L'optimisation bayésienne ou des techniques similaires « une expérience à la fois »J'aimerais en savoir plus sur « l'optimisation bayésienne » ou des techniques similaires « une expérience à la fois » disponibles sur JMP 18.
Par ailleurs, l'optimisation bayésienne sera-t-elle disponible un jour sur la plateforme JMP non-Pro ?
Merci!
Exploration et visualisation des donnéesConception des expériencesRe: Optimisation bayésienne ou techniques similaires « une expérience à la fois »La plateforme Bayes Op s'appuie sur certaines fonctionnalités de JMP Pro pour les opérations les plus complexes. Il est probable qu'elle reste une fonctionnalité Pro à l'avenir.
Selon votre objectif, un plan d'expériences (DOE) à effets principaux de petite taille, avec un nombre minimal d'essais, peut constituer un point de départ utile. Vous pourrez ensuite utiliser la méthode Augment Design pour ajouter des termes d'ordre supérieur représentant les facteurs actifs et ainsi mieux visualiser la surface de réponse.
Re: Optimisation bayésienne ou techniques similaires « une expérience à la fois »Salut @JaromW ,
Bienvenue dans la communauté !
L'optimisation bayésienne est actuellement disponible sur la plateforme JMP Pro. Si vous souhaitez en savoir plus sur l'optimisation bayésienne dans JMP Pro, je vous recommande les ressources suivantes :
Vous pouvez également vous familiariser rapidement avec l'optimisation bayésienne grâce à cette vidéo : Principes de base de l'optimisation bayésienne (vidéo YouTube).
Pour tirer pleinement parti de l'optimisation bayésienne (optimiser votre produit/système en un minimum d'itérations), il est indispensable de disposer d'un jeu de données initial de qualité. La plupart des développeurs commencent par des données historiques, mais en l'absence de données préalables, il est recommandé de débuter par une planification d'expériences (DoE). Vous pouvez alors opter pour des plans de criblage à petite échelle si vous avez de nombreux facteurs (afin de filtrer les facteurs importants et actifs pour les itérations de l'optimisation bayésienne), ou pour des plans de remplissage d'espace à petite échelle (comme l'hypercube latin) si vous avez peu de facteurs, afin d'obtenir un jeu de données initial représentatif et de qualité.
Les méthodes DoE et BO sont complémentaires, et comme l'a souligné @Byron_JMP , il existe également de nombreuses possibilités dans le paysage DoE pour apprendre de manière séquentielle avec des conceptions de petite taille.
J'espère que cette réponse vous aidera.
Re : Optimisation bayésienne ou techniques similaires « une expérience à la fois »J'ai deux questions/remarques concernant l'optimisation bayésienne :
1. Existe-t-il un moyen de vérifier si la solution n'est pas sous-optimale ?
2. Existe-t-il un moyen de détecter une solution optimale robuste ?
Re: Optimisation bayésienne ou techniques similaires « une expérience à la fois »Salut @frankderuyck ,
Voici quelques réflexions en réponse à vos questions :
- Pas automatiquement. L'optimisation bayésienne (BO) peut se bloquer dans une zone sous-optimale si l'exploration n'est pas complète, et ce, en fonction de la difficulté à modéliser la réponse et du bruit de mesure/expérimental. J'ai reproduit ce problème en utilisant uniquement le mode « Auto » pour ajouter de nouvelles exécutions, et très rapidement, la boucle BO s'est bloquée dans un optimum local après quelques exécutions, le considérant comme l'optimum à atteindre. Il est donc judicieux d'inclure plusieurs exécutions de critères MaxPro au début de la boucle BO pour favoriser l'exploration, avant de tenter d'atteindre un optimum.
