Hallo zusammen,
Dieses Beispiel basiert auf einem kürzlich geführten Gespräch mit einem Kunden aus der chemischen Industrie. Sie stellen viele Mischungen/Formulierungen her, aber in ihren Beispielen verwenden sie Mischungen mit strengen Einschränkungsregeln, wie zum Beispiel: „Wir haben 5 mögliche Additive, können aber nur 2 gleichzeitig verwenden und müssen die besten Einstellungen finden.“
Diese Demo nutzt Bayes'sche Optimierung, um zu zeigen, wie dieser Prozess mit Bayes'scher Optimierung und Kandidatensätzen durchgeführt werden kann. Die Ausgangsdaten werden mit einem benutzerdefinierten Design aus dem Kandidatendatensatz generiert. BayesOpt wird auf den Kandidatensatz angewendet, um nur Läufe vorzuschlagen, bei denen 2 von 5 Additiven verwendet werden. Die Demo bietet außerdem eine gute Einführung in die Kombination von LLMs zur Lösung einer Herausforderung mithilfe von Skripten.
Anleitung:
1. Öffnen Sie die Schaltfläche „dt“.
2. Klicken Sie auf „Kandidatenset-Generierung“, um den referenzierbaren Kandidatendatensatz zu erstellen.
3. Klicken Sie auf „Bayes Opt ausführen“ – dadurch werden Sie aufgefordert, die Kandidatenmenge auszuwählen, und anschließend werden die nächsten Zeilen ausgegeben.
4. Mach weiter, bis du die Stufe „Repeat Best“ erreichst, und voilà.
Wenn Sie wissen möchten, wie Kandidatensätze erstellt werden, anstatt ihnen das Skript zu zeigen (und sie damit zu verängstigen), können Sie LLMs nutzen und die Tatsache, dass Sie natürliche Sprache in das Skript für sie umwandeln können.
1. Klicken Sie auf „LearnBot-Aufforderung für Kandidatenset“. Dadurch wird LearnBot geöffnet und eine Aufforderung in Ihre Zwischenablage kopiert, die Sie einfügen können.
2. Führen Sie das Skript aus, um die Kandidatenmenge zu generieren. Dies funktioniert (vorerst) einwandfrei; der Kunde muss lediglich den zweiten Absatz anpassen, um seine Experimente zu beschreiben.
3. Die „Another LearnBot Candidate Set Prompt“ ist ein komplexeres Beispiel aus Bradley Bowens GTET-Präsentation/Journal.
