Comment comptez-vous présenter l’optimisation bayésienne ?Salut tout le monde,
Je suis curieux de voir comment les gens prévoient de présenter et de positionner l'optimisation bayésienne dans leur workflow d'optimisation des résultats. Allez-vous l'inclure dans les sessions DoE ? L'intégrer à l'amélioration de la production ? La présenter partout et n'importe où ? Où vous voyez-vous en parler ?
Il sera intéressant de voir où les gens pensent que cela « s’intégrera » dans la façon dont ils travaillent/parlent actuellement avec les clients et les prospects, ou si une nouvelle façon de faire verra le jour !
Merci!
Ben
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Très bonne question, @Ben_BarrIngh .
Il serait intéressant de savoir ce que nous avons appris en discutant avec nos clients à ce sujet jusqu’à présent.
J'ai discuté avec des clients déjà intéressés par cette méthode. J'ai également discuté avec certains de nos plus gros clients pour lesquels BayesOpt peut apporter une valeur ajoutée et/ou inciter à opter pour Pro. Positionner BayesOpt dans ces deux situations est relativement simple. Et ce devraient être nos priorités.
Je n'ai pas encore parlé de BayesOpt à nos nombreux petits clients (rappelons que notre nombre médian d'utilisateurs JMP par compte se situe entre 2 et 3) ni à nos prospects. Comment parler de BayesOpt dans ces situations ? Devrions-nous même en parler à nos nouveaux prospects ?
@Ben_BarrIngh - pouvez-vous donner un exemple typique du type de comptes auxquels vous pensez ?
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Salut @Phil_Kay ,
Merci pour la réponse - les domaines qui m'intéressent particulièrement dans la façon dont nous démarrons les conversations BayesOpt sont :
A) Nouveaux clients souhaitant simplement améliorer leurs expériences : proposons-nous BayesOpt en même temps que le DoE ? Concentrons-nous nos efforts sur l'objectif final (comprendre ou atteindre un optimum) et faisons-nous ensuite la distinction ? Quelles valeurs pouvons-nous affirmer (basées sur des indicateurs, gain de temps, réduction de ressources) pour étayer un argumentaire convaincant ?
(Sur cette note, @malcolm_moore1 a trouvé cette infographie (https://www.active-learning.uk/2024).
Clients actuels connaissant DoE - Pour les clients connaissant DoE, mais non clients Pro, quels points cherchons-nous à aborder pour intégrer BayesOptimisation à la conversation ? Si nous gérons une source d'inspiration DoE, devons-nous parler des outils DoE, puis passer à l'optimisation bayésienne ? Ou cela complique-t-il les choses ? Devons-nous renommer nos sources d'inspiration « Expérimentation moderne » ou similaire pour bien cadrer le sujet ?
Merci,
Ben
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Salut les gars,
D'après ce que j'ai entendu jusqu'à présent de la part de mes clients, tous ne trouvent pas l'expérimentation séquentielle réalisable. Certains sont limités dans le temps et préfèrent tester en parallèle, même au prix de quelques essais supplémentaires.
Je parlerais de Bayes Opt à mes clients si je savais que leurs analyses sont très coûteuses ou réalisées avec des matières premières en quantité insuffisante, ou si le modèle sous-jacent est très complexe. Si le temps est un problème et qu'ils ne peuvent pas effectuer leurs analyses en parallèle (par exemple, faute d'équipement), je leur parlerais également de Bayes Opt.
Nombreux sont ceux qui nous contactent avec un DoE en tête. Si les critères ci-dessus sont remplis, j'inclurais Bayes Opt dans une démonstration de DoE. Comme indiqué à Amsterdam, nous ne souhaitons pas le présenter comme une « meilleure alternative » au DoE, mais plutôt comme une méthode plus adaptée à certains cas, tandis que dans d'autres, le DoE serait la méthode de choix.