- Même réponse. Des profileurs comme le profileur de prédiction et le profileur d'espace de conception, certaines de leurs options (comme l'indicateur de sensibilité ) et d'autres outils de diagnostic de modélisation peuvent vous aider à visualiser et à comprendre la robustesse potentielle de votre optimum. Toutefois, si vous souhaitez vous assurer que votre optimum est suffisamment robuste (et en fonction de ses exigences en la matière), de petites études de conception robuste peuvent s'avérer pertinentes. Consultez cette série d'articles de blog de Stat-Ease sur les conceptions robustes.
J'espère que cette réponse vous aidera.
Re : Optimisation bayésienne ou techniques similaires « une expérience à la fois »Merci encore Victor pour cette réponse claire ! Se retrouver bloqué et perdu sur une pente sous-optimale peut être problématique. Je comprends qu'il y a un risque de se retrouver dans une marche aléatoire nécessitant plus d'essais que si l'on avait simplement commencé un plan d'expériences optimal ? Lorsqu'on est bloqué, existe-t-il une direction à suivre pour atteindre le véritable optimum avec un nombre minimal d'essais ?
Re: Optimisation bayésienne ou techniques similaires « une expérience à la fois »Salut @frankderuyck ,
Il ne s'agit pas nécessairement d'une question de nombre d'exécutions, mais aussi d'une question de distance entre le « véritable » optimum global que vous souhaitez atteindre et celui que vous avez trouvé avec BO.
Dans mon exemple, je converge rapidement vers un optimum en mode automatique (4 exécutions + 1 exécution d'entraînement répliquée, ajoutée à 3 exécutions historiques), mais l'optimum trouvé dans ce mode se situe entre 3,5 et 3,6 pour la réponse, tandis que celui trouvé en mode guidé (imposant 4 exécutions MaxPro au début de la boucle, soit un total de 8 exécutions supplémentaires) se situe à 4,5 (optimum attendu). Ainsi, même si le mode automatique aboutit plus rapidement à une solution (en moins d'exécutions), cette solution ne semble pas être l'optimum global (contrairement au mode guidé).
À mon avis, lorsqu'on est bloqué, la meilleure option est de forcer l'exploration de l'espace expérimental, en incluant des essais imposant le critère MaxPro.
Re: Optimisation bayésienne ou techniques similaires « une expérience à la fois »Un autre point de vue. Si l'on considère la surface de réponse à n dimensions, on observe de nombreux maxima locaux, mais un optimum global. Les maxima locaux présentent des valeurs de réponse souhaitées, mais ils sont pointus (faibles et étroits). Autrement dit, de petites variations des facteurs du modèle peuvent rapidement nous éloigner de ces valeurs souhaitées. Les maxima globaux ont tendance à être plats. On peut aussi les qualifier de robustes ou insensibles aux petites fluctuations des facteurs du modèle (il me semble que c'est le scénario II du blog cité par Victor). Pour sortir de l'optimum local, il ne s'agit pas de paramétrer les niveaux, mais de trouver d'autres facteurs. Une autre façon d'appréhender la surface. La sélection des facteurs permet de se déplacer plus efficacement dans l'espace à n dimensions. Ainsi, « jouer avec les niveaux », quelle que soit la méthode, dans l'espace de conception sera moins efficace que d'étendre cet espace.
De plus, ma définition de la robustesse repose sur l'absence d'interactions entre le bruit et les facteurs. Pour obtenir une conception robuste, il est nécessaire d'identifier et de manipuler le bruit, au moins pendant toute la durée de l'expérience. Afin d'optimiser la conception robuste, les facteurs de bruit doivent être manipulés simultanément à l'expérimentation sur les facteurs de conception. Cette manipulation n'est pas séquentielle : il est impossible de déterminer les paramètres optimaux des facteurs de conception puis d'introduire du bruit. Ces opérations doivent être effectuées simultanément afin de pouvoir estimer les interactions entre le bruit et les facteurs. Les plans en blocs aléatoires complets (RCBD) et les plans en parcelles divisées sont parfaitement adaptés à cet usage.
