Wie können Erfahrungspläne die Markteinführungszeit verkürzen?Wie können Erfahrungspläne die Markteinführungszeit verkürzen? Thierry Taillandier & Laurent Lasbennes (Pierre Fabre)
|
Betreff: Wie können Versuchsdesigns die Markteinführungszeit verkürzen?Hallo Thierry, tolle Arbeit!!
Ich habe eine Frage: In Profiler gibt es den Faktor_4 Null, der keine Verbindung darstellt, und den Massenanteil dieser Verbindung, Faktor_4_W 0,125. Haben Sie es geschafft, die Einstellungen zu finden, die Profiler dazu veranlassen, alle Ihre Nebenbedingungen zu berücksichtigen (z. B. dass Faktor_4_W niemals > 0 ist, wenn Faktor_4 Null ist) und nicht nur die lineare Mischungssumme zu 1 zu berechnen?
Betreff: Wie können Versuchsdesigns die Markteinführungszeit verkürzen?Hallo RikkiTikkiTavi ,
Vielen Dank für Ihr Feedback.
Das ist ein guter Punkt, tatsächlich konnten wir unsere Einschränkungen für den Profiler nicht festlegen. Wir mussten für jede Bedingung unsere Geschäftsbedingungen überprüfen.
Wir hätten eine Simulation durchführen können, um den gesamten Designraum zu durchsuchen und entsprechend unseren Einschränkungen zu filtern, um unsere potenziellen Treffer zu erhalten.
Ich hoffe, ich habe die Frage beantwortet.
Betreff: Wie können Versuchsdesigns die Markteinführungszeit verkürzen?Hallo @RikkiTikkiTavi und @taillat ,
Ich sehe zwei mögliche Lösungsansätze für dieses Problem:
- Bei der Versuchsplanung : Vermeiden Sie die Kategorie „Null“, da diese für alle Verbindungen mit einem Massenanteil von 0 gilt. Idealerweise ergänzen wir die Datentabelle um Experimente mit jeder Verbindung bei einem Massenanteil von 0. Dabei übertragen wir entweder den im ursprünglichen Versuchsplan ermittelten Messwert für eine Verbindung mit einem Massenanteil von 0 auf alle anderen Verbindungen mit einem Massenanteil von 0 oder messen diese Messwerte für Verbindungen mit einem Massenanteil von 0 (da die anderen Faktoren identisch sind, ergeben sich im Wesentlichen zusätzliche Replikationen). Dies kann das Modell geringfügig verzerren, liefert aber Referenzpunkte zur Bestimmung der Trends aller Verbindungen mit einem Massenanteil von 0.
- Während der Analyse: Ajouter un script dans la table de données nommé Unzulässige Kombinationenet écrire en JSL les combinaisons qu'on souhaite éviter. En reprenant un petit exemple avec 3 facteurs de quantité (de 0 à 1) pour 3 types de MPs (acide, base et tensioactif) et 3 facteurs de choix de MP pour chacun des types de MPs, on aurait la contrainte suivante en JSL:
Choix_acide == "Null" & Acide >= 0.01 | Base >= 0.01 & Choix_base == "Null" |
Tensioactif >= 0.01 & Choix_tensioactif == "Null";
Durch Hinzufügen dieses Skripts werden die Analyse- und Vorhersageprofile beeinflusst, die diese Einschränkung erkennen und keine Optima für diese verbotenen Kombinationen vorschlagen. Dies entspricht der Strategie in der Diskussion „Wie richte ich eine Einschränkung bei der Bayes'schen Optimierung ein?“ , wo das einfache Hinzufügen eines „Constraint“-Skripts zur Datentabelle die Kandidatenmenge der Bayes'schen Optimierung auf die möglichen Kombinationen beschränkt.
Ich hoffe, diese Antwort hilft Ihnen weiter.
Betreff: Wie können Versuchsdesigns die Markteinführungszeit verkürzen?Hallo Victor, vielen Dank für deine Ideen!
Muss ich bei der Verwendung von „Nicht zulässigen Kombinationen“ auch die Einschränkungen für die Faktoren entfernen, z. B. den Mischungstyp und/oder ein Skript für lineare Einschränkungen? Profiler scheint Einschränkungen für die Faktoren zu priorisieren; wenn ich beispielsweise sowohl ein Skript für Einschränkungen als auch ein Skript für „Nicht zulässige Kombinationen“ zur Tabelle hinzufüge, ignoriert Profiler das letztere anscheinend.
Gibt es tatsächlich eine Reihenfolge, in der der Profiler Einschränkungen akzeptiert, oder eine Prioritätsregel zwischen den verschiedenen Arten von Einschränkungen?
Betreff: Wie können Versuchsdesigns die Markteinführungszeit verkürzen?Hallo @RikkiTikkiTavi ,
Ich muss mir das genauer ansehen; in der Tat erschwert es mit anderen linearen Nebenbedingungen und/oder Mischfaktoren die Analyse und Verwaltung der Nebenbedingungen durch die Profiler.
Hinsichtlich der Generierung von Kandidatenpunkten hat sich die Funktionalität von JMP weiterentwickelt. Die (neue) Funktion „Random Linearly Constrained Uniform“ ermöglicht die Erstellung von Kandidatendatensätzen mit zahlreichen Nebenbedingungen: linearen (Gleichungen und Ungleichungen) und kardinalen (z. B. maximal k aktive Faktoren gleichzeitig in einer Gruppe von n Faktoren). Diese Präsentation beschreibt diese Funktion und erläutert das JSL-Skript (mit der genannten Funktion) zur Erstellung komplexer Kandidatendatensätze: Bayesian Optimization for Formulations Involving Complex Constraints with JMP 19 (2026-EU-30MP-2816).
Allerdings werden durch die Generierung der Kandidatenpunktetabelle keine Skripte erstellt, die es ermöglichen würden, die Modellierung/Analyse auf die verwendeten Einschränkungen zu beschränken.
