Numerosi studi dimostrano l'efficacia delle strategie nell'ottimizzazione dei processi. I confronti più comuni sono solitamente tra gli esperimenti "un fattore alla volta" o OFAT e un approccio "disegno di esperimenti". Quando si trovano di fronte a uno spazio di processo non familiare e ad alta dimensionalità (ad esempio >10 fattori), i ricercatori ricorrono spesso ai metodi OFAT perché sono facili da interpretare. In genere, sarebbe proibitivo in termini di costi e logisticamente impegnativo eseguire più esperimenti orientati allo stesso obiettivo solo per valutare quale strategia sia migliore delle altre. Per aggirare questi problemi, abbiamo utilizzato un simulatore di reazione a catena della polimerasi (PCR) con 12 fattori continui e categoriali non familiari per esplorare questi aspetti.
Il nostro team vanta decenni di esperienza nell'ottimizzazione dei processi nel settore dei materiali elettronici (ex dipendenti di Apple e altri). Abbiamo intenzionalmente cercato e selezionato un simulatore da un'area di ricerca a noi completamente sconosciuta, in grado di simulare un gran numero di fattori e le loro complesse interazioni su numerose risposte. Per automatizzare la sperimentazione, abbiamo utilizzato uno script di automazione web in Python. Utilizzando un simulatore e il nostro script, possiamo eseguire numerosi esperimenti simulando vincoli e budget sperimentali reali, come quelli osservati nella nostra carriera professionale. Nel rispetto delle regole di run budget, confrontiamo l'efficienza e l'accuratezza di quattro strategie: due strategie di tipo OFAT, comunemente utilizzate nel settore, e due strategie di tipo DOE e DOE avanzato. JMP viene utilizzato per tutte le analisi e la modellazione sperimentale e viene effettuato un tentativo oggettivo di confrontare le strategie.
Buongiorno e benvenuti a questo webinar sul confronto tra strategie di ottimizzazione e processi multidimensionali complessi. Mi chiamo Asit Rairkar e il mio collaboratore è Jeffrey Kelly. Questo webinar si terrà in occasione della conferenza JMP Discovery USA 2024 di ottobre. Questa è la scaletta del nostro intervento. Ci presenteremo. Discuteremo delle nostre motivazioni e del nostro approccio al lavoro. Forniremo una breve descrizione della metodologia e del background che abbiamo scelto per i quattro approcci all'ottimizzazione dei processi che abbiamo adottato. Presenteremo i nostri risultati, le discussioni e i suggerimenti per lavori futuri, il che è più un invito aperto a discutere con noi su cosa possiamo fare qui.
Mi chiamo Asit Rairkar. Sono il Presidente di Samaasa Consulting, partner JMP per la formazione e la consulenza su JMP e l'ottimizzazione dei processi. Ho lavorato per quasi vent'anni nella Bay Area presso Apple. Ho ricoperto ruoli dirigenziali presso Apple, Applied Materials, Miasolé, una startup nel settore dell'energia solare, e Novellus, successivamente acquisita da LAM Research. Ho lavorato nello sviluppo di processi e prodotti per batterie, fotovoltaico, semiconduttori, principalmente nel settore dei film sottili e soprattutto dei materiali elettronici. Sono un sostenitore di JMP/DOE da oltre 20 anni. Il mio amore per il DOE è iniziato quando ho seguito i corsi del DOE con il Dott. Montgomery, autore del classico libro di tecnologia all'Arizona State, dove ero dottorando. Ci piacerebbe che ci contattaste. Entrambi i nostri profili LinkedIn sono inclusi qui, e tra le mie email c'era anche asit@samaasa.com. Ci piacerebbe che tu suggerissi critiche, commenti, suggerimenti, miglioramenti o semplicemente discussioni su uno qualsiasi di questi argomenti o su qualsiasi altra cosa di cui vorresti discutere con noi.
Detto questo, lascio che sia Jeff a presentarsi.
Mi chiamo Jeff Kelly. Ho esperienza nell'ingegneria di processo, nelle batterie e nei semiconduttori, concentrandomi principalmente sui processi a film sottile. Ho lavorato presso Switchback Systems, Apple, una piccola azienda di batterie chiamata IPS e Micron Technologies a Boise, Idaho, dove ho iniziato a lavorare nel settore dei semiconduttori. È lì che ho iniziato a usare JMP per i DOE e altre analisi. Lavoro con JMP da circa 20 anni. Credo che la mia prima licenza sia stata JMP 4. Torniamo ad Asit per iniziare la presentazione.
