Numerosos estudios han demostrado la eficacia de las estrategias para la optimización de procesos. Las comparaciones más comunes suelen ser entre los experimentos de "un factor a la vez" u OFAT y el enfoque de "diseño de experimentos". Al enfrentarse a un espacio de proceso desconocido y de alta dimensión (p. ej., >10 factores), los investigadores suelen recurrir a los métodos OFAT, ya que son fáciles de interpretar. Generalmente, sería prohibitivo en términos de costo y logísticamente complejo ejecutar múltiples experimentos orientados al mismo objetivo solo para evaluar qué estrategia supera a las demás. Para solucionar estos problemas, utilizamos un simulador de reacción en cadena de la polimerasa (PCR) con 12 factores continuos y categóricos desconocidos para explorar estas cuestiones.
Nuestro equipo cuenta con décadas de experiencia en optimización de procesos en la industria de materiales electrónicos (ex empleados de Apple y otras empresas). Buscamos y seleccionamos deliberadamente un simulador de un área de investigación completamente desconocida para nosotros, capaz de simular una gran cantidad de factores y sus complejas interacciones en diversas respuestas. Para automatizar la experimentación, utilizamos un script de automatización web en Python. Mediante un simulador y nuestro script, podemos ejecutar numerosos experimentos, imitando las restricciones y los presupuestos experimentales de la vida real, tal como los hemos visto en nuestras propias carreras profesionales. Siguiendo las reglas de presupuesto de ejecución, comparamos la eficiencia y la precisión de cuatro estrategias: dos estrategias de tipo OFAT, comúnmente utilizadas en la industria, y dos estrategias del género DOE y DOE avanzado. JMP se utiliza para todos los análisis y modelos experimentales, y se realiza un intento objetivo de comparar las estrategias.
Hola y bienvenidos a este seminario web sobre la comparación de estrategias de optimización y procesos multidimensionales complejos. Mi nombre es Asit Rairkar y mi colaborador es Jeffrey Kelly. Este seminario se realizará en la conferencia JMP Discovery USA de 2024, que se celebrará en octubre. Este es el resumen de nuestra charla. Nos presentaremos. Hablaremos de nuestra motivación y enfoque de trabajo. Ofreceremos una breve descripción de la metodología y los antecedentes que elegimos para los cuatro enfoques de optimización de procesos que adoptamos. Presentaremos nuestros resultados, debates y sugerencias para trabajos futuros; es una invitación abierta a que todos compartan nuestras ideas sobre qué más podemos hacer.
Me llamo Asit Rairkar. Soy presidente de Samaasa Consulting, socio de JMP para capacitación y consultoría en JMP y optimización de procesos. He trabajado durante casi dos décadas en el Área de la Bahía en Apple. He ocupado puestos de liderazgo en Apple, Applied Materials, Miasolé (una startup de energía solar) y Novellus, que posteriormente fue adquirida por LAM Research. Trabajé en el desarrollo de procesos y productos en baterías, energía fotovoltaica y semiconductores, principalmente en el área de películas delgadas y materiales electrónicos. He sido un promotor de JMP/DOE durante más de 20 años. Mi pasión por el DOE comenzó cuando tomé cursos de DOE con el Dr. Montgomery, autor del clásico libro de tecnología en la Universidad Estatal de Arizona, donde cursé mi doctorado. Nos encantaría que nos contactara. Incluimos aquí nuestras dos cuentas de LinkedIn y mi correo electrónico también incluía asit@samaasa.com. Nos encantaría que sugirieras críticas, comentarios, sugerencias, mejoras o simplemente debates sobre cualquiera de este tema o cualquier otra cosa que te gustaría discutir con nosotros.
Con esto, dejaré que Jeff se presente.
