| Lautsprecher |
Transkript |
| Wayne Levin |
selbstvalidierendes Ensemblemodell, da wir es als Paradigmenwechsel im Versuchsdesign usw. betrachten. |
| |
Ich werde einfach... da haben wir's. Unsere Agenda hier ist... wir werden... nur eine kurze Einführung darüber geben, wer spricht. |
| |
Was, warum und wie von SVEM. Wir geben einen kurzen Überblick über DOE und maschinelles Lernen, beschreiben deren Integration in SVEM, analysieren einige reale SVEM-Experimente und werden |
| |
Wir besprechen einige aktuelle Forschungsergebnisse und demonstrieren den neuen Kandidaten-Set-Designer von JMP, neu in JMP 16. Anschließend beenden wir die Diskussion mit den üblichen nächsten Schritten, Fragen und Antworten und so weiter. |
| |
SVEM ist eine bemerkenswerte neue Methode, um mit weniger Versuchszyklen mehr Erkenntnisse zu gewinnen und aus kleinen Datensätzen, einschließlich DOEs, genauere Vorhersagemodelle zu erstellen. |
| |
Wir versprechen Ihnen, dass Sie mit SVEM geringere Kosten haben, schneller auf den Markt kommen und Probleme deutlich schneller lösen können. All das werden wir im weiteren Verlauf untersuchen. |
| |
in der Sitzung. |
| |
Ich bin Wayne Levin, Präsident von Predictum. Mit dabei ist Chris Gotwalt, der Chefdatenwissenschaftler bei JMP, und außerdem Phil Ramsey, leitender Datenwissenschaftler hier bei Predictum und außerordentlicher Professor an der University of New Hampshire. |
| |
Also lasst uns einfach |
| |
Machen wir hier eine Bestandsaufnahme. JMPs Beitrag zur Datenwissenschaft ist enorm, das wissen wir alle, und im DOE-Bereich vor über 20 Jahren wäre es … JMP 4 mit dem Koordinatenaustauschalgorithmus. |
| |
Und dann, vor etwa acht oder neun Jahren, kamen endgültige Screening-Designs heraus. Und wir würden gerne glauben, dass SVEM – wir nennen es die kurze, selbstvalidierende Ensemble-Modellierung (versuchen Sie, das dreimal schnell zu sagen) – ein weiterer Beitrag ist. |
| |
maschinelles Lernen und Versuchsplanung. |
| |
Es überwindet die Einschränkungen begrenzter Datenmengen. Mit kleinen Datenmengen ist maschinelles Lernen nicht möglich. Normalerweise sind dafür große Datenmengen erforderlich. |
| |
Wir haben SVEM nun in der Praxis getestet und wurden von mehreren Unternehmen darauf angesprochen. Wir haben eine Testversion von SVEM bereitgestellt. Wir sind |
| |
Predictum hat als erstes Unternehmen in diesem Bereich ein Produkt entwickelt und auf den Markt gebracht, und ich möchte Ihnen einfach einige der Dinge mitteilen, die wir bisher gelernt haben. |
| |
Und einer davon ist, dass SVEM außergewöhnlich gut funktioniert. Ich meine, wenn man mehr Parameter und eine größere Anzahl von Läufen hat, funktioniert es sehr gut mit |
| |
Modelle höherer Ordnung. Es liefert genauere Vorhersagen und hilft auch bei der Wiederherstellung nach fehlerhaften DOEs. Wenn Sie beispielsweise definitive Screening-Designs haben, die für |
| |
Aus welchem Grund auch immer nicht in der endgültigen Fassung ausgeführt werden kann, haben wir einige historische DOEs erhalten, die uns zugesandt wurden |
| |
Es fehlte an Leistung. Sie haben einfach nichts gefunden, aber mit SVEM war es tatsächlich möglich. Wir hatten Fälle, in denen einige Läufe fehlten oder fragwürdig waren. |
| |
Wir haben außerdem gelernt, dass es bei rationalen Fakultäten und ähnlichen Dingen nicht weiterhilft. Wir interessieren uns hier für prädiktive Modelle. |
| |
Und fraktionale Fakultäten liefern keine wirklichen Vorhersagemodelle; dafür sind sie nicht ausgelegt. Sie liefern Ihnen also nichts, wofür die Daten nicht strukturiert sind. |
| |
zumindest nicht in diesem Ausmaß. Wir haben außerdem gelernt, dass wir das volle Potenzial von SVEM noch nicht ausgeschöpft haben. Dafür brauchen wir wirklich |
| |
Experimente mit Blick auf SVEM zu entwerfen, bedeutet, mehr Faktoren zu berücksichtigen. Wir wollen nicht nur drei oder vier Faktoren betrachten. Wie wäre es mit 10, 15 oder sogar mehr? |
| |
Aus der Forschung, über die Chris und Phil sprechen werden, wissen wir, dass Bayesianische I-optimale Designs die besten sind... der beste Ansatz für die Verwendung mit SVEM und auch Mischungsdesigns |
| |
waren besonders nützlich für SVEM, und ich werde später noch etwas mehr dazu sagen. Und was SVEM betrifft |
| |
Wenn du es ausprobieren möchtest, haben wir am Ende ein paar Informationen, nachdem Chris und Phil darüber gesprochen haben. Und jetzt übergebe ich das Wort an dich, Chris, der |
| |
gehe auf das Was, Warum und Wie von SVEN ein. Also ab zu dir, Chris. |
| Chris Gotwalt |
Alles klar, super, danke, Wayne. Oh, warte, teile ich meinen Bildschirm? |
| Wayne Levin |
Noch nicht. |
| |
Los geht's. |
| Chris Gotwalt |
Okay, alles klar, vielen Dank, Wayne. |
| |
Daher werde ich jetzt die Idee selbstvalidierender Ensemblemodelle oder SVEM vorstellen. |
| |
Ich werde es ziemlich einfach halten. Ich gehe davon aus, dass Sie über Erfahrung in der Planung und Analyse von Experimenten verfügen. |
| |
Am wichtigsten ist, dass Sie verstehen, dass der statistische Modellierungsprozess darauf hinausläuft, Funktionen an Daten anzupassen |
| |
diese Prädiktor-Antwortvariable als Funktion der Eingangsvariablen. Auf einer hohen Ebene ist SVEM eine Brücke zwischen maschinellen Lernalgorithmen, die Big Data-Anwendungen nutzen |
| |
und Versuchsplanung, die allgemein als kleines und gutes Analyseproblem angesehen wird. Maschinelles Lernen und DOE haben jeweils eine lange Geschichte, aber bis jetzt waren sie relativ getrennte Traditionen. |
| |
Unsere Untersuchungen zeigen, dass Sie mit SVEM mit weniger Beobachtungen genauere Modelle erhalten können. |
| |
Das bedeutet, dass Produkt- und Prozessverbesserungen in kürzerer Zeit mit weniger Ressourcen und zu geringeren Kosten erfolgen können. Wenn Sie also in einer wettbewerbsintensiven Branche tätig sind, |
| |
Wenn es darauf ankommt, als Erster auf dem Markt zu sein, dürfte SVEM für Sie von großem Interesse sein. |
| |
Wir sind insbesondere davon überzeugt, dass SVEM in der Pharma- und Biotech-Industrie enormes Potenzial hat. |
| |
