Salut tout le monde,
Cet exemple s'inspire d'une conversation récente avec un client du secteur chimique. Ce client crée de nombreux mélanges et formulations, mais dans ses exemples, il s'agit de mélanges soumis à des contraintes strictes, comme par exemple : « Nous avons 5 additifs possibles, mais nous ne pouvons en utiliser que 2 à la fois et nous devons trouver la combinaison optimale. »
Cette démonstration utilise l'optimisation bayésienne pour illustrer comment ce processus peut être mis en œuvre avec des ensembles de candidats. Les données initiales sont générées à partir d'un plan d'expérience personnalisé issu de l'ensemble de données de candidats, et BayesOpt est appliqué à cet ensemble afin de ne suggérer que les simulations utilisant 2 des 5 additifs. Elle présente également une approche intéressante pour combiner des modèles linéaires à effets linéaires (LLM) et résoudre un problème par script.
Mode d'emploi :
1. Ouvrez le bouton « dt »
2. Cliquez sur « Génération de l'ensemble de candidats » pour créer l'ensemble de données de candidats de référence.
3. Cliquez sur « Exécuter Bayes Opt » ; vous serez alors invité à sélectionner l’ensemble de candidats, puis à générer les lignes suivantes.
4. Continuez jusqu'à atteindre l'étape « Répéter le meilleur » et voilà.
Si vous vous renseignez sur la manière dont les listes de candidats sont constituées, plutôt que de leur montrer le script (et de les effrayer), vous pouvez tirer parti des LLM et du fait que vous pouvez transformer le langage naturel en script pour eux.
1. Cliquez sur « LearnBot Prompt for Candidate Set », cela ouvrira LearnBot et copiera une invite dans votre presse-papiers que vous pourrez coller.
2. Exécutez le script pour générer l'ensemble des candidats. Cela fonctionne bien (pour le moment) ; le client doit simplement modifier le deuxième paragraphe pour décrire ses expériences.
3. L'« Another LearnBot Candidate Set Prompt » est un exemple plus complexe tiré de la présentation/journal GTET de Bradley Bowens.
