• Description

合成資料生成

模擬模型可用于生成無限量的相關、乾淨、結構化和標記的訓練資料。以這種方式使用模擬模型時,基本工作流程是執行多運行模擬實驗(最好是並行模擬運行)並以機器學習演算法可使用的格式記錄結果。AnyLogic AnyLogic Cloud 提供了多種方式來執行模型並將輸出寫入所需的存儲庫。


案例 1:測試新型 ML 算法的功效

ML 研究人員可以利用模擬模型作為引擎來創建乾淨、無噪聲、無限制的標記數據,以測試新型 ML 算法的功效。


案例 2:使用額外的合成(模擬)資料增強現實世界的資料

經過適當驗證和驗證的模擬模型可用于生成相關資料,用於訓練需要大量資料的 ML 模型,尤其是深度學習模型。


案例 3:在投資收集真實資料之前的概念驗證 ML 解決方案

對於任何考慮未來證明其機器學習策略的企業來說,投資於擴展和加速資料收集的機制是一個重大決定——任何失誤都可能危及其未來以資料為中心的解決方案的可行性。部分困境是,在使用資料之前,如何正確選擇收集資料的相關性、類型、來源和速度!從模擬生成的合成資料可以說明資料科學家在投資于資料收集方法和技術之前使用概念驗證 ML 模型測試他們的假設。


案例 4:使用 ML 模型逼近模擬模型

元模型是模擬模型本身的更簡單表示或替代品,可以通過在模擬模型的輸入和輸出上訓練 ML 模型來開發。這對於模擬實驗結果的分析是一個計算成本非常高的過程的場景非常有用。ML 模型,尤其是深度學習模型,在捕捉非線性動態系統的本質方面表現出了很大的潛力。生成的元模型可用于需要探索大量搜索空間的所有類型的實驗。


案例 5:在邊緣設備上部署近似類比(經過訓練的 ML 模型)

從模擬模型開發的 ML 元模型可以用作模擬的羽量級和便攜版本。通過這樣做,它可以有效地部署在越來越多的 AI 部署平臺上,包括邊緣設備。這種方法提供了一種實用的方法,可以在為 AI 解決方案構建的部署基礎設施的支援下部署模擬模型。


工作流程和工具

當使用模擬模型作為引擎來生成合成資料時,基本工作流程是執行多運行模擬實驗(最好是並行模擬運行)並以機器學習演算法可以使用的格式記錄結果。AnyLogic AnyLogic Cloud 提供了多種方式來執行模型並將輸出寫入所需的存儲庫。


輸出到連接到模型的資料庫


輸出到 AnyLogic 內置資料庫或連接到模型的外部資料庫。

每個 AnyLogic 模型都帶有一個內置資料庫,適用於高速資料傳輸並支持匯出到 Excel 檔。您還可以通過 AnyLogic 簡單易用的 API 直接連接到 Excel 和文字檔(本地或遠端)。AnyLogic 模型還可以連接到任何支援 JDBC 的關聯式資料庫。


AnyLogic Cloud 可實現更好的可擴展性

使用 AL Cloud 快速擴展多運行模擬實驗和輸出生成。

AnyLogic Cloud 使您可以訪問可擴展且基於伺服器的執行平臺,以簡化輸出的生成。在其圖形環境中,您可以設置實驗,然後將結果匯出到 Excel JSON。也可以通過 API 調用(在 JavaScriptPython Java 中)完成相同的操作。除了自動 Excel JSON 匯出以及通過其 API 的寫入檔機制外,雲中的模型還支援與任何關聯式資料庫的直接連接。