Bienvenido a el hablar E explicable AI: Desempaquetado el Negro caja.
Vamos introducir nosotros mismos y Vamos comenzar con Laura.
Hola, Soy Laura Lancaster, y Soy como Desarrollador estadístico en JMP
y Soy situado en el Cary oficina.
Gracias.
Qué acerca de tú, ¿Rusia?
Hola a todos, Russ. Wolfinger.
Yo soy el Director de Vida Ciencias I+D en el JMP Grupo
y una investigación compañero como Bueno.
Mirando adelante a el hablar hoy.
Y ¿Pedro?
Mi nombre Pedro Hersch.
Soy parte de el Global Técnico Habilitación T su
y Soy situado en Denver, Colorado.
Excelente y mi nombre es Florián Vogt.
Soy Sistemas Ingeniero para el Químico Equipo en Europa
y Soy situado en hermoso Heidelberg, Alemania.
Bienvenido a el hablar.
AI es a caliente tema en el momento y a lote de gente desear a hacer él.
Pero qué hace eso significar para el ¿industrias?
Hace él significar eso científicos y ingenieros necesidad a convertirse codificadores,
para procesos en el futuro correr por datos ¿científicos?
A reciente publicación llamado Industrial Datos Ciencia - a revisar
de Máquina Aprendiendo Aplicaciones para Químico y Proceso Industrias
explica industrial datos ciencia fundamentos,
reseñas industrial aplicaciones usando
estado de el arte máquina aprendiendo técnicas
y él agujas afuera alguno importante aspectos de industrial AI.
Estos son el accesibilidad de AI, el comprensibilidad de AI
y el consumibilidad de AI, y en particular el producción.
Bien espectáculo tú alguno de el características eso nosotros pensar
son contribuyendo a este tema muy Bueno en JMP.
Antes nosotros comenzar en el programa de hoy, Vamos brevemente revisar
qué AI abarca y qué nuestro enfocar hoy es situado en.
Yo tengo escogido a fuente eso de hecho coordinados él en cuatro grupos.
Aquellos grupos son: primero, secundario AI también llamado Reactivo Máquinas
y este objetivos en decisión apoyo.
El segundo grupo es llamado Aumentando AI
o Limitado Teoría y eso se centra en proceso mejoramiento
y el tercero grupo es Automatización AI,
o Teoría de Mente, cual, como el nombre sugiere, objetivos en automatización,
y el cuatro es llamado autónomo AI
o ser consciente AI, cual abarca autónomo optimizaciones.
De hoy enfocar es en realidad en el primero y el segundo tema.
Nosotros tenía a breve discusión antes.
Rus, qué son su pensamientos en estos también con respeto a qué JMP poder ¿cubrir?
Bien, ciertamente el término AI obtiene arrojado alrededor a lote.
Es usado en muchos amable de diferente matizado reuniones.
I tender a preferir reuniones eso son
definitivamente más tangible y usable y más centrado.
Como eran yendo a zoom en en hoy con alguno específico ejemplos.
El terminología poder conseguir a pequeño confuso aunque.
I adivinar I justo tender a amable de mantener él equitativamente amplio, abierto mente
cuando sea alguien usos el término AI y intentar a inferir es significado de el contexto.
Bien. Eso esta dentro términos de introducción,
ahora Bueno conseguir a pequeño poco más en el detalles y específicamente en
por qué él es importante a de hecho entender su AI modelos.
Encima a tú, Pedro.
Perfecto. Gracias, Florián.
I pensar qué Rus era golpeando en allá y Florian's introducción es,
nosotros a menudo no saber qué un AI modelo es narración a nosotros y qué bajo el capucha.
Cuando eran pensamiento acerca de cómo Bueno a modelo realiza,
nosotros pensar acerca de cómo Bueno eso encaja el datos.
Si nosotros mirar aquí, eran mirando en a neural red diagrama
y como tú poder ver, estos poder conseguir bonito complejo.
Estas IA modelos son devenir más y más frecuente
y confió al para decisión haciendo.
En realidad, comprensión por qué un AI modelo es haciendo a cierto decisión,
qué criterios es fundamento eso decisión sobre,
es imperativo a tomando lleno ventaja de estos modelos.
Cuando a modelo cambios o actualizaciones,
especialmente con eso autónomo AI o el automatizando AI,
nosotros necesidad a entender por qué.
Nosotros necesidad a confirmar eso este modelo es tal vez no
extrapolando o fundamento él en a pocos agujas afuera de nuestro normal operante rango.
