Phil Kay 2023

Phil Kay

Phil Kay est responsable de la formation pour JMP Statistical Discovery, une filiale de SAS. Son travail consiste à comprendre les défis scientifiques et techniques et à fournir des recommandations concernant les solutions d'analyse de données pour les organisations industrielles du monde entier.

Il était auparavant responsable scientifique chargé du développement de nombreux processus de fabrication de colorants pour l'impression numérique chez Fujifilm Imaging Colorants. Phil Kay est titulaire d'un master en statistiques appliquées et a écrit un mémoire portant sur les plans d'expériences. Il détient également un master et un doctorat en chimie.

Il est chimiste agréé, membre de la Royal Statistical Society et fait partie du comité du groupe de chimie et de technologie des procédés de la Royal Society of Chemistry.

Phil adore montrer comment l'analyse des données contribue à l'amélioration de la science. Suivez Phil Kay, passionné d'analyse de données, sur LinkedIn.

À mes débuts dans l'industrie en tant qu'ingénieur chimiste en développement, une bonne journée consistait à concevoir un produit meilleur que celui que j'avais conçu la veille. C'était ma vision de la réussite. Toutefois, avec le temps, je me suis rendu compte que le produit de mes expériences n'était pas vraiment la matière contenue dans les flacons, mais plutôt ce que j'apprenais : les connaissances nécessaires pour concevoir de manière cohérente des produits qui répondent aux exigences de nos clients. Ce fut une révélation. Mon travail ne consistait pas à concevoir des produits, mais à atteindre la connaissance.

Je pense qu'actuellement, de nombreux chimistes ont à peine commencé ce parcours. Pour sauter le pas et prospérer à l'ère de la chimie numérique, les scientifiques auront besoin de conseils et d'encouragement. Nous pourrions même être en mesure d'éviter que cette mentalité de conception ne s'installe dès le départ.

Des préparatifs aux plans

À l'école et à l'université, tout ce que j'ai connu en matière d'expériences se limitait aux travaux pratiques en laboratoire. Ils m'ont été utiles pour appliquer les stratégies de synthèse que nous avons apprises et pour développer des compétences pratiques, mais la réussite se mesurait alors à un tas de gros cristaux sans couleur. J'en ai conclu que les expériences visaient à confirmer notre compréhension des mécanismes chimiques.

J'étais heureux de suivre la méthode scientifique… mais cela manquait de stratégie

Cette notion a été vite mise au défi lors de ma première tâche en tant que chimiste de processus chargé de créer du toner pour l'impression laser. Le système était tout simplement trop complexe et désordonné pour être compris uniquement à partir de la théorie : les flèches courbes ne servaient à rien ! Au lieu de cela, j'ai passé mes journées à réaliser des « préparations » pour comprendre comment combiner le latex, la dispersion des pigments et d'autres ingrédients pour produire des particules de toner de taille uniforme. À chaque préparation, je modifiais la recette. Je remplaçais un matériau brut, je modifiais les concentrations et les proportions, ou j'altérais la température de l'une des phases de maintien. Il y avait une logique derrière chaque processus, et j'étais heureux de suivre la méthode scientifique (formuler une hypothèse, faire une prédiction, tester la prédiction), mais cela manquait de stratégie. Quand j'obtenais un résultat satisfaisant, je ne savais pas vraiment comment j'y étais parvenu. Je me suis habitué à l'imprévisibilité de cette approche, même si j'en garde toujours un sentiment de malaise.

L'esprit prime sur la matière

J'ai ensuite suivi un séminaire animé par le professeur de statistiques Dick de Veaux. Il y présentait une nouvelle façon de penser : les données recueillies à partir d'observations accumulées sur de nombreuses exécutions d'un processus industriel peuvent avoir une incidence sur les résultats. En bref, au lieu de procéder étape par étape en espérant trouver la meilleure formule, je pourrais utiliser les données de manière globale pour créer une carte qui m'indiquerait où cette formule peut être trouvée.

Du moins, c'était la théorie. En pratique, mes ensembles de données n'étaient pas très utiles. Chaque préparation prenait beaucoup de temps et de ressources, donc vingt lignes de données représentaient beaucoup pour un projet : on est bien loin de l'idée que les gens se font du Big Data. Les projets ne se recoupaient pas, il était donc inutile de rassembler des données historiques. Par ailleurs, quand j'examinais les données, de nombreuses variables d'entrée n'avaient pratiquement pas bougé. J'avais besoin d'un état d'esprit en adéquation avec la nouvelle approche.

Il n'est jamais trop tôt ni trop tard pour acquérir ces compétences

J'avais besoin de planifier chaque projet pour fournir les données qui m'aideraient à atteindre les objectifs de développement. Je devais choisir les entrées à faire varier et les sorties à mesurer, en plus de faire varier systématiquement les entrées afin d'optimiser les leçons que je pouvais tirer de chaque essai. Heureusement, il y avait déjà une méthodologie pour cela : la conception statistique et l'analyse expérimentale, autrement dit les plans d'expériences.

Avec ces outils et mes nouvelles perspectives, mes projets sont devenus plus efficaces et plus prévisibles, et mes collègues ont commencé à faire plus attention. Nous avons connu de belles réussites, comme le fait de doubler la productivité d'une étape de fabrication qui constituait un goulot d'étranglement, sans qu'il soit nécessaire de mettre en place de nouvelles infrastructures coûteuses dans l'usine.Aider mes collègues grâce aux plans d'expériences est devenu ma passion et mon objectif professionnel à plein temps.

Depuis, j'ai appris que de nombreux scientifiques et ingénieurs ont eu la même prise de conscience. Par exemple, lors d'un récent webinaire organisé avec Chemistry World, Pilar Gómez Jiménez, scientifique principale chez Johnson Matthey, a expliqué comment la mise en place de cette approche plus judicieuse de l'expérimentation a permis de réduire de 50 % les coûts de R&D de l'entreprise. « Je considère chaque problème chimique ou chaque défi que mes collègues me présentent comme un tableau avec des colonnes et des lignes. C'est un changement d'état d'esprit total… », a-t-elle affirmé.

Comme beaucoup d'autres, Pilar Gómez Jiménez et moi aurions aimé avoir appris ces idées plus tôt dans notre carrière. La formation diplômée en plans d'expériences proposée par le Centre for Rapid Online Analysis of Reactions (ROAR) de l'Imperial College, à Londres, est un exemple rare de cursus où les étudiants sont exposés à ces idées avant de rejoindre l'industrie. Mais pourquoi ne proposerait-on pas des exercices simples de DOE pour les étudiants de premier cycle ou même dans les classes de sciences des lycées ?

Il n'est jamais trop tôt ni trop tard pour acquérir ces compétences, et vous pouvez commencer dès maintenant. Inscrivez-vous à notre atelier en ligne Votre guide pour résoudre des problèmes complexes grâce à la maîtrise des plans d'expériences et débutez cette démarche. Arrêtez de vous contenter de concevoir des choses et vous commencerez à les comprendre.

Restons en contact !

J'autorise JMP à m'envoyer par e-mail des informations concernant les nouveautés, événements ou offres promotionnelles. Je peux retirer mon consentement à tout moment.

*
*

JMP est une division de SAS Institute Inc., vos informations seront utilisées en accord avec la politique de confidentialité de SAS.