| Entrada | Para qué sirve | Punto de partida |
| Aprendizaje automático | Ajustar un modelo predictivo de una variable Y cuantitativa o cualitativa en función de varias variables X. | Una tabla de datos ya existente. |
| Optimización | Encontrar la configuración que mejor se adapte a tus necesidades varios respuestas a la vez, a partir de los modelos ajustados. | Uno o varios modelos. |
| Optimización bayesiana | Alcanzar el resultado óptimo con el menor número posible de pruebas: el módulo propone las pruebas iniciales y las siguientes a medida que avanza el proceso. | Nada: los factores y sus límites. |
| Optimización de la mezcla | El mismo principio se aplica a una formulación cuyos componentes suman 100 %. | Nada: los componentes y sus terminales. |
💡 Las dos primeras entradas funcionan a partir de datos recopilados, las dos últimas dirigen la adquisición. Un consejo útil: si aún puedes decidir qué pruebas realizar, los módulos de optimización secuencial te permitirán ahorrarte pruebas; si las pruebas ya se han realizado, se trata de aprendizaje automático. Es posible introducir ensayos ya realizados en la optimización bayesiana, pero siempre que dichos ensayos cubran adecuadamente el dominio. Del mismo modo, es posible partir de combinaciones existentes, siempre que estas cumplan la condición «Suma de las proporciones = 1».»
⚠️ Las cuatro entradas requieren un proyecto seleccionado. Además, «Aprendizaje automático» y «Optimización» leen un tabla ; los dos módulos de optimización secuencial son autónomos y almacenan sus datos en el propio estudio.