Podcasts about Weibull

Weibull probability plotting is perhaps the most widespread data analysis tool used in reliability and quality engineering.

Anne Weibull är troligtvis en av Sveriges mest erfarna naprapater när det kommer till att arbeta med tennisspelare. Anne har samarbetat med KLTK, arbetat för Good to Great, rest med det svenska damlandslaget och precis inlett ett samarbete med Academy of KLTK. I avsnittet pratar vi om hennes erfarenheter från de olika uppdragen, var hon upplever att svenska spelares fysik brister, vad vi generellt är bra på i Sverige när det kommer till fysiken samt hur man på bästa sätt ska ta hand om kroppen som tennisspelare.   Tack till alla partners: * Zenniz – The Smart Tennis Solution: ⁠⁠⁠⁠⁠⁠http://www.zenniz.com⁠⁠⁠⁠⁠⁠  * BROTHY - http://www.originalbrothy.com.  * House of Bontin – Smarta destinationen för tennis och padel: ⁠http://⁠⁠⁠⁠⁠www.houseofbontin.se⁠⁠⁠⁠⁠⁠ (Använd koden ”Baslinjen” för 10% på hela sortimentet förutom på Slinger Bag eller redan nedsatta priser.) * Wilson Tennis Camp: http://⁠⁠www.tenniscamp.se/⁠⁠ https://svtf.tournamentsoftware.com/find?Q=uppsala+tennis+cup&DateFilterType=0&StartDate=2024-09-01&EndDate=2024-12-05&Distance=15&page=1 Stort tack också till alla föreningspartners och prenumeranter på Baslinjen.com! Intromusik: Mr Smith, Cool Running (Free Music Archive) (CC BY) Outromusik: Mr Smith, The New West (Free Music Archive) (CC BY) Besök http://www.baslinjen.com för allt möjligt material om svensk och nordisk tennis! Vill du supporta Baslinjen, bli prenumerant på sajten!

In this lecture, we review basic probability fundamentals (measure spaces, probability measures, random variables, probability density functions, probability mass functions, cumulative distribution functions, moments, mean/expected value/center of mass, standard deviation, variance), and then we start to build a vocabulary of different probabilistic models that are used in different modeling contexts. These include uniform, triangular, normal, exponential, Erlang-k, Weibull, and Poisson variables. If we do not have time to do so during this lecture, we will finish the discussion in the next lecture with the Bernoulli-based discrete variables and Poisson processes.

Some of you might have heard of the '3 Parameter Weibull distribution.' But what makes this different and (sometimes) helpful? The post 3 Parameter Weibull Analysis appeared first on Accendo Reliability.

Today's show discussed approaches for modeling absorption profiles. I discussed the rationale behind modeling absorption and then described some common models. These included first-order absorption, zero-order absorption, transit compartments, distributed delay, Weibull, and zero/first order absorption. I also provided my recommendations on how to model absorption. Links discussed in the show: Distributed delay modeling in PK and PD Modeling biphasic formulation of methylphenidate You can connect with me on LinkedIn and send me a message Send me a message Sign up for my newsletter Copyright Teuscher Solutions LLC All Rights Reserved

Learning Weibull Analysis Abstract Chris and Fred discuss Weibull Analysis and how it can help you can first take your ‘tentative’ steps to learn more about it. Key Points Join Chris and Fred as they discuss Weibull analysis. This is perhaps one of the most talked about forms of analysis reliability engineers talk about. And […] The post SOR 958 Learning Weibull Analysis appeared first on Accendo Reliability.

In this episode of Ready, Set, Goal, Sophie Hedestad is joined by Martin Weibull, the esteemed CEO of Intelliplan, who generously shares insights into his company's remarkable journey towards success. Together, they explore Intelliplan's innovative use of OKRs to not only drive growth but also to realize their vision of becoming industry leaders. Join Sophie and Martin as they uncover the intricacies of Intelliplan's OKR methodology and learn how it can inspire and guide listeners towards their own triumphs. Get ready to set your goals and make them a reality with Ready, Set, Goal!  

In this episode Matt and Hailey discuss Chapter 22 of the 4th edition of Modern Epidemiology. This is a chapter focused on time to event analyses including core concepts related to time scales, censoring, and understanding rates. We discuss the issues and challenges related to time to event analyses and analytic approaches in this setting including Kaplan Meier, Cox Proportional Hazards, and other types of fancy models that are frequently taught in advanced epi courses (e.g., Weibull, Accelerated Failure Time) but infrequently used in the real-world. The chapter ends with a brief discussion of competing risks. It's clear that Matt and Hailey need to brush up on concepts related to competing risks and semi-competing risks, and fortunately next month we'll have an expert join us to answer all of our questions!

A quick refresher on Weibull Analysis for Reliability Engineering. What is a Weibull plot? How are the results used in understanding the failure rates of the population? The episode explains a simple way to understand the complexity of the plots.

The Flaw of Averages Part II. In this sequel, Dan and Prateek take on data distributions and shapes. #Nisha calls out the bull in Weibull. It is normal for your data to not be normal.

Link to bioRxiv paper: http://biorxiv.org/cgi/content/short/2023.02.12.528216v1?rss=1 Authors: Sobhan, R., Gkogkou, P., Johnson, G., Cameron, D. Abstract: Object: Dynamic susceptibility contrast MRI (DSC-MRI) is the current standard for cerebral perfusion estimation. Model-dependent approaches for DSC-MRI analysis involve assuming a parametric transit time distribution (TTD) to characterize the passage of contrast agent through tissue microvasculature. Here we compare the utility of four TTD models: namely, skewed-Gaussian, gamma, gamma-variate, and Weibull, to identify the optimal TTD for quantifying brain perfusion. Materials and Methods: DSC-MRI data were acquired in nine subjects at 1.5T, and normal-appearing white- and gray-matter signals were assessed. TTDs were compared in terms of: goodness-of-fit, evaluated using RMSE; noise sensitivity, assessed via Monte-Carlo-simulated noisy conditions; and fit stability, quantified as the proportion of total fits converging to the global minimum. Computation times for model-fitting were also calculated. Results: The gamma TTD showed higher fit stability, shorter computation times (p less than 0.008), and higher robustness against experimental noise as compared to other models. All functions showed similar RMSEs and the parameter estimates (p greater than 0.008) were congruent with literature values. Discussion: The gamma distribution represents the most suitable TTD for perfusion analysis. Moreover, due to its robustness against noise, the gamma TTD is expected to yield more reproducible estimates than the other models for establishing a standard, multi-center analysis pipeline. Copy rights belong to original authors. Visit the link for more info Podcast created by Paper Player, LLC

Probability Distribution Functions of Sunspot Magnetic Flux by Takashi Sakurai et al. on Monday 28 November We have investigated the probability distributions of sunspot area and magnetic flux by using the data from Royal Greenwich Observatory and USAF/NOAA. We have constructed a sample of 2995 regions with maximum-development areas $ge$ 500 MSH (millionths of solar hemisphere), covering 146.7 years (1874--2020). The data were fitted by a power-law distribution and four two-parameter distributions (tapered power-law, gamma, lognormal, and Weibull distributions). The power-law model was unfavorable compared to the four models in terms of AIC, and was not acceptable by the classical Kolmogorov-Smirnov test. The lognormal and Weibull distributions were excluded because their behavior extended to smaller regions ($S ll 500$ MSH) do not connect to the previously published results. Therefore, our choices were tapered power-law and gamma distributions. The power-law portion of the tapered power-law and gamma distributions was found to have a power exponent of 1.35--1.9. Due to the exponential fall-off of these distributions, the expected frequencies of large sunspots are low. The largest sunspot group observed had an area of 6132 MSH, and the frequency of sunspots larger than $10^4$ MSH was estimated to be every 3 -- 8 $times 10^4$ years. We also have estimated the distributions of the Sun-as-a-star total sunspot areas. The largest total area covered by sunspots in the record was 1.67 % of the visible disk, and can be up to 2.7 % by artificially increasing the lifetimes of large sunspots in an area evolution model. These values are still smaller than those found on active Sun-like stars. arXiv: http://arxiv.org/abs/http://arxiv.org/abs/2211.13957v1

Probability Distribution Functions of Sunspot Magnetic Flux by Takashi Sakurai et al. on Sunday 27 November We have investigated the probability distributions of sunspot area and magnetic flux by using the data from Royal Greenwich Observatory and USAF/NOAA. We have constructed a sample of 2995 regions with maximum-development areas $ge$ 500 MSH (millionths of solar hemisphere), covering 146.7 years (1874--2020). The data were fitted by a power-law distribution and four two-parameter distributions (tapered power-law, gamma, lognormal, and Weibull distributions). The power-law model was unfavorable compared to the four models in terms of AIC, and was not acceptable by the classical Kolmogorov-Smirnov test. The lognormal and Weibull distributions were excluded because their behavior extended to smaller regions ($S ll 500$ MSH) do not connect to the previously published results. Therefore, our choices were tapered power-law and gamma distributions. The power-law portion of the tapered power-law and gamma distributions was found to have a power exponent of 1.35--1.9. Due to the exponential fall-off of these distributions, the expected frequencies of large sunspots are low. The largest sunspot group observed had an area of 6132 MSH, and the frequency of sunspots larger than $10^4$ MSH was estimated to be every 3 -- 8 $times 10^4$ years. We also have estimated the distributions of the Sun-as-a-star total sunspot areas. The largest total area covered by sunspots in the record was 1.67 % of the visible disk, and can be up to 2.7 % by artificially increasing the lifetimes of large sunspots in an area evolution model. These values are still smaller than those found on active Sun-like stars. arXiv: http://arxiv.org/abs/http://arxiv.org/abs/2211.13957v1

Mats besöker Tina Henriksson på Svalöv Weibull, Lantmännen, en mycket erfaren veteförädlare med lång erfarenhet av förädlingsarbete. Tina berättar hur förädlingsarbetet går till och vilket fokus de har i den svenska förädlingen. De diskuterar vilka olika tekniker och digitala verktyg som används i dagens förädlingsarbete. Tina svarar även på hur länge man bör skydda sin vete mot svampsjukdomar. Mats ringer Gunilla Berg på Växtskyddscentralen och frågar bland annat vilken behandlingstidpunkt som är viktigast i vete.

amongst those who conduct reliability data analysis ... or in other words - turning a jumble of dots (data points) into information that actually means something The post What is the Weibull Distribution? appeared first on Accendo Reliability.

