Modelos de simulação podem ser usados para gerar quantidades ilimitadas de dados de treinamento relevantes, limpos, estruturados e rotulados. Ao usar um modelo de simulação dessa forma, o fluxo de trabalho básico é executar experimentos de simulação multiexecução (idealmente com execuções de simulação paralelas) e registrar os resultados em um formato que seja consumível por algoritmos de ML. AnyLogic e AnyLogic Cloud fornecem uma variedade de maneiras de executar os modelos e gravar as saídas em um repositório desejável.
Pesquisadores de ML podem usar o modelo de simulação como um mecanismo para a criação de dados limpos, livres de ruído, ilimitados e rotulados para testar a eficácia de novos algoritmos de ML.
Modelos de simulação que são devidamente verificados e validados podem ser usados para gerar dados relevantes para o treinamento de modelos de ML que exigem muitos dados, especialmente modelos de aprendizado profundo.
Para qualquer empresa que esteja pensando em preparar suas estratégias de machine learning para o futuro, investir em mecanismos para expandir e acelerar a coleta de dados é uma decisão importante – qualquer passo em falso pode comprometer a viabilidade de suas futuras soluções centradas em dados. Parte do dilema é, antes de fazer uso dos dados, como escolher adequadamente a relevância, o tipo, a fonte e a velocidade dos dados coletados! Dados sintéticos gerados a partir de simulações podem ajudar cientistas de dados a testar suas hipóteses com modelos de ML de prova de conceito antes de investir em métodos e tecnologias de coleta de dados.
Um metamodelo, que é uma representação mais simples ou substituto para o próprio modelo de simulação, pode ser desenvolvido treinando um modelo de ML nas entradas e saídas de um modelo de simulação. Isso é extremamente útil para cenários onde a análise dos resultados dos experimentos de simulação é um processo computacionalmente muito caro. Modelos de ML, e especialmente modelos de aprendizado profundo, têm se mostrado muito promissores em serem capazes de capturar a essência de sistemas dinâmicos não lineares. O metamodelo resultante pode ser usado para todos os tipos de experimentos que exigem exploração de um espaço de busca massivo.
Um metamodelo de ML, desenvolvido a partir de um modelo de simulação, pode servir como uma versão leve e portátil da simulação. Ao fazer isso, ele pode ser efetivamente implantado em um número crescente de plataformas de implantação de IA, incluindo dispositivos de ponta. Essa abordagem fornece um meio prático para implantar modelos de simulação na parte de trás de infraestruturas de implantação construídas para soluções de IA.
Ao usar um modelo de simulação como um mecanismo para gerar dados sintéticos, o fluxo de trabalho básico é executar experimentos de simulação multirun (idealmente com execuções de simulação paralelas) e registrar os resultados em um formato que seja consumível por algoritmos de ML. AnyLogic e AnyLogic Cloud fornecem uma variedade de maneiras de executar os modelos e gravar as saídas em um repositório desejável.
Saída para o banco de dados interno do AnyLogic ou bancos de dados externos conectados ao modelo.
Cada modelo AnyLogic vem com um banco de dados integrado que é adequado para transferências de dados de alta velocidade e suporta exportação para arquivos Excel. Você também pode se conectar diretamente a arquivos Excel e Text (local ou remotamente) por meio das APIs simples e fáceis de usar do AnyLogic. Os modelos AnyLogic também podem se conectar a qualquer banco de dados relacional que suporte JDBC.
Usando o AL Cloud para escalar rapidamente o experimento de simulação multiexecução e a geração de saídas.
O AnyLogic Cloud oferece acesso a uma plataforma de execução escalável e baseada em servidor para otimizar a geração de saídas. Em seu ambiente gráfico, você pode configurar experimentos e, posteriormente, exportar os resultados para Excel ou JSON. O mesmo também pode ser feito por meio de chamadas de API (em JavaScript, Python e Java). Os modelos na nuvem suportam conexão direta com qualquer banco de dados relacional, além de exportação automatizada para Excel e JSON e um mecanismo de gravação em arquivo por meio de suas APIs.