Sostener en.
Dejar a mí robar el pantalla aquí de Florián,
y Soy yendo a ir adelante y caminar a través de a caso estudiar aquí.
Todo bien, entonces este caso estudiar
es basado en direccional perforación de pozos cerca Fuerte Valer, Texas.
El idea con este tipo de perforación es
a diferencia de convencional pozos, dónde tú quería justo ir verticalmente,
tú ir abajo a cierto profundidad, y entonces tú comenzar yendo horizontal.
El idea es estos son mucho más eficiente que el tradicional pozos.
Tú tener estos áreas de atrapado aceite y gas eso tú poder
conseguir en con alguno especial terminación parámetros.
Eran mirando en el datos aquí de estos pozos,
y eran intentando a cifra afuera qué son el mayoría importante factores,
incluido el geología, el ubicación, y el terminación factores,
y poder nosotros optimizar estos factores a aumentar o optimizar nuestro Bueno ¿producción?
A dar tú un idea, Aquí está a mapa de eso cuenca,
entonces como I mencionado, este es Fuerte Valer, Texas.
Tú poder ver nosotros tener pozos todo alrededor este.
Nosotros tener cierto áreas dónde nuestro anual producción es más alto,
otros dónde es más bajo.
Nosotros buscado a preguntar a pocos preguntas mirando en este datos.
Qué factores tener el más grande influencia en ¿producción?
Si nosotros saber cierto niveles para a nuevo Bueno,
poder nosotros predecir qué nuestro producción voluntad ¿ser?
Es allá a forma a alterar nuestro factores, tal vez alguno de el terminación parámetros
y impacto nuestro ¿producción?
Eran yendo a ir adelante y respuesta alguno preguntas con a modelo.
Pero antes nosotros conseguir en eso, I buscado a preguntar Rus,
desde Él es consiguió lotes de experiencia con este.
Cuando estás a partir de a tú en datos, Rus,
qué el mejor lugar a comenzar y ¿por qué?
Bien, I adivinar tal vez Soy sesgado, pero I amar JMP
para este tipo de solicitud, Pedro,
justo porque es entonces Bueno adecuado para rápido exploratorio datos análisis.
Tú desear a conseguir a sentir para qué objetivo estás intentando a predecir
y el predictores estás acerca de a usar, mirando en su distribuciones,
de cheques para valores atípicos o cualquier inusual patrones en el datos.
Tú puede incluso desear a hacer alguno rápido patrón descubrimiento agrupamiento
o PCA tipo análisis justo a conseguir a sentir para cualquier estructura eso es en el datos.
Entonces también ser pensamiento con cuidado acerca de
qué actuación métrico quería hacer el mayoría sentido para el solicitud en mano.
Típicamente el común uno, obviamente para continuo predictores sería
como raíz medio cuadrado error, pero allá podría ser casos dónde
Puede ser que sea eso no bastante adecuado, especialmente si Hay
directo costo involucrado, a veces absoluto El error es más importante
para a verdadero ganancia- pérdida tipo decisión.
Estos son todo cosas eso tú desear a comenzar pensamiento acerca de
como Bueno como cómo estás yendo a validar su modelo.
Soy a grande admirador de Validación cruzada de k-fold.
Dónde tú dividir su datos en distinto subconjuntos y sostener uno afuera
y ser muy cuidadoso acerca de no permitiendo fuga o también cuidadoso acerca de sobreajuste.
Estos son todo preocupaciones eso tender
a venir arriba de mente para a mí cuando I comenzar afuera con a nuevo problema.
Perfecto. Gracias, Russ .
Soy yendo a caminar a través de este en JMP
alguno de el herramientas nosotros poder usar a comenzar mirando en nuestro problema.
Entonces eran yendo a cubrir alguno de el cosas eso ayuda a nosotros determinar
cual de estos factores son teniendo el más grande impacto en Bueno producción.
Soy yendo a espectáculo Variable Importancia y entonces Shapley Valores
y Bueno tener Laura hablar a eso y cómo nosotros hacer eso.
Pero primero, Vamos ir adelante y mirar en este datos adentro a JMP.
Como nosotros mencionado aquí, I tener mi producción de estos pozos.
I tener alguno ubicación parámetros entonces dónde él es latitud y longitud,
I tener alguno geológico parámetros.
Este es acerca de el roca formación eran perforación a través de.