In this lecture, we review basic probability fundamentals (measure spaces, probability measures, random variables, probability density functions, probability mass functions, cumulative distribution functions, moments, mean/expected value/center of mass, standard deviation, variance), and then we start to build a vocabulary of different probabilistic models that are used in different modeling contexts. These include uniform, triangular, normal, exponential, Erlang-k, Weibull, and Poisson variables. We will finish the discussing next time with the Bernoulli-based discrete variables and Poisson processes.

A Weibull plot is a really useful way of quickly 'looking' at data and being able to 'see' really useful things. The post What do you see in a ‘Probability’ Plot? appeared first on Accendo Reliability.

Die Weibull-Verteilung ist die Verteilung, die am häufigsten im Bereich Zuverlässigkeit & Lebensdauer eingesetzt wird. Der Name "Weibull-Verteilung" ist tatsächlich ein Plagiat. Viele Jahre vor der Veröffentlichung von Waloddi Weibull hatten andere dieselbe Verteilung unter "Rosin-Rammler-" oder RRSB-Verteilung beschrieben. In dieser Folge werden Anwendungsbeispiele für die Weibull-Verteilung beschrieben und Methoden vorgestellt, mit denen Ausfallsteilheit und charakteristische Lebensdauer sowie weitere Kenngrößen ermittelt werden.

I K-podd avsnitt 65 får du lära dig mer om de särskilda arvsreglerna kring fideikommiss och varför de fortfarande finns kvar, trots avvecklingslagen som antogs redan 1964. Expert i avsnittet är, numera pensionerade, överantikvarien Knut Weibull. – Det speciella med fideikommisset är att det åsidosätter vanliga arvsregler. Den enda som får ta över är den […] Inlägget K-podd 65: Om fideikommissens avveckling med Knut Weibull dök först upp på K-blogg - Riksantikvarieämbetets blogg.

how do you go about telling a memorable story about a Weibull plot of field data? Or, a mean cumulative plot of a repairable system? The post Let Me Tell You a Reliability Story appeared first on Accendo Reliability.

Betting analyst and author Joseph Buchdahl joins the BashCast for a chat about: The Monte Carlo Casino, August 18th 1913 Monte Carlo or Bust - the writing process The Wisdom of the Crowd Betting Theory Bias - is estimating bias Maths, Science, Art or a bit of all? Monte Carlo Simulations and why every bettor should choose them Where the Sharps are - using a Weibull probability distribution for estimating goals in football Pinnacle Articles - the writing process Libertarianism vs gambling - should we be free to decide how much we can bet? #bettingat100.1andabove

In this lecture, we review basic probability space concepts from the previous lecture. We then go on to discuss the common probabilistic models that we will use in stochastic simulation (e.g., uniform, triangular, normal, exponential, Weibull, Erlang, Poisson, etc.). Basic background on the structure of each distribution is given as well as practical reasons why one distribution might be picked over another.

