Affiner la simulation avec apprentissage automatique (ML) par H2O.ai

AnyLogic est fier de s’associer à H2O.ai, plate-forme phare de ML. Ainsi, vous pouvez utiliser les différentes capacités prédictives de la simulation et de ML ensemble.

Pour se familiariser avec l’intégration de modèles ML entrainés avec H2O.ai Driverless AI dans les simulations, vous pouvez télécharger deux modèles de base. Cette intégration élargie les champs d’application : la possibilité de tester des solutions dans un espace sans risques ainsi que d’utiliser d’avantage des données. Lisez la suite, apprenez-en plus et essayez-le par vous-même!

Les solutions d’apprentissage automatique deviennent de plus en plus courantes dans les affaires. Et comme un plus grand nombre d’entre eux sont déployés et intégrés aux systèmes existants, les communautés de spécialistes de traitement des données et de simulation qui les utilisent, peuvent bénéficier des capacités distinctes de chacune d’elles.

Pour les spécialistes dans la modélisation et la simulation :

  • Le travail dans la construction de modèles de simulation a toujours impliqué l’amélioration de la précision de l’environnement virtuel en ce qui concerne le système réel. Sans accès direct aux règles causales qui régissent un système réel, il est nécessaire d’approcher le résultat des différents scénarios avec tous les types de modèles probabilistes et statistiques ; les modèles d’apprentissage automatique sont les dernières avancées dans l’évolution de ces composants axés sur les données. Les modèles de simulation devraient utiliser cette nouvelle race de modèles prédictifs, car un plus grand nombre d’entre eux deviennent disponibles dans le cadre d’investissements en entreprise axés sur les données.
  • En reproduisant les règles d’un système réel, les règles et les comportements qui sont le résultat direct des solutions IA intégrées d’un système devraient également être incorporés dans la simulation. La façon la plus naturelle d’y parvenir est d’intégrer directement les solutions d’IA dans la simulation.

Pour les spécialistes de traitement des données et les experts en IA :

  • L’objectif de l’ajout de composants d’IA à un système est d’améliorer les performances globales du système, et pas seulement des composants spécifiques remplacés par l’IA. On s’attend raisonnablement à ce que le déploiement d’une solution d’IA bien formée améliorera le rendement global du système cible. Toutefois, toute perturbation d’un système peut déplacer les goulots d’étranglement ou causer d’autres effets d’entraînement sur le système. L’essai d’un modèle formé indépendamment ne permet pas de vérifier si les performances du système modifié (dans son ensemble) sont suffisamment améliorées. Les modèles de simulation peuvent être utilisés comme un environnement virtuel sans risque pour tester les implications de l’intégration de l’IA dans les systèmes existants.
Plate-forme H2O.ai

H2O.ai pipeline de notation d’IA sans supervision

H2O AI sans supervision offre des capacités de déploiement, de gestion et de surveillance de modèles d’apprentissage automatique pour les équipes d’informaticiens et de développeurs. Dans l’apprentissage automatique, les pipelines sont l’automatisation des étapes séquentielles d’un flux de travail. Ces étapes peuvent inclure la préparation des données, l’apprentissage automatique des modèles, la validation, l’emballage et le déploiement ainsi que la surveillance. Un pipeline de notation fait généralement partie de la routine de déploiement où des modèles déjà formés sont utilisés pour faire des prédictions sur de nouvelles données.


Flux de travail de la plate-forme AnyLogic H2O.ai

Pour intégrer des modèles formés en apprentissage automatique dans AnyLogic, IA sans supervision fournit un modèle objet autonome à faible latence qui peut être noté en temps réel : le pipeline de notation Optimisé (MOJO). Ce modèle formé en apprentissage automatique est téléchargeable sous forme de fichier autonome qui peut être incorporé dans les modèles AnyLogic. Il peut ensuite être utilisé comme une fonction qui renvoie la prédiction souhaitée en fonction des entrées qui sont transmises dynamiquement à partir du modèle de simulation pendant l’exécution.