Entonces I tener alguno terminación parámetros
y este es factores eso nosotros poder cambiar mientras eran perforación como Bueno,
alguno de estos podemos tener influencia en.
Si nosotros buscado a ir a través de y este conjunto de datos solo tiene 5.000 filas.
Cuando hablando a Rus en a partir de a deberes este hablar, él dicho justo ir adelante
y correr alguno modelo cribado y ver qué tipo de modelo encaja este datos mejor.
A hacer eso, eran yendo a ir adelante y ir bajo el Analizar menú,
ir a Profético Modelo y golpear Modelo Cribado.
Soy yendo a poner mi respuesta, cual es eso producción,
llevar todo de nuestro factores, ubicación, geología y terminación parámetros,
poner aquellos en el X y agarrar mi Validación y poner él en Validación.
Abajo aquí nosotros tener todo clases de diferente opciones en tipos de modelos nosotros poder correr.
Nosotros poder elegir y elegir cual unos tal vez hacer sentido
o no hacer sentido para este tipo de datos.
Nosotros poder elegir afuera alguno diferente modelado opciones para nuestro lineal modelos.
Incluso, como Rus mencionado aquí, si nosotros no tener suficiente datos
a sostener atrás y hacer nuestro validación.
Eso forma nosotros poder utilizar a Validación cruzada de k-fold aquí.
Ahora a ahorrar alguno tiempo, Yo tengo desaparecido adelante y correr este ya entonces tú no tener
a mirar JMP crear todo estos modelos.
Aquí está el resultados.
Para este datos, tú poder ver
eso estos árbol basado métodos: Impulsado Árbol, Bootstrap f hora y XGB este
todo hizo muy Bueno en adecuado el datos, comparado a alguno de el otro técnicas.
Nosotros podría ir a través de y correr varios de estos,
pero para este uno, Soy yendo a justo elegir
el Impulsado Árbol desde él tenía el mejor RS por qué y raíz promedio cuadrado error
para este conjunto de datos.
Bien ir adelante y correr eso.
Después nosotros tenemos correr el cribado, eran yendo a ir adelante y elegir a modelo
o a pareja de modelos eso adaptar Bueno y justo correr a ellos.
Alabama bien, entonces Aquí está el en general adaptar en este caso.
Dependiente en qué tipo de datos estás mirando en,
tal vez un RS por qué de .5 es excelente, tal vez un RSquare de .5 es no entonces excelente.
Justo dependiente en qué tipo de datos tú tener,
tú poder juez si este es a bien suficiente modelo o no.
Ahora eso I tener este, I desear a respuesta eso primero pregunta.
Conocimiento a pocos parámetros yendo en,
qué poder I esperar mi producción nivel a ¿ser?
Un fácil forma a hacer eso adentro a JMP con cualquier tipo modelo es con este perfilador.
Bueno, entonces nosotros tener el perfilador aquí,
nosotros tener todo de el factores eso eran incluido en el modelo,
y nosotros tener qué nuestro esperado 12 mes producción a ser.
Aquí I poder ajustar si I saber mi cierto ubicación.
I saber el latitud y longitud entrando
tal vez I saber alguno de estos geológico parámetros.
I poder tal vez ajustar varios de estos factores
y cifra afuera de el terminación parámetros
y cifra afuera a forma a optimizar este.
Pero I pensar aquí con a lote de factores, este poder ser complejo.
Vamos hablar acerca de el segundo pregunta,
dónde nosotros eran preguntarse cual uno de estos factores era teniendo el más grande influencia.
Tú poder ver basado en cual de estos pauta son halagar
o tener más forma a a ellos, qué es el más grande influencia.
Pero Vamos JMP hacer eso para a nosotros.
Bajo Evaluar Variable Importancia,
Soy yendo a justo dejar JMP ir a través de
y elegir el factores eso son mayoría importante.
Aquí tú poder ver es delineado el mayoría importante
abajo a unos eso son menos importante.
I como este característica colorear el perfilador.
Ahora es destacado el mayoría importante factores
y desaparecido abajo a el el menos importante factores.
De nuevo, I poder ajustar estos y ver, Vaya, él aspecto como
tal vez ajustando el profundidad de el Bueno,
añadiendo alguno más [inaudible 00:15:51], él podría mejorar mi producción.
Eso es el forma nosotros podría hacer este pero nosotros tener a nuevo forma de mirando
en el impacto de cada uno de estos factores en a cierto Bueno.
Nosotros poder lanzamiento eso bajo el rojo triángulo en JMP 17 y Shapley valores.