בפרק מספר 409 אנחנו מתכבדים לארח את נועם מחברת פקאן - שלום נועם, ברוך הבא!(נועם) שלום, תודה רבה(רן) ברוך הבא לצפון הקר, אחרי שעשית את דרכך אלינו - למי שלא יודע, אנחנו בדרך כלל מקליטים מהבית של אורי בכרכור, בלילה, בשעה 2100+ בערב, זאת השעה שלנו להקליט פודקאסטים . . .(אורי) בדרך כלל האורחים שלנו מגיעים טרוטי-עיניים מנסיעה מהמרכז . . .(נועם) אבל אני חייב להגיד שמציאים פה קפה מצויין, אז ממליץ בחום לבוא.(רן) תודה . . . אז לכל מי שמאזין - בואו לאורי, לקפה [קופון לא יצורף בסוף הפרק].(אורי) ואם אתם יכולים להביא פקאן בדרך, אז גם טוב.(רן) כן, הבאנו פקאנים . . . אז פקאן זו חברה שעוסקת, כמובן, בגידול פקאנים . . . (אורי) והתחלנו לפצח פה [מוזמנים לדמיין אפקטים של פיצוח](רן) אז בוא, נועם - ספר לנו - עליך, על הרקע האישי שלך, ועל פקאן, על מה שאתם עושים.משם כבר נצלול אל הנושא המרכזי של הפרק, שעוסק - נעשה לכם פה ספויילר - בתחום של Machine Learning והעולם האמיתי.אז קודם עליך נועם - מאיפה באת?(נועם) אז התחלתי . . . הכל התחיל שם, איפשהו בתקופה של הצבא, כמה מפתיע - 8200, הייתי במה שנקרא “אתגרים”לפי מקורות זרים - ורק מקורות זרים - זה בעצם עולם הסייבר [לכאורה].ככה התחיל עולם הסייבר של 8200 - הייתה תקופה מדהימה, קבוצה קטנה כזאת, הרגיש ממש כזו סטארטאפ בתוך היחידה, היינו הולכים על אזרחי . . .ושם הכל התחיל מבחינתי, ממש שם התחילה הקריירה - הייתי ראש צוות פיתוח.ובעצם, משם התגלגלתי, אחרי שהשתחררתי, לתוך עולם הדאטה - במשך 7 שנים ייעצתי להמון חברות פה בארץ - אם זה חברות ענק כמו בנקים וגם לסטארטאפים, על איך לבנות Infrastructure, בעצם לייעל שאילתות.ונכנסתי ככה עמוק לתוך עולם הדאטה, וזה היה מרתק - באמת עולם שהוא, כמו שאתם יודעים, מאוד מגוון ועם המון Use Cases, ונדבר על זה כמובן בהמשך כי זה כמובן רלוונטי.בעצם משם - ותיכף אני מגיע לפקאן - בעצם עשיתי תואר שני ודוקטורט בתחום של מדעי המוח ומה שנקרא Computational Neuroscience - שזה בעצם מודלים, שמסבירים איך המוח ואיך רשתות ומשפחות של נוירונים מייצרים פעילות.(רן) זאת אומרת - התחלת מרקע סופר-טכני, Security ו-Databases וכאלה - והלכת לאקדמיה, והיום אתה, ככה, איפשהו באמצע, אני מנחש - גם מבין את הצד העסקי, כי עבדת עם הרבה לקוחות כאלה, מבין מה הם רוצים ומה האילוצים שלהם, וגם אתה מביא את הרקע התיאורטי והאקדמאי בסיפור הזה.(אורי) אגב, איפה לומדים או איפה עושים כאלה תארים - בארץ?(נועם) בטח - בארץ, באוניברסיטת תל אביבהתואר הזה היה באוניברסיטת תל אביב, יש שם חבר’ה מאוד חזקים בתחום של Computational Neuroscience, יש את בית ספר סגול, שממש מוביל את זה.וזה באמת על התפר - ואני נורא אוהב את זה, רן - זה על התפר הזה, וזה גם מה שכל כך דיבר אליזה התפר שבין, מצד אחד, עולם המחשבים - יש פה איזשהו חיבור בין מחשבים לבין עניין באמת תיאורטי, מחקרי, מוח, באיזשהו מקוםכשכמובן שהחיבור ביניהם נופל לתוך Machine Learning, וככה באמת דברים התגלגלו להם.(רן) אז היום אתה בפקאן - ספר לנו קצת על מה שאתה עושה שם ומה עושה החברה(נועם) אז אולי אני אספר איך הפקאן נולד לו . . . באמת, בעצם זה התחיל, אם טיפה נחזור לתואר השני - על היום הראשון של התואר השני אני פוגש איש יקר שקוראים לו זוהר - ואנחנו מתחברים, ניהיים חברים מאוד טוביםלמעשה, את כל הדוקטורט עשינו ביחד, את כל המאמרים שפרסמנו - פרסמנו ביחדובעצם עם זוהר, שהיה לנו את החיבור הזה, סיימנו את כל מה שהיינו צריכים ל-PhD ואמרנו “אוקיי - מה עכשיו? מה הצעד הבא?”ואני זוכר הליכה, ככה, שאנחנו עושים באוניברסיטה, וזוהר אומר שתמיד היה לו חלום לעשות AI - ואז אמרנו שחלומות חייבים להגשים.אנחנו שוכרים חדר קטן מול האוניברסיטה - ומתחילים לעשות מחקר.וככה מתגלגלים בעצם לתוך פקאן.מה זה פקאן? מה זה כל הסיפור?הרעיון - זה מה שאנחנו מבינים בתחילת הדרך - זה שלייצר מודלים של Machine Learning, מודלים פרדקטיביים (Predictive), זה מאתגר, זה לא דבר פשוט.וזה דורש, כמובן, Data Science ו-Data Scientists שמכירים מאוד טוב את המקצוע, ורק הם יכולים באמת לייצר את אותם מודלים נחשקים, שיעזרו אחר כך כדי בעצם לקחת את העסק שלנו, ולהביא את אותם ניבויים - כדי שנוכל לייעל את העסק, ולהביא באמת למקום שהוא טוב יותר.(אורי) אבל אנחנו מדברים לא רק על Data Scientist שמכיר את עולם ה-Data Science, ומביא ניסיון משם, אלא גם צריכים להכיר את ה-Domain, את עולם הבעיה.(נועם) מדהים, בדיוק - זאת נקודה כל כך משמעותית, וזה מה שהביא אותנו לפקאןבעצם, מה אנחנו עושים בפקאן? פקאן מיועדת לא ל-Data Scientists, זאת נקודה נורא חשובה - היא מיועדת ל Data Analystsהיא דווקא מאפשרת בדיוק לאותם אנשים, שמגיעים בדיוק מתוך . . . כמו שאמרת - אתה צריך להכיר את עולם התוכן, זה לא מספיק שאתה יודע Data Scienceאתה צריך להכיר את עולם התוכן שבו אתה פועל - ובאמת פקאן בדיוק מיועדת לאנליסטים, שמכירים מאוד טוב את עולם התוכן, אבל לא מכירים מספיק טוב סטטיסטיקה, לא יודעים . . . בעצם, אין להם את הכלים כדי לייצר מודלים פרדיטיביים (Predictive) - והיופי של פקאן זה שאין צורך לדעת בעצם Data Science, על מנת לייצר מודלים.זו בעצם פלטרפורמה ראשונה שבאמת מאפשרת לאנליסטים - ולא ל-Data Scientists - לייצר מודלים פרדיקטיביים של Machine Learning, וזה מה שכל כך מיוחד בפלטפורמה.(רן) בוא ניקח כמה דוגמאות, זאת אומרת - אנחנו יודעים, בעולם, שמודלים של Machine Learning יודעים לנהוג במכוניות - ככה-ככה, לא תמיד זה עובד - יודעים לראות תמונות ולהבין, לפעמים לצייר ציורים, יודעים לפרש Natural Language , יודעים הרבה מאוד דברים - אבל אלו עולמות שונים לגמרי, כל עולם ומלואו שונה לחלוטין מהשני.יש בתחומים העסקיים דברים כמו מידול של התנהגות לקוחות, גם בנושא של קמפיינים יש לא מעט . . . מכל הדברים הגדולים האלה, מה פקאן יודעים לעשות?(נועם) אז זו נקודה מצויינת, ואגב - כשיצאנו לעולם, ראינו שבאמת כל אחד, כשמדברים על AI וזה כל כך פופלארי וזו כזו Buzzword - לכל אחד יש משהו אחר בראש, ובאמת יש כל כך הרבה סוגי מודלים.אז בפקאן, אנחנו קודם כל מתמקדים, מבחינת הנתונים, ה-Data, במה שנקרא Tabular Data - דאטה שיושב בעצם בתוך מאגרי הנתונים.לא מדובר בתמונות אלא באמת במידע טבלאי, שאיתו בעצם אנחנו מייצרים ניבוייםעכשיו, מהו בעצם עולם התוכן שאנחנו לרוב מתעסקים בו בפקאן? אז עולם התוכן שמתעסקים בו בפקאן זה . . .קודם כל, יש מגוון רחב של שאלות שאפשר לענות עליהן, זו פלטפורמה גנריתאבל אם נראה איפה האיזורים שאנחנו מתמקדים בהם, אז מצד אחד אנחנו מדברים על העולמות של עבודה מול לקוחות, Customersלזהות, בעצם, מראש את אותם לקוחות שינטשו - מה שנקרא Churn Predictionאו לדוגמא לזהות מראש מי הם אותם לקוחות שיהיו לנו הכי טובים, כי אנחנו רוצים מראש כמובן לדעת את זה - אנחנו מדברים על ניבוי של מה שנקרה High Value Customersו-Lifetime Value -כל אותם מודלים שמתעסקים בלקוחות.אבל זו משפחה אחת, יש עוד משפחות שאפשר לעשות בפקאן, לדוגמא, סתם כדוגמא - אנחנו מדברים על עולם של Inventory Control, ניהול מלאי.כמובן שבשביל לדעת על המלאי, איך צריך לנהל אותו, צריך מה שנקרא Demand Forecasting, להבין איך המכירות שלנו יהיו.מה שיפה בפקאן זה שיש פה אוסף של שאלות שאפשר לשאול, מהמון סוגים, ומה שבנינו בעצם בפלטרפורמה זה משהו . . . אנחנו קוראים לזה Templates או Use Cases, שמנווטים את ה-User, בעצם לאפשר ולענות של השאלות האלה בצורה מאוד מאוד פשוטה.(רן) אפשר לעשות את זה בצורה כל כך גנרית? זאת אומרת - נגיד, מודל של Customer Live Value Prediction עבור לקוחות - אני מניח שהוא מאוד שונה בין חברת מוניות לבין חנות או מסעדה או כל ביזנס אחר.אפשר באמת לבנות מודל שהוא כזה גנרי, ולמכור את זה ללקוחות כל כך שונים?(נועם) שאלה מדהימה - וזה באמת . . . אגב, בתחילת הדרך, נורא היינו עסוקים בשאלה הזאת.אחד הדברים שהבנו זה קודם כל שזה לא מודל אחד, שאנחנו באים איתו מראש - כל היופי של הפלטפורמה זה שהפלטפורמה מתחברת [ברברס?] לנתונים, לומדת את הנתונים - ובעצם מאמנת את המודל בהתאם לנתונים שיש לך.בעצם, זה לא משנה . . . כמובן שאנחנו מתחילים תמיד עם, אתם יודעים - Go-to-Market שהוא כן עם סגמנטים מסויימים, בעיקר בצד של ה-Marketingחשוב שיהיה לנו את אותו מסר, ושהמסר יהיה מאוד ברור - אבל בסוף זה לא משנהסתם לדוגמא - אנחנו עובדים עם חברות Retail מאוד גדולות, CPG . . . זה לא משנהאו, לדוגמא, חברות בכלל מאיזורים של Gaming - ועדיין זה אותם מודלים.הכוונה היא לא שזה אותו מודל שנוצר, אלה שזה מודל שמתאמן על הדאטה - ובגלל זה הוא גנרי ויודע להתאים את עצמו.(רן) יש לכם איזשהו Tool-set טיפוסי, שאיתו אתם עובדים בשביל המודלים האלה? לצורך העניין, רשת ניורונים או רגרסיות מסוגים שונים או מסווגים מסוגים אחרים?(נועם) נורא חשוב כמובן, וזה גם קשור לשאלה הקודמת שלך - כדי שנוכל להתאים את עצמנו, אנחנו עובדים עם הרבה משפחות.זה לא שאנחנו עובדים עם סוג מודל אחד, אנחנו עובדים עם הרבה משפחות - אבל אני אגיד שהאתגר הכי גדול זה דווקא לא המידול עצמו, המידול הוא החלק, אני אגיד כמעט “הקל”, בסיפור.החלק הכי קשה זה כל ה Pre-processing של הדאטה - ושם באמת, אם אנחנו מסתכלים על סוגי הלקוחות והסוגי נתונים . . תיכף כמובן נכנס לזה, אני משער, קצת יותר לעומק - כי זה באמת אחד המקומות הכי קשים, וזה באמת איך לוקחים דאטה, שהוא כל כך מגוון . . .דיברנו על דאטה טבלאי, וכמו שאתם יודעים - אצל כל הלקוחות, בעצם, המבנה הוא שונה, הטבלאות שונותומה שאנחנו יודעים, וזה חלק שעבדנו עליו מאוד קשה, זה לדעת לפרמל (Formalize) את זה בצורה כזו שלא משנה איזה סוג דאטה יש - אתה תוכל בעצם לחבר [דאטה], ברגע שהוא טבלאי (Tabular), אתה תוכל להכניס אותו פנימה, ובעצם לייצר את המודלים.