La vidéo, réalisée avec JMP Pro 19, a été publiée en novembre 2025.
Cette session est destinée aux ingénieurs R&D produits et procédés chargés d'innover rapidement pour être les premiers à commercialiser un nouveau produit.
L'optimisation bayésienne est une technique d'apprentissage itérative qui utilise un modèle pour générer de nouvelles configurations d'expérimentation à évaluer. Elle tire des enseignements des résultats obtenus à chaque itération et nous fournit des indications plus précises que les approches traditionnelles quant au moment opportun pour arrêter les expériences. Son caractère itératif permet de réduire considérablement le temps et les ressources nécessaires au développement des procédés et des produits, et peut donc s'avérer particulièrement adapté à de nombreuses cultures de R&D.
À partir de données existantes, historiques ou issues d'une première série d'essais expérimentaux, un modèle de processus gaussien (GaSP) est construit. Ensuite, en utilisant les prédictions du modèle, leur incertitude et les objectifs de réponse, de nouvelles combinaisons de facteurs candidates sont générées et testées. Après chaque test, le modèle est mis à jour avec les nouvelles données. Cette séquence d'étapes se répète jusqu'à ce que les objectifs de réponse soient atteints et qu'une combinaison optimale de facteurs soit identifiée.
La nouvelle version de JMP Pro intègre une plateforme interactive inédite : l’optimisation bayésienne.
« Cette technique ne sert pas à déterminer la qualité d'ajustement du modèle. Il s'agit plutôt d'un moyen de découvrir de nouvelles régions à explorer, pour lesquelles nous ne disposons pas encore de données . » C. Gotwalt
Chris Gotwalt, responsable scientifique des données chez JMP et développeur clé de la nouvelle optimisation bayésienne, présente et explique les fonctionnalités et les approches statistiques sous-jacentes. Une séance de questions-réponses suivra.
Ce tutoriel pour développeurs JMP couvre : la génération interactive du modèle de processus gaussien initial ; la spécification de nouvelles combinaisons de facteurs candidats à tester ou à exécuter ; l’exploration de l’espace de conception ; la synthèse de l’ajustement du modèle de processus gaussien ; la comparaison et la réalisation interactive d’analyses de scénarios sur les facteurs et les réponses.
Ressources
- Apprentissage actif dans l'atelier JMP ENBIS
- La structure des révolutions scientifiques, deuxième édition augmentée , Thomas S. Kuhn
- Tutoriel sur l'optimisation bayésienne , Peter I. Frazier, 10 juillet 2018.
- Modèles de substitution : modélisation, conception et optimisation par processus gaussiens pour les sciences appliquées , par Robert Gramacy
- Optimisation bayésienne : une revue de la question humaine, par Bobak Shahriari, Kevin Swersky, Ziyu Wang, Ryan P. Adams et Nando de Freitas