Hochtechnologie wie die Halbleiterherstellung und die Entwicklung von Konsumgütern. |
| |
Durch meine Arbeit hier bei JMP habe ich einen umfassenden Überblick über den Umgang mit Daten in vielen Branchen und Anwendungsbereichen gewonnen. |
| |
Ich habe Algorithmen für die Konstruktion optimaler Designexperimente sowie zugehörige Analyseverfahren wie gemischte Modelle und die Verallgemeinerung Ihrer Modelle entwickelt. |
| |
Andererseits bin ich auch der Entwickler der neuronalen Netzwerkalgorithmen von JMP Pro sowie einiger anderer im Produkt enthaltener Techniken des maschinellen Lernens. |
| |
In den letzten 20 Jahren habe ich gesehen, wie das maschinelle Lernen bei der Modellierung großer Beobachtungsdatensätze an Bedeutung gewonnen hat und viele neue |
| |
Algorithmen, die entwickelt wurden. Gleichzeitig hat sich auch die Analyse geplanter Experimente verändert, allerdings in den letzten 20 Jahren eher schrittweise. |
| |
Die allgemeine statistische Methodik industrieller Experimente wäre jedem bekannt, der in den späten 1970er Jahren Box, Hunter und Hunter gelesen hat. |
| |
Maschinelles Lernen und Versuchsplanung werden in der Industrie im Allgemeinen eingesetzt, um Probleme prädiktiver Natur zu lösen. |
| |
Mithilfe dieser Tools beantworten wir Fragen wie: Zeigt der Sensor beispielsweise eine fehlerhafte Charge an? Oder: Wie passen wir den Prozess an, um den Ertrag zu maximieren und gleichzeitig die Kosten zu minimieren? |
| |
Obwohl beide ihrer Natur nach prädiktiv sind, werden maschinelles Lernen und Versuchsplanung im Allgemeinen auf ziemlich unterschiedliche Datentypen angewendet. |
| |
Ich werde jetzt einen kurzen Überblick über beide geben und dann beschreiben, wie wir sie in SVEM integriert haben. |
| |
Ich werde einige Daten aus einem echten Experiment analysieren, um zu zeigen, wie es funktioniert und warum wir denken, dass es insgesamt sehr gut funktioniert. |
| |
Ich werde insgesamt ... ich werde ... ich werde die Ergebnisse der Simulationen durchgehen, die von Trent Limpkiss(?), einem Doktoranden an der University of New Hampshire, durchgeführt wurden und die uns die Zuversicht gegeben haben, dass der Ansatz sehr vielversprechend ist. |
| |
Anschließend gehe ich anhand eines Beispiels durch, wie Sie die neuen Kandidatensatzdesigns in JMP 16 verwenden können, um optimale Teilmengen vorhandener Datensätze zu finden, damit Sie SVEM selbst ausprobieren können. |
| |
Ich werde einige unserer Beobachtungen hervorheben, einige zukünftige Fragen erwähnen, die wir hoffentlich beantworten können, und dann werde ich an Phil übergeben, der eine ausführlichere Fallstudie und eine Demo des SVEM-Add-Ins durchgehen wird. |
| |
Betrachten Sie die einfachen Daten auf dem Bildschirm. Es handelt sich um Daten aus dem metallurgischen Prozess, und wir möchten das Ausmaß der Schrumpfung am Ende der Verarbeitungsschritte vorhersagen. |
| |
Auf der linken Seite haben wir drei Variablen, die wir zur Vorhersage der Schrumpfung verwenden möchten. Die Modellierung läuft darauf hinaus, eine Funktion zu finden, die Druck, Zeit und Temperatur verknüpft und die Reaktion (Schrumpfung) hier vorhersagt. |
| |
Wir hoffen, dass dieses Modell in Zukunft auf neue Daten verallgemeinert werden kann. |
| |
Im Kontext des maschinellen Lernens besteht die Standardmethode darin, die Daten in zwei disjunkte Zeilensätze zu partitionieren. Einer davon wird als Trainingssatz bezeichnet und dient zum Anpassen von Modellen, um sicherzustellen, dass die Daten nicht überangepasst werden. |
| |
Dies führt zu Modellen, die bei neuen Beobachtungen ungenau sind. Wir verfügen über eine weitere Teilmenge der Daten, den sogenannten Validierungsdatensatz, mit dem wir verschiedene Modelle testen, die wir... |
| |
die an den Trainingsdatensatz angepasst wurden. Hier besteht ein Kompromiss: Zu einfache Funktionen passen schlecht in die Trainings- und Validierungsdatensätze, da sie nicht genügend Variationen erklären. |
| |
Zu komplexe Modelle hingegen können zwar eine nahezu perfekte Anpassung an den Trainingsdatensatz aufweisen, sind jedoch im Validierungsdatensatz sehr ungenau. |
| |
Wir verwenden Maßnahmen wie das Validierungs-R-Quadrat, um das Goldlöckchen-Modell zu finden, das weder zu einfach noch zu kompliziert ist. |
| |
Dieses Goldlöckchen-Modell ist das Modell, dessen Validierungs-R-Quadrat im Validierungssatz am höchsten ist. |
| |
Diese Modellauswahl im Hold-Out-Stil ist eine sehr gute Vorgehensweise, wenn Sie eine relativ große Anzahl von Zeilen haben, |
| |
oft Hunderte Millionen Zeilen oder mehr. Die Angabe „angemessen groß“ ist bewusst mehrdeutig und hängt von der jeweiligen Aufgabe ab. Die hier angezeigten 12 Zeilen sind jedoch eigentlich zu klein und dienen hier nur zur Veranschaulichung. |
| |
In DOEs befinden wir uns normalerweise in Situationen, in denen es erhebliche Einschränkungen hinsichtlich Zeit und/oder Ressourcen gibt. |
| |
Eine Kernidee geplanter Experimente, insbesondere optimal geplanter Experimente, die eine Schlüsselfunktion von JMP darstellen, besteht darin, Informationen höchster Qualität zu erhalten und diese in die kleinstmögliche Anzahl von Zeilen zu packen. |
| |
Viele brillante Menschen haben über viele Jahre hinweg statistische Werkzeuge wie F-Tests, halbnormale Diagramme und Modellauswahlkriterien wie AIC und BIC entwickelt. |
| |
die uns bei der Entscheidungsfindung über Modelle für DOE-Daten helfen. Dies sind allesamt Leitlinien, die uns dabei helfen, das Modell zu identifizieren, auf dem wir unsere wissenschaftlichen, technischen und fertigungstechnischen Entscheidungen basieren sollten. |
| |
Die Anwendung der Modellauswahl mittels maschinellem Lernen auf geplante Experimente wird nicht oft durchgeführt. Warum sollte das so sein? |
| |
Ein wichtiger Grund ist, dass Informationen so dicht in Designs verpackt sind, dass das Entfernen von nur wenigen Beobachtungen dazu führen kann, dass die Haupteffekte und Wechselwirkungen zusammenbrechen. |
| |