Me llamo Jeff Kelly. Tengo experiencia en ingeniería de procesos, baterías y semiconductores, principalmente en procesos de película delgada. Trabajé en Switchback Systems, Apple, una pequeña empresa de baterías llamada IPS y Micron Technologies en Boise, Idaho, donde comencé en el sector de semiconductores. Allí empecé a usar JMP para DOE y otros análisis. Llevo trabajando con JMP unos 20 años. Creo que mi primera licencia fue para JMP 4. De vuelta a Asit para empezar la charla.
Gracias. Trabajamos juntos en Apple y nos conocemos desde hace 10 años. He colaborado y debatido sobre muchos temas similares a este y otros. Nos encanta volver a trabajar juntos en esto.
La motivación de nuestra charla es muy simple. Este es un tema común que se ha discutido muchas veces, pero aún nos encontramos con clientes y equipos de empresas grandes y pequeñas que aún desean realizar experimentos factor por factor, especialmente cuando trabajan con muchos factores, una gran cantidad de factores y procesos complejos, y les resulta mucho más fácil explicar y ejecutar un factor por factor. Otra motivación es que la comparación entre OFAT y DOE siempre se realiza o se presenta para un conjunto pequeño de factores. Es muy difícil hacer esta comparación y presentarla para un conjunto grande de factores. Además, no se realizan muchas variaciones de OFAT y DOE. Finalmente, la principal motivación para esto es que esta es la comparación que siempre he querido hacer a lo largo de mi carrera. Pero, como pueden imaginar, si le hubiera preguntado a cualquier equipo ejecutivo de cualquiera de mis empresas: "¿Podrían darme cuatro veces el presupuesto para implementar cuatro enfoques diferentes para resolver el mismo problema?", solo para un ejercicio académico, nadie nos lo habría dado.
Realmente queríamos hacer una comparación objetiva entre OFAT y un DOE moderno, especialmente al tratar con un proceso complejo y no monótono como el que se muestra en la imagen de la derecha, con muchas crestas y valles complejos. Por eso, si un experto en la materia les dice que el proceso podría ser así, los ingenieros y científicos desconfían del DOE y recurren a la experimentación con un factor a la vez, siendo muy cautelosos. Esa es la motivación. Dicho esto, le cedo la palabra a Jeff para que explique nuestro enfoque y nos explique nuestros métodos OFAT, y luego me encargaré del DOE. Gracias.
Dado que hacer esto en la vida real sería prohibitivo, obviamente necesitábamos un simulador, así que encontramos este simulador de PCR en línea. Está basado en la web y pudimos usarlo para comparar las cuatro estrategias que usábamos para la DOE. Toma 11 variables continuas y un factor categórico. Disculpen, 11 factores continuos, un factor categórico, y luego produce dos respuestas continuas. Para nosotros, esto es una caja negra absoluta. No somos expertos en PCR, no conocemos la tecnología ni la química subyacente. Nos brindó una buena oportunidad para aplicar mucha disciplina en la DOE y no manipular los números al ingresarlos para obtener la respuesta deseada. Además, también codificamos las entradas y las salidas. El análisis en JMP fue un poco más complejo, brindándonos los resultados, la prueba que queremos ver para comparar las diferentes estrategias de DOE. Es bueno saber que, al abordar estas cuestiones, si se hace en el mundo real, se tiene experiencia en cualquiera de las áreas en las que se desea realizar pruebas.
Permite mucha orientación y diseño experimental, y te ayudará a tomar mejores decisiones. Pero en este caso, creo que ofreció una buena comparación. Siguiente diapositiva.
Queríamos observar cómo se replica esto en el mundo real y cómo nuestro simulador lo refleja o se opone a ello. Una de las principales razones por las que elegimos un simulador es el presupuesto de ejecución limitado que observamos en el mundo real. Si se realizara un diseño factorial completo con 12 factores, como el de nuestro simulador, se necesitarían más de 4000 ejecuciones. Obviamente, incluso con el simulador, esto sería difícil con la automatización. Su ejecución tomaría mucho tiempo. Pero limitamos nuestra implementación experimental a 30 ejecuciones para cada tipo de DOE. Esto refleja lo que podría ser un presupuesto en el mundo real. El siguiente escenario real que encontramos es que los ingenieros a veces evitan los factores categóricos o los implementan con antelación en un espacio de proceso; por ejemplo, se podría elegir el fabricante de una sustancia química antes de optimizarla. Algunas personas evitan esto. Simplemente parece complicar los DOE de muchas maneras. En ese caso, para nuestros diseños OFAT, un factor a la vez, los seleccionamos primero y los ejecutamos con antelación.
