El vídeo que utiliza JMP Pro 19 se publicó en noviembre de 2025.
Esta sesión está dirigida a ingenieros de productos y procesos de I+D responsables de innovar rápidamente para ser los primeros en comercializar un nuevo producto.
La optimización bayesiana es una técnica de aprendizaje iterativo que utiliza un modelo para generar nuevas ejecuciones candidatas para su evaluación. La optimización bayesiana aprende de las respuestas en cada iteración y nos proporciona una guía más clara que los enfoques tradicionales sobre cuándo podemos dejar de experimentar. Su naturaleza iterativa tiene el potencial de reducir drásticamente el tiempo y los recursos necesarios para el desarrollo de procesos y productos, por lo que puede ser una opción natural para muchas culturas de I+D.
A partir de datos existentes, ya sean históricos o de un conjunto inicial de ejecuciones experimentales, se construye un modelo de Proceso Gaussiano (GaSP). Posteriormente, utilizando las predicciones del modelo, junto con la incertidumbre de la predicción y los objetivos de respuesta, se generan nuevas combinaciones de factores candidatos para su prueba. Tras la prueba, el modelo se actualiza con los nuevos datos. Esta secuencia de pasos se repite hasta que se cumplen los objetivos de respuesta y se descubre una combinación óptima de ajustes de factores.
La nueva mejora de JMP Pro incorpora una nueva plataforma interactiva: Optimización Bayesiana.
Esta técnica no sirve para determinar el ajuste del modelo. Es, más bien, una forma de descubrir nuevas regiones para explorar donde aún no tenemos datos . C. Gotwalt
Chris Gotwalt, científico de datos jefe de JMP y desarrollador clave de la nueva optimización bayesiana, demuestra y explica la capacidad y los enfoques estadísticos subyacentes que implementa. La sesión incluye tiempo para preguntas y respuestas.
Este tutorial para desarrolladores de JMP cubre : generar de forma interactiva el modelo de proceso gaussiano inicial; especificar nuevas combinaciones de factores candidatos para probar o ejecutar; explorar el espacio de diseño; resumir el ajuste del modelo de proceso gaussiano; comparar y realizar de forma interactiva análisis hipotéticos sobre factores y respuestas.
Recursos
- Taller de aprendizaje activo en JMP ENBIS
- La estructura de la revolución científica, segunda edición ampliada , Thomas S. Kuhn
- Un tutorial sobre optimización bayesiana , Peter I. Frazier, 10 de julio de 2018.
- Sustitutos: modelado, diseño y optimización de procesos gaussianos para las ciencias aplicadas , por Robert Gramacy
- Sacando al ser humano del circuito: una revisión de la optimización bayesiana , Bobak Shahriari, Kevin Swersky, Ziyu Wang, Ryan P. Adams y Nando de Freitas
