenant, avec quoi nous avoir fait donc loin,
nous avoir gagné a bien compréhension de le système et savoir
Lequel de le facteurs sont le la plupart dominant et nous peut même dériver en fonctionnement gammes.
Si le système changements, quoi si a différent facteur en fait lecteurs a échec?
Alors comme il serait être attendu dans ce cas et nous avons parlé à Laura préalablement,
et Shapley V valeurs encore sont a super ajout que volonté aide nous à interpréter.
nous avons vu comment nous peut générer eux,
et tu as savant sur lequel plateformes ils vont être disponible.
Maintenant, le sortir que toi obtenir quand toi sauvegarder nos valeurs Shapley sont,
pour exemple, aussi a graphique que spectacles nous par réel par rangée.
Dans ce cas,
nous avoir 10 000 rangées dans le données onglet, nous avons donc 10 000 graphiques à barres empilées,
et alors nous peut déjà voir qu'en plus du modèle commun,
il y a aussi fois quand il y a en fait d'autres facteurs d'influence
que conduire le décision de le modèle.
C'est vraiment a utile outil à pas ne susciter qu'une prédiction individuelle,
mais aussi ajouter sur à que quoi Russ vient de dit,
compréhension de le système, lequel facteurs contribuer.
Quand nous se déplacer a petit un peu sur
dans ce compréhensible ou chemin exploratoire,
nous peut utiliser ces Valeurs de Shapley dans différent manières.
Quoi I personnellement aimé était la suggestion
à en fait parcelle le Shapley valeur par leur réglage des paramètres réels,
parce que que permet nous à identifier zones de paramètres.
Pour exemple,
si nous prendre rotationnel vitesse ici, nous peut voir que il y a en fait
zones de ce paramètre que tendre à contribuer a parcelle
dans termes de le modèle résultat, mais aussi dans termes de le réel échec.
Que aussi aide nous aider à mieux comprendre
avec respect à le réel problème de panne de machine et ce qui en est la cause,
et aussi avec respect à pourquoi le le modèle prédit quelque chose.
Maintenant, enfin, I comme à répondre le question.
Quand nous prendre ces graphiques de Valeurs de Shapley,
et nous avoir vu il avant dans à plusieurs reprises,
action est certainement a dominant facteur.
Mais depuis tous de ces, J'ai juste choisi a peu prédictions,
et nous peut voir que parfois il actions, parfois c'est pas.
Avec le Shapley valeurs, nous avons vraiment une excellente façon
à interprétation a spécifique prédiction par le modèle.
Tous droite, donc ceux étaient le des choses nous recherché à montrer.
I espoir ce donne quelques super aperçu
dans la façon dont nous peut faire IA modèles plus explicable,
plus compréhensible,
plus facile à digérer et à travail avec, parce que c'est le intention ici.
Ouais, Identifiant comme à résumer a petit peu.
Pierre, peut être toi vouloir à venir dans et aide moi ici.
I pense quoi étaient en espérant à montrer est que
comme ces IA modèles devenir plus et plus répandu
et sont s'est appuyé sur pour décision fabrication, que compréhension, interprétation,
et être capable à communiquer ceux modèles est très important.
Nous espoir que avec ces Shapley contre valeurs,
avec le variable importance, et avec le profileur,
nous avons montré toi a couple de manières que vous pouvez partager ces résultats
et avoir eux facilement compréhensible.
Que était le prendre- maison il y a entre ça et être capable à utiliser
modèle le dépistage, et des choses comme ça,
que j'espère, toi trouvé a peu techniques
que volonté faire ce plus compréhensible et moins de a noir boîte.
Ouais, I absolument accepter.
Juste à résumer, I vraiment comme à Merci Russ et Laura
pour contribuant ici avec ton compétence.
Merci, Pierre. C'était a plaisir.
Merci, Merci à tous pour votre écoute.
Étaient regarder avant à ayant discussions et questions à répondre.
