Simon Stelzig, director de inteligencia de productos de 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 se pudieron formular, pero no procesar. Incluso con este diseño limitado, fue posible realizar predicciones de óptimos procesables para solicitudes cambiantes de los clientes utilizando una nueva respuesta y la plataforma de modelos de JMP. Una ampliación necesaria del DoE utilizando la función de diseño de aumento aumentó continuamente el número de experimentos, lo que permitió ajustar el 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 utilizando su mejor protección contra el modelado deficiente, como se encontró al no utilizarLa versión ProEl aumento del 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 verificación, para cumplir con las solicitudes de los clientes, que se encuentran en las proximidades de nuestra formulación.
Nota del editor: La presentación a la que @shs hace referencia al comienzo de su presentación es Uso de API REST a través de solicitudes HTTP y mapas JMP para comprender la densidad de la cervecería alemana (2020-EU-EPO-388)