sodass wir sie nicht mehr in eindeutig abschätzbare Effekte trennen können. Wenn Sie es trotzdem versuchen, werden Sie wahrscheinlich Warnungen im Softwarebericht sehen, wie z. B. verlorene Freiheitsgrade oder Singularitätsdetails, die dem Modellbericht hinzugefügt wurden. |
| |
Jetzt machen wir ein kleines Gedankenexperiment. Was wäre, wenn wir versuchen würden, ein bisschen zu schummeln? |
| |
Was wäre, wenn wir alle Zeilen der Originaltabelle, die X- und Y-Zeichen, kopieren und eine Kopie mit „Training“ und die andere mit „Validierung“ beschriften würden? Jetzt hätten wir doch genug Daten, oder? Falsch. Wir wollen damit niemanden täuschen, das ist ein verrückter Plan. |
| |
Es ist verrückt, denn wenn Sie versuchen würden, mit diesem Ansatz ein Modell zu erstellen und sich ein Diagramm des Anpassungsindexes ansehen würden, würden Sie sehen, dass eine größere Komplexität zu einer besseren Anpassung an den Trainingsdatensatz führt. Aber da Training und Validierung |
| |
Wenn die Mengen in diesem Fall gleich sind, führt dieser Ansatz immer zu einer Überanpassung. |
| |
Lassen Sie uns also einen Schritt zurückgehen und die Modellauswahl für maschinelles Lernen als eine Geschichte zweier gewichteter Summen von Quadraten betrachten, die auf der Grundlage derselben Daten berechnet wurden. |
| |
Anstatt über die Modellauswahl im Hinblick auf zwei Datenpartitionen nachzudenken, können wir sie als zwei Spalten mit Gewichten betrachten. |
| |
Es gibt ein Trainingsgewicht, das für Zeilen im Trainingssatz gleich eins und andernfalls gleich null ist, und eine Validierungsspalte |
| |
das ist gleich null für die Trainingszeilen und gleich eins für die Validierungsspalte, für die Validierungszeilen. |
| |
Ausgehend von der Modellauswahl des maschinellen Lernens können wir davon ausgehen, dass jede Zeile ihr eigenes Paar von Gewichtungswerten hat, wobei beide Gewichtungen binäre Nullen und Einsen sind. |
| |
Durch diese Einrichtung können wir die Modellanpassung unabhängig beurteilen. |
| |
Die Anpassung der Modelle erfolgt durch die Suche nach Parameterwerten, die die Summe der quadrierten Fehler, gewichtet mit dem Trainingsgewicht, minimieren. Die Generalisierungsleistung wird anhand der Summe der quadrierten Fehler, gewichtet mit den Gewichten der Validierungsspalte, gemessen. |
| |
Wenn wir diese Gewichtspaare in einem Streudiagramm darstellen, sehen wir natürlich, dass die Trainingsvalidierungsgewichte … die Trainings- und Validierungsgewichte perfekt antikorreliert sind. |
| |
Was wäre nun, wenn wir uns nicht dazu zwingen, perfekt antikorrelierte Paare von Binärwerten zu verwenden, sondern die Anforderung lockern, dass die Werte nur die Werte Null und Eins annehmen können? |
| |
und zulassen, dass die Gewichte jeden strikt positiven Wert annehmen? |
| |
Um das zu erreichen, müssen wir insbesondere etwas aufgeben, denn meines Wissens nach können wir, damit das mathematisch funktioniert, keine perfekt antikorrelierten Gewichtspaare mehr haben, aber wir können es so machen, dass wir immer noch eine wesentliche Antikorrelation haben. |
| |
Es gibt viele Möglichkeiten, dies zu tun, aber eine Möglichkeit wäre, Gewichte nach dem gleichen Schema wie beim fraktional gewichteten Bootstrap zu erstellen, bei dem wir eine Exponentialverteilung mit einem Mittelwert von eins verwenden. |
| |
um die Gewichte zu erstellen. Und es gibt einen kleinen Trick, der die Eigenschaften der Gleichverteilung nutzt, um exponentiell verteilte, aber stark antikorrelierte Gewichtspaare zu erstellen. |
| |
Wenn wir dies als zweispaltiges gewichtetes Validierungsschema verwenden, nennen wir dies Autovalidierung. Phil und ich haben mehrere Discovery-Artikel zu diesem Thema verfasst ... genau zu dieser Idee. |
| |
Die Verwendung dieses Ansatzes ist so, als ob Sie eine Trainingsspalte mit Gewichten hätten, die einen Varianzmittelwert von eins hat, und eine Validierungsspalte mit denselben Eigenschaften. |
| |
Wenn bei diesem Autovalidierungsschema eine Zeile mehr als das durchschnittliche Gewicht zu den Summen der Quadrate des Trainings beiträgt, trägt diese Zeile weniger zu den Summen der Quadrate der Validierung bei und umgekehrt. |
| |
Es gibt ein Add-In, das Mike ... Ich möchte darauf hinweisen, dass es ein von Mike Anderson erstelltes Add-In gibt, das Datensätze in ein Format bringt, das von den Modellierungsplattformen von JMP Pro verwendet werden kann. |
| |
Vor Kurzem haben Phil und ich Trent als unseren Doktoranden aufgenommen. |
| |
Im Frühjahr und Herbst führte Trent zahlreiche Simulationen durch und probierte dabei verschiedene Ansätze zur Anpassung von Modellen an DOE-Daten aus, darunter eine ganze Reihe von auf Autovalidierung basierenden Ansätzen. Ich zeige einige seiner Ergebnisse. |
| |
Hier in Kürze. Es genügt zu sagen, dass der Ansatz, der hinsichtlich des minimalen durchschnittlichen Fehlers in einem unabhängigen Testsatz durchweg am besten funktionierte, die Anwendung der Autovalidierung war |
| |
in Kombination mit einem variablen Auswahlverfahren wie der Vorwärtsauswahl, aber anstatt dies einmal zu tun, wiederholen wir den Vorgang Dutzende oder Hunderte Male, |
| |
Dabei wird die Vorhersageformel jedes Mal gespeichert und schließlich werden die Modelle über alle automatisch validierten Iterationen gemittelt. Dieses allgemeine Verfahren nennen wir selbstvalidierte Ensemblemodelle oder SVEM. |
| |
Um die Dinge etwas konkreter zu machen, werde ich ein kurzes Beispiel geben, das dies veranschaulicht. Wir beginnen mit der Initialisierung der Autovalidierungsgewichte. |
| |
Wir wenden ein Modellauswahlverfahren an, beispielsweise Lasso oder Vorwärtsauswahl, und speichern die Vorhersageformel dann wieder in der Tabelle. |
| |
Hier ist die erste Vorhersageformel. In dieser Iteration wurden nur zwei lineare Haupteffekte ausgewählt. |
| |
Dann initialisieren wir die Gewichte neu, passen sie mit dem neuen Gewichtssatz erneut in das Modell ein und speichern diese Vorhersageformel. |
| |
Hier ist die zweite automatisch validierte Vorhersageformel. Beachten Sie, dass dieses Mal ein anderer Satz von Haupteffekten und Interaktionen gewählt wurde und die Regressionskoeffizienten unterschiedlich sind. |