Grazie. Lavoriamo insieme in Apple e ci conosciamo da 10 anni. Abbiamo collaborato e discusso di molti argomenti simili a questo e ad altri. Siamo felici di poter lavorare di nuovo insieme su questo argomento.
La motivazione del nostro intervento è molto semplice. Si tratta di un argomento comune, discusso più volte, ma incontriamo ancora clienti e team di aziende grandi e piccole che vogliono ancora condurre esperimenti un fattore alla volta, soprattutto quando hanno a che fare con molti fattori, un gran numero di fattori, spazi di processo complessi, e trovano che un fattore alla volta sia molto più facile da spiegare ed eseguire. Un'altra motivazione è che il confronto tra OFAT e DOE viene sempre eseguito o presentato per un insieme di fattori ridotto. È molto difficile effettuare questo confronto e presentarlo per un insieme di fattori ampio. Inoltre, non vengono eseguite molte varianti di OFAT e DOE. Infine, la motivazione principale è che questo è il confronto che ho sempre desiderato fare nel corso della mia carriera. Ma come potete immaginare, se avessi chiesto a qualsiasi team dirigenziale di una qualsiasi delle mie aziende, "Ehi, puoi darmi un budget quattro volte superiore per applicare quattro approcci diversi per risolvere lo stesso problema diverso", puramente per un esercizio accademico, nessuno ci avrebbe dato quel budget.
Volevamo davvero fare un confronto oggettivo tra OFAT e un moderno DOE, soprattutto quando abbiamo a che fare con un processo complesso e non monotono come quello mostrato nell'immagine a destra, dove si notano numerose creste e valli complesse. È qui che, se gli esperti del settore vi dicono che il processo potrebbe apparire in questo modo, ingegneri e scienziati diffidano del DOE e ricorrono alla sperimentazione un fattore alla volta, con molta cautela. Questa è la motivazione. Detto questo, lascio di nuovo la parola a Jeff per spiegare il nostro approccio e illustrarci i nostri approcci OFAT, dopodiché prenderò il posto del DOE. Grazie.
Poiché farlo nella vita reale sarebbe stato proibitivo in termini di costi, avevamo ovviamente bisogno di un simulatore, e così abbiamo finito per trovare questo simulatore PCR online. È basato sul web e siamo stati in grado di usarlo per confrontare le quattro strategie che stavamo utilizzando per il DOE. Accetta 11 variabili continue e un fattore categorico. Mi dispiace, 11 fattori continui, un fattore categorico, e poi produce due risposte continue. Per noi, questa è una scatola nera assoluta. Non siamo esperti in materia di PCR, non conosciamo la tecnologia, non conosciamo nemmeno la chimica che c'è dietro. Ci ha dato una buona opportunità di usare molta disciplina nel DOE e di non armeggiare con i numeri mentre li inserivamo per ottenere la risposta che volevamo. Oltre a ciò, abbiamo anche codificato gli input e gli output. L'analisi in JMP era un po' più ristretta, fornendoci i risultati, il test che vogliamo vedere per confrontare le diverse strategie DOE. È bello sapere, quando si affrontano queste cose nel mondo reale, di avere competenze specifiche in una qualsiasi delle aree su cui si desidera eseguire il test.
Offre molte indicazioni e spunti per la progettazione sperimentale e vi aiuterà a prendere decisioni migliori. Ma in questo caso, penso che abbia offerto un buon confronto. Diapositiva successiva.
Volevamo sottolineare come questo venga replicato nel mondo reale e come il nostro simulatore lo rifletta o si opponga a esso. Uno dei motivi principali per cui abbiamo scelto un simulatore è il budget di esecuzione limitato che osserviamo nel mondo reale. Se si dovesse realizzare un progetto fattoriale completo su 12 fattori come quello del nostro simulatore, si tratterebbe di oltre 4.000 esecuzioni. Ovviamente, anche con il simulatore, sarebbe difficile con l'automazione. Ci vorrebbe molto tempo per eseguirlo. Ma abbiamo limitato la nostra implementazione sperimentale a 30 esecuzioni per ogni tipo di DOE. Questo riflette quello che potrebbe essere un budget nel mondo reale. Il successivo scenario reale che ci imbattiamo è che i fattori categoriali a volte vengono evitati o implementati in anticipo dagli ingegneri in un ambiente di processo, ad esempio si potrebbe scegliere un produttore di una sostanza chimica prima di ottimizzare per quella sostanza. Alcuni evitano queste situazioni. Sembra solo che complichino i DOE in molti modi. In tal caso, per i nostri progetti OFAT, un fattore alla volta, li abbiamo selezionati per primi e li abbiamo semplicemente eseguiti in anticipo.