Otro aspecto del diseño OFAT es que el orden de selección de las entradas para su análisis es arbitrario, por lo que elegimos el factor categórico. En la práctica, también existen restricciones de factor. Estas están integradas en el proceso o equipo, los sustratos, el tamaño del recipiente, etc. En nuestro simulador, estas restricciones las proporciona el propio simulador. Están relacionadas con el volumen de sustancias químicas contenidas en la PCR y, mediante experimentación, pudimos determinar la ecuación para la restricción de factor. Esto limitó el rango de parámetros que podíamos usar, tanto los parámetros como los parámetros de entrada.
Un aspecto que encontramos en el mundo real, como siempre, es la diferencia entre el tiempo de experimento y la metrología. Ejecutar un experimento puede llevar una hora o un día, y obtener la metrología una semana, según las prioridades del laboratorio al que se envía. Con el simulador, esto cambia las cosas. Nos proporciona resultados inmediatos y luego podemos tomar esos datos y analizarlos casi inmediatamente también en JMP. El proceso se acelera un poco. También podría ser al revés, así que consideramos estos factores.
Ejecuciones fallidas. En la vida real, se producen ejecuciones fallidas. Se han perdido ejecuciones. Podrían ser cortes de energía, tiempo de inactividad del equipo. Los técnicos se van de vacaciones y realizan algún error. Cualquier cosa puede pasar en la vida real. En este caso, los experimentos omitidos, cualquier cosa que se haya omitido, pudimos reponerlos mediante la automatización. Esto se explica en el siguiente punto, donde teníamos la gestión de recetas. En la vida real, la gestión de recetas puede estar disponible o no. Idealmente, se tendría un sistema donde se pudieran introducir valores, que se descargarían directamente a la máquina y se ejecutarían los experimentos exactamente como se programarían. En nuestro caso, pudimos emularlo con un script de Python, usando una plataforma llamada Selenium, y automatizar todas las entradas. Esto imita nuestra gestión de recetas para nuestros fines. En la vida real, también podrían existir configuraciones extremas que afecten el rendimiento del equipo. Algo así como en una fuente de alimentación para un sistema de monitoreo: si se utiliza la configuración más alta o más baja, los resultados se distorsionarán.
No se obtendrá un buen rendimiento. Al realizar pruebas en sistemas como este y muchos otros, se evitan los límites superior e inferior del equipo de proceso. También lo evitamos en nuestro simulador, y estos límites de factor se indican en las diapositivas del apéndice por razones similares.
También está el problema del ruido en el mundo real. Cualquier cosa puede introducir ruido en cualquier sistema de proceso, ya sea humano, máquina o método. El propio simulador tiene ruido incorporado. Dentro de la programación, descubrimos que, incluso con los mismos factores de entrada, la salida de aire o ruido sería un pequeño porcentaje. Tuvimos la oportunidad de experimentarlo también. Siguiente diapositiva.
Utilizamos cuatro tipos diferentes de diseños experimentales. El primero, un factor a la vez, es un diseño secuencial de un factor a la vez. Ejecutamos diferentes configuraciones, cambiando cada una a medida que avanzábamos. El segundo, OFAT2, un factor a la vez, dos. Agrupamos las combinaciones de factores y luego optimizamos al final con una nueva línea base. El DSD fue un diseño de cribado definitivo y un diseño de relleno de espacios.