I poder colocar mi opciones o ahorrar afuera el Shapley valores.
Una vez I hacer eso, él voluntad crear nuevo columnas en mi datos mesa
eso ahorrar afuera el contribuciones de cada uno de aquellos factores.
Este es dónde Soy yendo a dejar Laura hablar a alguno Shapley valores.
I justo buscado yendo a hablar brevemente acerca de qué Shapley valores son
y cómo nosotros usar a ellos.
Shapley valores son a modelo agnóstico método para explicando modelo predicciones
y ellos son en realidad útil para Negro caja modelos
eso son en realidad duro a interpretar o explicar.
El método llega de cooperativa juego teoría
y I no tener tiempo a hablar acerca de el fondo
o el matemáticas detrás el cálculos, pero nosotros tener a referencia
en el abajo de el deslizar y si tú Google él, tú debería ser capaz a encontrar
a lote de referencias a aprender más si estás interesado.
Qué estos Shapley valores hacer,
ellos decir tú cómo mucho cada aporte variable
es contribuyendo a un individual predicción para a modelo.
Eso es lejos de el promedio previsto valor
al otro lado de el aporte conjunto de datos
y su aporte conjunto de datos es yendo a venir de su datos de entrenamiento.
Valores de Shapley son aditivo,
cual marcas a ellos en realidad lindo y fácil a interpretar y entender.
Cada predicción poder ser escrito como a suma de su Valores de Shapley
más eso promedio previsto valor,
cual nosotros referirse a como el Shapley interceptar en JMP.
Ellos poder ser computacionalmente intensivo
a calcular si tú tener a lote de valores de entrada, variables de entrada en su modelo
o si estás intentando a crear Valores de Shapley para a lote de predicciones.
Nosotros intentar a dar alguno opciones para ración a reducir tiempo en JMP .
Estos Shapley valores, como Pedro mencionado,
eran agregado a el predicción perfilador para bastante a pocos de el modelos en JMP Pro17
y ellos son también disponible en el gráfico perfilador.
Ellos son disponible para Ajuste mínimo S cuadrados Logística nominal, O rinal Logística,
Neural, Reg. General, P partición, Oreja Bosque y Impulsado Árbol.
Ellos son también disponible si tú tener el XB este Agregar -En.
Excepto en eso Sumar-I norte, ellos son disponible de el modelo menú
y no de el predicción perfilador.
Bueno, próximo deslizar.
En este deslizar I desear a justo mirar en alguno de el predicciones de De Pedro modelo.
Este es de a modelo usando cinco aporte variables.
Estos son pila bar gráficos de el primero tres predicciones
próximo de el primero tres filas de su datos.
En el izquierda tú ver a pila gráfico de barras de el Shapley valores para el primero fila.
Eso primero predicción es 11.184 producción barriles
En cientos de miles.
Cada color en eso bar gráfico es dividido afuera por el diferente aporte variables.
Adentro el verja son el Valores de Shapley.
Si tú agregar arriba todo de aquellos valores, más el Shapley interceptar
eso I tener en el medio de el gráfico, tú conseguir eso predicción valor.
Este es demostración tú eso primero de todo, todo de estos son haciendo
positivo contribuciones a el producción y ellos espectáculo tú cómo mucho, Así que el tamaño,
I poder ver eso longitud y apuntalante
son contribuyendo el mayoría para este particular predicción.
Entonces si I mirar a el bien lado a el tercero predicción,
cual es 2.916 producción barriles y cientos de miles,
I poder ver eso dos de mi aporte variables
son contribuyendo afirmativamente a mi producción
y tres de a ellos son teniendo negativo contribuciones,
el abajo tres aquí.
Tú poder usar gráficos como este a ayuda visualizar su Valores de Shapley .
Eso ayuda tú en realidad entender
estos individual predicciones.
Próximo deslizar.
Este es justo uno de muchos tipos de gráficos
tú poder crear.
El Shapley valores conseguir salvado en su datos mesa.
Tú poder manipular a ellos
y crear todo tipos de gráficos en Gráfico Constructor y JMP.
Este gráfico es justo a gráfico de todo el Shapley valores
de encima 5.000 filas de el datos dividir afuera por cada aporte variable.
Es solo eso da tú un idea de el contribuciones de aquellos variables,
ambos positivo y negativamente a el predicciones.
Ahora Soy yendo a mano él atrás encima a Pedro.
Excelente. Gracias, Laura.
