Los modelos de simulación pueden usarse para generar cantidades ilimitadas de datos de entrenamiento relevantes, limpios, estructurados y etiquetados. Al utilizar un modelo de simulación de esta manera, el flujo de trabajo básico consiste en ejecutar experimentos de simulación con múltiples ejecuciones (idealmente con ejecuciones paralelas) y registrar los resultados en un formato que pueda ser consumido por algoritmos de ML. AnyLogic y AnyLogic Cloud ofrecen diversas formas de ejecutar los modelos y almacenar las salidas en un repositorio deseado.
Los investigadores de ML pueden usar el modelo de simulación como un mecanismo para generar datos limpios, libres de ruido, ilimitados y etiquetados, con el fin de probar la eficacia de nuevos algoritmos de ML.
Los modelos de simulación que están debidamente verificados y validados pueden usarse para generar datos relevantes para el entrenamiento de modelos de ML que requieren grandes cantidades de datos, especialmente modelos de aprendizaje profundo.
Para cualquier empresa que esté pensando en preparar sus estrategias de machine learning para el futuro, invertir en mecanismos para expandir y acelerar la recopilación de datos es una decisión importante; cualquier paso en falso puede comprometer la viabilidad de sus futuras soluciones centradas en datos. Parte del dilema es, antes de utilizar los datos, cómo elegir adecuadamente la relevancia, el tipo, la fuente y la velocidad de los datos recopilados. Los datos sintéticos generados a partir de simulaciones pueden ayudar a los científicos de datos a probar sus hipótesis con modelos de ML como prueba de concepto antes de invertir en métodos y tecnologías de recolección de datos.
Un metamodelo, que es una representación más simple o sustituto del propio modelo de simulación, puede desarrollarse entrenando un modelo de ML con las entradas y salidas de un modelo de simulación. Esto es sumamente útil en escenarios donde el análisis de los resultados de los experimentos de simulación es un proceso computacionalmente muy costoso. Los modelos de ML, y especialmente los modelos de aprendizaje profundo, han demostrado ser muy prometedores para capturar la esencia de sistemas dinámicos no lineales. El metamodelo resultante puede usarse para todo tipo de experimentos que requieran la exploración de un espacio de búsqueda masivo.
Un metamodelo de ML, desarrollado a partir de un modelo de simulación, puede servir como una versión ligera y portátil de la simulación. Al hacerlo, puede ser efectivamente implementado en un número creciente de plataformas de despliegue de IA, incluyendo dispositivos de borde. Este enfoque proporciona un medio práctico para implementar modelos de simulación en la parte posterior de infraestructuras de despliegue construidas para soluciones de IA.
Al utilizar un modelo de simulación como mecanismo para generar datos sintéticos, el flujo de trabajo básico consiste en ejecutar experimentos de simulación con múltiples ejecuciones (idealmente con ejecuciones paralelas) y registrar los resultados en un formato que pueda ser consumido por algoritmos de ML. AnyLogic y AnyLogic Cloud ofrecen una variedad de formas para ejecutar los modelos y guardar las salidas en un repositorio deseado.
Salida para la base de datos interna de AnyLogic o bases de datos externas conectadas al modelo.
Cada modelo de AnyLogic cuenta con una base de datos integrada que es adecuada para transferencias de datos de alta velocidad y soporta la exportación a archivos Excel. También puede conectarse directamente a archivos Excel y de texto (locales o remotos) mediante las APIs simples y fáciles de usar de AnyLogic. Los modelos AnyLogic también pueden conectarse a cualquier base de datos relacional que soporte JDBC.
Uso de AnyLogic Cloud para escalar rápidamente experimentos de simulación multiejecución y generación de salidas.
AnyLogic Cloud ofrece acceso a una plataforma de ejecución escalable y basada en servidor para optimizar la generación de salidas. En su entorno gráfico, puedes configurar experimentos y posteriormente exportar los resultados a Excel o JSON. Lo mismo puede hacerse mediante llamadas a API (en JavaScript, Python y Java). Los modelos en la nube soportan conexión directa con cualquier base de datos relacional, además de exportación automatizada a Excel y JSON, y un mecanismo de grabación en archivos a través de sus APIs.