Hablaremos de OFAT1 y profundizaremos en ello. Como mencioné, ajustamos un parámetro a la vez y establecemos cada uno en un valor óptimo para esa configuración, continuando con la misma estrategia. Si miran a la derecha, hay una tabla. Es un experimento hipotético que elaboramos. Estos no son resultados reales, sino puramente hipotéticos. Para el primer experimento, analizamos X4 para la primera ejecución del experimento. Analizamos X4 y comparamos L1 con L2, encontrando que L1 tiene un valor mayor. Optimizamos para Y. Llevamos ese valor de L1 a nuestra comparación entre X de X1 positivo y negativo, y obtenemos un valor óptimo de 110, dejando ese valor positivo para X1 y L1 para X4. Analizamos X2 y comparamos los valores positivo y negativo. Este es interesante porque el valor óptimo para X2 resultó ser cero, así que ya lo analizamos en la comparación anterior, así que es 110.
Establecemos X2 en 0 y comparamos los valores positivos y negativos de X3. El valor negativo de X3 es 115 en el valor óptimo. Establecemos todos estos valores para una nueva ejecución de verificación de referencia y obtenemos un resultado de 120, que es nuestro valor óptimo alto para este conjunto de ejecuciones.
Pasamos a OFAT 2. De forma similar, trabajamos con un factor a la vez, pero los agrupamos. Ajustamos los factores uno a uno alrededor de una línea base central y establecemos los factores de un subgrupo en su valor óptimo para crear una nueva línea base. Continuamos con la misma estrategia con los demás grupos en los siguientes subgrupos. Si observan la gráfica de la derecha, como mencioné, en otro experimento hipotético, analizaremos X1 y X4 en el primer grupo. Pero comenzaremos con X4. Consideremos L1 y L2 como factores categóricos para X4. Obtengamos un máximo de 105, luego restablezcamos nuestra línea base para la comparación de más y menos de X1, y determinemos que el menos de este sea óptimo. Establecemos esa nueva línea base usando el menos y el L2 para X1 y X4. Probamos esto y obtenemos un resultado de 108. Esa es nuestra nueva línea base. Luego, continuamos con la prueba para el siguiente subgrupo: comparamos X2 más y menos.
Obtenemos un valor óptimo alto de 115. Restablecemos la línea base, ejecutamos X3 como comparación entre positivo y negativo y obtenemos un valor máximo de 114. Por ahora, tenemos X2 y X3 positivos como valores óptimos para cada uno de esos factores, y los trasladamos a una nueva línea base, nuestro valor óptimo y preferido para todos los factores como negativo-más-más-L2, con un valor máximo de 125 para la salida. Luego, como mencioné, terminaremos el diseño de pantalla y el SFD.
Gracias, Jeff. Esos fueron nuestros enfoques para el factor a la vez, como ambos hemos experimentado a lo largo de nuestras carreras y al ver cómo otros grupos los utilizan. También utilizamos DOE modernos. Implementamos dos enfoques, el diseño de cribado definitivo... El diseño de cribado definitivo fue un avance respecto a los diseños saturados, introducido por Bradley Jones de SAS, la empresa matriz de JMP, en 2011, y son bastante potentes para su austeridad en comparación con los diseños saturados clásicos como Plackett-Burman. Son muy versátiles, especialmente para un gran número de factores y factores mixtos, continuos y categóricos. Su mayor ventaja es que pueden extraer efectos principales sin confusión, y también tienen el potencial de extraer algunas interacciones de dos factores y cierta curvatura de segundo orden, incluso con un presupuesto experimental ajustado. Son especialmente potentes cuando se combinan con la experiencia en la materia, donde se sabe qué factores tendrán interacciones cuadráticas o de dos factores y se pueden priorizar. También están disponibles para la experimentación secuencial, donde puedes leer factores no significativos y luego desarrollar más experimentación para optimizar cada vez más tu proceso.