I pensar ahora Bueno ir adelante y transición a nuestro segundo caso estudiar
eso Florián es yendo a hacer.
Debería I aprobar el pantalla compartir atrás a ¿tú?
Sí, eso quería ser excelente.
Hacer la transición.
Gracias para este primero caso estudiar y gracias para el contribuciones.
En realidad interesante.
Espero nosotros poder traer alguno luz sobre a diferente amable de solicitud
con nuestro segundo caso estudiar.
I tener dado él el subtitular, Era él ¿Esfuerzo de torsión?
Porque eso es a pregunta Bueno tener con un poco de suerte contestado
por el fin de el segundo caso estudiar presentación.
Este segundo caso estudiar es acerca de profético mantenimiento
y el particular aspectos de por qué él es importante a entender
su modelos en este guión.
Mayoría probable todos poder pensar eso es muy importante
a tener a sentido para cuando máquinas requerir mantenimiento.
Porque si máquinas fallar, entonces eso es a lote de problema,
a lote de costos, cuando plantas tener a cerrar abajo y entonces en.
Es en realidad necesario a hacer preventivo mantenimiento
a mantener sistemas correr.
A importante tarea en este es a determinar
cuando el mantenimiento debería ser realizado
y no también temprano, no también tarde, ciertamente.
Por lo tanto, es a tarea a encontrar a balance
cual límites fracasos y también ahorra costos en mantenimiento.
Hay a caso estudiar eso eran usando a destacar alguno funciones características
y es de hecho a sintético datos colocar
cual llega de a publicado estudiar.
El La fuente es abajo allá en el abajo.
Tú poder encontrar él.
Él era publicado en el AI para Industria evento en 2020.
El básico contenido de este conjunto de datos
es eso él tiene seis diferente características de proceso ajustes,
cual son producto o tipo de producto
cual denota para diferente calidad variantes.
Entonces nosotros tener aire temperatura,
proceso temperatura, rotacional velocidad, esfuerzo de torsión, y desgaste de la herramienta.
Nosotros tener uno principal respuesta y eso es si el máquina falla o no.
Cuando nosotros pensar de preguntas
eso nosotros podría respuesta con a modelo o modelos o generalmente datos.
Hay varios eso venir a mente.
Ahora, el mayoría obvio pregunta
es probablemente cómo nosotros poder explicar y interpretar ajustes,
cual probable dirigir a máquina falla.
Este es algo que [inaudible 00:24:38]
a crear y comparar múltiple modelos
y entonces elegir el uno eso es mayoría adecuado.
Ahora, en este particular configuración dónde nosotros desear a predecir
si una máquina falla o no.
Nosotros también tener a cuenta para clasificaciones erróneas
eso es cualquiera a FALSO positivo o a FALSO negativo predicción.
Con JMP decisión límite gráficos
y el ganancia matriz, nosotros poder de hecho especificar un énfasis
o importancia a cual resultado es menos deseable.
Para ejemplo,
él es típicamente menos deseable a de hecho tener a falla
cuando el modelo no predecir uno
comparado a el opuesto, clasificación errónea
Entonces además el binario clasificación, de curso,
tú lo harías ser también interesado en comprensión qué unidades falla típicamente.
Allá son ciertamente varios maneras a trato con este pregunta.
I pensar visualización es siempre a parte de él.
Pero cuando eran usando modelos nosotros poder considerar,
para ejemplo, este ser explicando modelos
como decisión árboles o nosotros poder usar construido- en funcionalidad
como el predicción perfilador y el variable importancia característica.
El último punto aquí
cuando nosotros investigar y calificar cual factores son mayoría importante
para el profético resultado,
nosotros asumir eso allá es un subyacente comportamiento.
El mayoría importante factor es XYZ,
pero nosotros hacer no saber cual factor de hecho
tiene contribuido a qué medida a un individual predicción.
A ganar, Shapley valores son a muy útil
suma eso poder permitir a nosotros a entender el contribución
para cada de el factores en individual predicción.
En un general nivel,
ahora, Vamos llevar a mirar en tres específico preguntas
y cómo nosotros poder respuesta aquellos con el software.
El primero uno es cómo hacer nosotros ajustar profético modelo
con respeto a el alto importancia de omitiendo FALSO negativo ¿predicciones?
Este asume a pequeño poco eso nosotros tenemos ya hecho a primero paso
porque nosotros tenemos ya visto modelo cribado y cómo nosotros poder conseguir allá.
Soy a partir de uno paso adelante.