(אורי) אז היה פה, לפני כמה פרקים, אסף קליין מ-Outbrain, שדיבר על AutoML[פרק 401 AutoML at outbrain with Assaf Klein][והוא אומר] בעצם, “קח דאטה, מסווג או מתוייג ברמה מסויימת, ועכשיו תן למערכת לרוץ עליו”; המערכת תמצא את המודל המתימטי הנכון לדבר הזה, את ה-hyperparameter הנכונים, את ה. . . . אולי אפילו תנקה את הדאטה - ותקבל מודל.אז כעיקרון, אתה לא צריך עבודה, או הרבה עבודה, של Data Scientist - שזה כמובן נכון בתיאוריה . . . אבל אתה לא צריך הרבה עבודת Data Science כדי לבנות מודל, כי המכונות פשוט עושות הרבה ניסיונות ומוצאות משהו טוב . . .(נועם) אז קודם כל - זה היה פרק מרתק, וזה לגמרי נכון - אבל יש “אבל” ענק פה, וסופר-משמעותיאצל אסף, כבר הדאטה, בעצם, הגיע למבנה - ותיכף אני אדבר על זה, כי זה נורא משמעותי - מבנה שמכונות יכולות להבין אותו.התחלת . . . סתם, אני אתן דוגמא ואחרי זה נפרט ויהיה נחמד להיכנס קצת לעומק על ההבדלים ועל מה זה אומר - אבל כדי שמודלים . . . תיקח מידע מתוייג - אבל מאיפה יש ללקוחות שלנו, שהם אנליסטים, מיידע מתוייג? אין להם, הם אפילו לא יודעים מה זה אומר . . .בעצם, צריך להבין את השפה של האנליסט - אותם אנליסטים, שעובדים, לדוגמא, עם כלי BI, ושמביאים ל-Business היום תובנות - לא יודעים את עולם ה-AI, הם לא יודעים בכלל מה זה “מידע מתוייג”.צריך להתחיל איתם בכלל במושגים שלהם - בטבלאות, ואני אתן תיכף דוגמאותאפשר לדבר על טבלה של טרנזקציות - שזה משהו שהם מבינים, טבלה של לקוחות - אז זה הם מבינים.אבל “מידע מתוייג”? - וזה רק דוגמא אחת.אם נלך רגע לעוד דוגמאות, ואני חושב שהן אפילו יותר מורכבות - זה איך בעצם מייצרים פיצ’רים?כל העולם של Feature Engineering זה לא משהו שמכונה יכולה לייצר, כי בסוף צריך להבין את הדאטה.זה בדיוק האלמנט שנקרא “To make sense of Data”.אותם אנליסטים לא יודעים בכלל מה זה אומר Feature Engineering, הם לא מבינים . . .וזה כמובן, וזה נורא חשוב - יש גם אנליסטים שכן יודעים, אבל אם נסתכל על ה-Bulk הגדול, שבדרך כלל מתעסקים ועובדים בעולמות של BI - הם לרוב לא יודעים לעומק את העולם הזה, וזה מה שמייחד את ה-Data Scientistאיך לייצר את אותם פיצ’רים, שמייצרים . . . לוקחים את הדאטה הגולמי, ומייצרים ממנו מידע שאפשר להכניס לתוך מודלים.ומה שמאוד מיוחד בפקאן זה שאנחנו עושים את באופן אוטומטי.(רן) באופן אוטומטי מסתכלים על דאטה, שלא ראית לפני כן, של חברה שאתה לא מכיר, שאתה לא מבין מה ה-Business שלה - ואתה עושה מזה משהו הגיוני? . . . טוב, אז אולי ניכנס פנימה ונבין איך זה עובד.(נועם) מהמם.אז (א) - חשוב [להבין]: אין פה קסם - זה הכל Engineering שמחבר את הדבריםאבל כן אני אתחיל ואגיד, וזה באמת המקום שבו . . . אתם זוכרים את אותו חדר קטן שדיברנו עליו, מול האוניברסיטה? שם כל הרעיונות נוצרו, מבחינת הבסיס, באמת.כי מה קרה? קיבלנו דאטה של לקוחות, ובתוך התהליך קיבלנו עוד דאטה ועוד “דאטאות” שונים, ובאמת בכל פעם היינו מייצרים מודליםוראינו את אותם מקומות והבנו שבעצם כן - יש פה קו מנחה אחד שעובר בתוך כל המקומות האלה.וזה אותו מקום, שהבנו שכן אפשר לייצר את אותו Framework, שהוא מאוד משמעותי - ובעצם הוא מדבר לכל אחד שמבין דאטה, ודרכו אנחנו מגיעים למודל.עכשיו - למה אני מתכוון? כי זה נשמע עדיין מאוד אמורפי, אז קצת ניכנס לתכל’ס - בסוף, אם חושבים על זה, בעצם כדי להגיע למודלים פרידקטיביים (Predictive), יש את אותן קומפוננטות (Components) נורא חשובות שצריך להכיר אותן - אנחנו קוראים להן The Four W’s, וזה לא מכונית שנוסעת, זה לא אוטו שיודע לנסוע, אלא זהא. Who - עבור מי עושים את הפרדיקציה?ב. When - מתי עושים את הפרדיקטציה? - וזה נורא חשוב, תיכף אתם תבינו איך זה בונה את כל העולם תוכןג. ברגע שאנחנו יודעים עבור מי עושים את הפרדיקציה ומתי, נשאר לנו What - מה אנחנו רוצים בעצם?וזה אותו מקום אגב . . . מה שאנחנו רוצים לחזות, אותו מקום של מידע מטוייב.אז אנחנו לא מבקשים מה-user שלנו, בעצם, להביא מידע מתוייג - אנחנו נתייג אותו בשבילו.איך נעשה את זה? אנחנו מבינים את עולם התוכן, אנחנו מבינים שמדובר ב-Life-Time Value או ב-Churn, אנחנו רק צריכים עכשיו לדעת מה-user מהי, לדוגמא, טבלת ה-Transactions שלו, או מה היא הטבלה שאליה אנחנו רוצים לסכום.אז בעצם, ברגע שאנחנו נותנים את אותה מסגרת של Who, When, What - וכמובן ה-W האחרון, שזה מה שדיברנו עליו לפני כן - ד. זה With - בעזרת איזו אינפורמציה אנחנו רוצים שהמערכת תייצר את הניבוי?עכשיו, פה מגיע אותו חלק כל כך משמעותי, של “איך אנחנו יודעים To make sense of data?”קיבלנו טבלה - עכשיו, קחו טבלת . . . אפשר לדבר סתם לדוגמא על טבלה שאנחנו מקבלים - שיחות טלפוןרשומות, כשכל רשומה היא שיחת טלפון ל-Support, ורוצים להבין את המשמעותהיופי זה שאנחנו מבקשים מה-user, בעצם, להביא לנו עמודות של זמן, של תאריך - מהו אותו תאריך שבו האירוע קורהומשם אנחנו כבר מזהים את כל העמודות השונות, מה המשמעות שלהן, איזה סוג זה - ומייצרים את אותם פיצ’רים.אני אתן כמה דוגמאות קטנות כדי שתבינו: קחו, לדוגמא, אם אנחנו מדברים על אורך של שיחה, אז מה שמעניין זה, פר user מסויים, לא רק לראות שיחה מסויימת אלא מה קורה על פני הזמןבעצם, אנחנו בפקאן מסתכלים על אוסף של אותן רשומות, ומייצרים להן נגזרת - לא רק לוקחים נקודה מסויימת, אלא ממש מסתכלים על הנגזרת על פני הזמן, ורואים איך יש שינוי.אז אם לבנאדם בתהחלה הייתה שיחה קצרה, ואחר כך יותר ארוכה ויותר ארוכה ויותר ארוכה - מאוד יכול להיות שקורה פה משהו.זה בדיוק אותו מידע שחשוב למודל, ואנחנו יודעים לייצר את אותם פיצ’רים על מנת להגיע, בעצם, למשהו ש Make sense of data.(אורי) אז אם אני מנסה להבין - ה - Secret sauce הוא ב . . . אוקיי, יש לך מידע טבלאי, אני שואל אותך ארבע שאלות - אותן ארבע W’s שלך - וזה מספיק לי בשביל לקחת את המידע הטבלאי שלך - וכמובן הוא חייב לכסות את התשובות של השאלות - בשביל לייצר מזה מידע שאני יכול להכניס ל-AutoML כזה או אחר, ולקבל מודל פרדיקציה?(נועם) לחלוטין - אתה בעצם . . . רק חשוב להגיד: פקאן זה End-to-End Solutionאתה רק צריך לחבר את אותן טבלאות, כמו שבדיוק הסברת, והסברת מהמם, עם אותן Four W’sובעצם מה שאתה מקבל - לוחץ על כפתור, מה שנקרא Train the model בתוך פקאן - ומאותו רגע, בעצם, אתה מקבל מודל מוכן.כמובן שיש את כל ה-Processing של ה-Data, ואם תרצו אפשר להכנס באמת למה שקורה שם - אבל בעצם מעבדים את כל הנתונים, מבינים.עושים, כמובן, מה שנקרא Feature engineering או Feature selection, מידולומגיעים בעצם למודל מוכן - ועכשיו אתה בתוך פקאן, עם מודל מוכןומה שנורא יפה בפתרון, וזה אחד הדברים שנורא ריגשו אותי בפקאן, זה שכשסגרנו את ה-Loop - ואתה יכול ללחוץ על כפתור שאומר “עכשיו תתחיל להשתמש במודל הזה”.אתה לא צריך לעבור למערכת אחרת, אתה בתוך פקאןאתה במה שנקרא “use my model”, ועכשיו אתה יכול להגיד “אני רוצה להשתמש בו” - ולא צריך לעשות שום פעולה במקום אחר.בעצם, אתה רק אומר איזה תזמון אתה רוצה, ועכשיו אנחנו מושכים רק Data חדש, מייצרים את הניבויים - ושולחים אותם חזרה אליך כ-User.(אורי) בעצם, התחלנו את השיחה מ-Machine Learning בעולם האמיתי. . . .(רן) . . . אז בוא אני אתן לך שאלה של Machine Learning בעולם האמיתי . . . (נועם) יש!(רן) . . . כמעט כל מי שעושה איזושהי תיאוריה ב-Data Science או Machine Learning, מסתכל על Data-set מדהים, והוא מריץ כמה שורות ב-Pandas וב-scikit-learn ועוד איזה TensorFlow, והכל עובד נהדרהסיווגים יוצאים בתשעים-ומשהו אחוזי דיוק, והרגרסיות יוצאות יפות והכל סבבה.ואז, כשאתה לוקח את אותו הדבר ואתה רוצה להפעיל את זה על ה-Business שלך - נקרא לזה העולם האמיתי - פתאום כלום לא עובד . . . שום דבר לא מדויק, כל הרגרסיות עקומות, הפיצ’רים לא בכיוון . . . זאת אומרת, כשהמדע פוגש את השטח, את מגלה שיש שריפה בצמיגים.אז אני מניח שאתם, בגלל שאתם רואים הרבה מאוד לקוחות, בטח רואים את זה חדשות לבקרים - וחשבתי שאולי תוכל לחלוק איתנו כמה מהלמידות שלכם בתחום הזה, של איך לוקחים את התיאוריה והופכים אותה למשהו שהוא פרקטי וגם Actionable-י.(נועם) לגמרי . . . אולי נתחיל . . . זה עולם באמת עצום, וזה מרתק, כי זה באמת אותם מקומות, ואני זוכר את עצמי בדוקטורט, מתעסק עם עולם של מידול, ומידול של מוחאם אנחנו מדברים לדוגמא על EEG, ואיך מייצרים משם פרדיקציות . . . ובאמת, יחסית - עולם ורוד . . . זה באמת עולם שבו לדאטה יש מבנה שהוא הרבה יותר ברוראין כאלה פערים גדולים, ובטח כשאנחנו מדברים על אותם Data-sets שאתה באמת מוריד כדוגמא ורוצה לראות והופ! הכל נפלא.אז בואו באמת ניקח כמה דוגמאות, אם מתאים לכם, ונתחיל להסתכל על כמה דברים, ודברים שאנחנו ראינו אותם כמובן - והתמודדויות שצריך לדעת להתמודד איתן.אולי נתחיל, ויש פה כמה איזורים - נתחיל . . . דיברנו קודם על LTV, נכון? (רן) Lifetime Value . . .(נועם) סליחה, Life-Time Value, נכון - לחזות כמה אותו לקוח יהיה שווה - כמובן שאנחנו מדברים על חיזוי, אז יהיה שווה בעתיד.בעולם , אם ניקח, אתם יודעים . . . כמובן, בדרך כלל בדוגמאות האלה, אם אנחנו עושים מתוך רגרסיה איזושהי לדוגמא, כמעט תמיד ההתפלגות היא התפלגות כזאת גאוסיאנית - פעמון יפהוהמודלים - הם אוהבים פעמונים, טוב להם לשמוע את הצליל הזה, תמיד נעים להם מאוד . . אבל במציאות . . .(אורי) כמו פרות בשוויצריה . . .(נועם) בדיוק . . . אבל . . .(רן)בדיוק חשבתי על הגיבן מנוטרדאם, אבל בסדר, פעמון זה פעמון . . .[יותר בכיוון של High Hopes . . . ](נועם) אז אני אגיד - הגיבן מנוטרדאם זה באמת יותר איך שהדאטה נראה, והוא לא נראה כל כך ישר ויפה . . .(אורי) יש לו גיבנת . . .(נועם) יש לו גיבנת, ויש לו אחר כך גם זנב . . . לא חושב שהיה לו זנב, אבל במציאות יש זנב ארוך, שם בתוך ההתפלגות.