También experimentamos con diseños de relleno de espacio, que también son diseños más recientes. Cabe aclarar que esta charla es de solo 30 minutos, por lo que no tenemos tiempo para explicar en detalle cómo se configuran los DSD y los diseños de relleno de espacio, cómo funcionan internamente ni para analizarlos en profundidad. Grabamos una demostración, disponible en nuestro sitio web, que explica cómo se configuran los diseños y cómo se ejecuta el experimento con el simulador virtual de PCR. Obtuvimos nuestros datos y el análisis que realizamos. También hay muchos sitios web y videos disponibles en community.jmp.com sobre el funcionamiento de los DSD y los SFD. Si tiene alguna pregunta sobre esto o su funcionamiento, o simplemente desea debatir, hacer críticas o enviar comentarios, escríbanos; estaremos encantados de conversar. Las demostraciones para DSD y SFD están disponibles en nuestro sitio web, en este enlace. Entrando en diseños de relleno de espacio, estos son una categoría especial de diseños donde el algoritmo de la computadora básicamente crea puntos en el espacio de hiperparámetros de 12 factores, y los puntos se dispersan de manera pseudoaleatoria de tal manera que cada punto se extiende lo más lejos posible de otros puntos para que todo el espacio se llene.
Son un poco complicados de explicar y comprender, y por eso la mayoría de la gente evita los diseños de relleno de espacio. Sin embargo, combinados con métodos analíticos y técnicas de modelado modernas, redes neuronales y aprendizaje automático, son realmente potentes. La única desventaja de los diseños de relleno de espacio es que, sin un software de gestión de recetas, son extremadamente complejos de ejecutar. Por ejemplo, si el equipo de diseño experimental es diferente del equipo de ejecución experimental, podrían confundirse con esta matriz dispersa de puntos de diseño, introducir valores erróneos y olvidar eliminar valores de la configuración de la combinación de factores anterior de la ejecución experimental anterior. Estos valores se transferirán, dando como resultado ejecuciones no previstas en la matriz de diseño. Por lo tanto, si se ejecutan diseños de relleno de espacio, el software de gestión de recetas es definitivamente recomendable. Estos son los dos tipos de DOE que comparamos con los dos tipos de OFAT. Dicho esto, le cedo la palabra a Jeff para que analice nuestros resultados brutos. Aquí están los resultados brutos.
Creo que aquí es donde los resultados empiezan a ser interesantes. Pero tenemos... En el lado derecho, si observan ese gráfico, comparamos dos OFAT a la izquierda, los que están en rojo y azul, con los dos métodos DOE, métodos DOE más modernos a la derecha en morado y verde. En el eje X, o en la parte inferior del gráfico, tenemos nuestros números de ejecución, y en el eje Y, las respuestas son Y1 e Y2. Esos son los que estamos optimizando. Si los observan rápidamente, podemos ver que, a medida que avanzamos en el número de ejecución, ambos OFAT tienden a aumentar al trasladar esos valores optimizados a la siguiente ejecución. Vemos ese aumento en nuestro resultado o en nuestro óptimo deseado. Comparamos esto con los métodos DOE; lo que me pareció interesante es que se ven bastante caóticos, y no parece que estemos progresando, aunque hemos tenido algunos valores más altos; parece que no estamos aprendiendo mucho.
Este es el caso de un ejecutivo que, a mitad del experimento, busca resultados para tomar decisiones, pero no estará satisfecho con el resultado del DOE. La situación se vuelve bastante caótica, mientras que el OFAT, aunque no alcance los niveles óptimos, permite ver avances. Creo que el beneficio principal del DOE es que nos brinda una visión real de lo que sucede en un proceso. Podemos construir un modelo basado en ello. Con el OFAT, no se obtiene ese modelo: se llega a un nivel óptimo y ahí se establece la configuración. Con un DOE, se obtiene ese modelo: ecuaciones matemáticas. Se pueden ingresar los valores necesarios para diseñar un nivel óptimo y saber dónde se está. Nos brinda una visión más amplia de procesos más complejos y una mejor comprensión de lo que realmente sucede.