| |
Wir wiederholen diesen Vorgang einige Male. |
| |
Und am Ende ist das SVEM-Modell einfach der Durchschnitt aller Vorhersageformeln. |
| |
Hier ist ein prägnantes Diagramm, das den SVEM-Algorithmus als Diagramm veranschaulicht. Die Idee, die Bootstrap-Verfahren mit der Modellmittelung zu kombinieren, |
| |
passiert immer wieder, während wir... nachdem wir die Gewichte neu initialisiert haben. Wir speichern die Vorhersageformel aus dieser Iteration. |
| |
Wir speichern... hier speichere ich die Parameter... hier zeigt die Abbildung die Parameter, aber mit den Formeln ist es dasselbe. Speichern Sie sie einfach alle, und am Ende des Tages ist das endgültige Modell einfach der Durchschnitt aller Iterationen. |
| |
Wenn wir fertig sind, können wir dieses SVEM-Modell im Graph-Profiler mit aktivierter Option „Zwischenformeln erweitern“ verwenden, damit wir das resultierende Modell visualisieren und unseren Prozess optimieren usw. können. |
| |
Jetzt werde ich die Ergebnisse aus Trents Dissertationsforschung durchgehen. |
| |
a Box Behnkens und DSDs in vier und acht Faktoren. Jede Simulation bestand aus 1.000 Simulationsreplikationen und jede Simulation hatte ihren eigenen Satz wahrer Parameterwerte für unser quadratisches Antwortoberflächenmodell. |
| |
Die aktiven Parameter waren doppelt exponentiell verteilt und wir untersuchten verschiedene Prozentsätze aktiver Effekte von 50 % bis 100 %. |
| |
Für jede der 1.000 Simulationswiederholungen wurde die SVEM-Vorhersage im Verhältnis zum wahren Modell anhand eines unabhängigen Testsatzes bewertet, der aus einem raumfüllenden Design mit 10.000 Durchläufen über dem Faktorraum bestand. |
| |
Wir haben uns eine große Anzahl verschiedener klassischer Single-Shot-Modellierungsansätze sowie zahlreiche Variationen der gesamten Validierung angesehen. |
| |
Es ist jedoch einfacher, nur die interessantesten Ergebnisse zu betrachten, da es zu viele Vergleiche gab. Die Geschichte war in allen von uns untersuchten Situationen sehr einheitlich. |
| |
Dies ist eine dieser Simulationen, deren Basisdesign ein definitives Screening-Design mit acht Faktoren und 21 Durchläufen war. In diesem Fall waren 50 % der Effekte ungleich Null. |
| |
Dies bedeutet, dass das Modell ungefähr so viele Parameter ungleich Null hatte, wie es Läufe gab. |
| |
Links sind die Boxplots der logarithmischen mittleren quadratischen Fehler für Lasso, Dantzig-Selektor, Vorwärtsauswahl und beschnittene Vorwärtsauswahl, alle optimiert mit AICc, der Methode mit der besten Leistung. |
| |
Als nächstes folgt die Methode mit der besten Leistung der Fit-Definitive-Plattform, gefolgt von SVEM, angewendet auf eine andere Modellierung ... mehrere verschiedene Modellierungsverfahren auf der rechten Seite. |
| |
Es gibt eine dramatische Reduzierung des mittleren quadratischen Fehlers des unabhängigen Testsatzes, wenn wir die RMSEs des Testsatzes mit den SVEM-Vorhersagen vergleichen. |
| |
Und beachten Sie, dass dies auf einer logarithmischen Skala erfolgt, es handelt sich also um einen ziemlich dramatischen Unterschied in der Vorhersageleistung. |
| |
Hier ist ein noch interessanteres Ergebnis. Dieses Diagramm hat mich wirklich umgehauen. Es handelt sich um denselben Simulationsaufbau, nur dass hier alle Effekte ungleich Null sind. |
| |
Die wahren Modelle sind also übersättigt, nicht nur in der Entwurfsmatrix, sondern auch in den Parametern selbst. |
| |
In der Vergangenheit mussten wir davon ausgehen, dass die Anzahl der aktiven Effekte eine kleine Teilmenge aller Effekte darstellt und sicherlich kleiner ist als die Anzahl der Zeilen. |
| |
Hier erhalten wir einigermaßen genaue Modelle, obwohl die Anzahl der aktiven Parameter etwa doppelt so groß ist wie die Anzahl der Zeilen, was wirklich bemerkenswert ist. |
| |
Jetzt werde ich eine kurze Illustration durchgehen |
| |
von SVEM, um zu zeigen, wie Sie es auf Ihre eigenen historischen DOEs anwenden können. Ich werde ein reales Beispiel eines Fünf-Faktor-DOEs aus einem Fermentationsprozess verwenden, bei dem die relevante Reaktion die Produktausbeute war, gemessen am pDNA-Titer. |
| |
Der große Vorteil von SVEM besteht darin, dass wir mit weniger Durchläufen genauere Modelle erhalten. Das bedeutet, dass wir vorhandene Datensätze nutzen können, |
| |
Verwenden Sie den neuen Kandidatensatz-Designer in JMP 16, um die Teilmenge der Zeilen zu identifizieren, die das prädiktive Herzstück des ursprünglichen Designs bilden. |
| |
Ich nehme die Originaldaten mit 36 Zeilen, lade die fünf Spalten als Kovariaten und sage dem benutzerdefinierten Designer, dass er mir die Teilmenge mit 16 Zeilen des Originaldesigns geben soll, die bei dieser Größe die beste vorhergesagte Leistung liefert. |
| |
Dann verstecke und schließe ich alle Zeilen aus, die nicht in diesem Teilmengendesign enthalten sind, sodass sie später als unabhängiger Testsatz verwendet werden können. |
| |
Ich werde das SVEM-Modell ausführen und die Leistung des SVEM-Modells mit dem vergleichen, was Sie erhalten, wenn Sie ein Standardverfahren wie die Vorwärtsauswahl plus AICc-Anpassung auf dieselben 16 Läufe anwenden. |
| |
Ich möchte sagen, dass der neue Kandidaten-Set-Designer in JMP 16 ebenfalls ein bemerkenswerter Beitrag ist, und ich möchte nur hervorheben, wie unglaublich Brads Team bei der Erstellung dieses neuen Tools war, das in vielerlei Hinsicht äußerst nützlich sein wird, auch bei SVEM. |
| |
Dazu können wir unseren Datensatz nehmen und zum benutzerdefinierten Designer gehen. |
| |
Wir wählen Kovariatenzeilen aus, daher ist dies ein neuer Gliederungsknoten in JMP 16. |
| |
Anschließend wählen wir die fünf Eingabefaktoren aus. |
| |
Klicken Sie auf „Weiter“. |
| |
Und wir drücken die RSM-Taste, wodurch die Optimalitätskriterien automatisch in ein I-optimales oder prädiktives Design umgewandelt werden. |
| |
Wir wählen alle Nicht-Achsenabschnittsfaktoren aus und klicken mit der rechten Maustaste in das ... im Modell ... |
| |
