首頁 > 工業4.0 > 智慧製造模擬 > AnyLogic
測試或嵌入機器學習模型
在這個場景中,在模擬環境中使用經過訓練的機器學習模型。換句話說,機器學習模型首先是在AnyLogic生態系統之外訓練的。之後,為了評估或利用其預測能力,可以將其作為模擬模型的一部分。 測試或嵌入機器學習模型需要在運行時連接訓練好的機器學習模型和模擬模型。AnyLogic提供多種連接選項,無論使用何種語言訓練的ML模型,都可進行本地和遠端的連接。
案例1:機器學習模型作為表示模型中抽象行為的輸入的替代方案
在仿真模型中,輸入參數的一種用途是根據真實係統中存在的因果規則(例如延遲時間、到達率等)定義一些近似行為;這些通常被建模為單變量隨機變量,或者在某些情況下,被建模為具有多變量概率分佈的隨機向量。作為替代,機器學習(ML)模型可用於這些類型的輸入參數。
案例2:使用機器學習模型來近似模擬系統中元件的行為
當模擬模型中的某些元件由於需要大量細節而非常複雜時,可以使用經過訓練的機器學習(ML)模型作為替代來近似其行為。這與前一個案例類似,但涉及到模型的特定元件,該元件可能不一定可以用單個值(或分佈)進行抽象。一個明顯的例子是一個物理設備,它很難用一般的模擬方法建模,但是卻可以很容易地基於機器學習近似的真實資料進行建模。
案例3:將任何現有的、已部署的機器學習模型合併到模擬環境中,以提高其準確性
模擬模型應該複製真實系統的規則——這一事實也適用於給定系統中的任何現有嵌入式人工智慧解決方案。系統部署的人工智慧解決方案直接產生的規則和行為也應納入模擬中。實現這一點最自然的方式是直接將人工智慧解決方案嵌入到模擬中。
案例4:部署前測試人工智慧解決方案對系統整體性能的影響
將人工智慧元件嵌入系統的目的是提高系統的整體性能,而不僅僅是由人工智慧所替代的特定元件。合理的預期是,部署訓練有素的人工智慧解決方案將顯著提高目標系統的整體性能。然而,系統中的任何擾動都有可能改變任何瓶頸或引起其他連鎖反應。單獨測試一個經過訓練的模型(例如,使用測試資料樣本)並不能驗證修改後的系統(作為一個整體)的性能是否得到了充分改善。模擬模型可以用作虛擬、無風險的環境,測試將人工智慧納入現有系統的影響。
案例5:數學視覺化!
資料科學家懂得如何向那些不熟悉其中的細微差別或含義的人(例如,客戶、經理或決策者)展示和交流其機器學習(ML)解決方案的效果。模擬建模軟體會以一種既具有視覺吸引力又易於理解的方式呈現模型的動態行為。因此無論有沒有機器學習解決方案,它都可以用來直觀地顯示模擬環境的性能。
案例6:在原始模擬環境中測試強化學習(RL)策略
強化學習的最終目標是學習一個能夠優化控制系統的有效策略。由於學習過程(訓練)是在模擬環境中完成的,因此同樣的模擬模型也可用於測試學習的策略!在將所學策略部署到實際系統之前,評估其性能將是一個有用的步驟,這一過程通常被稱為“模擬到實際的轉變”。
工作流程和工具
測試或嵌入機器學習(ML)模型時,運行過程都需要在經過訓練的ML 模型和模擬模型之間建立連接。AnyLogic 提供了三個連接機器學習(ML)模型的通用選項,可以無需考慮機器學習(ML)模型的訓練語言,並支援本地和遠端連接。