In che modo i piani di esperienza possono ridurre il Time To Market?In che modo i piani di esperienza possono ridurre il Time To Market? Thierry Taillandier e Laurent Lasbennes (Pierre Fabre)
|
Oggetto: Come possono i progetti sperimentali ridurre i tempi di immissione sul mercato?Buongiorno Thierry, ottimo lavoro!!
Ho una domanda: in Profiler hai Factor_4 Null che non rappresenta alcun composto e la frazione di massa di quel composto Factor_4_W 0.125. Sei riuscito a trovare la configurazione che fa sì che Profiler tenga conto di tutti i tuoi vincoli (ad esempio, se Factor_4 è Null, Factor_4_W non è mai >0) e non solo della somma lineare della miscela pari a 1?
Oggetto: Come possono i progetti sperimentali ridurre i tempi di immissione sul mercato?Ciao RikkiTikkiTavi ,
Grazie per il tuo feedback.
Ottima osservazione, in effetti non siamo stati in grado di specificare i nostri vincoli al profiler. Per ogni condizione, abbiamo dovuto verificare i nostri vincoli aziendali.
Avremmo potuto eseguire una simulazione per scansionare l'intero spazio di progettazione e filtrare in base ai nostri vincoli per ottenere i nostri potenziali risultati.
Spero di aver risposto alla domanda.
Oggetto: Come possono i progetti sperimentali ridurre i tempi di immissione sul mercato?Ciao @RikkiTikkiTavi e @taillat ,
Vedo due possibili soluzioni a questo problema:
- Nella costruzione del disegno sperimentale : non includere un livello "Nullo" nei fattori categoriali, poiché questa situazione si verificherà con qualsiasi composto la cui frazione di massa sia pari a 0. Idealmente, potremmo anche aggiungere esperimenti alla tabella dati per avere esperimenti con ciascun composto a 0 e replicare il valore di risposta effettivamente presente nel disegno iniziale e misurato per un composto con frazione di massa pari a 0 per tutti gli altri composti con frazione di massa pari a 0, oppure misurare effettivamente questi altri valori sperimentali per i composti con frazione di massa pari a 0 (in pratica stiamo aggiungendo repliche poiché gli altri fattori saranno identici). Questo potrebbe potenzialmente introdurre un leggero bias nel modello, ma gli permette di avere punti di riferimento per determinare le tendenze di tutti i composti con frazione di massa pari a 0.
- Durante l'analisi: Ajouter un script dans la table de données nommé Combinazioni non consentiteet 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";
L'aggiunta di questo script influenzerà l'analisi e i profiler predittivi, che riconosceranno questo vincolo ed eviteranno di proporre soluzioni ottimali per queste combinazioni proibite. Questa è la stessa strategia descritta nella discussione "Come impostare un vincolo quando si utilizza l'ottimizzazione bayesiana?" , dove la semplice aggiunta di uno script "Vincolo" alla tabella dati limita le opzioni del set di candidati dell'ottimizzazione bayesiana alle sole combinazioni possibili.
Spero che questa risposta ti sia d'aiuto.
Oggetto: Come possono i progetti sperimentali ridurre i tempi di immissione sul mercato?Ciao Victor, grazie per i tuoi suggerimenti!
Quando si utilizzano le combinazioni non consentite, è necessario rimuovere anche i vincoli sui fattori, come il tipo di miscela e/o uno script di vincolo lineare? Sembra che Profiler dia priorità ai vincoli sui fattori; ad esempio, se aggiungo alla tabella sia uno script di vincolo che uno script per le combinazioni non consentite, Profiler sembra ignorare quest'ultimo.
Esiste davvero un ordine di accettazione dei vincoli da parte del Profiler, o una regola di priorità tra i diversi tipi di vincoli?
Oggetto: Come possono i progetti sperimentali ridurre i tempi di immissione sul mercato?Ciao @RikkiTikkiTavi ,
Devo approfondire la questione; infatti, con altri vincoli lineari e/o fattori di tipo miscelativo, l'analisi e la gestione dei vincoli da parte dei Profiler si complicano.
Per quanto riguarda la generazione di punti candidati, si è verificata un'evoluzione nelle funzioni di JMP e la (nuova) funzione Uniforme casuale con vincoli lineari consente la creazione di dataset candidati con numerosi vincoli: lineari (uguaglianze e disuguaglianze) e di cardinalità (ad esempio, non più di k fattori attivi contemporaneamente in un gruppo di n fattori). Questa presentazione menziona questa funzionalità e descrive in dettaglio lo script JSL (con la funzione sopra menzionata) per la creazione di dataset candidati complessi: Ottimizzazione bayesiana per formulazioni con vincoli complessi con JMP 19 (2026-EU-30MP-2816)
Tuttavia, la generazione della tabella dei punteggi candidati non crea script che consentano di limitare la modellazione/analisi ai vincoli utilizzati.