Wählen Sie hier eine Liste aus und erstellen Sie... setzen Sie alle Nicht-Intercept-Effekte als mögliche Effekte. Dies ermöglicht es uns, Modelle zu haben |
| |
mit mehr Parametern als Durchläufen als Basisdesign, da das Designkriterium nun ein Bayesianisches I-optimales Design ist. Jetzt können wir die Anzahl der Durchläufe auf 16 festlegen. |
| |
Klicken Sie auf „Design erstellen“. |
| |
Und sobald wir das getan haben, entfaltet der Optimierer seine Magie und alle Zeilen, die sich im Bayes'schen I-optimalen Teilmengendesign befinden, werden jetzt in der Originaltabelle ausgewählt. |
| |
Wir können zur Tabelle gehen und dann einen Indikator oder eine Transformationsspalte verwenden, um die aktuelle Zeilenauswahl aufzuzeichnen. |
| |
Und ich habe der Spalte für später einen aussagekräftigen Namen gegeben. |
| |
Wir können die Punkte auswählen, die nicht im Teilmengendesign enthalten sind, indem wir alle Zeilen auswählen, in denen die neue Indikatorspalte gleich Null ist. |
| |
Und dann können wir diese Zeilen ausblenden und ausschließen, sodass sie nicht in unseren Modellanpassungsprozess einbezogen werden. |
| |
Phil wird das SVEM-Add-In vorführen. Ich überspringe daher die Modellierungsschritte und gehe direkt zu einem Modellvergleich der Vorwärtsselektion plus AICc und des SVEM-Modells für die Zeilen über, die nicht im Bayesschen I-optimalen Teilmengendesign enthalten sind. Sie sehen den Vergleich hier in Rot. |
| |
im roten Umrissteil des Berichts hier. Wir sehen, dass SVEM ein R-Quadrat auf dem |
| |
unabhängiger Testsatz von 0,5 und das klassische Verfahren hat ein R-Quadrat von 0,22, sodass wir mit SVEM im Grunde die doppelte Menge an Variation erklären können als mit dem klassischen Verfahren. |
| |
Wir können auch die Profilspuren der beiden Modelle vergleichen, wenn wir SVEM auf alle 46 Beobachtungen anwenden. |
| |
Es ist klar, dass wir im Grunde dasselbe Modell erhalten, wenn wir SVEM auf alle 46 Läufe anwenden, wie wenn wir nur 16 Läufe unter SVEM durchführen. |
| |
Dem auf Vorwärtsselektion basierenden Modell fehlen jedoch Krümmungsterme, ganz zu schweigen davon, dass auch viele Interaktionen fehlen. Dies ist ein recht einfaches Verfahren, mit dem Sie SVEM anhand Ihrer eigenen historischen Daten testen können. |
| |
Also insgesamt ALLES |
| |
wirft viele Fragen auf. Viele davon drehen sich um die Rolle von Freiheitsgraden in Designexperimenten, da wir nun in der Lage sind, Modelle anzupassen, bei denen es mehr Parameter als Zeilen gibt, was bedeutet, dass es effektiv negative Freiheitsgrade gäbe, wenn es so etwas überhaupt gäbe. |
| |
Ich denke, dies wird uns dazu veranlassen, die Rolle des P-Wert-basierten Denkens bei industriellen Experimenten zu überdenken. |
| |
Wir müssen daran arbeiten, neue Methoden für die Analyseunsicherheit zu etablieren, wie etwa Vorhersagen … in Konfidenzintervallen für Vorhersagen. |
| |
Phil und ich arbeiten daran, die beste Familie von Basismodellen zu finden, mit denen wir arbeiten können. Das könnten quadratische RSMs sein, und wir betrachten auch partiell kubische Modelle, die schon vor langer Zeit vorgeschlagen wurden, aber unserer Meinung nach eine erneute Betrachtung wert sind. |
| |
Welche Designs sollten wir verwenden? Welche Stichprobengrößen sind in Abhängigkeit von der Anzahl der Faktoren im verwendeten Basismodell angemessen? Welche Rolle spielen Screening-Experimente? Und eine große Unbekannte ist die Rolle von Block- und Split-Plot-Experimenten. |
| |
in diesem Rahmen? |
| |
Jetzt übergebe ich an Phil. Er wird eine ausführlichere Fallstudie durchführen und das SVEM-Add-In von Predictum vorführen. Übernimm, Phil. |
| Philip Ramsey |
Okay, danke, Chris. Und ich werde eine Fallstudie besprechen. Lassen Sie mich das hier in |
| |
Diashow und ich werde einige |
| |
Illustration, wie Chris sagte, der Vorhersage |
| |
Add-In, das einen Großteil der SVEM-Analyse automatisiert. Wir möchten uns eine Analysemethode ansehen, die in der Biotech-Industrie verwendet wird. |
| |
Und dieses hier dient der Charakterisierung des Glykoprofilings therapeutischer Proteine, im Wesentlichen Proteine, aus denen Antikörper werden. |
| |
Viele von Ihnen, die in dieser Branche arbeiten, wissen, dass Glykoproteine eine äußerst wertvolle Quelle für Therapeutika sind. Sie wissen auch, dass die Zuverlässigkeit der Messsysteme nachgewiesen werden muss, wenn man GMP erreichen will. Und beim Glykoprofiling |
| |
Schnelle, einfach anzuwendende Analysemethoden sind noch nicht wirklich ausgereift. Die Idee dieses Experiments bestand darin, eine relativ schnelle und einfache Methode zu entwickeln, mit der die Menschen die verschiedenen |
| |
(Ich bin hier kein Chemiker) Zucker, die |
| |
nach der Transkription an das Basisprotein angehängt. |
| |
Und um Ihnen eine Vorstellung zu geben: Chromatographie ist eine Methode, bei der man |
| |
Sie haben eine Lösung, lassen sie durch eine Säule laufen und dann, während die verschiedenen chemischen Spezies durch die Säule gehen, |
| |
Sie neigen dazu, sich zu trennen und zu unterschiedlichen Zeiten aus der Säule zu kommen. Im Grunde genommen entsteht also eine Form, ein sogenanntes Chromatagramm, bei dem der Peak |
| |
ist eine Funktion der Konzentration, und der Zeitpunkt des Peaks ist wichtig für die Identifizierung der Spezies. In diesem Fall betrachten wir eine Reihe von |
| |
Zucker. Ich werde sie einfach Glykoformen nennen. Was hier passiert, ist, dass die Wissenschaftler, die diese Arbeit durchgeführt haben, eine Kalibrierungslösung entwickelt haben. |
| |
Und wir wissen genau, was in der Kalibrierlösung enthalten ist. Wir wissen genau, welche Peaks eluieren sollten und ungefähr wo. |
| |
Anschließend können wir eine echte menschliche Antikörperprobe mit der Kalibrierungsprobe vergleichen. Einige dieser Glykoformen sind geladen. Es ist schwierig, sie durch die Säule zu bekommen. |
| |
Sie neigen dazu, daran zu haften, daher verwenden wir ein Verfahren, das manchmal als Gradientelutionsverfahren bezeichnet wird. |
| |
