Vidéo 1 : Question sur les cas d’utilisation de l’optimisation bayésienne
Victor : On pourrait peut-être présenter les fonctionnalités d'acquisition de la plateforme et commencer à les expliquer ?
Yuliana : J’observe que l’IA agentique propose une sorte de plan d’expériences de substitution (DOE) associé à un processus gaussien comme flux de travail d’apprentissage actif pour l’expérimentation. J’ai toujours l’impression que BayesOpt sur JMP est plus performant si l’on souhaite aller plus vite, et je ne comprends toujours pas pourquoi… probablement grâce à un plus grand nombre de fonctions d’acquisition.
Réponse : Cela dépend aussi de la configuration du processus gaussien et de l’efficacité des fonctions d’acquisition mises au point par l’équipe JMP.
Vidéo 2 : Cas d’utilisation possible de l’optimisation bayésienne
Victor : N'hésitez pas à combiner les approches : commencez par de petits plans d'expériences et poursuivez avec l'optimisation bayésienne, par exemple. Le blocage ou le blocage avec itération ne sont peut-être pas appropriés.
Links:
Vidéo 3 : Plan d’expériences contraint – combinaisons interdites, restrictions sur les réponses, covariables
Victor : Si vous n’avez pas de facteurs difficiles à modifier et que vous effectuez plusieurs exécutions par lot, vous pouvez peut-être utiliser la colonne « itération » comme bloc lors de l’exécution d’un modèle de régression.
Est-il possible de modifier la définition des facteurs ? Au lieu d’avoir X1 et X2 et une contrainte sur le ratio, utiliser le ratio et la quantité totale dans vos facteurs ?
Yuliana : Le rapport est-il une contrainte linéaire (système de 2 équations linéaires) ?
Parfois, j'utilise des réponses rapides comme facteurs (au lieu de facteurs réels) pour modéliser des réponses plus complexes.
Links:
