Machine Learning (ML), or the ability of self‐learning computer algorithms to autonomously structure and interpret data, is a methodological approach to solve complicated optimization problems based on abundant data. ML is recently gaining momentum as algorithmic applications, computing potency, and available data sets increased manifold over the past two decades, providing an information‐rich environment in which human reasoning can partially be replaced by computer reasoning. In this paper, we want to assess the implications of ML for Design of Experiments (DoE), a statistical methodology widely used in Quality Management for quantifying effects and interactions of factors with influence on the production quality or the process yield. We specifically want to assess the future role and importance of DoE: Will it remain unaltered by ML, will it be made obsolete, or will it be reinforced? With this, we want to contribute to the discussion of the future use of traditional Quality Management methodologies in production, as our ML assessment can in principle be applied to other statistical methodologies as well. While we are convinced that ML will heavily impact the field of Quality Management and its predominant set of statistical methodologies, we find reason to expect that this impact will be a mutual one. As this is the first paper addressing the joint force potential of the two methodologies ML and DoE, we expect a range of follow‐up papers being written on the subject and a spark in specialized applications addressing DoE's ML‐enhanced vital functionality for process improvements.

中文翻译：

---

机器学习和实验设计：质量改进的替代方法或补充方法？

机器学习（ML）或自学习计算机算法自主构造和解释数据的能力，是一种基于大量数据解决复杂优化问题的方法。在过去的二十年中，随着算法应用，计算能力和可用数据集的不断增加，ML的势头越来越大，从而提供了一个信息丰富的环境，在该环境中，人类推理可以被计算机推理部分取代。在本文中，我们要评估机器学习对实验设计（DoE）的影响，这是一种在质量管理中广泛使用的统计方法，用于量化影响生产质量或过程产量的因素的影响和相互作用。我们特别想评估DoE的未来作用和重要性：ML是否会保持不变，会过时还是会增强？因此，我们希望为生产中传统质量管理方法的未来使用做出贡献，因为我们的机器学习评估原则上也可以应用于其他统计方法。尽管我们确信机器学习将对质量管理及其主要的统计方法学领域产生重大影响，但我们发现有理由期望这种影响将是相互影响的。由于这是针对ML和DoE两种方法的潜在联合力的第一篇论文，因此我们希望就此主题撰写一系列后续论文，并在针对DoE ML增强的关键功能以改进流程的专门应用程序中大放异彩。我们希望为生产中传统质量管理方法的未来使用做出贡献，因为我们的机器学习评估原则上也可以应用于其他统计方法。尽管我们确信机器学习将对质量管理及其主要的统计方法领域产生重大影响，但我们有理由期望这种影响将是相互影响的。由于这是第一篇针对ML和DoE两种方法的潜在联合力的论文，我们希望就此主题撰写一系列后续论文，并在针对DoE ML增强的关键功能以改进流程的专业应用中引发火花。我们希望为生产中传统质量管理方法的未来使用做出贡献，因为我们的机器学习评估原则上也可以应用于其他统计方法。尽管我们确信机器学习将对质量管理及其主要的统计方法领域产生重大影响，但我们有理由期望这种影响将是相互影响的。由于这是针对ML和DoE两种方法的潜在联合力的第一篇论文，因此我们希望就此主题撰写一系列后续论文，并在针对DoE ML增强的关键功能以改进流程的专门应用程序中大放异彩。因为我们的机器学习评估原则上也可以应用于其他统计方法。尽管我们确信机器学习将对质量管理及其主要的统计方法领域产生重大影响，但我们有理由期望这种影响将是相互影响的。由于这是针对ML和DoE两种方法的潜在联合力的第一篇论文，因此我们希望就此主题撰写一系列后续论文，并在针对DoE ML增强的关键功能以改进流程的专门应用程序中大放异彩。因为我们的机器学习评估原则上也可以应用于其他统计方法。尽管我们确信机器学习将对质量管理及其主要的统计方法领域产生重大影响，但我们有理由期望这种影响将是相互影响的。由于这是针对ML和DoE两种方法的潜在联合力的第一篇论文，因此我们希望就此主题撰写一系列后续论文，并在针对DoE ML增强的关键功能以改进流程的专门应用程序中大放异彩。