| Eingang | Wozu dient sie? | Ausgangspunkt |
| Machine learning | Ein Vorhersagemodell für ein quantitatives oder qualitatives Y anhand mehrerer X-Variablen anpassen. | Eine vorhandene Datentabelle. |
| Optimierung | Die Einstellung finden, die am besten passt mehrere Antworten auf einmal, basierend auf den angepassten Modellen. | Ein oder mehrere Modelle. |
| Bayesianische Optimierung | Mit möglichst wenigen Versuchen das Optimum erreichen: Das Modul schlägt zunächst die ersten Versuche vor und führt dann nach und nach weitere durch. | Nichts – die Faktoren und ihre Grenzen. |
| Mischoptimierung | Das gleiche Prinzip gilt für eine Formulierung, deren Bestandteile zusammen 100 % ergeben. | Nichts – nur die Bauteile und ihre Anschlüsse. |
💡 Die ersten beiden Einträge funktionieren auf der Grundlage der erfassten Daten, die beiden letzten steuern die Akquise. Der nützliche Tipp: Wenn Sie noch entscheiden können, welche Versuche durchgeführt werden sollen, helfen Ihnen die Module zur sequenziellen Optimierung, Versuche einzusparen; wenn die Versuche bereits durchgeführt wurden, kommt maschinelles Lernen zum Einsatz. Es ist möglich, bereits durchgeführte Versuche in die Bayes’sche Optimierung einzubeziehen, allerdings nur unter der Voraussetzung, dass diese Versuche den Bereich angemessen abdecken. Ebenso ist es möglich, von bestehenden Mischungen auszugehen, sofern diese Mischungen die Bedingung «Summe der Anteile = 1» erfüllen.»
⚠️ Für alle vier Gerichte ist ein Projekt ausgewählt. „Machine Learning“ und „Optimierung“ lesen zudem eine Raster ; die beiden Module zur sequenziellen Optimierung sind eigenständig und speichern ihre Daten direkt in der Studie selbst.