Webinaire : Combiner simulation et apprentissage automatique

H2O AI sans supervision automatise les tâches ML fastidieuses afin que les spécialistes d’analyse des données puissent travailler plus rapidement et plus efficacement. Les tâches automatisées comprennent la validation de modèles, le réglage des modèles, la sélection des modèles et l’ingénierie des fonctionnalités.

Ce webinaire montre comment les différentes capacités prédictives de simulation et d’apprentissage automatique se combinent pour faire progresser l’aide à la décision dans les affaires et les entreprises publiques. Arash Mahdavi, responsable du programme AnyLogic AI, est accompagné du spécialiste d’analyse des données, Niki Athanasiadou, et de l’architecte principal de solutions Heman Kapadia de H2O.ai. Avec un modèle d’exemple, ils démontrent comment améliorer la capacité prédictive en intégrant le pipeline H2O AI sans supervision MOJO.

Exemples de modèles


Voici deux modèles d’exemple AnyLogic qui ont été refactorisés pour la H2O.ai plateforme. Ils sont déjà mis en place et prêt à fonctionner, il suffit de les télécharger à partir des liens ci-dessous. Des documents complets sont également fournis dans leur dossier README.md file.

  • 01

    Planification de la capacité des hôpitaux

    Modèle de planification de la capacité hospitalière

    Ce modèle d’exemple démontre un cas d’utilisation pour la planification et la gestion des capacités dans les hôpitaux qui traitent des augmentations sans précédent chez les patients (p. ex., COVID-19). Dans ce modèle, un hôpital est simulé où les patients occupent des ressources (lits d’hôpital) pendant une certaine durée ; la quantité spécifique de temps passé est prédite par un pipeline MOJO AI sans supervision intégré et basé sur les attributs de chaque patient entrant et les conditions préexistantes. Le taux d’arrivée des patients et la capacité de ressources (lits totaux) peuvent être modifiés dynamiquement par le biais des contrôles fournis. De cette façon, différents scénarios peuvent être testés pour vérifier si la capacité définie peut faire face au taux d’arrivée.


  • 02

    Livraison de produits

    Modèle de livraison de produits

    Ce modèle d’exemple montre une chaîne d’approvisionnement qui fonctionne en fonction des variables fluctuantes de la demande locale et mondiale. Il y a quinze distributeurs qui commandent des produits tous les 1 à 2 jours. Le montant commandé est basé à la fois sur la saisonnalité et sur la question de savoir s’il y a une pandémie active. Trois installations de fabrication préparent les commandes soit en puisant dans des stocks, soit en attendant la production.

    Le modèle utilise deux MOJOs IA sans supervision intégrés. Le premier prédit la situation dans chaque centre de distribution en fonction de son emplacement et de la date. Le second prédit la demande de chaque distributeur en fonction de l’emplacement, de la date, de la situation prévue (à partir du premier modèle intégré d’IA sanssupervision) et de la présence de pandémie. Les capacités prédictives des deux modèles d’apprentissage automatique intégrés nous permettent de simuler et de surveiller dynamiquement les performances globales de la chaîne d’approvisionnement avec ou sans la présence d’une pandémie.


Simulation pour la formation et le test de l’IA – Email Pack (en anglais)

AnyLogic simulation est la plate-forme de formation et de test pour l’IA en affaires. Avec Anylogic simulation générale, vous pouvez construire des environnements virtuels détaillés et robustes pour la formation et l’essai de vos modèles d’IA. Les capacités uniques de la modélisation multi-méthode fournissent un outil complet pour une utilisation dans l’apprentissage automatique. Constamment utilisé dans des entreprises de premier plan dans tous les secteurs, cette plate-forme entièrement compatible cloud avec API ouverte améliore et accélère le développement de l’IA aujourd’hui. En savoir plus sur ce puissant outil d’apprentissage automatique dans notre pack e-mail IA et livre blanc!

Pack d’IA et papier blanc