Il video che utilizza JMP Pro 19 è stato pubblicato nel novembre 2025.
Questa sessione è rivolta agli ingegneri di processo e di prodotto di ricerca e sviluppo, incaricati di innovare rapidamente per essere i primi a lanciare sul mercato un nuovo prodotto.
L'ottimizzazione bayesiana è una tecnica di apprendimento iterativo che utilizza un modello per generare nuove sequenze candidate per la valutazione. L'ottimizzazione bayesiana apprende dalle risposte a ogni iterazione e fornisce indicazioni più chiare rispetto agli approcci tradizionali su quando interrompere la sperimentazione. La natura iterativa ha il potenziale per ridurre drasticamente i tempi e le risorse necessari per lo sviluppo di processi e prodotti, quindi può essere una soluzione naturale per molte culture di ricerca e sviluppo.
Partendo da dati esistenti, storici o provenienti da un set iniziale di esecuzioni sperimentali, viene costruito un modello di processo gaussiano (GaSP). Quindi, utilizzando le previsioni del modello, insieme all'incertezza di previsione e agli obiettivi di risposta, vengono generate nuove combinazioni di fattori candidati da testare. Dopo il test, il modello viene aggiornato con i nuovi dati. Questa sequenza di passaggi si ripete fino al raggiungimento degli obiettivi di risposta e all'individuazione di una combinazione ottimale di impostazioni dei fattori.
Un nuovo miglioramento di JMP Pro incorpora una nuova piattaforma interattiva, l'ottimizzazione bayesiana.
" Questa tecnica non serve a determinare quanto bene si adatti il modello. Piuttosto, è un modo per scoprire nuove regioni da esplorare dove non abbiamo ancora dati ." C. Gotwalt
Chris Gotwalt, Chief Data Scientist di JMP e uno dei principali sviluppatori della nuova ottimizzazione bayesiana, ne illustra e spiega le funzionalità e gli approcci statistici sottostanti. La sessione includerà un momento di domande e risposte.
Questo tutorial per sviluppatori JMP tratta i seguenti argomenti : generazione interattiva del modello iniziale del processo gaussiano; specifica di nuove combinazioni di fattori candidati da testare o eseguire; esplorazione dello spazio di progettazione; riepilogo dell'adattamento del modello del processo gaussiano; confronto ed esecuzione interattiva di analisi what-if su fattori e risposte.
Risorse
- Apprendimento attivo nel workshop JMP ENBIS
- La struttura della rivoluzione scientifica, seconda edizione ampliata , Thomas S. Kuhn
- Un tutorial sull'ottimizzazione bayesiana , Peter I. Frazier, 10 luglio 2018.
- Surrogati: modellazione, progettazione e ottimizzazione dei processi gaussiani per le scienze applicate , di Robert Gramacy
- Escludere l'uomo dal ciclo: una revisione dell'ottimizzazione bayesiana , Bobak Shahriari, Kevin Swersky, Ziyu Wang, Ryan P. Adams e Nando de Freitas
