Oltre ai punti di forza statistici di JMP, dal punto di vista della progettazione i punti di forza di JMP come piattaforma di progettazione risiedono nella sua flessibilità nella creazione di simulatori basati su formule e dashboard basate sui dati. Tutti i compiti, compresi CAE (Computer Aided Engineering) e i test, si riducono al processo di acquisizione dei dati tramite l'integrazione dei processi e al modo in cui ricavare risultati utili dai dati acquisiti. Da questa prospettiva, abbiamo recentemente sfruttato la notevole estensibilità di Python nel campo dell'ingegneria e i vantaggi di JMP come piattaforma decisionale in tale campo, e abbiamo definito l'intero processo di progettazione come "Integrazione dei processi Python e progettazione ottimale dell'apprendimento automatico JMP" per procedere con l'attività.
Il processo "Python Process Integration and JMP Machine Learning Optimal Design" è definito da tre elementi di progettazione: "Python Process Integration", "JMP Machine Learning" e "JMP Optimal Design". In particolare, dal punto di vista di "JMP Machine Learning", determina se viene creato o meno un modello di apprendimento automatico. Se viene creato un modello di apprendimento automatico, viene applicato il "Machine Learning Simulator" di "JMP Optimal Design". Se il modello di apprendimento automatico non viene creato, viene applicato il "Decision Dashboard" di "JMP Optimal Design".
In questo studio, esamineremo vari casi di successo nei settori della marina, dell'aviazione, del CAE e della sperimentazione dal punto di vista del "simulatore di apprendimento automatico" e del "cruscotto decisionale".
