L'ottimizzazione bayesiana, nota anche come BayesOpt, è una nuova piattaforma in arrivo su JMP Pro 19. Grazie a questa piattaforma, è possibile utilizzare i dati esistenti per adattare un modello e quindi utilizzare tale modello per decidere in modo intelligente dove campionare successivamente. Queste nuove osservazioni vengono utilizzate per aggiornare il modello e trovare campioni ancora migliori. Questo processo può iniziare con un numero minimo di esecuzioni, il che significa sprecare meno risorse su campioni subottimali e dedicare più tempo all'esplorazione di nuove opportunità.
Preferisci il video? Guardalo qui.
Risolvi i problemi con facilità
BayesOpt ha una modalità automatica integrata per i tuoi problemi "standard". Scopri dove cercare senza perderti nei dettagli.
Ampiamente applicabile
In alternativa, è disponibile una serie di opzioni di personalizzazione interattiva per problemi più complessi o quando si desidera approfondire i dettagli da soli.
Fiducia e trasparenza
I risultati di BayesOpt sono comprensibili e interpretabili. La piattaforma rileva e registra automaticamente come e perché i campioni vengono selezionati per tenere traccia della tua esplorazione. Puoi anche modificare manualmente queste motivazioni all'interno della piattaforma per personalizzare la tua documentazione.
Inoltre, la piattaforma si basa sul noto profiler predittivo e sulle sue funzioni di desiderabilità integrate, consentendo di iniziare subito a lavorare. E non è necessario accettare i suggerimenti della piattaforma alla lettera! Oltre ai suggerimenti automatici, BayesOpt fornisce metriche credibili e interpretabili per prendere decisioni consapevoli basate sulle sue raccomandazioni.
Tieni traccia dei tuoi progressi
Ottieni un feedback immediato sullo stato di avanzamento del tuo progetto attraverso le iterazioni campione grazie al grafico di desiderabilità integrato.
Amplia le tue opzioni senza ricominciare da capo
Nessun settore rimane stagnante a lungo. BayesOpt ti consente di mantenere aperte le tue opzioni, anche se queste cambiano dopo l'avvio del processo di sviluppo del prodotto. Per le variabili continue, utilizza gli assi del profiler per espandere l'intervallo che desideri esplorare direttamente nella piattaforma prima di generare un nuovo set di candidati tra cui scegliere. Per modifiche più complesse a fattori e vincoli, carica qualsiasi set di candidati personalizzato nella piattaforma.
Oltre a scegliere punti campione da un set di candidati, è possibile utilizzare il profiler per esplorare le previsioni e selezionare da lì punti campione.
Anteprima
Per dimostrare il flusso di lavoro intuitivo di BayesOpt, diamo un'occhiata a un piccolo esempio. Di seguito è riportata una versione rielaborata del campione Tiretread dal nostro indice di esempio, incluso nella vostra copia di JMP. Utilizzerò la piattaforma BayesOpt per massimizzare la risposta all'abrasione, abbinando al contempo i target di Elong e Durezza. Poiché BayesOpt fa ampio uso delle desiderabilità del profiler, le ho impostate prima di eseguire la piattaforma.
Per iniziare, avvia la piattaforma dal menu di analisi.
BayesOpt presenta una tipica finestra di dialogo di avvio per una piattaforma di modellazione in JMP. A questo punto, è necessario specificare solo le Y e le X, poiché siamo all'inizio del processo BayesOpt. Si noti che qui è possibile selezionare la dimensione del batch, ovvero il numero di righe aggiunte dalla modalità automatica. L'impostazione predefinita è uno, ma per questa prima demo imposterò le dimensioni del batch a due.
La piattaforma BayesOpt è organizzata in schede. Iniziamo con la scheda Riepilogo modello, che contiene informazioni importanti su tutte le risposte. La prima cosa che dovremmo guardare è il riepilogo di tutti gli RSq. L'algoritmo in modalità automatica esamina gli RSq per determinare se i modelli sono sufficientemente validi per il lavoro. Di seguito è possibile vedere che l'RSq per il modello Abrasion è al di sotto dei nostri standard ed è evidenziato in rosso. Sotto, vediamo il grafico di desiderabilità osservato, che tiene traccia dei nostri progressi. In questo caso, vediamo che le prime cinque esecuzioni non sono state molto buone. Nelle iterazioni successive, vogliamo vedere questi valori in aumento.
Il resto di questa scheda è una piattaforma JMP piuttosto standard con grafici effettivi e previsti e un profiler. Il pulsante in basso consente di visualizzare le tracce degli errori standard di previsione. Passiamo ora alla scheda Selezione batch. La selezione automatica della piattaforma ha trovato le due esecuzioni richieste nella finestra di dialogo di avvio. Per impostazione predefinita, presuppone che si desideri rimanere in modalità automatica e mantiene il report molto compatto.
Poiché abbiamo una risposta con un RSq basso, la piattaforma ha scelto di rimanere nella fase di Esplorazione del Riempimento dello Spazio. Utilizza un criterio di riempimento dello spazio (MaxPro Space Filling), che aiuta a migliorare l'adattamento dei modelli di processo gaussiani.
Da qui, clicca su "Crea tabella" e le esecuzioni verranno aggiunte automaticamente alla tabella, concludendo il round. Tornando alla tabella, vediamo che le due esecuzioni sono state aggiunte, insieme a una colonna "Iterazione" e una colonna "Motivo aggiunto" che tengono traccia del motivo per cui tali esecuzioni sono presenti.
Utilizzo il mio simulatore per creare nuove risposte e riavviare la piattaforma.
Una volta rilanciata la piattaforma, possiamo vedere che le due esecuzioni di riempimento dello spazio hanno portato a una migliore corrispondenza delle risposte, ma le nuove risposte non sono significativamente migliori delle cinque originali.
Passando alla scheda Selezione batch, vediamo che le due esecuzioni non sono esecuzioni di riempimento dello spazio, poiché siamo passati dalla fase di riempimento dello spazio alla fase di perfezionamento del modello. Possiamo fare clic su Crea tabella e ripetere il processo.
Saltando avanti di due lotti, vediamo ancora una volta che i modelli sono tutti ancora buoni e il nostro grafico di esecuzione mostra che, mentre il secondo lotto non ha portato a risposte significativamente migliorate, il terzo sì!
Osservando la scheda Selezione Batch, vediamo che sta replicando la migliore esecuzione di training che abbiamo visto finora, il che significa che siamo passati alla terza fase dell'algoritmo di ottimizzazione bayesiana, la fase di Conferma/Sfida. In questa fase, cerchiamo innanzitutto di confermare di avere la migliore esecuzione, trovando anche esecuzioni vicine che sfidano quell'ottimo. Potremmo fermarci qui, ma faremo un altro passo per vedere cosa succede.
Dopo un'ulteriore iterazione, vediamo che stiamo ottenendo essenzialmente lo stesso risultato e l'algoritmo in modalità automatica rimane in modalità Conferma/Sfida. Non possiamo mai escludere la possibilità che ci siano ulteriori miglioramenti, ma questo risultato suggerisce che potremmo aver già trovato le impostazioni migliori.
Grazie per aver esplorato la nuova piattaforma di ottimizzazione bayesiana. Non vediamo l'ora di condividere ulteriori funzionalità e dettagli di questa piattaforma man mano che ci avviciniamo al rilascio e stiamo lavorando a molti interessanti miglioramenti per le versioni future.
Ulteriori letture
Frazier, PI (2018). Un tutorial sull'ottimizzazione bayesiana. Preprint arXiv arXiv:1807.02811 .
