| Entrata | A cosa serve | Punto di partenza |
| Apprendimento automatico | Adattare un modello predittivo di Y (quantitativo o qualitativo) in funzione di più variabili X. | Una tabella di dati già esistente. |
| Ottimizzazione | Trovare l'impostazione più adatta diversi risposte contemporaneamente, sulla base dei modelli stimati. | Uno o più modelli. |
| Ottimizzazione bayesiana | Raggiungere il risultato ottimale con il minor numero possibile di prove: il modulo propone le prove iniziali e quelle successive man mano che si procede. | Niente — i fattori e i loro limiti. |
| Ottimizzazione della miscelazione | Lo stesso principio vale per una formulazione i cui componenti sommati danno 100 %. | Niente: i componenti e i loro terminali. |
💡 Le prime due voci funzionano sulla base dei dati raccolti, le ultime due gestiscono l'acquisizione. Un consiglio utile: se potete ancora decidere quali prove eseguire, i moduli di ottimizzazione sequenziale vi faranno risparmiare tempo; se le prove sono già state effettuate, si tratta di Machine Learning. È possibile introdurre prove già effettuate nell’ottimizzazione bayesiana, ma a condizione che tali prove coprano adeguatamente il dominio. Allo stesso modo, è possibile partire da miscele esistenti, a condizione che queste rispettino la condizione «Somma delle proporzioni = 1».»
⚠️ Le quattro voci richiedono un progetto selezionato. Machine Learning e Ottimizzazione leggono inoltre un tabella ; i due moduli di ottimizzazione sequenziale sono autonomi e conservano i propri dati all'interno dello studio stesso.