Optimización Bayesiana, también conocida como BayesOpt, es una nueva plataforma que llega a JMP Pro 19. Con ella, puede usar sus datos existentes para ajustar un modelo y, a partir de ese modelo, decidir de forma inteligente dónde muestrear a continuación. Estas nuevas observaciones se utilizan para actualizar el modelo y encontrar muestras aún mejores. Este proceso puede comenzar con un número mínimo de ejecuciones, lo que significa desperdiciar menos recursos en muestras subóptimas y dedicar más tiempo a explorar nuevas oportunidades.
¿Prefieres el video? Míralo aquí.
Resuelve problemas con facilidad
BayesOpt cuenta con un modo automático integrado para sus problemas estándar. Descubra dónde buscar a continuación sin perderse en los detalles.
Ampliamente aplicable
Alternativamente, está disponible un conjunto de opciones de personalización interactivas para problemas más complejos o para cuando desea profundizar en los detalles usted mismo.
Confianza y transparencia
Los resultados de BayesOpt son comprensibles e interpretables. La plataforma detecta y registra automáticamente cómo y por qué se seleccionan las muestras para realizar un seguimiento de su exploración. También puede editar estos motivos manualmente dentro de la plataforma para personalizar su documentación.
Además, la plataforma se basa en el conocido generador de perfiles de predicción y sus funciones integradas de conveniencia, lo que le permite empezar a trabajar desde el principio. ¡Y no tiene que aceptar las sugerencias de la plataforma al pie de la letra! Más allá de las sugerencias automáticas, BayesOpt proporciona métricas fiables e interpretables para que pueda tomar decisiones bien informadas basadas en sus recomendaciones.
Sigue tu progreso
Obtenga comentarios inmediatos sobre el progreso de su proyecto en las iteraciones de muestra con el gráfico de ejecución de deseabilidad incorporado.
Amplía tus opciones sin empezar de nuevo
Ninguna industria permanece estancada por mucho tiempo. BayesOpt le permite mantener sus opciones abiertas, incluso si estas cambian después de iniciar el proceso de desarrollo de su producto. Para variables continuas, utilice los ejes del perfilador para ampliar el rango que desea explorar directamente en la plataforma antes de generar un nuevo conjunto de candidatos. Para cambios más complejos en factores y restricciones, cargue cualquier conjunto de candidatos personalizado en la plataforma.
Además de elegir puntos de muestra de un conjunto de candidatos, puede utilizar el generador de perfiles para explorar predicciones y seleccionar puntos de muestra de allí.
Un adelanto
Para demostrar el flujo de trabajo intuitivo de BayesOpt, veamos un pequeño ejemplo. A continuación, se muestra una versión resimulada de la muestra "Neutral" de nuestro índice de muestras, incluido en su copia de JMP. Voy a utilizar la plataforma BayesOpt para maximizar la respuesta a la abrasión mientras se ajustan los objetivos de Elongación y Dureza. Dado que BayesOpt utiliza con frecuencia las características deseables del perfilador, las configuré antes de ejecutar la plataforma.
Inicie la plataforma desde el menú de análisis para comenzar.
BayesOpt tiene un diálogo de inicio típico para una plataforma de modelado en JMP. Solo necesita especificar las Y y las X en este punto, ya que estamos al inicio del proceso de BayesOpt. Tenga en cuenta que aquí puede seleccionar el tamaño del lote, que es el número de filas agregadas por el modo automático. El valor predeterminado es uno, pero para esta primera demostración, voy a configurar el tamaño del lote en dos.
La plataforma BayesOpt está organizada en pestañas. Comience con la pestaña "Resumen del Modelo", que contiene información importante sobre todas las respuestas. Lo primero que debemos revisar es el resumen de todos los RSq. El algoritmo automático examina los RSq para determinar si los modelos son lo suficientemente buenos como para funcionar con ellos. A continuación, puede ver que el RSq del modelo de Abrasión está por debajo de nuestros estándares y está resaltado en rojo. Debajo, vemos el gráfico de ejecución de deseabilidad observada, que registra un puntaje continuo de nuestro progreso. En este caso, observamos que las cinco ejecuciones iniciales no fueron muy buenas. En iteraciones sucesivas, queremos ver una tendencia al alza en estos valores.
El resto de esta pestaña es una plataforma JMP bastante estándar con gráficos de predicción y un generador de perfiles. El botón inferior permite ver los rastros de los errores estándar de predicción. Pasemos ahora a la pestaña "Selección de lotes". La selección automática de la plataforma ha encontrado las dos ejecuciones solicitadas en el cuadro de diálogo de inicio. De forma predeterminada, asume que desea permanecer en modo automático y mantiene el informe muy compacto.
Debido a que tenemos una respuesta con un RSq bajo, la plataforma ha optado por permanecer en la fase de Exploración de Relleno de Espacio. Utiliza un criterio de relleno de espacio (MaxPro Space Filling), que facilita el ajuste de los modelos de proceso gaussiano.
Desde aquí, haz clic en Crear tabla. Las ejecuciones se añadirán automáticamente a la tabla. Con esto, terminamos esta ronda. Al volver a la tabla, vemos que se han añadido las dos ejecuciones, junto con una columna "Iteración" y una columna "Razón de adición" que registran su presencia.
Utilizo mi simulador para crear nuevas respuestas y lanzar la plataforma nuevamente.
Una vez que se ha relanzado la plataforma, podemos ver que las dos ejecuciones para llenar el espacio han llevado a un mejor ajuste de las respuestas, pero las nuevas respuestas no son significativamente mejores que las cinco originales.
Pasando a la pestaña Selección de Lote, vemos que las dos ejecuciones no son de relleno, ya que hemos pasado de la fase de Relleno a la de Refinamiento del Modelo. Podemos hacer clic en Crear Tabla y repetir el proceso.
Saltando dos lotes hacia adelante, vemos nuevamente que todos los modelos siguen siendo buenos, y nuestro gráfico de ejecución muestra que si bien el segundo lote no condujo a respuestas significativamente mejoradas, el tercero sí lo hizo.
Al observar la pestaña "Selección de lotes", vemos que replica la mejor ejecución de entrenamiento observada hasta el momento, lo que significa que hemos pasado a la tercera etapa del algoritmo de optimización bayesiana: la fase de confirmación/desafío. En esta etapa, primero buscamos confirmar que tenemos la mejor ejecución, a la vez que buscamos ejecuciones cercanas que desafíen dicho óptimo. Podríamos detenernos aquí, pero daremos un paso más para ver qué sucede.
Tras una iteración más, observamos que obtenemos prácticamente el mismo resultado, y el algoritmo del modo automático permanece en modo Confirmar/Desafiar. No podemos descartar que haya más mejoras, pero este resultado sugiere que quizás ya hayamos encontrado la configuración óptima.
Gracias por explorar la nueva plataforma de Optimización Bayesiana. Esperamos compartir más funciones y detalles de esta plataforma a medida que nos acercamos a su lanzamiento y estamos trabajando en muchas mejoras interesantes para futuras versiones.
Lectura adicional
Frazier, PI (2018). Tutorial sobre optimización bayesiana. Preimpresión de arXiv:1807.02811 .