Vamos mover en JMP a de hecho llevar a mirar en este.
Nosotros ver el conjunto de datos, Podemos verlo equitativamente pequeño,
no también muchos columnas.
Él aspecto muy simple.
Nosotros solo tener estos pocos predictores y Hay alguno más columnas.
Hay también a validación columna eso Yo tengo agregado,
pero es no mostrado aquí.
Como para el primero pregunta,
Vamos asumir nosotros tener ya hecho el modelo cribado.
De nuevo, este es accesible
en el analizado profético modelo cribado
dónde nosotros no especificar qué nosotros desear a predecir
y el factores eso nosotros desear a investigar.
De nuevo, I tener ya preparado este.
Nosotros tener un resultado eso aspecto como este.
Él aspecto a pequeño poco diferente que en el primero usar caso
porque ahora nosotros tener este binario resultado
y entonces nosotros tener alguno diferente medidas
eso nosotros poder usar a comparar.
Pero de nuevo, qué importante es eso nosotros tener un descripción general
de cual de el métodos son amaestrado mejor que otro unos.
Como nosotros dicho, en orden a ahora mejorar
el modelo y enfatizar en omitiendo estos
FALSO negativo predicciones.
Vamos justo elegir el uno y ver qué nosotros poder hacer aquí.
Vamos tal vez incluso elegir el primero tres aquí,
entonces nosotros poder justo hacer eso por tenencia el control llave.
Otro característica eso voluntad ayuda a nosotros aquí
es llamado decisión límite
y es situado en el rojo decisión del triángulo límite.
El decisión límite da a nosotros varios contenido.
Nosotros tener estos gráficos aquí, estos espectáculos el actual datos agujas.
Nosotros tener este confusión matriz
y nosotros tener alguno adicional gráficos y matriz,
pero nosotros voluntad enfocar en el superior parte aquí.
Vamos a hacerlo realmente llevar a mirar en el prueba parte de el colocar.
Cuando nosotros llevar a mirar en este,
nosotros poder ver eso nosotros tener diferente tipos de resultados.
El por defecto de este probabilidades límite
es el medio, cual quería ser aquí en .5.
Nosotros tener ahora varios opciones a ver y optimizar este modelo
y cómo eficaz él es con respeto a el confusión matriz.
Confusión matriz, nosotros poder ver el previsto valor
y si eso de hecho era verdadero o no.
Si nosotros mirar en cuando o falla es previsto,
nosotros poder ver eso aquí, con este configuración,
nosotros de hecho tener bastante a alto número de fracasos,
incluso aunque allá eran No previsto.
Ahora nosotros poder interactivamente explorar cómo ajustando este límite
de hecho afecta el exactitud de el modelo o el clasificación errónea tarifas.
O en alguno casos, nosotros poder también poner
un énfasis en qué en realidad peor que un otro falla.
Nosotros poder hacer este con el entonces llamado ganancia matriz.
Si nosotros ir aquí, nosotros poder colocar a valor
en cual de el clasificaciones erróneas es de hecho peor que el otro uno.
En este caso, nosotros en realidad hacer no desear
a tener a predicción de No falla
cuando allá de hecho es a falla acontecimiento.
Nosotros quería poner algo como 20 veces.
Más en tono rimbombante, nosotros hacer no conseguir este clasificación errónea
y nosotros colocar él y golpear bueno,
y entonces él voluntad automáticamente actualizar el gráfico
y entonces nosotros poder ver eso el valores para el clasificación errónea
tener abandonó ahora en cada de el modelos
y nosotros poder usar este como un adicional herramienta
a seleccionar a modelo eso es tal vez mayoría adecuado.
Eso es para el primero pregunta de cómo nosotros poder ajustar a profético modelo
con respeto a el más alto importancia de omitiendo FALSO negativo predicciones.
Ahora, otro pregunta aquí es también cuando nosotros pensar de mantenimiento
y dónde nosotros poner nuestro esfuerzos en mantenimiento,
es cómo poder nosotros identificar y comunicar
el en general importancia de ¿predictores?
Qué factores son conduciendo el sistema, el ¿Fracasos?
Vamos ir atrás a el datos mesa a decir eso primero,
I personalmente como visual y simplista unos.
Uno de a ellos eso I como a usar es cosa como el paralelo trama.
Porque es en realidad a lindo descripción general resumiendo
dónde el fracasos grupo y cual parámetros ajustes y entonces en.
En el modelado y máquina aprendiendo lado,
Hay a pocos otro opciones eso nosotros poder de hecho usar.