L'altro aspetto del progetto OFAT è che l'ordine in cui si scelgono gli input da analizzare è arbitrario, quindi abbiamo scelto il fattore categorico. Nel mondo reale, esistono anche vincoli di fattore. Questi sono integrati nel processo o nelle apparecchiature, nei substrati, nelle dimensioni dei contenitori, e cose del genere. Nel nostro simulatore, questi vincoli sono forniti dal simulatore stesso. Sono correlati al volume di sostanze chimiche contenute nella PCR e, attraverso alcuni esperimenti, siamo riusciti a trovare l'equazione per il vincolo di fattore. Questo ha limitato la gamma di parametri che potevamo utilizzare, sia come parametri che come parametri di input.
Un problema che riscontriamo nel mondo reale è il rapporto tra tempo di sperimentazione e metrologia. Potrebbe volerci un'ora o un giorno per eseguire un esperimento e una settimana per ottenere la metrologia, a seconda delle priorità del laboratorio a cui lo si invia. Con il simulatore, le cose cambiano. Ci fornisce risultati immediati e possiamo poi acquisire quei dati e analizzarli quasi immediatamente anche in JMP. In questo caso, le cose vengono leggermente accelerate. Potrebbe anche essere il contrario, quindi questi sono fattori che abbiamo considerato.
Esecuzioni fallite. Nel mondo reale, si verificano esecuzioni fallite. Si verificano esecuzioni saltate. Potrebbero essere interruzioni di corrente, potrebbe trattarsi di tempi di fermo delle apparecchiature. I tecnici vanno in vacanza e commettono errori. Nel mondo reale può succedere di tutto. In questo caso, gli esperimenti saltati, qualsiasi cosa sia stata saltata, siamo stati in grado di compensare utilizzando l'automazione. Ne parleremo nel punto successivo, dove abbiamo parlato della gestione delle ricette. Nel mondo reale, la gestione delle ricette potrebbe essere disponibile o meno. Idealmente, si avrebbe un sistema in cui si potrebbero immettere valori, che verrebbero scaricati direttamente sulla macchina ed eseguire gli esperimenti esattamente come si programma. Nel nostro caso, siamo stati in grado di emulare questo sistema utilizzando uno script Python, utilizzando una piattaforma chiamata Selenium, e automatizzare tutti i nostri input. Questo imita la nostra gestione delle ricette per i nostri scopi. Nel mondo reale, si potrebbero anche avere impostazioni estreme che influiscono sulle prestazioni delle apparecchiature. Un po' come nel caso di un alimentatore per un sistema di osservazione: se si utilizzano le impostazioni più alte e più basse, i risultati potrebbero essere alterati.
Non otterrai buone prestazioni. Quando esegui test su sistemi come questo e molti altri, eviti quei limiti superiori e inferiori delle tue apparecchiature di processo. Anche noi li abbiamo evitati nel nostro sistema di simulazione, e quei limiti di fattore sono indicati nelle diapositive in appendice per ragioni simili.
Poi c'è anche la questione del rumore nel mondo reale. Qualsiasi cosa può introdurre rumore in qualsiasi sistema di processo, uomo, macchina, metodo o altro. Il simulatore stesso ha rumore intrinseco. Durante la programmazione, abbiamo scoperto che, anche a parità di fattori di input, si tratterebbe di una piccola percentuale di aria o rumore in uscita. Abbiamo avuto modo di sperimentarlo anche noi. Diapositiva successiva.
Abbiamo utilizzato quattro diversi tipi di disegni sperimentali. Il primo, il primo... "Un fattore alla volta" è un disegno sequenziale, un fattore alla volta. Abbiamo eseguito diverse impostazioni, modificandole una alla volta man mano che procedevamo. Il secondo, OFAT2, un fattore alla volta, due. Abbiamo raggruppato le combinazioni di fattori e poi ottimizzato alla fine con una nuova baseline. Il DSD è stato il disegno di screening definitivo e il disegno di riempimento dello spazio.