ובאמת זה מה שרואים - בדרך כלל, כמו שאתם יודעים, במציאות, בהרבה מאוד מקרים דווקא יש מעט לקוחות שמביאים בעצם את רוב ההכנסותהם אותו הזנב - וההתפלגות נראית קטסטרופה, ועכשיו לך תתמודד עם הדבר הזה.מודלים נראים קטסטרופה במצב הזה, וההתמודדות שם היא מאוד קשה, היא לא . . . זו דוגמא קטנה להתמודדות ראשונה(רן) זאת אומרת - אנחנו מדברים על מצב שבו ה-Target שלך, מטרת היעד - אולי בספרות היא נראית כמו איזשהו פעמון גאוסיאני מאוד יפה, אבל במציאות זה נראה ברדק שלם, ואז המודל לא יכול . . . הוא כנראה לא יעבוד טוב במצב כזה.(נועם) נכון מאודבעצם, הרבה פעמים הסיבה היא שבהרבה מאוד מהמודלים יש הנחה, בתוכם - הנחה, שמניחה שבאמת ה-Target, יש בו התפלגות גאוסיניתומה לעשות שהנחות נועדו כדי שהן לא תתקיימנה, כמובן [Normal’s overrated].(רן) טוב, אתה יודע - המרצה לסטטיסטיקה יגיד “במספרים מספיק גדולים, זה תקף”, אבל זה המספרים שיש לי, אין לי מספרים מספיק גדולים . . .[והם גם כמעט אף פעם לא בלתי תלויים, או שווי התפלגות . . .](נועם) אגב, גם ב”מספיק גדולים” פה - זאת בעיה, כי זאת המציאות פהואנחנו מתעסקים עם מספרים מאוד גדולים - וזאת עדיין ההתפלגות, כי זאת פשוט המציאות[ד”ש לאסימוב?]אתם יודעים מה? אני מגיע מעולם של פסיכולוגיה, ובאמת בפסיכולוגיה, אנחנו כבני אדם - הרבה מאוד מההתפלגויות הן באמת גאוסיאניות, אבל דווקא בעסקים זה נראה מאוד מאוד שונה.ובאמת בדאטה עסקי, אנחנו לא רואים את אותה התפלגות גאוסיאנית[אקספוננציאלית? Log-Normal?]אני משער שיש פה . . . לא יודע אם אתם מרגישים את המתח של “רגע, מה עושים, איך מתמודדים עם זה?” . . .(רן) לא - אני רק שואל את עצמי מה ההתפלגות, נו? . . .(נועם) אז אולי אני אתן לכם רק . .. כמובן, יש פה כמה טיפים, אבל איך בכלל ניגשים לשאלה כזאת? אני חושב עכשיו על האנשים ששומעים [ומנסים לתמלל!] אותנו, ואומרים “רגע, יופי! הוא - יש לו מלא דאטה של לקוחות, קל לו, אבל אני בבית, איך אני יכול לעשות? מה אני יכול לעשות?”את תדעו לכם - זוכרים שהתחלנו בעצם, ככה בגאראז’ שלנו - תמיד מתחילים מדאטה, שבעצם הוא סימולציה, מייצרים סימולציות, זה מאוד חשובכי בעצם, דרך סימולציה, אפשר גם לייצר את החוק, והדרך הכי טובה להתחיל מחקר בעולמות של Machine Learning זה קודם כל לייצר קוד שמסמלץ (Simulates) את הנתונים, ומשם בעצם לומדים איך הכי נכון לייצר את אותם מודלים.[הקשר מעט אחר אבל קצת רפרנס ל In order to scale you have to do things that don’t scale ול- Do Things that don’t Scale]תמיד עבדנו, בעצם יצרנו סימולציה של מידע שיש לו זנב מאוד ארוך, עם חוק מאוד מסוייםכמובן בצורה של Rule-based, פשוט בשביל הסימולציה - אין צורך . . . פה זה לא מקום שצריך הרבה יצירתיות - דווקא מעט יצירתיות היא מאוד טובה פה - משהו פשוט.ורוצים לראות שהמודלים, גם עם “ההתפלגות הבעייתית”, יודעים לעלות על החוק, כאשר זו סמולציה פשוטה.קודם כל צריך לפצח את זה - אם לא תפצחו את זה, לא תצליחו לפצח גם מידע שהוא הרבה יותר מורכב בחוקיות שלו.(אורי) אז אתה אומר “אני מסתכל על מידע אמיתי; אני מזהה את החוק או את הבעיה; ומסמלץ את המידע הזה לצורך משחק עם המודל” - כשבעצם, כשאתה מייצר מידע סינטטי, אתה מסמלץ מידע שהוא סינטטי, אבל מכיל את הבעיה . . . מכיל בעיה אחת, וכנראה שבדאטה האמיתי מסתתרות עוד כמה בעיות.זא אומרת - אני קודם כל מייצר לי את המודל שמצליח לעלות על הבעיה שבעצם סימלצתי; אני אראה שהמודל עובד על זה, ואז אני אעבור לבעיה הבאה.(נועם) בדיוק - אי אפשר להתחיל מלפתור את כל הבעיות, זה פשוט בלתי אפשרי, זה לא . . . זה מאוד מאוד קשה.ובאמת, הדרך שלנו לפעול זה כל פעם לקחת בעיה, לראות איך הדרך הנכונה להתמודד איתה, ודרך אותן סימולציות באמת להבין איך נכון להתמודד עם זה, אני מתחיל את המחקר שם.כמו שאמרת - אתה משחק, אתה גם חוקר, מבין איך נכון בעצם לפעול - ועכשיו לוקח את זה לעולם האמיתי.(רן) לצורך העניין, בדוגמא שלנו, אתה אומר “סבבה, המודל עובד על התפלגות גאוסיאנית - אבל מה לעשות, ההתפלגות היא, Whatever - אקספוננציאלית או Weibull או משהו אחר כזה, לא כל כך יפה - אז בואו נסמלץ (Simulate) התפלגות אקספוננציאלית, ננסה להתאים את המודל עליה, ואחרי שעברתי את זה אני אעבור לדאטה האמיתי, ושם אני אעשה את התיקונים הנדרשים”. אבל . . .(אורי) או שאני אקח את הבעיה הבאה בדאטה האמיתי - ואני אסמלץ גם אותה ו . . .(רן) כן, אבל זה נשמע כאילו “שלב מיותר” - למה לעבור דרך סימולציה, אם כבר יש לי את הדאטה? זו שאלה אחת.ושאלה שנייה - אולי אתה פותר בעיה קלה מדי? זאת אומרת, אז עשיתי סימולציה, אבל הסימולציה פשוט לא מספיק נאמנה לדאטה האמיתי או, לא יודע, אולי יש לי איזשהו Bias בדאטה, אולי יש לי הרבה אנומליות - כאלה שמה לעשות? אני לא מסמלץ אותן, וכשאני מגיע לדאטה אז שוב אני בפני שוקת שבורה, וכל העבודה שעשיתי לפני - אי אפשר להשתמש בה.(נועם) שתי נקודות מאוד מאוד טובות וחשובות . . .אני אתחיל, רגע, מהראשונה - על הנקודה שאמרת שאולי יש פה מצב שבוא אתה פותר בעיה אחת, שהיא יחסית “פשוטה”נכון - אבל אנחנו לוקחים את זה . . . “אבל בעצם יש לך את הדאטה, למה אתה צריך את ה[בעיה ה]פשוטה?”כשאתה מתמודד עם כל הבעיות “במכה”, אין לך מושג האם התקדמת . . . אתה כל פעם נתקע, וזו הבעיה הכי גדולה, אגב, ב-Data scientists שמתמודדים עם דאטה כזה - הם לא יודעים האם הם מתקדמים.אתה כל פעם עשית משהו, אבל “רגע, זה לא עבד לך”,אז אתה מנסה משהו אחר, ו”רגע, זה לא עבד”.אבל זה לא עבד בגלל עשרים מחסומים בדרך - ואם אתה לוקח כל מחסום ומחסום בנפרד . . . ותראו - אני אומר לכם את זה אחרי שעברנו את המחסומים, ואחרי שאנחנו באמת כבר מייצרים מודלים ללקוחות על דאטה אמיתי ורואים ביצועים מאוד טובים - זה בדיוק דרך אותה שיטה של בכל פעם לקחת את המחסום לבד הצידה, עם דאטה הרבה יותר פשוטכי אם לא תעשו את זה עם מידע יותר פשוט, לא תדעו מה הדרך להתמודדומשם לעבור למחסום הבא.שוב, אני מקווה שהצלחתי להעביר - זה לא שזה נעשה בצורה אטומטיתאותם . . . הדרך של “כל פעם לעבור את המחסום”, זה אצלנו, כמובן, יש צוות של Data scientists, חבר’ה מאוד חזקים, שמסמלצים את הבעיה.הבעיות, בסופו של דבר, חוזרות על עצמן - אלו לא בעיות שלכל לקוח זו בעיה שונה, דברים חוזרים על עצמם.אבל הדרך להתמודד היא באמת לקחת מחסום כזה ולהבין איך מתמודדים איתו.(אורי) אז אפשר גם לסמלץ ואפשר גם לנקות, לא? כאילו - אתה יכול לנקות בעיות מהדאטה . . .(נועם) לגמרי . . . מה שדיברתי בסימלוץ זה תמיד כשאי אפשר לנקות, אבל לגמרי - אנחנו מנקים, וזה מאוד חשוב.וזה לגמרי, קודם כל . . . זה תהליך שלם, בתוך ה-Pipeline שלנו, זה כמובן לעשות Cleansing לדאטה, Wrangling של הדאטה . . . וזה תיכף, אפשר קצת לדבר גם . . . אתם יודעים, מדברים על “דאטה מלוכלך” - מה זה “דאטה מלוכלך” בכלל?אני מקווה שנספיק, כי אני לא יודע כמה זמן יש ויש המון נושאים וזה מרתק . . .אומרים “דאטה מלוכלך”, אבל כל אחד מתכוון לדברים שונים . . .אבל כמובן - אם אנחנו מדברים על Missing Values שזה מאוד חשוב, אם אנחנו מדברים על טעויות בתוך הדאטה . . .אלמנט מאוד מאוד חשוב זה גם Data Type - מה ה-Type שלי? הם אני תאריך או לא תאריך? ואיך אני מייצר את התאריך? ואיזה תאריכים . . . ורגע, אולי יש לי פתאום תאריך עתידי בדאטה, בטעות, שאתם יודעים - תמיד נכנסים תאריכים לא נכונים כאלה פה ושםאלו בדיוק אותם מקרים שמאוד משמעותי לנקות אותם, לפני שיוצאים לדרך, לגמרי.(אורי) אז הזכרת Data scientists שיושבים על הדאטה ועובדים עליו . . . כמה מה-Workload של מלקחת לקוח ועד שאתה יודע לתת לו מודל פרדיקציה (Prediction Model) . . . זה קשה להגיד את זה אבל . . . (רן) אתה מתכוון לשאול כמה מזה אוטומטי וכמה מזה . . . (אורי) . . . כמה מזה אוטומטי וכמה זה עבודה . . .?(נועם) יש לי תשובה מאוד פשוטה לזה, מאוד פשוטה . . . אני אגיד לכם למה - וזה אגב, בחווייה האישית, תחשבו בתור, אתם יודעים - מישהו שזה “הבייבי שלו”, ויוצא לדרך - אתה לא יודע לאן אתה הולךואני יכול להגיד לכם - רגע שבשבילי היה ללא ספק משמעותי מאוד בדרך זה כשעבדנו עם לקוח מאוד גדול, חברת Retail אמריקאית ענקית, אני כמובן לא יכול להגיד את השם . . עבדנו איתם והם אמרו “אנחנו רוצים, כמובן, פיילוט - רוצים לראות מה אתם יכולים לעשות”ובעצם לקחנו ככה, ביקשנו מהם את הדאטה והכנסנו אותו לתוך המערכת, ביחד איתם הכנסנו את זה לתוך המערכת - ותוך שבועיים, בעצם, הגענו למודל שהם במשך שנה עבדו עליו - זה הסדרי גודל.וזו הייתה הפעם הראשונה - אחרי זה הגענו לעוד לקוח, ובדיוק אותו סיפור: שנה שבה הצוות עובד - ואתם יודעים איך התהליכים, ואפשר אולי לדבר על התהליכים של מה זה לייצר מודל - זה גם קשור לדאטהזה גם קשור, כמובן, ללהבין ולחבר את זה לשאלה שהיא מוגדרת היטבלנקות את הדאטה, להריץ מודל . . .עכשיו - זה לא פעם אחת: אתה כל פעם עושה סייקלים (cycles), אתה בכל פעם רוצה לשפר ועושה סייקליםוזה היופי - זה מצא. בתוך פקאן, אתה מצליח, בתוך שבועיים - ותיכף אני אדבר על למה זה כל כך מהיר ואיפה באמת, כמו שדיברת, איזה Workload זה לוקח - אל מול שנה.וזה לא לקוח אחד - אנחנו מדברים על הרבה לקוחות שזה בדיוק מה שאנחנו שומעים.והיום, כששואלים אותנו מה ה-Value שלנו . . . פעם, היינו אומרים שה-Value הכי גדול של פקאן זה באמת לאפשר למישהו שלא מכיר לייצר מודלים - אבל זה הרבה יותר מזה.זה לייצר, בעצם, הרבה מודלים - זה לייצר ולענות על הרבה שאלות עסקיות והיום, כשאתה שואל את עצמך למה שלקוח גדול - ודיברנו על לקוחות באמת גדולים - למה שהם בכלל ידברו איתנו? מה - אין להם צוותים?[אז] יש להם, אבל הבעיה זה שאותם צוותים לא יכולים לענות על הרבה שאלות עסקיות, כי זה לוקח הרבה זמןבעצם, בעזרת פקאן, הם פשוט מחברים את הדאטה ומקבלים את אותו מודל פרדיקטיבי.