Uno eso I como porque es muy crujiente y claro,
es el vaticinador cribado.
Vaticinador cribado da a nosotros muy compacto producción
acerca de qué es importante y es muy fácil a hacer
y es bajo analizado cribado,
vaticinador cribado.
A todos nosotros necesidad a hacer es decir qué nosotros desear a entender
y entonces especificar el parámetros
eso nosotros desear a usar para este.
Hacer clic bueno, y entonces él recalcula
y nosotros tener este producción.
Para a mí, es a en realidad lindo cosa
Porque como dije, crujiente y claro y consumidor.
Pero nosotros tenemos habló acerca de este antes
y Rus, cuando eran laboral con modelos particularmente,
hacer tú tener cualquier otro sugerencia o hacer tú tener cualquier cosa a agregar
a mi acercarse a comprensión el factores
de cual predictores son importante.
Sí, él es a bien cosa a intentar.
Como I mencionado más temprano, tú consiguió a ser en realidad cuidadoso
acerca de sobreajuste.
Tengo tendencia a trabajar con a lote de estos ancho problemas,
decir de Genómica y otro aplicaciones,
dónde tú podría incluso tener
muchos más predictores que tú tener observaciones.
En semejante a caso, si tú eran a correr vaticinador cribado,
decir tal vez elegir el arriba 10 mejor
y entonces ir doblar bien alrededor y adaptar a nuevo modelo
con aquellos 10 solo, Tú tienes de hecho justo colocar tú mismo arriba
para sobreajuste si tú hizo el vaticinador cribado en el completo datos colocar.
Eso es el guión Soy preocupado acerca de.
Es un fácil trampa a caer en,
porque tú pensar estás justo filtración cosas abajo,
pero Tú tienes consiguió a reutilizar el mismo datos dos veces.
El peligro quería ser si tú eran a luego enchufa aplicar eso modelo
a alguno nuevo datos, él probable no hacer cerca de como Bueno.
Si estás en el juego dónde tú desear a reducir predictores,
I tender a como a preferir a hacer él dentro cada doblar de a K-fold.
El inconveniente de eso es tú lo harás conseguir
a diferente colocar cada tiempo, pero tú no poder agregar aquellos cosas.
Si tú consiguió a cierto vaticinador
Eso solo se nota arriba consecuentemente al otro lado de pliegues.
Es muy bien evidencia de eso. Eso es a muy importante uno.
I esperar eso es qué quería suceder en este caso con, decir, esfuerzo de torsión.
Incluso si tú eran a hacer este ejercicio,
decir 10 veces con 10 diferente pliegues, tú lo harías probable conseguir a bonito similar categoría,
pero es más de a sutileza
pero de nuevo, a peligro eso tú tener a mirar afuera para.
Trabajo poder hacer él a pequeño poco más fácil justo porque cosas son entonces rápido y limpio,
como tú mencionado, eso tú podría caer en eso trampa si estás no cuidadoso.
Sí, eso es muy valioso suma a este acercarse.
Solo acompañando a este adicional información,
Hay también el otro opción eso nosotros tener,
particularmente cuando nosotros tener ya
desaparecido a través de el proceso de creando a modelo dónde nosotros poder entonces
de hecho de nuevo, usar el predicción perfilador y el variable importancia.
Es otro forma dónde nosotros poder evaluar
cual de el variables tener el más alto importancia.
Rus, hacer tú desear a decir palabra en eso también
en contraste tal vez a el vaticinador ¿cribado?
Sí. Honestamente, Vogt, I como el importancia si fuera un pequeño mejor.
Justo bucear bien en el modelado.
De nuevo, I quería preferir con K-fold.
Entonces tú poder justo usar el variable importancia medidas,
cual son a menudo en realidad informativo directamente.
Ellos son muy similar. En hecho, vaticinador cribado,
I creer, es justo vocación oreja bosque en el fondo
y coleccionando el mayoría importante variables.
Es básicamente el mismo cosa.
Entonces siguiente arriba con el perfilador, cual poder ser excelente para vidente exactamente
cómo cierto variables son ligeramente conmovedor el respuesta,
y entonces perforación eso incluso más con Shapley
a ser capaz a romper abajo individual predicciones
en su componentes.
A a mí, es a muy irresistible y interesante forma
a bucear en a profético modelo
y entender qué en realidad yendo en con él,
tipo de desembalaje el negro caja
y alquiler tú ver qué en realidad acontecimiento.
