영상 1: 베이지안 최적화 활용 사례에 대한 질문
빅터: 플랫폼의 구매 기능들을 공유하고 설명해 보는 건 어떨까요?
율리아나: 에이전트형 AI가 실험의 능동적 학습 워크플로우로 대리 실험 설계(DOE)와 가우시안 프로세스를 결합한 방식을 제안하는 것을 봤습니다. JMP에서 BayesOpt를 사용하면 속도가 더 빠른 것 같다는 생각이 드는데, 왜 그런지는 아직 잘 모르겠습니다... 아마도 더 많은 데이터 수집 함수 때문일까요?
답변: 가우시안 프로세스의 구성과 JMP 팀에서 개발한 데이터 수집 기능의 효율성에 따라 달라집니다.
영상 2: 베이지안 최적화를 활용할 수 있는 사례
빅터: 다양한 접근 방식을 혼합하는 것을 주저하지 마세요. 예를 들어, 작은 실험 설계(DOE)로 시작해서 블록화(BO)로 이어가는 것도 괜찮습니다. 블록화나 반복을 동반한 블록화에는 적합하지 않을 수도 있습니다.
모래밭:
비디오 3: 제약 조건이 있는 실험 설계 - 허용되지 않는 조합, 반응에 대한 제한, 공변량
빅터: 변경하기 어려운 요인이 없고 배치당 여러 번 실행하는 경우, 회귀 모델을 실행할 때 "반복" 열을 블록으로 사용하는 것도 고려해 볼 수 있습니다.
요인 정의를 변경할 수 있나요? X1과 X2, 그리고 비율에 대한 제약 조건을 사용하는 대신, 비율과 총량을 요인에 포함시키는 건 어떨까요?
율리아나: 그 비율은 선형 제약 조건(2개의 선형 방정식으로 이루어진 시스템)인가요?
때때로 저는 복잡한 반응을 모델링하기 위해 실제 요인 대신 빠르게 얻을 수 있는 응답을 요인으로 사용합니다.
모래밭:
