Comment améliorer un optimisation bayésienne pour les applications de plans d'expériences (QbD, robustesse)Salut tout le monde,
Dans le cours ENBIS sur l'approche bayésienne, l'idée d'augmenter une série d'expériences d'optimisation bayésienne pour transformer l'ensemble de données en un format adapté aux études QbD/de robustesse est présentée, ce qui constitue un bon cas d'utilisation pour nos clients.
Ma question est la suivante : comment déterminer avec précision le nombre d’exécutions supplémentaires nécessaires pour s’assurer de l’absence de confusion (c’est-à-dire obtenir une représentation claire des corrélations grâce à l’outil « Augmenter » du menu DoE) ? Dans l’exemple à trois facteurs ci-dessus, le nombre d’exécutions supplémentaires suggéré est toujours de huit, que j’aie appliqué un modèle linéaire simple ou une méthodologie de surface de réponse (RSM).
Comparons cela à la conception personnalisée, où la modification du modèle influe sur le nombre d'expériences recommandées. Je me demande si une approche similaire peut être appliquée ici, ou du moins, s'il est possible de déterminer plus clairement le nombre d'expériences supplémentaires nécessaires pour un ensemble de critères (efficacité D, faible corrélation, etc.) sans avoir à augmenter manuellement les chiffres et à vérifier à chaque fois.
@Florian_Vogt @Phil_Kay @chris_gotwalt1
Merci!
Ben
Re: Comment améliorer un optimisation bayésienne pour les applications de plans d'expériences (QbD, robustesse)Excellente question. Je suis surpris que vous ne connaissiez pas la réponse classique des statisticiens : ça dépend.
Cela dépendra vraiment.
Il est très improbable de pouvoir enrichir les données d'un projet d'optimisation bayésienne et obtenir une conception sans corrélation. Le choix dépendra donc presque toujours du niveau de corrélation acceptable, et déterminer ce niveau sera extrêmement difficile.
Je ne sais pas exactement comment le nombre d'itérations recommandé est déterminé dans la conception personnalisée, mais je crois qu'il correspond au nombre de paramètres du modèle à estimer, plus 5 (pour les degrés de liberté d'erreur). Il n'y a pas de réponse unique, mais il est relativement simple de donner une règle empirique raisonnable.
Je pense que la meilleure solution pour l'expérimentateur est de déterminer le nombre d'essais qu'il peut raisonnablement réaliser et de créer trois plans d'expériences augmentés différents, avec un nombre d'essais variable jusqu'à ce maximum. Il peut ensuite utiliser la fonction « Comparer les plans » pour comparer rapidement et facilement les trois options selon différents diagnostics, y compris les corrélations d'effets. Je ne crois pas que cela soit possible avec d'autres logiciels ; c'est donc un atout majeur de JMP.
Re: Comment améliorer un optimisation bayésienne pour les applications de plans d'expériences (QbD, robustesse)Salut @Phil_Kay ,
Bien sûr, j'aurais dû m'en douter ! Merci pour cette précision, c'est une bonne façon d'aborder son application si on me le demande.
Merci,
Ben
Re: Comment améliorer un optimisation bayésienne pour les applications de plans d'expériences (QbD, robustesse)Questions complémentaires : Ma compréhension (peut-être naïve) de BayesOpt de JMP est qu’il s’agit d’une alternative efficace, basée sur les processus gaussiens, à la méthode Augment Design du DOE. Est-ce une erreur ? Existe-t-il des recommandations générales sur les cas où il est préférable d’utiliser Augment Design plutôt que de relancer BayesOpt pour générer davantage de points de conception ?
Re: Comment améliorer un optimisation bayésienne pour les applications de plans d'expériences (QbD, robustesse)Comme son nom l'indique, l'objectif est l'optimisation, et non la caractérisation et la modélisation. Il s'agit de trouver les paramètres optimaux le plus rapidement possible (c'est-à-dire avec le moins d'augmentations/exécutions possible). Une fois les paramètres optimaux trouvés, le processus peut s'arrêter. Cependant, dans certains cas, comme dans les secteurs pharmaceutique et biotechnologique, il est nécessaire de procéder ensuite à une modélisation par plans d'expériences (DOE) pour optimiser la surface environnante. Pensez à la méthodologie QbD et à l'espace de conception.