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Salut,
J'aimerais ajouter à la discussion les synthèses de situation que Florian, Stéphane et Owen ont développées pour BayesOpt. Ils ont également ajouté un argumentaire éclair après ces synthèses, qui énumère certains des défis auxquels les clients peuvent être confrontés et pour lesquels BayesOpt pourrait être une solution :
-
Le coût expérimental élevé limite le nombre d'expérimentations possibles
-
La matière première chère ou peu disponible ne permet pas une expérimentation sans fin
-
La pression du temps ne permet pas de mener des études approfondies
-
L'optimisation de la production en cours ne permet pas l'échec
-
La complexité et la haute dimensionnalité nécessitent une approche systématique
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Merci d'avoir lancé cette discussion @Ben_BarrIngh et ravi de voir ce que nous avons appris en si peu de temps. Il existe une grande similitude entre les propos de @Lisa_Daroque et @HadleyMyers concernant les problèmes cibles pour lesquels BayesOpt pourrait être approprié. Au niveau de l'entreprise, les deux outils (DoE et BayesOpt) sont nécessaires ; encourageons l'utilisation de l'outil approprié à chaque problème spécifique.
Veuillez continuer à partager vos expériences d’apprentissage avec BayesOpt et JMP 19 en général.
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Salut @Lisa_Daroque ,
Excellent graphique, il permet d'approfondir le sujet. Pour ceux qui sont confrontés à des contraintes de ressources, pensez-vous qu'il faudrait « suspendre » la croyance avec BayesOpt ? Je me demande si les gens verraient cela comme de la « magie » lorsque nous affirmons qu'il atteindra des valeurs optimales avec un nombre réduit d'expériences.
Acclamations,
Ben
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Excellent sujet. J'aimerais en savoir plus à ce sujet lors de la sortie de JMP 19 la semaine prochaine. J'apprécie l'idée de @Ben_BarrIngh de présenter l'optimisation bayésienne en conjonction avec le plan d'expérience. @bradleybowen partagera des supports d'atelier comprenant trois études de cas de complexité variable. Il devra s'assurer que tout fonctionne comme prévu dans la version de production, mais vous devriez y avoir accès peu après la sortie.
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Merci @Ben_BarrIngh à tous les autres pour vos commentaires et votre contribution.
J'ai parcouru les 6 vidéos de la page que vous avez publiée et je suis resté avec un sentiment doux-amer ;
Cinq sur six proviennent de nos clients (si je ne me trompe pas) :
- Ils ont tous un fort intérêt pour BO (c'est bien)
- Ils utilisent déjà tous massivement l'open source pour BO (c'est mauvais)
J'ai remarqué, comme vous l'avez déjà dit, qu'ils comparent BO avec DOE (voir une capture d'écran ci-dessous), donc je veux ajouter 2 autres questions à celles de Ben :
- Voyons-nous le risque d’adresser des personnes à BO avec une solution déjà disponible en open source – déjà utilisée dans leur entreprise ?
- Que pouvons-nous faire pour l'éviter et justifier une dépense supplémentaire pour JMP Pro pour utiliser BO ?
Merci
Marco
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Merci d'avoir approfondi ce sujet, @MarcoSalfi . Voici ce que je pense de vos deux questions :
- Voyons-nous le risque d’adresser des personnes à BO avec une solution déjà disponible en open source – déjà utilisée dans leur entreprise ?
- Que pouvons-nous faire pour l'éviter et justifier une dépense supplémentaire pour JMP Pro afin d'utiliser BO ?
Je ne vois rien de différent du contexte commercial habituel, où il existe souvent une solution existante, même si c'est Excel ou un document papier. Si possible, essayez de comprendre leurs difficultés et ce qu'ils ne peuvent pas résoudre, réaliser ou éviter avec les solutions actuelles. S'ils n'ont pas de difficulté ou s'ils sont réticents au changement, passez à autre chose. S'ils ont une difficulté que nous pouvons résoudre avec BayesOpt (ou une autre fonctionnalité), essayez de réaliser un résumé de leur situation spécifique. Dans le cas de BayesOpt, les conséquences de l'absence de changement devront être suffisamment importantes pour motiver le paiement de la licence Pro, et un résumé de leur situation sera très utile pour développer ces opportunités.
