Présentation des nouvelles fonctionnalités de JMP 19, avec un accent particulier sur l'optimisation bayésienne.
Informations complémentaires : https://www.jmp.com/en/software/new-release/new-in-jmp
Question 1 : Si nous ne disposons pas d'un ensemble de données historiques, pouvons-nous démarrer une optimisation bayésienne ?
Victor : Oui, vous pouvez commencer par des essais de remplissage d'espace pour couvrir votre espace expérimental.
Jonas : Il faut au moins une ligne dans l’ensemble de données, ainsi que quelques informations initiales sur les colonnes. Si vous ne commencez qu’avec une ou quelques lignes, d’autres exécutions seront effectuées pour explorer davantage l’espace de conception.
Oui, en gros, la plateforme a besoin de métadonnées et d'informations sur les colonnes pour pouvoir fonctionner (au minimum pour la conception et le codage).
Vainqueur : Je commencerais par un design simple et basique.
Maria : Tutoriel pour développeurs sur l’optimisation bayésienne : https://community.jmp.com/t5/Learn-JMP-Events/Developer-Tutorial-Bayesian-Optimization/ev-p/894910?…
Vainqueur : Vous pouvez utiliser Conception de la portée | Prism pour vérifier la variabilité de votre réponse et sa variabilité en fonction des facteurs.
Winfried : C'est dans le nom : c'est particulièrement utile si vous pensez pouvoir commencer bientôt l'optimisation. Si vous n'en êtes qu'aux prémices de la compréhension de votre problème, utilisez d'autres outils de conception, comme les facteurs de filtrage ou les plans d'expériences.
Vainqueur:Conception de la portée - Module complémentaire JMP pour le DoE - Communauté des utilisateurs JMP
Winfried : Attention à l’évolution temporelle avec toute méthode séquentielle comme le BO ! N’oubliez pas pourquoi on utilise généralement la randomisation !
Vainqueur : Il est également important de souligner que la méthode des plans d’expériences (DoE) n’est pas une méthodologie statique où un seul plan répond à toutes les questions ; comme pour l’optimisation bayésienne, on peut progresser par itérations, en enrichissant progressivement le plan : commencer par un plan de criblage, puis ajouter des effets d’ordre supérieur, puis un plan de remplissage d’espace… Les possibilités sont immenses, et il est possible de combiner ces étapes avec l’optimisation bayésienne.
Winfried : Attention à l'évolution temporelle avec toute méthode séquentielle comme le BO ! N'oubliez pas pourquoi on utilise généralement la randomisation ! 
Oui, aucune protection dans BO comme le blocage ou d'autres conceptions robustes face aux tendances temporelles que nous pouvons trouver avec les DoE !
Vainqueur : aperçu des méthodes d’optimisation : L’évolution des méthodes d’optimisation | par Victor Guiller | Medium
Question 2 : Existe-t-il un outil comme un profileur de prédiction que l'on pourrait utiliser pour des espaces de conception comportant de nombreux facteurs ?
Vainqueur : Quelle est la difficulté pratique liée à l’utilisation de Prediction Profiler avec plus de 6 facteurs ? Comment optimiser ? Vous pouvez réduire le nombre de facteurs en fonction de leur importance sur vos réponses.
Anthony : On pourrait aussi réduire les valeurs en fonction de la taille de l’effet. C’est la question de la pertinence pratique. Si certaines valeurs sont très faibles par rapport aux autres, on pourrait commencer par les réduire.
Vainqueur : L’ACP pourrait ne pas bien fonctionner avec des facteurs indépendants
Anthony : J'ai utilisé l'ACP pour réduire la dimensionnalité de Y. Je ne l'ai pas utilisée pour plusieurs variables x.
Vainqueur : Vous pouvez également utiliser le simulateur, créer un nouvel ensemble de données avec des prédictions et créer vos propres visualisations.
Question 3 : Inclure différentes qualités de produit de matériau de départ dans les plans DOE.
Vous pouvez utiliser des blocs aléatoires pour répartir différentes qualités de lots/produits dans vos essais DOE ?
Jonas : Des facteurs de covariance peut-être ?
Anthony : les options « traiter comme facteur », « covariable » et « blocage » me viennent à l’esprit.
Manlio : on pourrait utiliser le blocage pour différents matériaux
Vainqueur : Cela dépend si vous souhaitez évaluer l’impact du lot sur la réponse moyenne ou la variance de la réponse (effets fixes ou aléatoires dans le modèle), la représentativité de ces lots et vos objectifs.
Question 4 : Comment l’optimisation bayésienne gère-t-elle l’itération d’ajout et de suppression de facteurs au cours de l’apprentissage ? Dans mon flux de travail actuel, les facteurs de conception et de bruit varient d’une expérience à l’autre. Je me demande comment BayesOpt aborderait ce cas.
Ressources supplémentaires :