Parleremo di OFAT1, entrando un po' più nel dettaglio. Come ho detto, modifichiamo un parametro alla volta e impostiamo ciascuno al valore ottimale per quella determinata impostazione, continuando con la stessa strategia. Se guardate a destra, c'è una tabella. È un esperimento ipotetico che abbiamo messo insieme. Questi non sono risultati reali. È puramente ipotetico. Per il primo esperimento, osserviamo X4 per la prima esecuzione dell'esperimento. Osserviamo X4 e confrontiamo L1 con L2, e scopriamo che L1 ha un valore più alto. Stiamo ottimizzando per Y. Riportiamo quel valore di L1 al nostro confronto tra X di X1 più e meno, e otteniamo un'impostazione ottimale di 110, lasciando tale impostazione come più per X1 e L1 per X4. Diamo un'occhiata a X2 e confrontiamo le impostazioni più e meno. Ora, questo è interessante perché l'impostazione ottimale per X2 era l'impostazione zero, quindi l'abbiamo già eseguita nel confronto precedente, quindi è 110.
Impostiamo X2 a 0 e confrontiamo più e meno di X3, scoprendo che il valore negativo di X3 è 115, il valore ottimale. Impostiamo tutti i valori a 0 per una nuova verifica di base e otteniamo un output di 120, che rappresenta il nostro valore ottimale massimo per questo insieme di esecuzioni.
Passiamo a OFAT 2. In modo simile, stiamo lavorando su un fattore alla volta, ma li raggrupperemo. Modifichiamo i fattori uno alla volta attorno a una baseline centrale e impostiamo i fattori di un sottogruppo al loro valore ottimale per creare una nuova baseline e continuiamo la stessa strategia con altri gruppi nei sottogruppi successivi. Se guardate il grafico a destra, come ho detto, un altro esperimento ipotetico: osserveremo X1 e X4 nel primo gruppo. Ma inizieremo con X4. Osserviamo L1 e L2 come fattori categorici per X4. Otteniamo un massimo di 105, quindi reimpostiamo la nostra baseline per il confronto tra più e meno di X1 e troviamo il suo valore minimo ottimale. Stabiliamo questa nuova baseline utilizzando il valore minimo e L2 per X1 e X4. Testiamolo e otteniamo un output di 108. Questa è la nostra nuova baseline. Quindi continuiamo con il test per il sottogruppo successivo, confrontando X2 con il valore massimo.
Otteniamo un valore massimo di 115. Ripristiniamo la linea di base, eseguiamo X3 come confronto tra più e meno, e otteniamo un valore massimo di 114. Per ora, abbiamo X2 e X3 positivi come valori ottimali per ciascuno di questi fattori, e li trasferiamo in una nuova linea di base, la nostra impostazione ottimale e preferita per tutti i fattori come meno-più-più-L2 con un valore massimo di 125 per l'output. Poi, come ho detto, andremo a finire la progettazione dello schermo e l'SFD.
Grazie, Jeff. Questi erano i nostri approcci al fattore singolo alla volta, come entrambi abbiamo sperimentato nel corso della nostra carriera e vedendoli utilizzare da altri gruppi. Abbiamo anche utilizzato i moderni DOE. Abbiamo utilizzato due approcci, il disegno di screening definitivo... Il disegno di screening definitivo è stato un progresso rispetto ai disegni saturi, introdotto da Bradley Jones di SAS, la società madre di JMP, nel 2011, e sono piuttosto efficaci per quanto sono snelli rispetto ai classici disegni saturi come Plackett-Burman. Sono molto versatili, soprattutto per un gran numero di fattori e fattori misti, continui e categoriali. Il loro principale vantaggio è che sono in grado di estrarre effetti principali senza confondimento, e hanno anche il potenziale per estrarre alcune interazioni a due fattori e una curvatura di secondo ordine anche con un budget sperimentale snello. Sono particolarmente efficaci se abbinati a competenze specifiche, dove si sa quali fattori avranno interazioni quadratiche o a due fattori, e si può stabilire la priorità. Sono disponibili anche per la sperimentazione sequenziale, in cui è possibile leggere una volta i fattori non significativi e poi creare ulteriori sperimentazioni per ottimizzare sempre di più il processo.