Und ich werde nicht ins Detail gehen. Was wir hier machen, ist die sogenannte Hochleistungs-Anionenaustauschchromatographie. Ich bin kein Experte darin, aber der Wissenschaftler, mit dem ich zusammengearbeitet habe, hat |
| |
sehr gute Arbeit bei der Entwicklung dieser Kalibrierung geleistet haben, und der Grund, warum wir eine Kalibrierungslösung benötigen, die historisch |
| |
Bei den Zuckern, die aus einer menschlichen Antikörperprobe eluieren, lässt sich nicht vollständig vorhersagen, wo sie aus einer Säule herauskommen, daher haben wir etwas, das wir zur Kalibrierung verwenden können. |
| |
Also. |
| |
Die Person, die die Arbeit durchgeführt hat – ich werde sie gleich erwähnen – hat zwei separate Experimente entworfen. Das eine ist ein dreistufiges Design mit 16 Durchläufen. |
| |
Später kam sie zurück und entwickelte ein größeres dreistufiges Design mit 28 Durchläufen. Eins davon könnte als Trainingsset und das andere als Validierungsset verwendet werden. Um jedoch den Kovariatenselektor und die Bayes'sche I-optimale Strategie zu demonstrieren, von der Chris sprach, |
| |
Beide Designs wurden zu einem einzigen 44-Run-Design kombiniert. Wir haben dann |
| |
habe dieses Design mit dem Kovariatenselektor in ein benutzerdefiniertes Design übernommen und dann verschiedene Bayesianische I-optimale Designs erstellt. |
| |
Wir hätten noch mehr Kombinationen machen können, aber wir haben nur begrenzt Zeit, darüber zu sprechen. Es gibt also drei Designs. Eines hat 10 Läufe. Denken Sie an die fünf Faktoren, und wir machen 10 Läufe. |
| |
Ein 13-Run-Design und ein 16-Run-Design, und wir könnten noch viel mehr tun. Wir wollen also sehen, wie diese |
| |
Designs funktionieren, nachdem wir Fan-to-Fit-Modelle verwendet haben, und übrigens, wie Chris erwähnte, werden in jedem dieser Designs die Läufe, die nicht aus den 44 ausgewählt wurden, dann als Validierungs- oder Testsatz verwendet, um zu sehen, wie gut das Modell funktioniert hat. |
| |
Okay, das sind also die Ausgangsfaktoren: die Ausgangsmenge an Natriumacetat und die Ausgangsmenge an Natriumhydroxid. Und dann gibt es drei separate Gradientenelutionsschritte, die stattfinden |
| |
über die Prozesszeit, die etwa 40 Minuten beträgt. Dies sind also die Einstellungen, die im Experiment verwendet und manipuliert werden. |
| |
In diesem Experiment gibt es tatsächlich 44 verschiedene Antworten, die man untersuchen könnte. Angesichts der verfügbaren Zeit werde ich mir zwei davon ansehen. |
| |
Eine davon ist die Retentionszeit für Glykoform 3. Dies ist der Schlüssel, sie ist die Grundlage für das Kalibrierungschromatogramm. |
| |
Und wir möchten, dass es nach etwa achteinhalb Minuten herauskommt, weil es gut mit menschlichen Antikörperproben übereinstimmt. |
| |
Es ist eigentlich recht einfach zu modellieren. Die zweite Antwort ist die Retentionszeit von Glykoform 10. Es ist eine geladene Glykoform. Sie eluiert sehr spät und neigt dazu, sich mit anderen geladenen Glykoformen zu versammeln, was die Unterscheidung erschwert. Okay, das sind also die beiden Antworten, die ich mir ansehen werde. |
| |
Und für diejenigen, die mit Chromatographie nicht vertraut sind, hier ein paar sogenannte Chromatogramme. Dies sind im Wesentlichen die Antworten, |
| |
Bilder, wie die Antworten aussehen, und in diesem Fall, wenn Sie einen Blick auf das Bild werfen, werden wir uns die Retentionszeit ansehen, das heißt, wann |
| |
Peak 3 erschien? Zu welcher Zeit und wann erschien Peak 10 im Chromatogramm? Und beachten Sie übrigens zwischen den beiden |
| |
Chromatogramme, die ich zeige, wie unterschiedlich die Profile sind. In diesem Experiment haben wir diese experimentellen Faktoren manipuliert |
| |
(und übrigens, wir haben 44 dieser Chromatogramme; ich zeige Ihnen zwei davon), sehen Sie viele Unterschiede in den Formen, Retentionszeiten usw. dieser Peaks und in der Auflösung. Was auch immer wir also tun, wir manipulieren eindeutig |
| |
die Chromatogramme, und für diejenigen unter Ihnen, die neugierig sind: ja, wir denken darüber nach, dies in Zukunft als funktionale Daten zu betrachten und wie die Analyse funktionaler Daten verwendet werden könnte. |
| |
Aber das ist oft die Zukunft, aber das ist definitiv etwas, woran wir sehr interessiert sind. Chromatogramme sind letztendlich funktionale Daten. Aber ich werde nur zwei Merkmale extrahieren und versuchen, sie zu modellieren. Okay. Und ich möchte auch würdigen |
| |
Dr. Eliza Yeung von Cytovance Biologics, eine gute Freundin und hervorragende Wissenschaftlerin. Sie hat die gesamte experimentelle Arbeit durchgeführt und war diejenige, die die Idee hatte, das … zu konstruieren. |
| |
Was sie die Glukoseleiter nennt, die Kalibrierlösung. Und Eliza ist nicht nur ein netter Mensch, sondern liebt auch JMP. Wir mögen Eliza also in vielerlei Hinsicht, okay. Ausgezeichnete Wissenschaftlerin. Okay, also |
| |
bevor ich einsteige |
| |
SVEM, ich möchte nur erwähnen ... Chris erwähnte das vollständig quadratische Modell, das seit etwa 1950 als Grundlage der Optimierung verwendet wird. |
| |
Im Wesentlichen handelt es sich dabei um alle Haupteffekte, Zwei-Faktor-Wechselwirkungen und quadrierte Terme. Tatsächlich ist die Kinetik vieler komplexer physikalischer Systeme für dieses Modell zu komplex. |
| |
Cornell und Montgomery haben in einem wirklich guten Artikel aus dem Jahr 1998 darauf hingewiesen und vorgeschlagen, dass in vielen Fällen |
| |
Das sogenannte Interaktionsmodell, wir nennen es das partiell kubische Modell, könnte besser funktionieren. Und meiner Erfahrung nach, wenn ich SVEM verwende und dieses Modell auf viele Fallstudien anwende, haben sie Recht. Es liefert tatsächlich bessere Vorhersagemodelle, aber es gibt ein Problem. |
| |
Diese partiell kubischen Modelle können riesig sein und stellen eine große Herausforderung für traditionelle Modellierungsstrategien dar, bei denen übersättigte Modelle, wie Chris erwähnte, ein großes Problem darstellen. |
| |
Wie viele potenzielle Terme gibt es? Nehmen wir K², verdoppeln wir das und addieren eins für den Achsenabschnitt. Für fünf Faktoren ergibt sich also die volle |
| |
