Более точные прогнозы с помощью имитационного моделирования и автоматизированного машинного обучения от H2O.ai

AnyLogic сотрудничает с H2O.ai, ведущей платформой автоматизированного машинного обучения (AutoML). Благодаря этому 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. Синхронизация ИИ-моделей с имитационным моделями открывает новые области применения: специалисты по обработке и анализу данных могут тестировать гипотезы в безрисковой среде, а специалисты по моделированию могут получить с помощью ИИ больше входных данных.

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.


Simulation for training and testing AI – Email Pack

AnyLogic simulation is the training and testing platform for AI in business. With AnyLogic general-purpose simulation, you can construct detailed and robust virtual environments for training and testing your AI models. The unique multi-method simulation capabilities provide a comprehensive tool for use in machine learning. Established in use at leading companies across industries, this fully cloud enabled platform with open API is enhancing and accelerating AI development today. Find out more about this powerful machine learning tool in our AI email pack and white paper!

AI pack and white paper