Sí, gracias.
I pensar eso es el entero punto,
haciendo él comprensible y haciendo él consumible
además, de curso, de hecho conseguir a el resultados,
cual es comprensión cual factores son influenciando el resultado.
Gracias.
Ahora, I tener uno más pregunta, y Tú tienes ya mencionado él.
Cuando nosotros puntaje nuevo datos, en particular,
qué poder nosotros hacer a identificar
cual predictores tener de hecho influenciado el modelo ¿resultado?
Ahora, con qué nosotros tener hecho entonces lejos,
nosotros tener ganado a bien comprensión de el sistema y saber
Cual de el factores son el mayoría dominante y nosotros poder incluso derivar operante rangos.
Si el sistema cambios, qué si a diferente factor de hecho unidades a ¿falla?
Entonces como él quería ser esperado en este caso y hemos hablado con Laura antemano,
y Shapley V valores de nuevo son a excelente suma eso voluntad ayuda a nosotros a interpretar.
nosotros tenemos visto cómo nosotros poder generar a ellos,
y Tú tienes aprendió en cual plataformas ellos lo harán ser disponible.
Ahora, el producción eso tú conseguir cuando tú ahorrar Los valores de Shapley son:
para ejemplo, también a gráfico eso espectáculos a nosotros por actual por fila.
En este caso,
nosotros tener 10.000 filas en el datos pestaña, por lo que tenemos 10.000 gráficos de barras apilados,
y entonces nosotros poder ya ver que además del patrón común,
Hay también veces cuando Hay En realidad, otros factores influyentes
eso conducir el decisión de el modelo.
Es en realidad a útil herramienta a no sólo plantea una predicción individual,
pero también agregar en a eso qué Russ acaba de dicho,
comprensión de el sistema, cual factores contribuir.
Cuando nosotros mover a pequeño un poco en
en este comprensible o camino exploratorio,
nosotros poder usar estos Valores de Shapley en diferente maneras.
Qué I personalmente apreciado fue la sugerencia
a de hecho trama el Shapley valor por su configuración de parámetros reales,
porque eso permite a nosotros a identificar áreas de ajustes.
Para ejemplo,
si nosotros llevar rotacional velocidad aquí, nosotros poder ver eso Hay de hecho
áreas de este parámetro eso tender a contribuir a lote
en términos de el modelo resultado, pero también en términos de el actual falla.
Eso también ayuda ayudándonos a comprender mejor
con respeto a el actual Problema de falla de la máquina y qué lo causa.
y también con respeto a por qué el El modelo predice algo.
Ahora, finalmente, I como a respuesta el pregunta.
Cuando nosotros llevar estos gráficos de Valores de Shapley,
y nosotros tener visto él antes en varias ocasiones,
existencias es ciertamente a dominante factor.
Pero de todo de estos, Yo tengo justo escogido a pocos predicciones,
y nosotros poder ver eso a veces él cepo, a veces es no.
Con el Shapley valores, realmente tenemos un gran camino
a interpretación a específico predicción por el modelo.
Todo bien, entonces aquellos eran el cosas nosotros buscado a espectáculo.
I esperanza este da alguno excelente conocimiento
En cómo nosotros poder hacer AI modelos más explicable,
más comprensible,
más fácil a digerir y a trabajar con, porque eso es el intención aquí.
Sí, Identificación como a resumir a pequeño poco.
Pedro, tal vez tú desear por venir en y ayuda a mí aquí.
I pensar qué eran esperante a espectáculo es eso
como estos AI modelos convertirse más y más frecuente
y son confió al para decisión haciendo, eso comprensión, interpretando,
y ser capaz a comunicar aquellos modelos es muy importante.
Nosotros esperanza eso con estos Shapley v valores,
con el variable importancia, y con el perfilador,
nosotros tenemos mostrado tú a pareja de maneras eso Puedes compartir esos resultados.
y tener a ellos fácilmente comprensible.
Eso era el llevar- hogar Hay entre eso y ser capaz a utilizar
modelo cribado y cosas así,
que con suerte, tú encontró a pocos técnicas
eso voluntad hacer este más comprensible y menos de a negro caja.
Sí, I absolutamente aceptar.
Justo a resumir, I en realidad como a Gracias a Russ y Laura
para contribuyendo aquí con su pericia.
Gracias, Pedro. Fue a placer.
Gracias, Gracias a todos por escuchar.
Eran mirando adelante a teniendo discusiones y preguntas a respuesta.