Das partiell kubische Modell hätte 51 Terme. Ich werde diese Modelle übrigens verwenden, aber nur 40 der Terme, die normalerweise am wichtigsten sind. |
| |
Und dann werden wir selbstvalidierende Ensemble-Modellierung verwenden, um die Modelle anzupassen, und wie Chris sagte, hat SVEM kein Problem mit übersättigten Modellen. |
| |
Und übrigens: In der Literatur zum maschinellen Lernen werden übersättigte Modelle immer angepasst. |
| |
Und mit den richtigen Techniken des maschinellen Lernens können Sie tatsächlich ... man kann Ihnen tatsächlich zeigen, dass Sie eine bessere Vorhersageleistung erzielen. |
| |
Dies ist in der traditionellen Statistik weitgehend unbekannt. Wir werden also das SVEM-Add-In verwenden. Wenn Sie mehr darüber erfahren möchten, können Sie sich an Wayne Levin von Predictum wenden, der bereits einen Vortrag gehalten hat. Ich bin sicher, Wayne würde sich gerne mit Ihnen unterhalten. |
| |
Kommen wir also kurz zu JMP. |
| |
Und ich zeige Ihnen, wie das Add-In tatsächlich funktioniert. Lassen Sie mich also JMP herüberbringen. |
| |
Ich habe das Add-In installiert und es hat eine eigene Registerkarte. Ich klicke auf „Predictum“. Dies ist übrigens eines der Bayesianisch-I-optimalen Designs, die wir erstellt haben, und dieses umfasst 16 Läufe. Wähle „selbstvalidierende Ensemble-Modellierung“. |
| |
Sie sehen also, wie der typische Dialog zur Einführung eines Fit-Modells aussieht. Ich werde meine fünf Faktoren auswählen. |
| |
Und ich werde an dieser Stelle zur Veranschaulichung ein Response Surface-Modell erstellen, und ich möchte modellieren |
| |
Retentionszeit für Glykoform 3. Beachten Sie im Hintergrund dieses Setups die Autovalidierungstabelle, es gibt also eine Wartefunktion. |
| |
Und es gibt einen Autovalidierungsteil. Dieser läuft im Hintergrund ab, Sie müssen ihn nicht sehen. Aber die Säge... das Add-In hat ihn erstellt und dann im Grunde ausgeblendet. Sie können ihn aber ansehen, wenn Sie möchten. Er ist ausgeblendet, weil es nicht so wichtig ist, ihn zu sehen. |
| |
So, jetzt öffnen wir GenReg, also das ist das GenReg |
| |
Bedienfeld. Zur Veranschaulichung: SVEM ist hinsichtlich der verwendeten Modellierungsmethode völlig agnostisch. Sie könnten also Methoden verwenden, die nicht einmal in GenReg enthalten sind, aber darauf konzentrieren wir uns heute. Wir werden also eine Vorwärtsselektion durchführen. |
| |
Und weil wir nur begrenzt Zeit haben, werde ich nur 10 Wiederholungen machen. |
| |
Klicken Sie auf „Los“ und wir erstellen das Modell. |
| |
Hier ist also die Ausgabe für nur 10 Wiederholungen. Sie erhalten ein Diagramm mit den tatsächlichen und vorhergesagten Werten. Das wirklich Schöne daran ist jedoch, dass es tatsächlich den Durchschnitt des Ensemble-Modells für Sie erstellt. |
| |
Ich klicke also auf „Selbstvalidierendes Ensemble-Modell“ und speichere die Vorhersageformel. Dann schließe ich die Anzeige. |
| |
Komm vorbei. |
| |
Und da ist mein Modell. |
| |
Ich kann dieses Modell nun auf die Validierungsdaten anwenden. Wir haben 16 ausgewählte Läufe, weitere 28 stehen als Validierungssatz zur Verfügung, um zu sehen, wie wir tatsächlich abgeschnitten haben. An dieser Stelle gehe ich zurück zum |
| |
Präsentation und, nebenbei bemerkt, ohne das SVEM-Add-In kann es ein wenig schwierig sein, vor allem, wenn Sie nicht besonders erfahren in JMP-Skripting |
| |
um diese Modelle tatsächlich zu erstellen. Das Add-In hat im Hintergrund vielleicht nicht so viel Arbeit geleistet, okay? Wie haben wir abgeschnitten? Ich zeige das nochmal in der Diashow. |
| |
Ich habe also drei Designs entwickelt: eines mit 16 Läufen, eines mit 13 Läufen und eines mit 10 Läufen. Wir gehen wirklich bis an die Grenzen. |
| |
Und es gibt zwei Antworten. Wie gesagt, Glykoform 10 eluiert spät und neigt zu Rauschen und kann schwer aufzulösen sein. Für das 16-Läufe-Design habe ich daher ein partiell kubisches Modell mit 40 Termen angepasst. Bedenken Sie: 16 Läufe. Und ich habe ein 40-Term-Modell angepasst. |
| |
Und der Schlüssel dazu ist der quadratische Mittelwert des Validierungssatzes. Also |
| |
Ich passe mein sechstes ... mein 40-Term-Modell an, und dann das |
| |
Der quadratische Fehler des Validierungssatzes war gering und das Validierungs-R-Quadrat lag tatsächlich nahe bei 98, es passte also sehr, sehr gut. |
| |
Beachten Sie, auch für die viel lauteren |
| |
Glykoform 10, wir haben immer noch ein recht gutes Modell. Ich zeige Ihnen einige Diagramme mit tatsächlichen und vorhergesagten Werten. Wir haben dies für 13 gemacht, und auch für 13 haben wir sehr gute Ergebnisse erzielt. |
| |
Und dann schließlich für 10. Übrigens, für 10 habe ich gerade das standardmäßige vollquadratische Modell angepasst, ich hatte das Gefühl, dass ich mein Glück wirklich herausforderte. |
| |
Aber ich hätte es mit der partiell kubischen Gleichung versuchen können. Und beachten Sie, dass ich selbst nach 10 Durchläufen bei der Modellierung der Retentionszeit von Glykoform 3 ein R-Quadrat von 0,94 erhielt. |
| |
Das finde ich wirklich beeindruckend und ich habe erneut ein Modell erstellt … mein Modell hatte doppelt so viele Prädiktoren wie Beobachtungen und selbst mit der schwer zu modellierenden Glykoform 10 haben wir ganz gute Ergebnisse erzielt. |
| |
Hier sind also einige Diagramme mit tatsächlichen und vorhergesagten Werten, und ich wähle erneut Glykoform 10, weil es wirklich schwer zu modellieren ist. |
| |
Ich wollte das System also nicht zu sehr manipulieren. Ich weiß aus Erfahrung, dass es schwer zu modellieren ist. Es gibt also ein Diagramm, das die tatsächlichen Ergebnisse mit den vorhergesagten Ergebnissen vergleicht. Es gibt ein weiteres Diagramm, das die tatsächlichen Ergebnisse mit den vorhergesagten Ergebnissen für das 10-Run-Design vergleicht. Es funktioniert immer noch recht gut. |
| |
wenn man bedenkt, was wir hier versuchen. |
| |
Und schließlich: Wie haben wir insgesamt abgeschnitten? |
| |
Dies ist eine kleine Tabelle, die ich zusammengestellt habe. Als Grundlage habe ich das 16-Run-Design verwendet. Dann vergleiche ich, was passiert ist, als wir die 10-Run- |