עכשיו, למה אגב שבועיים? למה לא מיידית? למה עדיין יש פה איזשהו תהליך מסויים? כי באמת, וזה אחד הדברים המשמעותיים, היופי בתוך פקאן זה . . . דיברנו על ה Four W’s, ויש שם קונפיגורציות, יש שם כל מיני קונפיגורציות שאתה יכול לשחק איתןאם, לדוגמא, אנחנו מדברים על Lifetime Value, אז השאלה לכמה זמן אתה חוזה קדימה, ולכמה זמן מראש אתה רוצה לחזות קדימה . . . והיופי בתוך פקאן זה שאתה יכול לשנות את הקונפיגורציה - אתה עושה “Duplicate my Model”, משנה את הקונפיגורציה - והנה, יש לך מודל חדש.אז בעצם מה שאנחנו עושים זה שאנחנו מייצרים כל מיני וריאציות [נושא טעון בימים אלו…] על בסיס קונפיגורציות - אבל לא של Hyper Parameters, זה מאוד חשוב - קונפיגורציות עסקיות, ובעצם מקבלים תמונה מלאה.ועל זה דיברנו, על פער שבין אקדמיה לעסקי - בעסקי, זה לא שאתה בונה מודל אחד בשביל לענות על שאלה; אתה רוצה לקבל את כל . . . בעצם את כל הקשת השונה, ולראות 360 מעלות כדי להבין את הלקוח.ולהבין מה הם המודלים הכי טובים, שאיתם אתה יוצא לדרך.(רן) אז אנחנו ב-Scope של “איזה דברים עובדים נהדר באקדמיה, או איזה דברים עובדים נהדר על הנייר, אבל הרבה יותר מאתגרים בעולם האמיתי” - ובוא נכסה עוד נושא אחד כזה, כי אין לנו את כל הזמן שבעולם.אז דיברת על לקחת דאטה ולסמלץ אותו כדי לעבור, מה שנקרא “פרה-פרה”, כדי לעבור את המכשול הראשון לפני שאנחנו מגיעים למכשול השני . . .איזה עוד בעיות יש שככה נתקלים בהן בדרך כלל בעולם האמיתי, שאולי בעולם האקדמאי הן נראות כאילו הן כבר פתורות?(נועם) אז אחת הנקודות - ובטח אתם תזדהו עם הבעיה הזו, לכל מי שמתעסק עם העולמות של Data Science זו אחת הנקודות הכואבות, ויש לזה גם כמה שמות, זה בא בזויות שונות - מושג של Leakage . . . אחת הנקודות, כ-Data scientist, זה גם אלמנט מאוד קשה, זה באמת מצב . . ובאקדמיה הרבה פחות . . . לא כל כך מתעסקים בכלל עם Leakageזה כמובן תלוי איפה וזה כמובן נושא שמדובר, אבל אם לוקחים את אותם מודלים ומסתכלים, אז לרוב יש באמת . . .הרי כשמסתכלים במאמרים, לרוב אלו Data sets קבועים, מאוד מסויימים - זה לא שבאמת מסתכלים על מגוון רחבאבל ברגע שמגיעים למציאות, ותיכף אני אתן כמה דוגמאות, ודוגמאות באמת של איפה שהדבר הזה נופל ועד כמה הוא מורכב . . אבל Leakage . . . אולי אני אסביר שנייה מה זה בכלל, ואז ניכנס קצת ל . . .בעצם, דיברנו על Machine Learning, אנחנו מדברים על לחזות משהו קדימה בזמן - מה יקרה?אז הדבר הכי מסוכן זה שאיכשהו אנחנו מכניסים לתוך המודל מידע, שבתוכו חבוי מידע מתוך העתיד, שלא ידענו אפילו שהוא מתוך העתיד, ואיכשהו הוא “התחבא” לו שם, בלי ששמנו לבועכשיו ברור שלמודל מאוד “קל”, כי . . זה אמור להיות יחסית קל, כי זה חבוי לו בפנים . . .(רן) יש לו רמז מאוד מאוד ברור, כשאתה בונה אותו, אבל במציאות הרמז הזה כבר לא יהיה קיים, זאת אומרת - בדרך כלל אתה מאמן על מידע שהוא היסטורי, ששם יש לך אינפורמציה מלאה, ואתה “עוצם לרגע עין אחת” כדי לא להסתכל קדימה, אבל בטעות אתה קצת “פותח את האצבעות” וכן מסתכל קדימה, בלי שהתכוונת - וזה ה-Leakage הזה שעליו אתה מדבר.(נועם) בדיוק - ובעצם, כמו . . .מאוד יפה, אני אוהב את הדוגמא הזו עם החצי-עין עצומה וככה, לעצום . . .(רן) אל תשכח לתת זכויות יוצרים!(נועם) אז הנקודה היא באמת, שכשמגיעים לדאטה - ותזכרו, אנחנו מתחברים בעצם למקורות דאטה של הלקוחות שלנו, ממש מתחברים ל-Databases שלהם, למקורות מידע, ו . . . תחשבו רגע קצת על איך נראה מידע בתוך ה-Database - לרוב לוקחים דאטה וגם מעדכניםמעדכנים שם רשומות, ואם אנחנו מעדכנים פתאום רשומה, ומסתכלים עליה ו . . . ממש כמו שדיברת, אנחנו הרי מסתכלים על מידע היסטורי, אז אנחנו לקוחים רשומות ישנות ומשתמשים בהן כאילו הן נוצרו עכשיואבל בעצם הרשומה השתנתה - קרו לה כל מיני דברים . . . המון המון מידע בעצם התעדכן מאז - ואנחנו מניחים עכשיו, כשאנחנו ברגע הפרדיקציה, שזה המידע שיש לנו בידאבל כשנגיע באמת לרגע הפרדיקציה [במציאות] - המידע לא יראה ככה בכלל . . .וזה אותו פער - זה בעצם . . . בגלל זה ה-Leakage הזה: דלף מידע . . .(רן) בוא, רגע, נמציא דוגמא - נגיד, יש לי עמודה שקוראים לה “איכות הלקוח”לפני שנתיים, כשרק קיבלנו את הלקוח, לא ידענו עליו שום דבר, אז שמנו שם, נגיד, “C”.עם הזמן, הלקוח שילם תמיד בזמן, תמיד חזר והכל - וזה לאט-לאט עלה ל-”B” ועלה ל-”A”עכשיו - אתה בא לעשות איזשהו Prediction ואתה רואה בתוך העמודה הזאת שאיכות הלקוח היא “A” - זאת אומרת שזה לקוח ממש-ממש טובאבל במציאות, כש”יוולד” לך לקוח חדש, או לקוח שרק קיים במערכת - הציון שלו לא באמת יהיה “A”זאת אומרת - אם אתה עכשיו מנסה לעשות פרדיקציה מהמקום שבו היית שנתיים לפני כן, האיכות שלו הייתה “C”, היא לא הייתה “A” - אבל אתה לא יודע את זה כשאתה . . . (אורי) אגב, זה קורה לפעמים כשאתה מעלה מודל חדש, ואתה מנסה לבדוק אותו ב-A/B Testing מול מודל ישן - ככל שאתה מרחיב את הניסוי של ה . . . - לא יודע אם A או B, זה לא משנה - את המשקל של המודל “החדש” שלך, “הטוב יותר” שלך - הדאטה שלו מתחיל ללמד את המודל הישן . . . בעצם, פתאום אתה רואה שה-Lift שלך, ככל שאתה מייצר . . . ה-Lift יורד.(נועם) אני אגיד שזו ממש הייתה . . . צריך להגיד לצופים [הצופים בטקסט? כי היתר לרוב מאזינים . . .] - לא העברתי לך שום שטר, אבל זו לגמרי הייתה הרמה להנחתה, וזה באמת . . .זה בדיוק - מה שעכשיו הסברת - זה התחלה, בעצם, של איך שאנחנו מתמודדים עם הבעיה הזו.בעצם, תזכרו כמה קל לקחת מודל בתוך פקאן ולהתחיל להשתמש בו בתוך Production - זו לחיצת כפתוראתה זוכרים את ה-Usage model שדיברנו עליו? - בעצם, נורא קל . . . אין צורך עכשיו לקחת את כל המודל שלנו, לקחת צוות של Data Engineers ולהעלות אותו ל-Production - אתה פשוא לוחץ על כפתור.ובעצם, ממש כמו שדיברת - ברגע שאתה מעלה אותו ל-Production ,אתה ישר מזהה שיש פה בעיה, כי הרי ב-Production אתה כבר עובד עם מידע עדכני, אתה כבר עובד עם המידע החי.שם, זו הרי הפעם הראשונה שאתה תפגוש את ה-Leakageדיברת על ה”חצי-עין עצומה”? שם אתה תקבל אותו “בום לפרצוף” . . .(רן) תביא רטייה, לא תוכל פתוח את האצבעות . . . (נועם) בדיוק . . . ובגלל זה, מה שיפה בפקאן זה שאנחנו מאוד בקלות מזהים את אותם Leakage-ים, רואים את זה, כי אנחנו מגיעים ל-Production נורא בקלות, נורא מהר, מזהים את אותם Leakage-ים ויכולים להתמודד איתם.מבינים בדיוק מה לעשות ובעצם להתקדם קדימה.(רן) אז אתה אומר שבעצם אין פתרון קסם למציאת Leakage - אם הוא שם אז יכול להיות שהוא שם ואתה בחיים לא תזהה אותו, אבל כשאתה פורש את המודל הזה ב-Production, ופתאום אתה רואה ירידה דראסטית בביצועים, אז החשד הראשון הוא שכנראה היה Leakage בתוך הדאטה . . .(נועם) לגמרי . . . יש לנו, אגב, גם עוד כמה טכניקות על לזהות Leakage עוד בבנייה - בדרך כלל, לדוגמא - פיצ’רים שהם כל כך . . . אתם יודעים, אצלנו יש עניין של Feature Importance, ובעצם מזהים Feature שהוא כל כך חשובובדרך כלל כשמדובר ב-Leakage אז הפיצ’רים האלה קופצים נורא-נורא גבוה - כמובן יש התראה על העניין הזה, שיש פה חשש ל-Leakageאבל בנוסף לזה, יש פה כמה מנגנונים בדרך - וכמובן שהאחרון, וההכי בטיחותי, זה באמת המנגנון האחרון שבו אתה מוריד ל-Production, רואה מיד מה קורה, ואם יש בעיה אתה כמובן יכול לתקן.(רן) בסדר, מעולה - אז תראה, אני חושב שיש לנו עוד נושאים לשיחה לאיזה שבועיים, אבל אמרנו שזה יהיה הנושא האחרון והזמן שלנו כבר עבר.כמה דברים, ככה לפני שנסיים - איפה אתם נמצאים בישראל? את מי אתם מחפשים לגייס?(נועם) מדהים . . .אז אנחנו בישראל - האמת שהיום בתקופת הקורונה, “ישראל” זה כבר “איפה בישראל? כל אחד בביתו” . . . כמובן, יש לנו גם משרדים בבורסה [רמת גן], אבל מי שרוצה, אצלנו אנחנו מאוד בתפיסה “ההיברידית”, שמי שרוצה לעבוד מהבית עובד מהבית ומי שרוצה להגיע למשרד כמובן מוזמן.ובאמת אנחנו ממש עכשיו בצמיחה נורא מהירה בחברה - אבל נורא נזהרים על האנשים: אנחנו לא גדלים . . . הקצב גידול של האנשים שלנו הוא . . . אנחנו באמת רוצים את הכי טוביםמגייסים אצלנו כמובן משרות של Data Engineers, אז אם אנחנו מדברים על Frontend ו-Backend, ללא ספק.ו-Data scientists, כמה מפתיע . . . אבל באמת, אנשים מאוד חזקים בעולמות האלה.אפילו יש לנו משרת ניהול ל-Data Scienceוכמובן עולמות גם של Product ו-Data Analysts.אולי עוד משהו אחרון לסיום, אם יש לנו עוד שנייה אחרונה, אנחנו ככה בפרסומות . . .אז פרסומת לתחרות מאוד מגניבה שאנחנו עושים , בעולמות של Pythonאז לכל התותחי Python ששומעים אותנו - הכנסו פשוט ב-LinkedIn ל-Pecan.ai, אתם תראו שם פרטים על התחרות בעולמות של Pythonסופר מעניין, ממליץ בחום - וכמובן: פרס . . (רן) Python גנרי או משהו, ככה, יותר מפוקס על Machine Learning?(נועם) לא - לא, Machine Learningהיה לנו חשוב, הפעם . . אנחנו עושים גם Machine Learning, עושים תחרויות Machine Learningהפעם היה לנו חשוב שזה יהיה Python רחב - יהיה שם באמת . . .אני לא יכול לספר מה יש בתחרות עדיין, אבל זה הולך להיות אתגר סופר-מעניין(רן) מתי זה קורה? אם מישהו שומע את זה בעתיד [Leakage . . .], מה התאריכים?(נועם) אז אנחנו מדברים על אמצע מאי - פשוט תיכנסו, אתם תראו שם את כל הפרטים.מאמצע מאי התחרות יוצאת לדרך - ובעצם אתם מוזמנים . . .(אורי) זה מידע מהעתיד . . . (רן) כן, לגמרי . . .(אורי) אולי יש לנו Leakage? . . . (רן) ולא עצמנו עין[תמיד יש את Childhood's End](רן) טוב, נועם - תודה רבה, שיהיה לכם בהצלחה בפקאן, נשמע כמו מקום עם מוצר בהחלט מאתגר ומעניין(נועם) תודה רבה לכם, תודה שהזמנתם אותי לכאן, ממש שמחתי(אורי, רן) תודה ולהתראותהקובץ נמצא כאן, האזנה נעימה ותודה רבה לעופר פורר על התמלול

Let's explore a set of data with a Weibull plot and enjoy reliability making money The post Reliability Making Money 2 Case Study of just looking at a Weibull plot appeared first on Accendo Reliability.

Om du har en affärsidé som innebär att skapa skräddarsydda, designade produkter behöver du ofta ta ett högre pris för att täcka dyrare materialval såväl som den tid du lägger ner på att ta fram en unik design. Hur startar du egentligen ett sånt här varumärke och skapar trovärdighet från start som designer? I dagens avsnitt av Bara Business pratar vi om hur du bygger ett exklusivt varumärke. Hur behöver du agera annorlunda som varumärke för att nå din målgrupp och vara top of mind när de är redo att göra ett köp? Veckans gäst: Amanda Weibull Laurell, grundare & designer LWL Jewelry. See acast.com/privacy for privacy and opt-out information.

Weibull Probability Plotting How to learn more by just looking! podcast episode with speaker Chris Jackson If you are a reliability engineer chances are you have done a Weibull plot. You take something like failure data, put it into a piece of software, and presto! You get a straight line with other numbers and […] The post Weibull Probability Plotting appeared first on Accendo Reliability.

Samtidigt som parkeringsplatserna utanför de amerikanska shoppingcentren gapar tomma, utvecklas nya spännande butiks- och e-handelskoncept som knyter ihop de olika kanalerna. Amazon vinner inte för att de alltid är billigast utan för att de gör det bekvämt för kunderna. I USA är är upplevelsen i centrum i butiksledet och bekvämligheten inom e-handeln. Nya amerikanska butiker som exempelvis Camp står för upplevelse och utbildning, medan e-handeln gör det sjukt bekvämt. I avsnitt 122 av podden Ehandelstrender djupdyker programledaren Urban Lindstedt i amerikanska e-handelstrender och nya servicekoncept i Amazons skugga tillsammans med retailstrategen Jon Lööf, tidigare vd för Casall, samt Fredrik Svedberg, vd på Logtrade. Återförsäljaren Camp har hittat en relevans genom att få folk att umgås i butiken. Ett upplevelsecentrum med hög konverteringsgrad. Apple Store satsar på utbildning inom deras produkter - ett koncept som fler borde kunna kopiera. Istället för butiker utvecklar Apple och Google community centers för umgänge - vilket gör Fredrik Svedberg nervös. Jon Lööf tycker att svensk bokhandeln borde snarare kopiera biblioteken än kaféer. Fredrik tycker att vi borde kombinera försäljning böcker med en snabb tupplur. Uthyrning av kläder har blivit en miljardbusiness med aktörer som Rental Runways. I Sverige har små aktörer som Something Borrowed inlett samarbeten med jättar som Åhléns, Lindex, Ellos och MQ. Det smarta är att hyra ut en skidjacka jacka tio gånger är lönsammare än att sälja den en gång. Och det går faktiskt att lära sig någonting av rysk detaljhandel. Vi lyssnar på Jonas Wallin på Weibull som besökt en detaljhandelskonferens i Moskva. Sponsorerna som nämns i podden hittar du på: https://www.carismar.com/ehandel https://scopeapp.io/bf/ https://www.makesyoulocal.com https://postnord.se/ehandelninorden

Idrottspsykologiske rådgivaren Fredrik Weibull kryper in i poddbilen och vi kryper in i tennishjärnans vindlingar. Andra stora frågor vi avhandlar i avsnittet är allt från Stockholm Opens strumpor, magväskor till att dofta gott på banan. Välkommen in i tennisfesten! See acast.com/privacy for privacy and opt-out information.