Abbiamo anche sperimentato con i progetti di riempimento dello spazio, anch'essi di nuova generazione. Vorrei precisare che questa è una presentazione di soli 30 minuti, quindi non abbiamo tempo di entrare nei dettagli di come vengono impostati i progetti DSD e di riempimento dello spazio e di come funzionano a livello di dettaglio, né di approfondire l'analisi. Abbiamo registrato una demo, disponibile sul nostro sito web, che illustra come vengono impostati i progetti e come si esegue l'esperimento con il simulatore di PCR virtuale. Abbiamo ottenuto i dati e le analisi che abbiamo effettuato. Sono disponibili anche numerosi siti web e video su community.jmp.com sul funzionamento di DSD e SFD. Se avete domande su questo argomento o sul loro funzionamento, o se desiderate semplicemente discutere, criticare o fornire feedback, scriveteci e saremo lieti di discuterne. Anche in questo caso, le demo sono disponibili sia per DSD che per SFD sul nostro sito web, a questo link. Passando ai progetti di riempimento dello spazio, si tratta di una categoria speciale di progetti in cui l'algoritmo del computer crea sostanzialmente punti nello spazio iperparametrico a 12 fattori e i punti vengono distribuiti in modo pseudo-casuale, in modo che ogni punto sia distribuito il più lontano possibile dagli altri punti, in modo da riempire l'intero spazio.
Sono un po' complicati da spiegare e comprendere, ed è per questo che la maggior parte delle persone evita i progetti di riempimento dello spazio, ma abbinati a metodi analitici e tecniche di modellazione moderne, reti neurali e apprendimento automatico, sono davvero, davvero potenti. L'unico compromesso per i progetti di riempimento dello spazio è che senza un software di gestione delle ricette, sono estremamente complicati da eseguire. Ad esempio, se il team di progettazione sperimentale è diverso dal team di esecuzione sperimentale, potrebbero essere molto confusi da questa matrice sparsa di punti di progettazione e potrebbero inserire valori errati, dimenticandosi di eliminare i valori dalle impostazioni di combinazione dei fattori precedenti dell'esperimento precedente, che verranno trasferiti e si otterranno esecuzioni non previste nella matrice di progettazione. Quindi, se si eseguono progetti di riempimento dello spazio, il software di gestione delle ricette è decisamente consigliato. Questi sono i due tipi di DOE che abbiamo confrontato con i due tipi di OFAT. Con questo, passo di nuovo la parola a Jeff per discutere i nostri risultati grezzi. Ecco i risultati grezzi.
Penso che sia qui che i risultati iniziano a essere divertenti. Ma abbiamo... Sul lato destro, se date un'occhiata a quel grafico, stiamo confrontando due OFAT a sinistra, quelli in rosso e blu, con i due metodi DOE, metodi DOE più moderni a destra in viola e verde. Sull'asse X, o in basso nel grafico, abbiamo i nostri numeri di esecuzione, e sull'asse Y, e le risposte sono Y1 e Y2. Questi sono i valori per cui stiamo ottimizzando. Se li osservate rapidamente, possiamo vedere che, man mano che procediamo con i numeri di esecuzione, entrambi gli OFAT tendono ad aumentare man mano che trasferiamo quei valori ottimizzati all'esecuzione successiva. Vediamo quell'aumento nel nostro output o nel nostro optimum desiderato lì. Li abbiamo confrontati con i metodi DOE, questo è ciò che ho trovato interessante: sembrano piuttosto caotici e non sembra che stiamo facendo alcun progresso, anche se abbiamo avuto alcuni valori più alti, sembra che non stiamo imparando molto qui.
Questo è il caso in cui, se a metà del tuo esperimento ci fosse un dirigente che volesse vedere alcuni risultati per poter prendere delle decisioni, non sarebbe soddisfatto di ciò che vede nell'esecuzione del DOE. Sembrerebbe piuttosto caotico dove l'OFAT, anche se non stiamo raggiungendo livelli ottimali, può vedere i progressi. Credo che il vantaggio che otteniamo dal DOE, o il grande vantaggio che ne abbiamo tratto, sia che ci fornisce una visione reale di ciò che sta accadendo in un processo. Possiamo costruire un modello basato su questo. Questo non è qualcosa che si ottiene con l'OFAT: si esegue un'analisi fino a un valore ottimale, ed è lì che si impostano le impostazioni. Con un DOE, si ottiene quel modello, equazioni matematiche. Si possono inserire i valori desiderati per progettare un valore ottimale e sapere a che punto ci si trova. Ci offre una visione più ampia di spazi di processo più complessi e una maggiore comprensione di ciò che sta realmente accadendo.
Detto questo, passiamo ai risultati del DSD. Anche in questo caso, non abbiamo tempo di approfondire un'intera demo di DSD e SFD, e la demo è registrata sul nostro sito web, quindi la linkiamo per vostra comodità. Il DSD, ancora una volta, come ha detto Jeff, il vantaggio di DOE e SFD, i DOE, è che si ottiene un'equazione modello per l'intero spazio di processo che offre una migliore comprensione del suo effettivo funzionamento. La progettazione del DSD con JMP fornisce uno script di analisi automatizzato che, una volta inseriti i dati, consente di fare clic sullo script di analisi, come mostrato nella demo. Nella prima fase, il DSD legge tutti gli effetti principali non importanti. In questo caso, si può vedere che per Y1, X1 e X3 e X4 vengono eliminati, così come alcuni altri, mentre in Y2, X3 e X4 vengono eliminati.
Si può anche notare che il DSD fornisce un profiler, che è come un'equazione predittiva che fornisce una stima degli effetti principali per Y1 e di alcuni effetti principali, come si può vedere, e anche di alcuni effetti quadratici in alcuni fattori, in particolare X2. Si ottiene un'equazione modello, un'equazione modello ridotta, che esclude gli effetti non significativi e fornisce un'equazione con gli effetti significativi e i loro effetti principali, alcune interazioni a due fattori e una curvatura di secondo ordine, che è possibile utilizzare insieme alle funzioni di desiderabilità integrate e massimizzare la desiderabilità, che porta gli output previsti in Y1 e Y2 al livello desiderato. In questo caso, vogliamo massimizzare Y1 e Y2, con Y1 trattato con maggiore importanza. Quindi, il modellatore DSD fornisce un set di impostazioni dei fattori che l'equazione modello ritiene forniranno i migliori risultati in Y1 e Y2. Lo utilizziamo nel nostro primo round per rientrare nel simulatore ed eseguire esperimenti di convalida. Oltre a ciò, nei lavori futuri ci baseremo su esperimenti sequenziali e ottimizzeremo anche oltre quel livello.
Lo stesso vale per SFD. L'SFD, come ho detto, è un progetto complesso con punti sparsi in tutto lo spazio iperparametrico a 12 parametri. Anche in questo caso, JMP fornisce uno script integrato per analizzare il modello. Anche in questo caso, la demo è inclusa sul nostro sito web. Siete invitati a vedere come sono stati impostati i DOE, come sono stati raccolti i dati e come sono stati analizzati. Non entra nei dettagli del funzionamento interno dei nostri DSD e SFD. Se avete bisogno di discussioni al riguardo, non esitate a contattarci. Anche in questo caso, JMP fornisce uno script integrato. Potete eseguirlo e il modello di processo gaussiano SFD fornisce una superficie di profiler di processo non monotona molto complessa nei 12 parametri. Potete vedere che alcuni fattori non sembrano avere un effetto significativo sulle risposte Y1 e Y2, ma anche SFD ha la capacità di fornire un profiler di previsione non monotono, in grado di spiegare alcune di quelle creste e valli che un semplice DSD non riesce a spiegare. Il modello SFD tende ad essere più predittivo che esplicativo, in quanto non pone molta enfasi su quali siano gli effetti principali o quali siano gli effetti quadratici.
Fornisce un'equazione di predizione complessiva a 12 parametri, che, ancora una volta, consente di utilizzare le funzioni di desiderabilità integrate di JMP per massimizzare la desiderabilità. Questo fornisce un'impostazione, una combinazione in X1 fino a X12 che l'equazione del modello ritiene fornisca il miglior risultato in Y1 e Y2. Utilizziamo queste equazioni fattorizzate, le inseriamo nuovamente nel simulatore o nell'apparecchiatura di progettazione sperimentale, eseguiamo le sessioni di validazione e le confrontiamo con il DOE e tra loro o con l'OFAT e tra loro.
