Génération de données synthétiques

Les modèles de simulation peuvent être utilisés pour générer des quantités illimitées de données d’entraînement pertinentes, traitées, structurées et étiquetées. Lors de l’utilisation d’un modèle de simulation de cette manière, le flux de travail de base consiste à exécuter des expériences de simulation en plusieurs séries (idéalement avec des simulations parallèles) et à enregistrer les résultats dans un format consommable par des algorithmes d’apprentissage automatique. AnyLogic et AnyLogic Cloud offrent diverses façons d’exécuter les modèles et d’écrire les sorties dans un référentiel souhaitable.

Cas d’utilisation Flux de travail et outils

Cas 1 : Tester l’efficacité de nouveaux algorithmes d’apprentissage automatique

Les chercheurs en apprentissage automatique peuvent utiliser le modèle de simulation comme moteur pour la création de donnéestraitées, sans bruit, illimitées et étiquetées afin de tester l’efficacité de nouveaux algorithmes d’apprentissage automatique.

Cas 2 : Amélioration des données du monde réel avec des données synthétiques (simulées) supplémentaires

Des modèles de simulation correctement vérifiés et validés peuvent être utilisés pour générer des données pertinentes pour la formation de modèles ML gourmands en données, en particulier les modèles d’apprentissage profond.

Cas 3 : Solutions d’apprentissage automatique de preuve de concept avant d’investir dans la collecte de données réelles

Pour toute entreprise qui envisage de pérenniser ses stratégies d’apprentissage automatique, investir dans des mécanismes d’expansion et d’accélération de la collecte de données est une décision majeure - tout faux pas pourrait compromettre la viabilité de ses futures solutions centrées sur les données. Une partie du dilemme est, avant d’utiliser les données, comment choisir correctement la pertinence, le type, la source et la vitesse des données collectées ! Les données synthétiques générées à partir de simulations peuvent aider les analystes des données à tester leurs hypothèses avec des modèles de preuve de concept d’apprentissage automatique avant d’investir dans des méthodes et des technologies de collecte de données.

Cas 4 : Approximation des modèles de simulation avec les modèles ML

Un métamodèle, qui est une représentation plus simple ou un substitut au modèle de simulation lui-même, peut être développé en entraînant un modèle ML sur les entrées et les sorties d’un modèle de simulation. Ceci est extrêmement utile pour les scénarios où l’analyse des résultats des expérimentations de simulation est un processus très coûteux en calcul. Les modèles ML, et en particulier les modèles d’apprentissage profond, se sont révélés très prometteurs en étant capables de capturer l’essence des systèmes dynamiques non linéaires. Le métamodèle résultant peut être utilisé pour tous les types d’expériences qui nécessitent l’exploration d’un espace de recherche massif.

Cas 5 : Déploiement d’une simulation approximative (modèles ML entraînés) sur des appareils périphériques

Un métamodèle d’apprentissage automatique, développé à partir d’un modèle de simulation, peut servir de version légère et portable de la simulation. Ce faisant, il peut ensuite être déployé efficacement sur un nombre croissant de plates-formes de déploiement d’IA, y compris les appareils périphériques. Cette approche fournit un moyen pratique de déployer des modèles de simulation à l’aide d’infrastructures de déploiement conçues pour les solutions d’IA.

Flux de travail et outils

Lors de l’utilisation d’un modèle de simulation comme moteur pour générer des données synthétiques, le flux de travail de base consiste à exécuter des expériences de simulation multidiffusion (idéalement avec des exécutions de simulation parallèles) et à enregistrer les résultats dans un format consommable par des algorithmes de ML. AnyLogic et AnyLogic Cloud offrent diverses façons d’exécuter les modèles et d’écrire les sorties dans un référentiel souhaitable.

Sortie vers la base de données connectée au modèle
AnyLogic Cloud pour une meilleure évolutivité

Sortie vers la base de données connectée au modèle

Sortie vers la base de données intégrée AnyLogic ou des bases de données externes connectées au modèle.

Chaque modèle AnyLogic est livré avec une base de données intégrée qui convient aux transferts de données à grande vitesse et prend en charge l’exportation vers des fichiers Excel. Vous pouvez également vous connecter directement à des fichiers Excel et Texte (localement ou à distance) via les API simples et faciles à utiliser d’AnyLogic. Les modèles AnyLogic peuvent également se connecter à n’importe quelle base de données relationnelle prenant en charge JDBC.

AnyLogic Cloud pour une meilleure évolutivité

Utilisation d’AL Cloud pour mettre rapidement à l’échelle les expérimentations de simulation multi-exécution et la génération de résultats.

AnyLogic Cloud vous donne accès à une plate-forme d’exécution évolutive et basée sur un serveur pour rationaliser la génération de résultats. Dans son environnement graphique, vous pouvez configurer des expérimentations et exporter ultérieurement les résultats vers Excel ou JSON. La même chose peut également être faite via des appels d’API (en JavaScript, Python et Java). Les modèles dans le Cloud prennent en charge la connexion directe à n’importe quelle base de données relationnelle, en plus de l’exportation automatisée Excel et JSON et d’un mécanisme d’écriture dans les fichiers via ses API.