Con esto, pasaremos a los resultados del DSD. Nuevamente, no tenemos tiempo para una demostración completa de DSD y SFD, y esa demostración está grabada en nuestro sitio web, por lo que está enlazada para su conveniencia. El DSD, nuevamente, como dijo Jeff, la ventaja del DOE y el SFD, los DOE, es que se obtiene una ecuación modelo para todo el espacio de proceso que le da una mejor comprensión de cómo funciona realmente su espacio de proceso. El diseño de DSD con JMP proporciona un script de análisis automatizado que, una vez que se ingresan los datos, se puede simplemente hacer clic en el script de análisis como se ha mostrado en la demostración. En la primera etapa, el DSD lee cualquier efecto principal no importante. En este caso, puede ver que para Y1, X1 y X3 y X4 se eliminan, y así también algunos otros, mientras que en Y2, X3 y X4 se eliminan.
También se puede observar que el DSD proporciona un perfilador, que es como una ecuación predictiva que proporciona una estimación de los efectos principales para Y1 y, como se puede observar, algunos efectos principales, así como algunos efectos cuadráticos en algunos factores, especialmente X2. Se obtiene una ecuación de modelo, una ecuación de modelo reducida, que excluye los efectos no significativos y proporciona una ecuación con los efectos significativos y sus efectos principales, algunas interacciones de dos factores y una curvatura de segundo orden. Esta ecuación se puede utilizar junto con las funciones de deseabilidad integradas y maximizar la deseabilidad, lo que lleva los resultados previstos en Y1 e Y2 al nivel deseado. En este caso, queremos maximizar Y1 e Y2, dándole a Y1 mayor importancia. Por lo tanto, el modelador DSD proporciona un conjunto de ajustes de factores que, según la ecuación del modelo, proporcionarán los mejores resultados en Y1 e Y2. Lo usamos en nuestra primera ronda para volver al simulador y ejecutar experimentos de validación. Además, en trabajos futuros, nos basaremos en experimentos secuenciales y optimizaremos incluso más allá de ese nivel.
Lo mismo ocurre con SFD. El SFD, como mencioné, es un diseño complejo con puntos dispersos por todo el espacio de hiperparámetros de 12 parámetros. Nuevamente, JMP proporciona un script integrado para analizar el modelo. La demostración está incluida en nuestro sitio web. Le invitamos a ver cómo se configuraron los DOE, cómo se recopilaron los datos y cómo se analizaron. No profundiza en el funcionamiento interno de nuestros DSD y SFD. Si necesita información al respecto, contáctenos. Nuevamente, JMP proporciona un script integrado. Puede ejecutarlo, y el modelo de proceso gaussiano SFD le brinda una superficie de perfilador de proceso no monótona muy compleja en los 12 parámetros. Puede ver que algunos factores no parecen tener un efecto significativo en las respuestas Y1 e Y2, pero también SFD tiene la capacidad de brindarle un perfilador de predicción no monótono que puede explicar algunas de esas crestas y valles que el DSD simple no puede. El modelo SFD tiende a ser más predictivo que explicativo, ya que no pone mucho énfasis en qué son los efectos principales o qué son los efectos cuadráticos.
Proporciona una ecuación de predicción general de 12 parámetros, que, a su vez, permite usar las funciones de deseabilidad integradas de JMP para maximizar la deseabilidad. Esto proporciona una configuración, una combinación de X1 a X12 que la ecuación del modelo considera que proporcionará el mejor resultado en Y1 e Y2. Utilizamos estas ecuaciones factorizadas, las volvemos a introducir en el simulador o en el equipo de diseño experimental, ejecutamos las pruebas de validación y las comparamos con el DOE y entre sí, o con el OFAT y entre sí.