Ecco cosa abbiamo fatto. Abbiamo quattro approcci e abbiamo eseguito tre cicli di validazione per i risultati OFAT previsti finali, ovvero i risultati di desiderabilità migliori previsti per Y1 e Y2. E come ho detto, abbiamo considerato Y1 leggermente più importante di Y2 solo a titolo indicativo. Potete vedere che i due OFAT a sinistra sono in grado di massimizzare Y1 solo in un intervallo di 100-250 e Y2 in un intervallo di 97-98. Mentre i DOE sono in grado di raggiungere un optimum di processo migliore, che porta Y1 a un intervallo di oltre 350 e Y2 a un intervallo di quasi 99. Potete vedere che c'è una certa variabilità intrinseca anche nel rumore. Di nuovo, questa è una conclusione nota che gli esperti del DOE hanno formulato, e che i sostenitori hanno ripetutamente messo in dubbio, ovvero che i DOE siano molto più efficaci ed efficienti nell'affrontare i problemi di ottimizzazione di processo rispetto agli OFAT, anche in caso di numerosi fattori e di uno spazio di processo molto complesso.
Ma i tre principali vantaggi offerti dai DOE, ancora una volta, sono: forniscono un'equazione di previsione o un modello per lo spazio di processo. Se abbinati alla competenza in materia, sono ancora più efficaci perché consentono di utilizzare la competenza in materia per guidare la progettazione sperimentale e, successivamente, di utilizzare i risultati di tale competenza. È possibile utilizzare l'analisi dei risultati dei DOE e abbinarla alla propria competenza in materia per comprendere appieno cosa dice la scienza, come funziona il sistema di processo e persino progettare esperimenti migliori e ottimizzarli ulteriormente. In terzo luogo, ancora una volta, sono molto più adatti alla sperimentazione futura rispetto all'OFAT, perché nell'OFAT si continua a modificare un solo fattore alla volta e ad apportare miglioramenti graduali che potrebbero non fornire il segnale migliore e sicuramente non forniscono una comprensione completa dello spazio di processo. Ancora una volta, abbiamo concluso che i DOE sono migliori dell'OFAT. Questa non è una conclusione nuova, soprattutto per la più ampia comunità JMP, in particolare per gli esperti del DOE e gli evangelisti di JMP.
Ma lo abbiamo fatto per un sistema complesso a 12 fattori e lo abbiamo fatto in modo completo attraverso quattro approcci diversi.
Sono molto soddisfatto di questi risultati e ci piacerebbe approfondire ulteriormente la discussione, che ci porterà a lavori futuri. Ripeto, questi sono solo alcuni suggerimenti per noi, ma ci piacerebbe sentire il parere del nostro pubblico. Scriveteci critiche, feedback, commenti, suggerimenti e discussioni. Se continuiamo questo lavoro, e abbiamo la possibilità di farlo, ci piacerebbe ampliare i nostri budget di esecuzione e fare più cicli di 30 esecuzioni, che è in genere il numero di esecuzioni che abbiamo visto nel corso della nostra vita aziendale. Amplieremo anche le impostazioni dei fattori sulla base delle indicazioni dei modelli di processo e amplieremo i progetti, includendo più esecuzioni per disaccoppiare alcune interazioni e persino ottimizzare ulteriormente. Utilizzeremo più metodi di analisi. Potremmo usare reti neurali. Potremmo usare la modellazione d'insieme autovalidante e l'ottimizzazione bayesiana, soprattutto quest'ultima con cui non abbiamo molta familiarità. Quindi, siamo anche studenti del settore. Ci piacerebbe imparare da questo esempio. Vorremmo anche sviluppare più simulatori. I simulatori offrono un grande vantaggio agli studenti perché i budget sperimentali non sono sempre facili da reperire.
Infine, ci piacerebbe integrare gli script Python direttamente in JMP, in modo che classi o studenti possano progettare direttamente DOE, eseguirli tramite un simulatore di automazione, ottenere rapidamente i dati e analizzare e confrontare le strategie di ottimizzazione in qualsiasi momento. Anche in questo caso, si tratta di un punto chiave per future discussioni di lavoro. Ci piacerebbe avere vostre notizie. Vi preghiamo di contattarci tramite LinkedIn o di scrivermi all'indirizzo asit@samaasa.com.
Con questo, vorremmo davvero ringraziare tutti coloro che ci hanno aiutato in questo lavoro. Ringraziamo in particolare Phelan & Associates per aver creato il simulatore di PCR virtuale. I loro riferimenti sono nella nostra bibliografia. Li abbiamo contattati, ma non siamo riusciti a contattarli. Se c'è qualche collaborazione che possiamo fare, saremo lieti di saperlo. Grazie a Jackie e Kirsten per aver reso possibile questa registrazione. Grazie a tutta la comunità JMP per aver organizzato la conferenza JMP. Vi siamo immensamente grati. Grazie di cuore.
