L'optimisation bayésienne, aussi appelée BayesOpt, est une nouvelle plateforme intégrée à JMP Pro 19. Elle vous permet d'utiliser vos données existantes pour ajuster un modèle, puis de l'utiliser pour déterminer intelligemment où échantillonner. Ces nouvelles observations permettent de mettre à jour le modèle et de trouver des échantillons encore plus performants. Ce processus peut démarrer avec un nombre minimal d'exécutions, ce qui permet de réduire le gaspillage de ressources sur des échantillons sous-optimaux et de consacrer plus de temps à l'exploration de nouvelles opportunités.
Vous préférez la vidéo ? Regardez-la ici.
Résolvez les problèmes facilement
BayesOpt dispose d'un mode automatique intégré pour vos problèmes « standard ». Déterminez où chercher sans vous perdre dans les détails.
Largement applicable
Alternativement, une suite d'options de personnalisation interactives est disponible pour les problèmes plus complexes ou lorsque vous souhaitez approfondir les détails vous-même.
Confiance et transparence
Les résultats de BayesOpt sont compréhensibles et interprétables. La plateforme détecte et enregistre automatiquement les modalités et les raisons de la sélection des échantillons afin de suivre votre exploration. Vous pouvez également modifier ces raisons manuellement dans la plateforme pour personnaliser votre documentation.
De plus, la plateforme s'appuie sur le profileur de prédiction bien connu et ses fonctions de désirabilité intégrées, vous permettant d'être immédiatement opérationnel. Et vous n'êtes pas obligé d'accepter les suggestions de la plateforme au pied de la lettre ! Au-delà des suggestions automatiques, BayesOpt fournit des indicateurs crédibles et interprétables pour vous permettre de prendre des décisions éclairées en fonction de ses recommandations.
Suivez vos progrès
Obtenez un retour immédiat sur la progression de votre projet à travers les itérations d'échantillons grâce au graphique d'exécution de désirabilité intégré.
Élargissez vos options sans tout recommencer
Aucun secteur ne stagne longtemps. BayesOpt vous permet de garder vos options ouvertes, même si elles évoluent après le lancement de votre processus de développement produit. Pour les variables continues, utilisez les axes du profileur pour élargir la plage à explorer directement dans la plateforme avant de générer un nouvel ensemble de candidats. Pour des modifications plus complexes des facteurs et des contraintes, chargez un ensemble de candidats personnalisé dans la plateforme.
En plus de choisir des points d'échantillonnage à partir d'un ensemble de candidats, vous pouvez utiliser le profileur pour explorer les prédictions et sélectionner des points d'échantillonnage à partir de là.
Aperçu
Pour illustrer le flux de travail intuitif de BayesOpt, prenons un petit exemple. Vous trouverez ci-dessous une version re-simulée de l'échantillon de bande de roulement de notre index d'échantillons, inclus dans votre exemplaire de JMP. Je vais utiliser la plateforme BayesOpt pour maximiser la réponse à l'abrasion tout en appariant les cibles sur l'allongement et la dureté. BayesOpt utilisant largement les désirabilités du profileur, je les ai définies avant d'exécuter la plateforme.
Lancez la plateforme depuis le menu d'analyse pour commencer.
BayesOpt possède une boîte de dialogue de lancement typique pour une plateforme de modélisation dans JMP. Il vous suffit de spécifier les Y et les X à ce stade, car nous sommes au début du processus BayesOpt. Notez que vous pouvez sélectionner ici la taille du lot, qui correspond au nombre de lignes ajoutées par le mode automatique. La valeur par défaut est de un, mais pour cette première démonstration, je vais définir la taille du lot à deux.
La plateforme BayesOpt est organisée en onglets. Commencez par l'onglet Résumé du modèle, qui contient des informations importantes sur toutes les réponses. La première chose à examiner est le résumé de tous les RSq. L'algorithme en mode automatique analyse les RSq pour déterminer si les modèles sont suffisamment performants. Vous pouvez voir ci-dessous que le RSq du modèle d'abrasion est inférieur à nos normes et est surligné en rouge. En dessous, nous voyons le graphique des exécutions de désirabilité observée, qui enregistre un score continu de notre progression. Dans ce cas, nous constatons que les cinq premières exécutions n'étaient pas très bonnes. Au fil des itérations successives, nous souhaitons voir ces valeurs augmenter.
Le reste de cet onglet est une plateforme JMP assez standard, avec des tracés réels/prédits et un profileur. Le bouton en bas permet de visualiser les traces des erreurs types de prédiction. Passons maintenant à l'onglet Sélection par lots. La sélection automatique de la plateforme a détecté les deux exécutions demandées dans la boîte de dialogue de lancement. Par défaut, elle suppose que vous souhaitez rester en mode automatique et conserve un rapport très compact.
Étant donné que notre réponse présente un faible RSq, la plateforme a choisi de rester en phase d'exploration du remplissage d'espace. Elle utilise un critère de remplissage d'espace (MaxPro Space Filling), qui améliore l'ajustement des modèles de processus gaussiens.
Cliquez ensuite sur Créer un tableau. Les exécutions y seront automatiquement ajoutées. Ce tour est terminé. De retour au tableau, nous constatons que les deux exécutions ont été ajoutées, ainsi qu'une colonne Itération et une colonne Motif d'ajout qui détaillent la raison de leur présence.
J'utilise mon simulateur pour créer de nouvelles réponses et relancer la plateforme.
Une fois la plateforme relancée, nous pouvons voir que les deux séries de remplissage d'espace ont conduit à une meilleure adéquation des réponses, mais les nouvelles réponses ne sont pas significativement meilleures que les cinq originales.
En passant à l'onglet Sélection par lots, nous constatons que les deux exécutions ne sont pas des exécutions de remplissage d'espace, car nous sommes passés de la phase de remplissage d'espace à la phase d'affinement du modèle. Nous pouvons cliquer sur Créer une table et répéter l'opération.
En sautant deux lots, nous voyons à nouveau que les modèles sont tous toujours bons, et notre graphique d'exécution montre que si le deuxième lot n'a pas conduit à des réponses significativement améliorées, le troisième l'a fait !
En examinant l'onglet Sélection par lots, nous constatons qu'il reproduit la meilleure exécution d'entraînement observée jusqu'à présent. Nous sommes donc passés à la troisième étape de l'algorithme d'optimisation bayésienne : la phase de confirmation/contestation. À ce stade, nous cherchons d'abord à confirmer que nous avons la meilleure exécution, tout en identifiant les exécutions proches qui remettent en question cet optima. Nous pourrions nous arrêter là, mais nous allons voir ce qui se passe.
Après une itération supplémentaire, nous obtenons globalement le même résultat, et l'algorithme du mode automatique reste en mode Confirmation/Challenge. Nous ne pouvons exclure la possibilité d'améliorations supplémentaires, mais ce résultat suggère que nous avons peut-être déjà trouvé nos meilleurs paramètres.
Merci d'avoir exploré la nouvelle plateforme d'optimisation bayésienne. Nous avons hâte de partager davantage de fonctionnalités et de détails sur cette plateforme à l'approche de sa sortie et travaillons sur de nombreuses améliorations intéressantes pour les prochaines versions.
Lectures complémentaires
Frazier, PI (2018). Un tutoriel sur l'optimisation bayésienne. Prépublication arXiv : arXiv:1807.02811 .
