Comment les plans d'expérience peuvent réduire le Time To Market ?

[#1]

Comment les plans d'expérience peuvent réduire le Time To Market ?

Thierry Taillandier & Laurent Lasbennes (Pierre Fabre)

[#2]

Bonjour Thierry, great work !!

J'ai une question : dans Profiler vous avez Factor_4 Null qui express aucun composé et la fraction massique de celui Factor_4_W 0.125. Avez vous réussi à trouver le set up qui fait Profiler prendre en compte tous vos contraintes (par ex si Factor_4 est Null Factor_4_W n'est jamais >0) et pas seulement linear mélange sum to 1 ?

[#3]

Bonjour RikkiTikkiTavi, 

Merci pour ton retour.
Bonne remarque, effectivement nous avons pas réussi à indiquer nos contraintes au profiler. Pour chaque condition, il fallu vérifié nos contraintes metiers.
Nous aurions pu faire une simulation afin de sceenner tout le design space et filtrer selon nos contraintes afin d'obtenir nos Hits potentiels.

J'espère avoir répondu à la question. 

[#4]

Hello @RikkiTikkiTavi et @taillat,

Je vois deux options possibles par rapport à ce problème :

• A la construction du plan: Ne pas inclure de niveau "Null" dans les facteurs catégoriels, vu qu'il s'agira d'une situation avec n'importe quel composé dont la fraction massique sera égale à 0 (ou introduire une contrainte de combinaisons interdites, comme dans le fichier joint). A la limite on peut même ajouter des expériences dans la table de données pour avoir des expériences avec chaque composé à 0, et soit répéter la valeur de réponse effectivement présente dans le plan initial et mesurée pour un composé = 0 à tous les autres composés dont la fraction massique est égale à 0, soit effectivement mesurer ces autres valeurs d'expériences pour des composés = 0 (on ajoute en fait des réplications vu que les autres facteurs seront identiques). On biaise potentiellement un peu le modèle, mais ca lui permet d'avoir des points de référence pour avoir les tendances de tous les composés à 0.
  
  
• Lors de l'analyse: Ajouter un script dans la table de données nommé Disallowed Combinations et écrire en JSL les combinaisons qu'on souhaite éviter. En reprenant un petit exemple avec 3 facteurs de quantité (de 0 à 1) pour 3 types de MPs (acide, base et tensioactif) et 3 facteurs de choix de MP pour chacun des types de MPs, on aurait la contrainte suivante en JSL (voir fichier Constrained analysis example): 

  Choix_acide == "Null" & Acide >= 0.01 | Base >= 0.01 & Choix_base == "Null" |
  Tensioactif >= 0.01 & Choix_tensioactif == "Null";

  Le fait de rajouter ce script va influencer l'analyse et les profilers de prédiction, qui reconnaissent cette contrainte et éviteront de proposer des optima à ces combinaisons interdites. C'est la même stratégie que dans cette discussion How do I set up a constraint when using Bayesian Optimization?, où le simple ajout d'un script "Constraint" dans la table de données permet de limiter les options du candidate set de l'optimisation bayésienne uniquement aux combinaisons possibles.

En espérant que cette réponse puisse vous aider, 

[#5]

Bonjour Victor, merci pour vos idées !

Quand on veut utiliser Disallowed Combinations, faut-il également supprimer les contraintes sur les facteurs, par exemple le type Mixture et/ou un script de contraintes linéaires Constraint ? Il semble que Profiler donne la priorité aux contraintes sur les facteurs, par exemple si j’ajoute dans la table à la fois un script Constraint et un script Disallowed Combinations, le Profiler semble ignorer ce dernier.

Existe-t-il vraiment un ordre d’acceptation des contraintes par le Profiler, ou une règle de priorité entre les différents types de contraintes ?

[#6]

Hello @RikkiTikkiTavi,

Il faut que je regarde plus en détails, effectivement avec d'autres contraintes linéaires et/ou des facteurs type mélange, celà complique l'analyse et la gestion des contraintes par les Profilers.

Concernant la génération de points candidats, il y a eu une évolution dans les fonctions de JMP, et la (nouvelle) fonction Random Linearly Constrained Uniform permet de créer des jeux de données candidats avec de nombreuses contraintes: linéaires (égalités et inégalités) et cardinalité (pas plus de k facteurs actifs à la fois dans un groupe de n facteurs par exemple). Cette présentation mentionne cette fonctionnalité et détaille le script JSL (avec la fonction mentionnée) permettant de créer des jeux de données candidat complexes: Bayesian Optimization for Formulations Involving Complex Constraints with JMP 19 (2026-EU-30MP-2816) 
La génération de la table de points candidats ne crée par contre pas de scripts qui permettraient de restreindre la modélisation/analyse aux contraintes utilisées.