¿Cómo pueden los planes de experiencias reducir el Time To Market?¿Cómo pueden los planes de experiencias reducir el Time To Market? Thierry Taillandier y Laurent Lasbennes (Pierre Fabre)
|
Re: ¿Cómo pueden los diseños experimentales reducir el tiempo de comercialización?¡Hola Thierry, excelente trabajo!
Tengo una pregunta: en Profiler tienes Factor_4 Null, que indica que no hay ningún compuesto, y la fracción de masa de ese compuesto, Factor_4_W, es 0,125. ¿Has logrado encontrar la configuración que hace que Profiler tenga en cuenta todas tus restricciones (por ejemplo, si Factor_4 es Null, Factor_4_W nunca es >0) y no solo que la suma de la mezcla lineal sea igual a 1?
Re: ¿Cómo pueden los diseños experimentales reducir el tiempo de comercialización?Hola RikkiTikkiTavi ,
Gracias por sus comentarios.
Buen punto, efectivamente no pudimos especificar nuestras restricciones al generador de perfiles. Para cada condición, tuvimos que verificar nuestras restricciones de negocio.
Podríamos haber realizado una simulación para analizar todo el espacio de diseño y filtrar según nuestras restricciones para obtener los posibles resultados.
Espero haber respondido a la pregunta.
Re: ¿Cómo pueden los diseños experimentales reducir el tiempo de comercialización?Hola @RikkiTikkiTavi y @taillat ,
Veo dos posibles opciones con respecto a este problema:
- Al construir el diseño : No incluya un nivel "Nulo" en los factores categóricos, ya que esto ocurrirá con cualquier compuesto cuya fracción de masa sea igual a 0. Idealmente, podríamos incluso agregar experimentos a la tabla de datos para tener experimentos con cada compuesto en 0, y replicar el valor de respuesta presente en el diseño inicial y medido para un compuesto con una fracción de masa de 0 a todos los demás compuestos con una fracción de masa de 0, o bien medir estos otros valores experimentales para compuestos con una fracción de masa de 0 (esencialmente estamos agregando replicaciones ya que los demás factores serán idénticos). Esto podría sesgar ligeramente el modelo, pero le permite tener puntos de referencia para determinar las tendencias de todos los compuestos con una fracción de masa de 0.
- Durante el análisis: Ajouter un script dans la table de données nommé Combinaciones no permitidaset 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";
Agregar este script influirá en los analizadores y los perfiles predictivos, que reconocerán esta restricción y evitarán proponer óptimos para estas combinaciones prohibidas. Esta es la misma estrategia que en la discusión "¿Cómo establezco una restricción al usar la optimización bayesiana?" , donde simplemente agregar un script de "Restricción" a la tabla de datos limita las opciones del conjunto de candidatos de la optimización bayesiana solo a las combinaciones posibles.
Espero que esta respuesta te sea útil.
Re: ¿Cómo pueden los diseños experimentales reducir el tiempo de comercialización?Hola Víctor, ¡gracias por tus ideas!
Al usar Combinaciones no permitidas, ¿también necesito eliminar las restricciones de los factores, como el tipo de mezcla o un script de restricción lineal? Parece que Profiler prioriza las restricciones de los factores; por ejemplo, si agrego tanto un script de restricción como un script de Combinaciones no permitidas a la tabla, Profiler parece ignorar este último.
¿Existe realmente un orden de aceptación de las restricciones por parte del Profiler, o una regla de prioridad entre los diferentes tipos de restricciones?
Re: ¿Cómo pueden los diseños experimentales reducir el tiempo de comercialización?Hola @RikkiTikkiTavi ,
Necesito analizar esto con más detalle; de hecho, con otras restricciones lineales y/o factores de tipo mixto, complica el análisis y la gestión de las restricciones por parte de los Profilers.
En cuanto a la generación de puntos candidatos, se ha producido una evolución en las funciones de JMP, y la nueva función Restringido linealmente aleatorio uniforme permite la creación de conjuntos de datos candidatos con numerosas restricciones: lineales (igualdades y desigualdades) y de cardinalidad (por ejemplo, no más de k factores activos a la vez en un grupo de n factores). Esta presentación menciona esta característica y detalla el script JSL (con la función mencionada) para crear conjuntos de datos candidatos complejos: Bayesian Optimization for Formulations Involving Complex Constraints with JMP 19 (2026-EU-30MP-2816).
Sin embargo, la generación de la tabla de puntos candidatos no crea scripts que permitan restringir el modelado/análisis a las restricciones utilizadas.