What is the Difference between RGA and Weibull with Fred Schenkelberg Predictive maintenance is the backbone of reliability and maintenance industry. This is why every organization tends to use tools that can help them foresee the possible failures ahead of time and take preemptive measures. No matter how much you spend on building a sustainable […] The post 120 – What is the Difference between RGA and Weibull with Fred Schenkelberg appeared first on Accendo Reliability.

The Weibull distribution is a versatile tool to analyze time to failure data. Like any tool, it could be wielded well or not so well. The post Fundamentals of Weibull Analysis appeared first on Accendo Reliability.

"Vid den här tiden på året fick vi lägga till ett par minuter, innan bussen slirade förbi krönet mot hållplatsen. Jag var som alltid först på plats. Maria anlände lite senare. Hon sa det som för att få det sagt: – Johanna, vi ska flytta. – Vad säger du?" Människor som går iväg är en novell om jämförelser. Den ingår i poddsamlingen Människor som går iväg. Novell av Jörgen Löwenfeldt Inläsare: Hedvig Weibull Musik: Emma Örnberg Läs mer på www.jorgenlowenfeldt.se och www.instagram.com/bagatellerna

A discussion on the basics of Weibull analysis and distribution technique. By using Weibull you can precisely calculate the probability of failures. The post 16 – A Discussion on Weibull Analysis with Fred Schenkelberg appeared first on Accendo Reliability.

Safety Podcast, Safety Program, Investigations, Human Performance, Safety Differently, Operational Excellence Bob is a degreed Aerospace Engineer, having graduated from Texas A&M University in 1970. He worked at McDonnell Douglas as an Aeronautical Loads Engineer on the F4 Phantom Fighter until 1973, then became employed at Allied Chemical's Nylon plant in Chesterfield, Virginia --an internationally recognized leader in Manufacturing Reliability at the time. Nelms eventually became part of Allied's Corporate Reliability Center, where he concentrated his attention on Failure Analysis until the Center was disbanded in 1986 -- whence he formed Failsafe.   His professional work initially focused on the physical causes of machinery failure. He developed an expertise in experimental stress analysis, including strain gage and photoelasticity studies. He also became involved in probabilistic reliability studies, including Weibull and other statistical analysis methods. But his passion emerged when it became obvious to him that human beings cause all physical failure. Since 1996, Bob has devoted most of his time trying to clarify the sensitive human issues at the root of all failure.  

Wes Fulton, Founder and CEO, Fulton Findings Fred Schenkelberg, a guest host, interviews Wes Fulton about his work, software, and promotion of Weibull analysis. [Note: This is a bonus episode recorded at RAMS 2016 in Tucson, AZ. Fred invited thought leaders to join him for a quick interview, thus please pardon the sounds of the […] The post DTK Wes Fulton Business Leader appeared first on Accendo Reliability.

Describes the use of extrapolation methods in the context of economic evaluation and clinical trials

Hanna Hellqvist och Jörgen Lötgård från radions P3 mot SVT Kulturnyheternas Kim Veerabuthroo Nordberg och Hedvig Weibull! Lag Killer Bunny mot Lag Rottweiler. Vi har laddat med djurnyheter och kulturnyheter och en hel del andra nyheter också. Kanske blir det också rentav något om svensk möbel- och livsmedelsindustri. Hanna Hellquist och Jörgen Lötgård från radions P3 mot SVT Kulturnyheternas Kim Veerabuthroo Nordberg och Hedvig Weibull! Vi har laddat med djurnyheter och kulturnyheter och en hel del andra nyheter också. Kanske blir det också rentav något om svensk möbel- och livsmedelsindustri.

The aim of this study was to develop a pharmacokinetic-pharmacodynamic (PKPD) model that quantifies the efficacy of haloperidol, accounting for the placebo effect, the variability in exposure-response, and the dropouts. Subsequently, the developed model was utilized to characterize an effective dosing strategy for using haloperidol as a comparator drug in future antipsychotic drug trials. The time course of plasma haloperidol concentrations from 122 subjects and the Positive and Negative Syndrome Scale (PANSS) scores from 473 subjects were used in this analysis. A nonlinear mixed-effects modeling approach was utilized to describe the time course of PK and PANSS scores. Bootstrapping and simulation-based methods were used for the model evaluation. A 2-compartment model adequately described the haloperidol PK profiles. The Weibull and E-max models were able to describe the time course of the placebo and the drug effects, respectively. An exponential model was used to account for dropouts. Joint modeling of the PKPD model with dropout model indicated that the probability of patients dropping out is associated with the observed high PANSS score. The model evaluation results confirmed that the precision and accuracy of parameter estimates are acceptable. Based on the PKPD analysis, the recommended oral dose of haloperidol to achieve a 30% reduction in PANSS score from baseline is 5.6 mg/d, and the corresponding steady-state effective plasma haloperidol exposure is 2.7 ng/mL. In conclusion, the developed model describes the time course of PANSS scores adequately, and a recommendation of haloperidol dose was derived for future antipsychotic drug trials.

We present a statistical process depending on a continuous time parameter whose each margin can arise a Generalized Hill's estimator. In this paper, the asymptotic normality of the nite-distributions of this family are completely characterized for when the underlying distribution function lies on the maximum domain of attraction. The ratio of two different margins of the statistical process characterizes entirely the whole domain of attraction. Its asymptotic normality is also studied. The results permit in general to build a new family of estimators for the extreme value index whose asymptotic properties can be easily derived. For example, we give a new estimate of the Weibull extreme value index and we study its consistency and its asymptotic normality. Travail joint avec Gane Samb Lo (Université de Saint-Louis, Sénégal). Vous pouvez entendre l'intervention, tout en visualisant le Power Point, en cliquant sur ce lien : http://epn.univ-paris1.fr/modules/UFR27semSAMOS/SemSamos20090403-Diop/SemSamos20090403-Diop.html. Ecouter l'intervention : Bande son disponible au format mp3 Durée : 52min

Fragestellung: Ziel der vorliegenden Untersuchung war es festzustellen, ob durch die Verwendung eines fluoridfreisetzenden, lichthärtenden Versieglers ProSeal (Reliance Orthodontics Inc.) Unterschiede der Scher-Abschäl-Festigkeit bei Anwendung konventionell und mit SEP konditionierten Zähnen vorhanden sind. Weiter galt es zu untersuchen, ob ProSeal die von den Herstellern empfohlenen Haftvermittler ersetzen kann. Material und Methode: Zur Durchführung dieser Studie wurden 300 extrahierte Molaren (ISO 11405) randomisiert 12 verschiedenen Gruppen zugeteilt (n=25). Die verwendeten Brackets (Victory SeriesTwin UBi 0T/0A .022. 3M Unitek) wurden mit der gleichen Adhäsivschichtstärke platziert. Die Zähne wurden im Folgenden 24h in aqua dest. (37°C) gelagert und anschließend einem Thermocycling untezogen. Das Debracketing erfolgte mittels einer Universalprüfmaschiene (quickTest) mit einer Vorschubgeschwindigkeit von 0,5 mm/min. Zur statistischen Auswertung wurden eine einfaktorielle Varianzanalyse (ANOVA), der post hoc Tukey-Test und eine Weibull-Analyse herangezogen. Ergebnisse: Es konnte festgestellt werden, das bei Anwendung von ProSeal, die Scher-Abschäl-Festigkeit nicht negativ beeinflusst wird. Bei Verwendung des Kompomers Assure zeigte ProSeal sagar eine erhöhte Scher-Abschäl-Festigkeit, insbesondere wenn es mit dem vom Herstellr empfohlenen Haftvermittler angewandt wurde. Der höhste Weibull modulus (m) konnte für den selbstkonditionierenden Primer IDEAL 1 ohne Anwendung von ProSeal (m=6,46) und der niedrigste für First Step SEP bei Anwendung von ProSeal (m=2,20) gefunden werden. Die charakteristische Scher-Abschäl-Festigkeit zeigte auch deutliche Unterschiede innerhalb einiger der untersuchten Gruppen. Schlussfolgerung: Obwohl anhand der statistischen Auswertung keine signifikante negative Beeinflussung der Scher-Abschäl-Festigkeit bei zusätzlicher Verwendung von ProSeal sowie auch bei Ersatz des vom Hersteller empfohlenen Haftvermittlers mit diesem fluoridfreiseztenden , lichthärtenden Versiegler vorlag, zeigte die Weibull-Analyse dass der Einsatz von ProSeal in Kombination mit selbstkonditionierenden Primern weniger zuverlässig reproduzierbare Festigkeitswerte ergab.

This paper discusses techniques to generate survival times for simulation studies regarding Cox proportional hazards models. In linear regression models, the response variable is directly connected with the considered covariates, the regression coefficients and the simulated random errors. Thus, the response variable can be generated from the regression function, once the regression coefficients and the error distribution are specified. However, in the Cox model, which is formulated via the hazard function, the effect of the covariates have to be translated from the hazards to the survival times, because the usual software packages for estimation of Cox models require the individual survival time data. A general formula describing the relation between the hazard and the corresponding survival time of the Cox model is derived. It is shown how the exponential, the Weibull and the Gompertz distribution can be used to generate appropriate survival times for simulation studies. Additionally, the general relation between hazard and survival time can be used to develop own distributions for special situations and to handle flexibly parameterized proportional hazards models. The use of other distributions than the exponential distribution only is indispensable to investigate the characteristics of the Cox proportional hazards model, especially in non-standard situations, where the partial likelihood depends on the baseline hazard.

This paper analyses the consequences of heaping in duration models. Heaping is a specific form of response error typical to retrospectively collected labor force status data. Respondents round-off the spell length, when duration data is collected by episode-based questionnaires. Calendar-based questionnaires instead may lead to abnormal concentrations of the start and/or end of spells at specific calendar months. The investigation concentrates on this latter type of heaping, which Kraus and Steiner [1995] identified for the unemployment spell data from the German Socio-Economic Panel (GSOEP). In the special case of an exponential model heaping with a symmetric zero-mean measurement error does not bias the parameter estimate. In the Weibull model with duration dependence, however, it is proven that even such a symmetric heaping would lead to inconsistent estimation. We discuss the bias for general heaping patterns and derive from this a proposal for bias correction. In a number of simulation studies we check the theoretical results. The Monte Carlo simulations also show that an amount of heaping, that characterizes the GSOEP-West does not lead to considerably biased parameter estimates of a Weibull model. However, it clearly leads to spurious seasonal effects. Finally, some directions of future work are indicated.