¿Cómo planeas mostrar la optimización bayesiana?Hola amigos,
Tengo curiosidad por ver cómo planean presentar y posicionar la Optimización Bayesiana en su flujo de trabajo de SEO. ¿La incluirán en las sesiones de DoE? ¿La vincularán con la mejora de la producción? ¿La mostrarán en todas partes? ¿Dónde se imaginan hablando de ella?
Será interesante ver dónde la gente piensa que "encajará" en la forma en que actualmente trabajan/hablan con clientes y prospectos, o si surgirá una nueva forma.
¡Gracias!
Ben
Re: ¿Cómo planeas mostrar la optimización bayesiana?Muy buena pregunta, @Ben_BarrIngh .
Sería interesante escuchar qué hemos aprendido al hablar con los clientes sobre esto hasta ahora.
He hablado con algunos clientes que ya están interesados en el método. También he hablado con algunos de nuestros clientes más importantes, donde BayesOpt puede aportar valor añadido o ser un motivo para obtener más beneficios. Posicionar BayesOpt en ambas situaciones es relativamente sencillo. Y esas deberían ser nuestras prioridades.
No he hablado de BayesOpt con ninguno de nuestros numerosos clientes pequeños (recuerde que nuestra media de usuarios de JMP por cuenta es de entre 2 y 3) ni con ninguna cuenta potencial. ¿Cómo hablamos de BayesOpt en esas situaciones? ¿Deberíamos siquiera hablar de BayesOpt con nuevos clientes potenciales?
@Ben_BarrIngh : ¿Puedes darnos un ejemplo típico del tipo de cuentas en las que estás pensando?
Re: ¿Cómo planeas mostrar la optimización bayesiana?Hola @Phil_Kay ,
Gracias por la respuesta. Las áreas en las que estoy particularmente interesado en cómo iniciamos las conversaciones sobre BayesOpt son:
A) Clientes nuevos que simplemente desean mejorar sus experimentos: ¿ofrecemos BayesOpt al mismo tiempo que DoE? ¿Nos centramos en el objetivo final (comprender vs. alcanzar un óptimo) y luego diferenciamos? ¿Qué valor podemos aportar (basado en métricas, ahorro de tiempo, porcentaje de reducción de recursos) que nos ayuden a presentar un argumento convincente?
(Sobre esa nota, @malcolm_moore1 encontró esta infografía https://www.active-learning.uk/2024).
Clientes actuales que conocen DoE: Para los clientes que conocen DoE, pero no son clientes Pro, ¿qué problemas buscamos abordar para que la optimización bayesiana sea parte de la conversación? Si estamos ejecutando una inspiración DoE, ¿hablamos de las herramientas DoE y luego pasamos a la optimización bayesiana? ¿O eso genera confusión? ¿Cambiamos el nombre de nuestras inspiraciones a "Experimentación moderna" o algo similar para definir el enfoque?
Gracias,
Ben
Re: ¿Cómo planeas mostrar la optimización bayesiana?Hola chicos,
Según lo que he escuchado de los clientes hasta ahora, no todos consideran viable la experimentación secuencial. Algunos tienen limitaciones de tiempo y prefieren realizar pruebas en paralelo, incluso a costa de un par de ejecuciones adicionales.
Hablaría con mis clientes sobre Bayes Opt si supiera que sus ejecuciones son muy costosas o se realizan con materias primas de las que carecen, o si el modelo subyacente es muy complejo. Si el tiempo es un problema y no pueden realizar sus ejecuciones en paralelo (por ejemplo, por falta de equipo), también les hablaría sobre Bayes Opt.
Muchos acuden a nosotros con DoE en mente. Si se cumplen los criterios anteriores, incluiría Bayes Opt en una demostración de DoE. Como se discutió en Ámsterdam, no queremos que parezca una "mejor alternativa" a DoE, sino un método más adecuado en algunos casos, mientras que en otros DoE sería el método predilecto.
