PREDICTIVE QUALITY – PHARMA

La sempre maggiore disponibilità dei dati aziendali, in particolare quelli relativi al prodotto, dalle caratteristiche dei materiali e delle materie prime in ingresso, alle configurazioni produttive, ai risultati intermedi e finali, organizzati e tracciabli, resa possibile dallo sviluppo della sensoristica, dei sistemi di controllo in process e dalla digitalizzazione della documentazione,  favorisce l’applicazione di analisi predittive capaci di

·        Potenziare l’attività di Problem Solving estendendo le tecniche tradizionali

·        Prevenire la difettosità dei processi e dei prodotti, conducendo la Qualità ad un livello superiore

Per sfruttare tali opportunità è necessario diffondere e potenziare nel personale operativo e tecnico, la capacità di

·     Identificare le variabili rilevanti, analizzare e interpretare i modelli ottenuti e selezionare le soluzioni migliorative da implementare sul processo

Il corso qui proposto, intende

·       Presentare il processo che porta a “produrre” il modello predittivo del processo esaminato

·    Presentare logiche e modelli predittivi e di classificazione che costituiscono gli algoritmi di base del Machine Learning e sono particolarmente utili per migliorare la Qualità dei processi

·       Descrivere le più opportune tecniche di data Trasformation & Cleaning, preliminari all’ottenimento di un buon Modello Predittivo

Si fa uso della piattaforma open source KNIME che i partecipanti sono invitati di installare prima dell’inizio del corso, accedendo al sito: KNIME | Open for Innovation

Non è richiesta alcuna conoscenza pregressa di tale piattaforma. Un plus del corso consiste nel trasmettere le conoscenze di base per l’utilizzo di KNIME

Il corso si articola in 3 giornate e consta di due moduli

1° Modulo (1 giornata in presenza, sede Milano)

Sviluppo di un modello predittivo – fasi – metodo CRISP vs. DMAIC

Familiarizzazione con la piattaforma KNIME e presentazione del processo di Extract, Transform and Load (ETL) che comprende le operazioni di estrazione, pulizia e trasformazione dei dati, su cui successivamente si è chiamati a costruire dei modelli

Richiami di Exploratory Data Analysis (EDA)

2° Modulo (1 giornata in presenza, sede Milano e 1 giornata webinar)

Machine Learning e presentazioni dei più diffusi modelli predittivi e di classificazione facendo distinzione tra modelli supervisionati e non-supervisionati

I moduli vengono presentati attraverso l’ausilio di casi pratici, esercitazioni svolte in aula e saranno arricchiti da esempi in ambito Pharma