首頁 > 工業4.0 > 智慧製造模擬 > AnyLogic
合成資料生成
模擬模型可用于生成無限量的相關、有效、結構化和標記的訓練資料。以這種方式使用模擬模型時，基本工作流是執行多次運行模擬實驗（理想情況下是並行模擬運行），並以機器學習演算法可以使用的格式記錄結果。AnyLogic和AnyLogic Cloud提供了多種方法來執行模型並將輸出寫入所需的存儲庫。
案例1：測試新機器學習演算法的有效性
機器學習研究人員可以利用模擬模型作為引擎，創建乾淨、無雜訊、無限制的標記資料，以測試新機器學習演算法的有效性。
案例 2：使用額外的合成（模擬）資料補充現實世界的資料
經過適當核准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機器學習（ML）模型，尤其是深度學習模型。
案例3：投資實際資料收集機制之前的概念驗證
對於任何考慮未來驗證其機器學習策略的企業來說，投資擴展和加速資料收集的機制是一項重大決策——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。而難點之一就是在使用資料之前，如何正確選擇收集資料的相關性、類型、來源和速度！模擬生成的合成資料可以説明資料科學家在投資資料收集方法和技術之前，通過概念驗證器學習（ML）模型測試他們的假設。
案例 4：用機器學習（ML）模型近似計算模擬模型
元模型是模擬模型本身的一種更簡單的表示或替代，可以通過在模擬模型的輸入和輸出上訓練機器學習（ML）模型來開發。對於模擬結果分析計算成本非常高的場景是非常有效的。機器學習（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。生成的元模型可以用於需要探索大規模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模擬（經過訓練的機器學習（ML）模型）
從模擬模型開發的機器學習元模型可以作為模擬的輕量版。通過這樣做，它可以有效地部署在越來越多的人工智慧部署平臺上，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架構的基礎上部署模擬模型。
工作流程和工具
當使用模擬模型作為引擎生成合成資料時，基本工作流是執行多運行模擬實驗（理想情況下是並行模擬運行），並以機器學習（ML）演算法可以使用的格式記錄結果。AnyLogic和AnyLogic 雲提供了多種方法來執行模型並將輸出寫入所需的存儲庫。