Re: ¿Cómo planeas mostrar la optimización bayesiana?Hola,
Me gustaría añadir a la conversación estos resúmenes de situación que Florian, Stéphane y Owen desarrollaron para BayesOpt. También han añadido una breve presentación después de los resúmenes que enumera algunos de los desafíos que los clientes pueden enfrentar y para los que BayesOpt podría ser una solución:
-
Los altos costos experimentales limitan el número de experimentos posibles
-
La materia prima cara o poco disponible no permite una experimentación sin fin
-
La presión del tiempo no permite realizar estudios extensos
-
La optimización en la producción en marcha no permite fallos
-
La complejidad y la alta dimensionalidad requieren un enfoque sistemático
Re: ¿Cómo planeas mostrar la optimización bayesiana?Gracias por iniciar esta conversación, @Ben_BarrIngh . Es fantástico ver lo que hemos aprendido en tan poco tiempo. Hay una gran similitud entre lo que compartieron @Lisa_Daroque y @HadleyMyers sobre los problemas objetivo donde BayesOpt podría ser apropiado. A nivel de empresa, ambas herramientas (DoE y BayesOpt) son necesarias; fomentemos el uso de la herramienta adecuada para el problema específico.
Continúe compartiendo experiencias de aprendizaje con BayesOpt y JMP 19 en general.
Re: ¿Cómo planeas mostrar la optimización bayesiana?Hi @Lisa_Daroque ,
Excelente gráfico, realmente ayuda a comprenderlo mejor. Para quienes tienen escasez o limitaciones de recursos, ¿creen que deberíamos dejar de creer en BayesOpt? Me pregunto si la gente lo vería como "mágico" cuando afirmamos que alcanzará valores óptimos con un número pequeño de experimentos.
Salud,
Ben
Re: ¿Cómo planeas mostrar la optimización bayesiana?Excelente tema. Me encantaría saber más sobre esto, ya que JMP 19 se lanza la próxima semana. Me gusta la idea de @Ben_BarrIngh de mostrar la optimización bayesiana junto con DOE. @bradleybowen tiene materiales de taller que compartirá con tres casos prácticos de diversa complejidad. Necesitará asegurarse de que todo funcione correctamente en la versión de producción, pero deberías tener acceso a ellos poco después del lanzamiento.
Re: ¿Cómo planeas mostrar la optimización bayesiana?Gracias @Ben_BarrIngh a todos los demás por sus comentarios y contribuciones.
Pasé los 6 videos de la página que publicaste y me quedé con una sensación agridulce;
Cinco de los seis provienen de nuestros clientes (si no me equivoco):
- Todos ellos tienen un fuerte interés por BO (eso es bueno).
- Todos ellos ya están utilizando masivamente código abierto para BO (eso es malo).
Noté, como ya dijiste, que comparan BO con DOE (ver una captura de pantalla a continuación), así que quiero agregar 2 preguntas más a las de Ben:
- ¿Vemos el riesgo de dirigirnos a BO con una solución ya disponible en código abierto, ya utilizada en su empresa?
- ¿Qué podemos hacer para evitarlo y justificar un gasto extra para que JMP Pro use BO?
Gracias
Marco
Re: ¿Cómo planeas mostrar la optimización bayesiana?Gracias por investigar esto, @MarcoSalfi . Aquí les dejo mi opinión sobre sus dos preguntas:
- ¿Vemos el riesgo de dirigirnos a BO con una solución ya disponible en código abierto, ya utilizada en su empresa?
- ¿Qué podemos hacer para evitarlo y justificar un gasto extra para que JMP Pro use BO?
No veo ninguna diferencia con la situación de ventas habitual, donde suele haber una solución preexistente, incluso si se trata de Excel o papel. Si es posible, intente comprender sus dificultades y qué no pueden solucionar, lograr o evitar con las soluciones actuales. Si no tienen ninguna dificultad o se resisten al cambio, sigamos adelante. Si tienen una dificultad que podamos adaptar a BayesOpt (u otra función), intentemos completar un resumen de la situación específico para sus circunstancias. En el caso de BayesOpt, las consecuencias de no cambiar deberán ser lo suficientemente graves como para motivar el pago de la licencia Pro, y un resumen de la situación será muy útil para impulsar estas oportunidades.