Eso es lo que hicimos. Contamos con cuatro enfoques y realizamos tres validaciones para los resultados finales previstos de OFAT o los mejores resultados de deseabilidad previstos de Y1 e Y2. Como mencioné, consideramos que Y1 es ligeramente más importante que Y2 solo como guía. Se puede observar que los dos OFAT de la izquierda solo pueden maximizar Y1 a un rango de 100-250 y Y2 a un rango de 97-98. Mientras que los DOE pueden lograr un mejor óptimo de proceso que lleva Y1 a un rango superior a 350 y Y2 a un rango cercano a 99. Se puede observar que también existe cierta variabilidad inherente al ruido. De nuevo, esta es una conclusión conocida que los expertos de DOE tienen, y los evangelistas han dudado una y otra vez, de que los DOE sean mucho mejores y más eficientes para abordar el problema de optimización de procesos en comparación con los OFAT, incluso en el caso de muchos factores y un espacio de proceso muy complejo.
Las tres principales ventajas que ofrecen los DOE son, una: proporcionan una ecuación de predicción o un modelo para el espacio de procesos. Al combinarse con la experiencia en la materia, son aún más eficaces, ya que permiten utilizar dicha experiencia para guiar el diseño experimental y, posteriormente, utilizar los resultados de dicha experiencia. Es posible utilizar el análisis de resultados de los DOE y combinarlo con la experiencia en la materia para comprender realmente lo que la ciencia nos dice, el funcionamiento interno del sistema de procesos e incluso diseñar mejores experimentos y optimizarlos aún más. En tercer lugar, son muy susceptibles a la experimentación futura en comparación con el OFAT, ya que en el OFAT solo se ajusta un factor a la vez y se realizan mejoras graduales que pueden no ofrecer la mejor señal y, definitivamente, no permiten comprender el espacio de procesos completo. Hemos concluido que los DOE son mejores que el OFAT. Esta no es una conclusión nueva, especialmente para la comunidad JMP en general, en particular para los expertos en DOE y los promotores del JMP.
Pero lo hicimos para un sistema complejo de 12 factores, y lo hicimos de manera integral a través de cuatro enfoques diferentes.
Estoy muy satisfecho con estos resultados y nos encantaría seguir debatiendo sobre ellos, lo que nos lleva a futuros trabajos. De nuevo, estas son solo sugerencias puntuales, pero nos encantaría conocer la opinión de nuestro público. Por favor, escríbannos con críticas, comentarios, sugerencias y debates. Si continuamos con este trabajo y tenemos la capacidad para hacerlo, nos encantaría ampliar nuestros presupuestos de ejecución y realizar más rondas de 30 ejecuciones, que es lo que hemos visto habitualmente a lo largo de nuestra trayectoria corporativa. También ampliaríamos la configuración de factores basándonos en la guía de los modelos de proceso y ampliaríamos los diseños, incluyendo más ejecuciones para desacoplar algunas interacciones e incluso optimizar aún más. Desarrollaríamos más métodos de análisis. Podríamos utilizar redes neuronales, modelado de conjuntos autovalidado y optimización bayesiana, especialmente con esta última no estamos muy familiarizados. Por lo tanto, también somos estudiantes del sector. Nos encantaría aprender de este ejemplo. También nos gustaría desarrollar más simuladores. Los simuladores ofrecen una gran ventaja a los estudiantes, ya que no siempre es fácil conseguir presupuestos experimentales.
Por último, nos encantaría integrar scripts de Python directamente en JMP para que las clases o estudiantes puedan diseñar directamente los DOE, ejecutarlos en un simulador de automatización, obtener los datos rápidamente y analizar y comparar estrategias de optimización en ese momento. Este es un punto clave para futuras conversaciones. Nos encantaría saber de usted. Contáctenos a través de nuestro LinkedIn o escríbame a asit@samaasa.com.
Con esto, queremos agradecer sinceramente a todos los que colaboraron en este trabajo. Agradecemos especialmente a Phelan & Associates por crear el simulador virtual de PCR. Sus referencias están en nuestra lista de referencias. Nos pusimos en contacto con ellos, pero no pudimos contactarlos. Si hay alguna colaboración que podamos hacer al respecto, nos encantaría saberlo. Gracias a Jackie y Kirsten por permitir esta grabación. Gracias a toda la comunidad JMP por organizar la conferencia JMP. Estamos inmensamente agradecidos. Muchas gracias.
