Además de las fortalezas estadísticas de JMP, desde una perspectiva de diseño, las fortalezas de JMP como plataforma de diseño radican en su flexibilidad para construir simuladores basados en fórmulas y paneles de control basados en datos. Todas las tareas, incluidas CAE (Ingeniería asistida por computadora) y las pruebas, se reducen al proceso de adquisición de datos a través de la integración de procesos y cómo obtener resultados útiles de los datos adquiridos. Desde esta perspectiva, recientemente aprovechamos la notable extensibilidad de Python en el campo de la ingeniería y las ventajas de JMP como plataforma de toma de decisiones en el campo de la ingeniería, y definimos todo el proceso de diseño como "integración de procesos de Python y diseño óptimo de aprendizaje automático de JMP" para continuar con la tarea.
El proceso de "Integración de procesos de Python y diseño óptimo de aprendizaje automático JMP" se define mediante tres elementos de diseño: "Integración de procesos de Python", "Aprendizaje automático JMP" y "Diseño óptimo JMP". En particular, desde la perspectiva de "Aprendizaje automático JMP", determina si se construye o no un modelo de aprendizaje automático. Si se construye un modelo de aprendizaje automático, se aplica el "Simulador de aprendizaje automático" de "Diseño óptimo JMP". Si no se construye el modelo de aprendizaje automático, se aplica el "Panel de decisiones" de "Diseño óptimo JMP".
En este estudio, cubriremos varios casos exitosos en los campos de la marina, la aviación, la CAE y la experimentación desde la perspectiva del “simulador de aprendizaje automático” y el “panel de decisiones”.