Será interesante obtener puntos de vista diferentes/adicionales sobre tus preguntas.
Re: ¿Cómo planeas mostrar la optimización bayesiana?Mi opinión sobre las soluciones de código abierto para BayesOpt (o el análisis de datos en general) es que mantener un código que depende de bibliotecas de código abierto es una pesadilla.
Especialmente si estás usando bibliotecas desarrolladas en entornos académicos y de repente ya no hay inversión en la biblioteca.
Además, necesitas una combinación de muchas bibliotecas, porque muchas de ellas solo ofrecen una parte de la solución.
Por lo que he visto en Python y R para la optimización bayesiana, BayesOpt de JMP es una solución muy superior.
Re: ¿Cómo planeas mostrar la optimización bayesiana?@LuizaFabreti Quería añadir que existen otras opciones de software, como Citrene, que ofrecen un enfoque de optimización basado en la optimización bayesiana. Tenemos un cliente que usaba este software, pero nunca obtuvo resultados significativos. Nos comentó que había gastado más de 100.000 dólares, y probablemente mucho más en realidad, y que no había obtenido nada. Desde entonces, se han convertido en usuarios beta de la nueva plataforma Bayes Opt y han contribuido a impulsar algunas de las innovaciones que Chris y su equipo han implementado.
Entonces, la moraleja de la historia es que probablemente haya más personas que intentan la optimización secuencial de lo que creemos, y nunca está de más hacerles saber que JMP ahora tiene una plataforma Bayes Opt incorporada en JMP Pro.
Re: ¿Cómo planeas mostrar la optimización bayesiana?Me encanta ver esta discusión en marcha. Tengo que añadir algunos comentarios, por supuesto.
Competidores: Existen algunas herramientas comerciales y también bastantes soluciones de código abierto. Es importante destacar que no todas tienen el mismo alcance y, en la mayoría de los casos, este es bastante limitado o específico. BoTorch es la base de muchas soluciones de código abierto.
Las ventajas que he escuchado de los clientes hasta ahora sobre las implementaciones de código abierto:
- es gratis (jaja)
- es más flexible y se adapta a sus necesidades
- es más fácil involucrarse en "tareas de optimización de bucle cerrado", donde se sugiere un experimento, se ejecuta, se analiza y se sugiere otro hasta que se cumple un objetivo
Una de las soluciones que desarrollaron varios de nuestros clientes (crédito a @JessicaHorsch por encontrarla) es BoFire ( https://arxiv.org/pdf/2408.05040 ). El autor principal es mi cliente y, obviamente, está muy convencido de que esta solución será la única forma en que las empresas químicas experimentarán en el futuro, pero también reconoció que la optimización de caja negra no satisface todas las necesidades de científicos e ingenieros. Y mi mentor en Evonik confirmó que vio que esto condujo al éxito, pero también al fracaso absoluto (porque es una caja negra).
Otra situación fue la de un cliente que pedía una forma de implementar datos históricos, o su conocimiento actual e incluso información mecanicista de reacciones, etc. para sugerir nuevos experimentos.
Para mí, ahora parece casi como si BO estuviera en algún punto intermedio entre "oh, esto, sí, también lo hacemos" y la característica absolutamente revolucionaria que necesitamos mostrar siempre que podamos.
Creo que primero debemos evaluar cuidadosamente y tener una idea del tipo de personas a las que nos dirigimos. Al mismo tiempo, podemos promocionarlo con confianza, ya que es una implementación única y potente y, como siempre, combinada con todo lo que JMP (Pro) puede hacer, está perfectamente integrada en un potente conjunto de herramientas.
