AnyLogic

Точные прогнозы с имитационным моделированием и машинным обучением от H2O.ai

Благодаря сотрудничеству компании AnyLogic с H2O.ai, ведущей платформой автоматизированного машинного обучения (AutoML), вы можете комбинировать предиктивные возможности имитационного моделирования и машинного обучения.

Попробуйте интегрировать две наши тестовые ИИ-модели, обученные с помощью H2O.ai Driverless AI, в имитационные модели AnyLogic. Обе они доступны для скачивания ниже. Такая интеграция открывает новые возможности как для специалистов по обработке и анализу данных, так и для специалистов по моделированию.

Назад

Решения на основе машинного обучения становятся все более популярными в бизнесе. И чем чаще эту технологию интегрируют в системы, тем выгоднее экспертам по имитационному моделированию (ИМ) и специалистам по анализу данных работать вместе.

Специалистам по ИМ:

  • Когда вы создаете имитационую модель, вы стремитесь как можно точнее отразить в ней работу реальной системы. Но иногда невозможно вывести закономерности, которые ее регулируют. Тогда результаты сценариев нужно аппроксимировать с помощью разных вероятностных и статистических моделей. ИИ-модели – последнее достижение в развитии моделирования систем. Этот новый тип предиктивных моделей все чаще используется в бизнесе для принятия решений, основанных на данных.
  • Когда вы воспроизводите работу реальной системы в имитационной модели, в нее необходимо включить закономерности, определенные с помощью ИИ. Этого проще всего достичь, если встроить обученную ИИ-модель в модель имитационную.

Специалистам по обработке и анализу данных и экспертам в области ИИ:

  • Внедрение элементов ИИ повышает эффективность всей системы, а не только ее компонентов, которые заменяются ИИ. Однако любое изменение системы может вызвать смещение узких мест или другие последствия. Чтобы убедиться, что система работает более эффективно, обученную ИИ-модель нужно тестировать с помощью нового набора данных. Имитационные модели могут использоваться в качестве безрисковой виртуальной среды для такого тестирования. Таким образом можно проверять, как внедрение ИИ влияет на действующие системы.
Платформа H2O.ai

Конвейер для машинного обучения в H2O.ai Driverless AI

С H2O Driverless AI ИТ-специалисты и разработчики могут разворачивать модели на основе машинного обучения, управлять ими и осуществлять мониторинг. В машинном обучении конвейер ― это автоматизированная последовательность этапов рабочего процесса. К этим этапам могут относиться: подготовка данных, тренировка модели [машинное обучение], валидация модели, компоновка и развертывание, а также мониторинг. Конвейер для оценивания (Scoring Pipeline), как правило, входит в процедуру развертывания, когда для прогнозирования обученные модели используют новый набор данных.


Рабочие процессы платформы AnyLogic H2O.ai

Для встраивания обученных ИИ-моделей Driverless AI предлагает автономный компонент модели (MOJO, Model Object Optimized) с низким значением задержки, который оценивается в режиме реального времени: оптимизированный конвейер MOJO (Optimized Scoring Pipeline).

Обученную ИИ-модель можно скачать отдельным файлом в виде MOJO и встроить в модели AnyLogic. Затем эту ИИ-модель можно использовать как функцию, которая делает прогноз, основываясь на входных данных. Входные данные она получает во время работы имитационной модели.


Вебинар: использование имитационного моделирования вместе с машинным обучением (на англ.)

H2O Driverless AI автоматизирует трудоемкие задачи машинного обучения, чтобы специалисты по обработке и анализу данных могли работать быстрее и эффективнее. К автоматизированным задачам относятся валидация модели, настройка модели, выбор модели и генерация признаков (feature engineering).

В этом вебинаре рассказывается о том, как комбинирование предиктивных возможностей имитационного моделирования и машинного обучения помогает в принятии решений. Араш Махдави, руководитель проекта по ИИ в AnyLogic, выступает вместе со специалистом по обработке и анализу данных Ники Атанасяду и старшим системным архитектором Хеманом Кападиа из H2O.ai. На примере одной модели они показывают, как повысить возможности прогнозирования, внедрив в модель конвейер MOJO от H2O Driverless AI.

Примеры моделей


Вот две модели AnyLogic, которые были перестроены для платформы H2O.ai. Они уже настроены и готовы к запуску. Просто загрузите их по ссылкам ниже. Для них также представлена полная документация в файлах README.md.

  • 01

    Планирование пропускной способности больниц

    Модель планирования пропускной способности больниц

    Эта модель показывает, как можно использовать предиктивные возможности для планирования и управления пропускной способностью больниц, в которых наблюдается беспрецедентный рост числа пациентов (например, больных COVID-19).

    В имитационной модели отображена больница, в которой пациенты занимают ресурсы (больничные койки) в течение определенного периода времени; этот период времени прогнозируется встроенным конвейером Driverless AI MOJO на основе характеристик каждого поступающего пациента и состояния его здоровья. Скорость прибытия пациентов и ресурсоемкость (общее количество коек) можно оперативно менять с помощью элементов управления модели. Таким образом, пользователь может протестировать различные сценарии и узнать, будет ли установленная пропускная способность соответствовать скорости поступления пациентов.


  • 02

    Доставка продуктов

    Модель доставки продуктов

    В модели отражена цепь поставок, которая работает с учетом колебаний спроса на внутреннем и мировом рынках. Пятнадцать дистрибьюторов заказывают продукты каждые 1-2 дня. Размер заказа зависит как от сезона, так и от возможных ограничений в связи с пандемией. Три производственных предприятия выполняют заказы, отправляя товары либо со склада, либо когда они поступают с производства.

    В модель встроены два конвейера Driverless AI MOJO. Первый прогнозирует текущую температуру каждого распределительного центра на основе его местоположения и даты. Второй прогнозирует спрос для каждого дистрибьютора, основываясь на местоположении, дате, прогнозируемой температуре (величина из первой встроенной модели Driverless AI) и пандемии. Предиктивные возможности двух встроенных моделей машинного обучения позволяют моделировать и оперативно контролировать работу всей цепочки поставок в условиях пандемии или без неё.


Имитационное моделирование для обучения и тестирования ИИ – набор материалов

Модели AnyLogic хорошо подходят для обучения и тестирования ИИ при решении бизнес-задач. Универсальность и уникальные возможности многоподходного моделирования делают AnyLogic мощным инструментом для машинного обучения, который зарекомендовал себя среди ведущих компаний из разных отраслей. Благодаря возможности работать с моделью в облачной среде с открытым API и другим преимуществам AnyLogic сегодня способствует стремительному развитию ИИ. Подробнее о том, как использовать AnyLogic в машинном обучении – в материалах и аналитической статье на английском, которые вы получите на электронную почту.

Получить материалы и статью