Come potenziare un'opzione bayesiana per applicazioni DoE (QbD, robustezza)Ciao a tutti,
Nel corso di Bayesianistica di ENBIS, viene presentata l'idea di ampliare una serie di esperimenti Bayes Opt per trasformare il set di dati in qualcosa di adatto a studi QbD/Robustezza, il che rappresenta un ottimo caso d'uso per i nostri clienti.
La mia domanda è: quando si utilizza lo strumento "Augment" nel menu DoE, come si può determinare con precisione il numero di esecuzioni aggiuntive necessarie per garantire l'assenza di fattori confondenti (ovvero una chiara mappa a colori delle correlazioni)? Nell'esempio a 3 fattori riportato sopra, le esecuzioni aggiuntive suggerite sono sempre 8, indipendentemente dal fatto che io abbia applicato un semplice modello lineare o un RSM.
Rispetto alla progettazione personalizzata, dove la modifica del modello altera il numero di esperimenti consigliati, mi chiedo se sia possibile fare qualcosa di simile anche qui, o quantomeno, se si possa rendere più chiaro quanti esperimenti aggiuntivi sarebbero necessari per un determinato criterio (efficienza D, bassa correlazione, ecc.) senza dover incrementare manualmente i numeri e ricontrollare ogni volta.
@Florian_Vogt @Phil_Kay @chris_gotwalt1
Grazie!
Ben
Oggetto: Come potenziare un'opzione bayesiana per applicazioni DoE (QbD, robustezza)Ottima domanda. Mi sorprende che tu non sappia che la risposta è la classica risposta da statistico: dipende.
Dipende davvero.
È molto improbabile che si possano aumentare i dati provenienti da un progetto di ottimizzazione bayesiana e arrivare a un progetto con correlazione pari a 0. Quindi, quasi sempre dipenderà da quanta correlazione si è disposti ad accettare. E questo sarà davvero difficile da decidere.
Non sono del tutto sicuro di come venga determinato il numero di simulazioni consigliato in Custom Design, ma credo che sia qualcosa del tipo il numero di parametri del modello da stimare più 5 (per i gradi di libertà di errore). Non c'è una risposta univoca, ma è relativamente semplice fornire una regola empirica sensata.
Credo che l'opzione migliore per chi sperimenta sia valutare quante prove può realisticamente permettersi e creare 3 diversi progetti aumentati con un numero diverso di prove, fino a quel massimo. Successivamente, può utilizzare la funzione "Confronta progetti" per confrontare rapidamente e facilmente le 3 opzioni in base ai diversi parametri diagnostici del progetto, incluse le correlazioni degli effetti. Non credo che questo sia possibile con nessun altro software, quindi è un ottimo elemento distintivo di JMP.
Oggetto: Come potenziare un'opzione bayesiana per applicazioni DoE (QbD, robustezza)Ciao @Phil_Kay ,
Certo, avrei dovuto immaginarlo! Grazie per la precisazione, è un ottimo modo per spiegare come si può applicare in caso di necessità.
Grazie,
Ben
Oggetto: Come potenziare un'opzione bayesiana per applicazioni DoE (QbD, robustezza)Domande di approfondimento: La mia (forse ingenua) comprensione di BayesOpt di JMP è che si tratti di un'alternativa efficace basata su processi gaussiani ad Augment Design per la progettazione di esperimenti (DOE). Mi sbaglio? Esistono linee guida generali su quando utilizzare Augment invece di ricorrere nuovamente a BayesOpt per generare ulteriori punti di progettazione?
Oggetto: Come potenziare un'opzione bayesiana per applicazioni DoE (QbD, robustezza)Come suggerisce il nome, l'obiettivo è l'ottimizzazione, non la caratterizzazione e la modellazione. Si tratta di trovare le impostazioni ottimali nel minor tempo possibile (ovvero, con il minor numero di iterazioni/simulazioni). Potreste aver finito dopo aver trovato le impostazioni ottimali. In alcune situazioni, come nel settore farmaceutico e biotecnologico, tuttavia, si procede con la progettazione di esperimenti (DOE) per modellare la superficie circostante. Pensate a QbD e Design Space.
