Nivel: Intermedio
Simon Stelzig, Jefe de Inteligencia de Producto, Lohmann
JMP, más tarde JMP Pro, se utilizó para guiar el desarrollo de una nueva cinta adhesiva estructural desde los experimentos iniciales hasta un producto optimizado listo para la venta. La base fue un diseño de mezcla de 7 componentes creado por la función de diseño personalizado de JMP. Desafortunadamente, casi el 40% de las ejecuciones pudieron formularse pero no procesarse. Incluso con este diseño paralizado, las predicciones de los óptimos procesables para cambiar las solicitudes de los clientes fueron posibles utilizando una nueva respuesta y la plataforma modelo de JMP. Un aumento necesario del DoE utilizando la función de diseño de aumento aumentó continuamente la cantidad de experimentos, lo que permitió el ajuste fino del modelo y, finalmente, la predicción de una cinta y un producto prototipo funcionales. Al cambiar de JMP a JMP Pro, dentro de un proyecto de seguimiento basado en los experimentos originales, el modelado se volvió drásticamente más eficiente y confiable al usar su mejor protección contra el modelado deficiente, como se encontró al no usar la versión Pro . El creciente número de ejecuciones y las capacidades de JMP Pro abrieron el camino desde el análisis DoE clásico hacia el uso de métodos de aprendizaje automático. De esta manera, la velocidad de desarrollo se ha incrementado aún más, casi hasta la predicción y la verificación, para cumplir con las solicitudes de los clientes, cayendo en la vecindad de nuestra formulación.
Nota del editor: La presentación que @shs referencias al comienzo de su presentación es Uso de la API REST a través de solicitudes HTTP y mapas JMP para comprender la densidad de la cervecería alemana (2020-EU-EPO-388)
