De nombreuses études ont montré l’efficacité des stratégies d’optimisation des processus. Les comparaisons courantes effectuées concernent généralement les expériences « un facteur à la fois » ou OFAT et une approche de « plan d'expériences ». Lorsqu'ils sont confrontés à un espace de processus inconnu et de grande dimension (par exemple > 10 facteurs), les chercheurs ont souvent recours aux méthodes OFAT car elles sont faciles à interpréter. En règle générale, il serait coûteux et difficile sur le plan logistique de mener plusieurs expériences orientées vers le même objectif simplement pour évaluer quelle stratégie surpasse les autres. Pour contourner ces problèmes, nous avons utilisé un simulateur de réaction en chaîne par polymérase (PCR) avec 12 facteurs continus et catégoriels inconnus pour explorer ces questions.
Notre équipe est issue de décennies d'expérience dans l'optimisation des processus dans l'industrie des matériaux électroniques (anciens employés d'Apple et autres). Nous avons intentionnellement recherché et sélectionné un simulateur issu d'un domaine de recherche totalement inconnu de nous, capable de simuler un grand nombre de facteurs et leurs interactions complexes sur de nombreuses réponses. Pour automatiser l'expérimentation, nous avons utilisé un script d'automatisation Web Python. En utilisant un simulateur et notre script, nous pouvons réaliser de nombreuses expériences tout en imitant les contraintes réelles et les budgets expérimentaux comme on le voit dans notre propre carrière professionnelle. Tout en respectant les règles budgétaires d'exécution, nous comparons l'efficacité et la précision de cinq stratégies : deux stratégies de type OFAT couramment utilisées dans l'industrie, et 3 stratégies du genre DOE et DOE avancé. JMP est utilisé pour toutes les analyses et modélisations expérimentales et une tentative objective est faite pour comparer les stratégies.
