В некоторых странах пройти тест на ковид и вакцинироваться можно, не выходя из машины. Для этого используются специальные автостанции для массовой вакцинации.
Чтобы спроектировать автостанции и спланировать их работу, органы здравоохранения пользуются технологиями имитационного моделирования. В Канаде моделированием автостанций занимается Йоркский университет.
На нашем мартовском вебинаре Али Асгари, профессор университета и один из создателей моделей автостанций, показал, как работает такая модель. Он также пояснил, как модели помогают в реальной жизни и как разработчики используют их для тренировки ИИ-алгоритмов.
Мы выложили запись вебинара (на англ.) на нашем сайте, а в блоге публикуем перевод вопросов с семинара и ответов на них (английская версия блога).
Модель вакцинации от COVID-19 на автостанциях и искусственный интеллект
Модель, которую создала группа исследователей во главе с профессором Али Аcгари, имитирует несколько этапов вакцинации на станциях: медицинский осмотр, регистрацию, вакцинацию и наблюдение за привитым пациентом. Чтобы достоверно отразить эти этапы и логику процессов, а также сократить время создания модели, разработчики использовали Библиотеку дорожного движения, Пешеходную библиотеку и Библиотеку моделирования процессов AnyLogic.
В имитационной модели можно менять количество автомобильных полос, единиц персонала, а также продолжительность этапов вакцинации и оценивать, как изменяется время ожидания водителей и пропускная способность пункта.
Для ускорения работы экспериментов разработчики загрузили модель в AnyLogic Cloud и использовали API сервиса. Это позволило им прогнать модель более ста тысяч раз и накопить большой набор данных для разных входных параметров. С помощью этих данных они обучили алгоритм, который теперь может достоверно предсказывать выходные значения для любых сценариев, и связали его с моделью в облаке. Чтобы пользователям было удобно работать с онлайн-моделью, разработчики создали на ее основе специальное приложение. Посмотрите, как оно работает!
Если у вас есть вопросы о практическом применении модели, вы можете связаться с командой разработчиков.
Ответы доктора Али Асгари на вопросы, заданные на вебинаре
Может ли модель учитывать последствия редких, но нежелательных событий, таких как анафилактический шок у пациента, ДТП и т.д.?
В модель можно добавить подобные события, но их влияние не будет учитываться напрямую. Однако такие ситуации предусматриваются при планировании самих автостанций (заранее планируются пункты оказания неотложной помощи и дополнительное пространство), так что сложный пациент или аварийный автомобиль легко исключаются из общего потока.
Как определялся диапазон значений параметров?
Автостанции для вакцинации не новшество. Поэтому в качестве значений параметров, связанных с процедурами обследования населения, регистрации, вакцинации и усвоением вакцины используются исторические данные с похожих станций. Разработчики также учли возможные отклонения от предполагаемых значений: эти показатели в модели можно настроить, чтобы легко адаптировать ее под новые данные.
Как в модели автомобили-агенты выбирают, в какую полосу встать? Этот выбор случаен или основан на поиске самой короткой очереди? Можно ли использовать эвристические алгоритмы для получения более достоверных результатов?
Машины встают в самую короткую очередь. Это важно, если автомобили с несколькими пассажирами распределяются в системе случайным образом.
Однако пользователь может изменить этот алгоритм. Если выбрать опции Dedicate Lanes to HOVs (рус. Выделить полосы для машин с несколькими пассажирами) и Adjust HOV lanes dynamically (рус. Динамически регулировать выделение полос для машин с несколькими пассажирами), модель будет автоматически регулировать количество доступных полос для автомобилей с несколькими пассажирами в зависимости от средней длины очередей в «одно-» и «многопассажирских» полосах за последний час. Кроме того, опция Parallelize Service to LOVs (рус. Параллельное обслуживание машин с одним-двумя пассажирами) позволяет одновременно обслуживать несколько автомобилей, в которых находятся не более двух человек, если на пункте вакцинации достаточно персонала.
Какие уникальные возможности AnyLogic, недоступные в других программных продуктах для ИМ, использовались при разработке этой модели?
Мы выбрали AnyLogic из-за его широких возможностей по 2D и 3D визуализации, встроенных функций сценарного анализа и оптимизации, а также возможности создавать агентов с индивидуальными характеристиками в рамках дискретно-событийной модели.
Эта модель уже использовалась на практике?
Приложение на основе модели и наши научные статьи уже многократно использовались после публикации. Приложение применялась для оптимизации массовой вакцинации в Денвере, штат Колорадо, США, и в городе Арнпрайор, в канадской провинции Онтарио. Сейчас ее используют американские власти для планирования массовой вакцинации в Чикаго, штат Иллинойс.
Какова роль искусственного интеллекта в этой модели?
В данной модели ИИ не влияет на внутренние компоненты или работу имитационной модели. Вместо этого он используется для аппроксимации результатов моделирования. Принимая во внимание все комбинации возможных значений входных параметров, потребовалось бы очень много времени и мощностей, чтобы прогнать модель сотни тысяч раз, проверив каждую комбинацию.
Для создания набора данных мы многократно запускали модель в AnyLogic Cloud. На этом наборе ИИ-алгоритм научился предсказывать результаты в зависимости от значений входных параметров. Благодаря этому пользователь может получать результаты очень быстро, независимо от того, какие значения задает на входе.
Какие параметры и показатели являются входными/выходными данными в приложении? Что именно вы пытаетесь предсказать?
Среди параметров – продолжительность процедуры, рабочие смены, количество открытых полос и сотрудников на каждой из них и т.д. На выходе пользователь может оценивать пропускную способность станции для автомобилей и пациентов, среднее время ожидания в очереди, а также распределение времени ожидания. Подробнее (на англ.) >>
Как вы обучали ИИ-алгоритмы?
В данной модели использовалось обучение алгоритма с учителем, а также пятислойная полносвязная нейронная сеть прямого распространения и функция ReLU в качестве функции активации. Подробнее (на англ.) >>
Больше материалов о совместном применении ИИ и имитационного моделирования:
- Модель, разработанная Али Асгари и его командой
- Онлайн-приложение на основе модели
- Научная статья от разработчиков модели (на англ.)
- Общая информация о возможностях AnyLogic и ИИ
- Как тренировать ИИ-агентов с помощью ИМ и Project Bonsai (а также статья с видео вебинара от AnyLogic и Microsoft)
- Что такое AnyLogic Cloud: статьи из блога