Il sera intéressant d’obtenir des points de vue différents/supplémentaires concernant vos questions.
Re : Comment comptez-vous présenter l’optimisation bayésienne ?Mon avis sur les solutions open source pour BayesOpt (ou l'analyse de données en général) est que maintenir du code qui s'appuie sur des bibliothèques open source est un cauchemar.
Surtout si vous utilisez des bibliothèques développées dans des environnements universitaires et que soudainement, il n'y a plus d'investissement dans la bibliothèque.
De plus, vous avez besoin d’un mélange de plusieurs bibliothèques, car beaucoup d’entre elles n’offrent qu’une partie de la solution.
D'après ce que j'ai vu en Python et R pour l'optimisation bayésienne, BayesOpt de JMP est une solution bien supérieure.
Re : Comment comptez-vous présenter l’optimisation bayésienne ?@LuizaFabreti Je voulais ajouter qu'il existe d'autres logiciels, notamment Citrene, qui propose une approche d'optimisation basée sur l'optimisation bayésienne. Un de nos clients utilisait ce logiciel sans jamais obtenir de résultats probants. Il nous a confié avoir dépensé plus de 100 000 $, et probablement bien plus en réalité, pour un résultat bredouille. Depuis, il est devenu utilisateur bêta de la nouvelle plateforme Bayes Opt et a contribué à certaines des innovations mises en œuvre par Chris et son équipe.
Donc, la morale de l’histoire est qu’il y a probablement plus de gens qui essaient l’optimisation séquentielle que nous le pensons, et cela ne fait jamais de mal de leur faire savoir que JMP dispose désormais d’une plate-forme Bayes Opt intégrée dans JMP Pro.
Re : Comment comptez-vous présenter l’optimisation bayésienne ?J'adore voir cette discussion se poursuivre. Je me dois d'ajouter quelques commentaires, bien sûr.
Concurrents : Il existe quelques outils commerciaux et de nombreuses solutions open source. Il est important de noter que tous n'ont pas la même portée et que celle-ci est généralement assez restreinte ou spécifique. BoTorch est la base de nombreuses solutions open source.
Les avantages que j'ai entendus jusqu'à présent de la part des clients concernant les implémentations open source :
- c'est gratuit (haha)
- c'est plus flexible, adapté à leurs besoins
- il est plus facile d'être lié à des « tâches d'optimisation en boucle fermée », où une expérience est suggérée, exécutée, analysée et une autre est suggérée jusqu'à ce qu'un objectif soit atteint
BoFire ( https://arxiv.org/pdf/2408.05040 ) est l'une des solutions développées par plusieurs de nos clients (merci à @JessicaHorsch pour l'avoir trouvée). Son auteur principal est un de mes clients et est manifestement convaincu que cette solution sera la seule voie d'expérimentation pour les entreprises chimiques à l'avenir. Il reconnaît également que l'optimisation par boîte noire ne répond pas à tous les besoins des scientifiques et des ingénieurs. Mon mentor chez Evonik a confirmé qu'il voyait cela comme une réussite, mais aussi comme un échec total (car c'est une boîte noire).
Une autre situation était celle d'un client demandant un moyen de mettre en œuvre des données historiques, ou ses connaissances actuelles et même des informations mécanistes issues de réactions, etc. pour suggérer de nouvelles expériences.
Pour moi, maintenant, j'ai presque l'impression que BO se situe quelque part entre le « oh ça, oui, nous le faisons aussi » et la fonctionnalité absolument géniale que nous devons montrer à chaque fois que nous le pouvons.
Je pense que nous devons d'abord procéder à une sélection rigoureuse et identifier le type de public auquel nous nous adressons. Parallèlement, nous pouvons le promouvoir en toute confiance, car il s'agit d'une implémentation unique et puissante qui, comme toujours, combinée à toutes les fonctionnalités de JMP (Pro), s'intègre parfaitement dans un ensemble d'outils performants.