| |
Termmodell und der 13. Term für die Retentionszeit für G10. |
| |
Sie werden feststellen, dass wir bei 13 einen ziemlich großen Fehler und bei 10 einen viel kleineren erhalten haben. Ich weiß nicht, warum. Ich habe mich entschieden, nur die Ergebnisse anzuzeigen. Es ist ein kleines Rätsel, und ich habe es nicht noch einmal untersucht. |
| |
Aber bei der Retentionszeit drei gehe ich von 16 auf 10 runter. Ja, ich habe einen Anstieg der Wurzel des durchschnittlichen quadratischen Fehlers festgestellt, aber wenn Sie sich das Diagramm „Ist-Vorhersage“ ansehen, wissen Sie, |
| |
Es liefert immer noch gute Vorhersagen für den Validierungssatz. Der Punkt ist also, und das weiß ich, ich arbeite viel mit Biotech-Unternehmen zusammen, die |
| |
tatsächliche Effizienz, die Sie möglicherweise in Ihren experimentellen Designs erreichen könnten, und ich weiß, dass diese Experimente für viele von Ihnen kostspielig sind. |
| |
Und was noch wichtiger ist: Sie nehmen viel Zeit in Anspruch. Dadurch können Sie Ihre Experimentierzeit deutlich verkürzen, Ihr Experimentierbudget reduzieren und noch mehr Informationen gewinnen. |
| |
Also nur eine kurze Zusammenfassung dazu. Dieses SVEM-Verfahren und dies, und wie Chris gezeigt hat, haben wir dies in Simulationen und Fallstudien untersucht. |
| |
SVEM eignet sich hervorragend für übersättigte Modelle. Ich werde hier nicht näher darauf eingehen, aber aus der Praxis des maschinellen Lernens wissen wir, dass übersättigte Modelle sehr gut funktionieren. Sie nutzen ständig Deep Learning als Beispiel. |
| |
Im Grunde kombiniert SVEM, wie Chris sagt, maschinelles Lernen mit der Versuchsplanung. |
| |
Und was noch wichtiger ist: Wenn Sie sich erst einmal mit SVEM befassen, beeinflusst dies wiederum Ihre Einstellung zum Experimentieren. |
| |
Mit SVEM können wir also über hocheffiziente Experimente nachdenken, die das Innovationstempo deutlich beschleunigen und den Zeit- und Kostenaufwand für Experimente reduzieren können. Und mit der Zeit, Produkte und Prozesse zu entwickeln, |
| |
Die Vorlaufzeiten werden immer kürzer. Das ist kein trivialer Punkt und ich weiß, dass viele von Ihnen in der Biotechnologiebranche ebenfalls mit ernsthaften Budgetbeschränkungen konfrontiert sind. |
| |
Und dann (das sind übrigens die meisten Leute) und schließlich gibt es noch einen vielversprechenden Bereich: Bayseianisch I-optimale Designs. |
| |
Und ich möchte noch einmal erwähnen, dass Brad Jones und seine Gruppe hervorragende Arbeit bei der Einführung dieser Funktionen in JMP geleistet haben. Es ist das einzige mir bekannte Softwarepaket, das tatsächlich Bayesianisch-I-optimale Designs ermöglicht. |
| |
Und wir glauben, dass SVEM viele Möglichkeiten eröffnen wird. Das ist im Grunde meine Geschichte, und ich übergebe sie an Wayne Levin. |
| Wayne Levin |
Vielen Dank dafür, |
| |
Phil und Chris. Ich hoffe, jeder kann sehen, dass hier eine Menge Arbeit steckt, eine Menge Forschung, darunter auch einige |
| |
Man könnte sagen, ich arbeite in den Schützengräben, und da ich nun schon seit über 30 Jahren in diesem Geschäft bin, kann ich Ihnen ohne Bedenken sagen, dass ich von dem, was ich hier sehe, sehr begeistert bin. |
| |
Ich denke, das kann wirklich transformativ sein und die Art und Weise verändern, wie hier industrielle Experimente durchgeführt werden. Früher war ich allein von übersättigten Designs sehr begeistert, und das war |
| |
erleichtert durch einen benutzerdefinierten Designer und jetzt mit … das ist auf der Designseite. |
| |
von Dingen. |
| |
Wenn Sie SVEM auf der Analyseseite verwenden, sind das zwei großartige Geschmacksrichtungen. |
| |
die gut zusammenpassen, könnte man sagen. Also, nur zum Abschluss, ich werde hier nur noch einschieben, dass |
| |
Phil, ich und Marie Goddard stellen einen On-Demand-Kurs zusammen (er sollte im nächsten Quartal verfügbar sein, etwa im April). |
| |
Wir beschäftigen uns mit Mischungsversuchen, und wir werden uns in diesem Kurs ausführlich mit SVEM beschäftigen. Wenn Sie daran interessiert sind, lassen Sie es mich bitte wissen, oder folgen Sie uns auf LinkedIn oder einer anderen Plattform. |
| |
Und was das SVEM-Add-In betrifft, so freue ich mich, wenn ich darf, dass wir damit als erste auf dem Markt waren. |
| |
Wir haben mehrere Monate lang intensiv daran gearbeitet. Wir veröffentlichen etwa jeden Monat eine neue Version, sodass sich das System ständig weiterentwickelt, da wir Feedback aus der Praxis erhalten. Ich möchte Phil ganz herzlich danken. |
| |
für die Leitung. Und er hat mit einem unserer Entwickler zusammengearbeitet (???) und es war wirklich eine großartige Leistung, eine Menge harte Arbeit |
| |
um an diesen Punkt zu gelangen, und wir möchten Ihnen das zur Verfügung stellen. Und wie Phil bereits erwähnt hat, gibt es eigentlich zwei Möglichkeiten, dies auszuprobieren. Eine davon ist, einfach das Add-In selbst auszuprobieren. |
| |
es funktioniert mit 14 und 15. Und mit der Veröffentlichung von 16 denke ich, dass es auch für 16 funktionieren wird. Es erfordert JMP Pro. Wenn Sie also kein JMP Pro haben, finden Sie hier einen Link, über den Sie eine Testlizenz für JMP Pro beantragen können. |
| |
Sie erhalten diesen Link natürlich, indem Sie die Folien dieser Präsentation herunterladen. So können Sie es erhalten und selbst ausprobieren. |
| |
Eine andere Möglichkeit besteht darin, uns einfach zu kontaktieren. Wir können dann mit Ihnen auf der Grundlage eines Proof of Concept zusammenarbeiten. |
| |
Und wir könnten einige vergleichende Analysen usw. durchführen und diese natürlich mit Ihnen besprechen. Sie wissen also, dass wir die notwendigen Unterlagen bereitstellen werden, und |
| |
Wir probieren es gerne aus. Wir haben das für viele Unternehmen gemacht, und das ist vielleicht der einfachste Weg für Sie, egal was für Sie funktioniert. Okay, und jetzt möchte ich Folgendes tun: |
| |
Wir freuen uns jetzt über Fragen und Kommentare. Im Namen von Chris und Phil möchte ich mich bedanken, dass ihr dabei seid. Also, bitte, Fragen und Kommentare. |
