Mit H2O.ai Automatic Machine Learning die Vorhersagefähigkeit von Simulationen verbessern

AnyLogic ist stolz auf seine Partnerschaft mit H2O.ai, der führenden Plattform für automatisches maschinelles Lernen. Damit können Sie die einzigartigen Vorhersagefähigkeiten von Simulation und maschinellem Lernen (Machine Learning, ML) gemeinsam nutzen.

Als Einstieg in die Integration von Machine-Learning-Modellen, die mit H2O.ai Driverless AI trainiert wurden, haben wir zwei dokumentierte Proof-of-Concepts-Modelle zum Download bereitgestellt. Die Einbettung von ML-Modellen in Simulationen ermöglicht ganz neue Anwendungsbereiche: Data Scientists können so Lösungen in einer risikofreien Umgebung testen und Modellierer von Simulationen können auf mehr datengetriebene Eingaben zugreifen. Lesen Sie weiter, erfahren Sie mehr, und probieren Sie es selbst aus!

ML-Lösungen (Maschinelles Lernen) werden zunehmend zum Standard in Unternehmen. Und je mehr von ihnen eingesetzt und in bestehende Systeme integriert werden, umso stärker können die Nutzer aus Data Scientists und Simulationsmodellierer von den jeweiligen Fähigkeiten der anderen profitieren.

Für Simulationsmodellierer:

  • Bei der Entwicklung von Simulationsmodellen geht es stets darum, die Übereinstimmung zwischen der virtuellen Umgebung und dem realen System zu verbessern. Mangels eines direkten Zugangs zu den Kausalregeln, die ein reales System bestimmen, ist es notwendig, die Ergebnisse verschiedener Szenarien mit allen Arten von Wahrscheinlichkeits- und Statistikmodellen zu approximieren. ML-Modelle (Maschinelles Lernen) sind die jüngste Weiterentwicklung dieser datengetriebenen Elemente. Simulationsmodelle sollten diese neuere Generation von Vorhersagemodellen nutzen, zumal immer mehr von ihnen als Teil von datenorientierten Unternehmensinvestitionen verfügbar werden.
  • Bei der Nachbildung der Verhaltensregeln eines realen Systems sollten auch Regeln und Eigenschaften, die ein direktes Ergebnis der eingebetteten KI-Lösungen eines Systems sind, in die Simulation einbezogen werden. Der naheliegende Weg, dies zu erreichen, ist die direkte Einbettung der KI-Lösungen in die Simulation.

Für Data Scientists und KI-Experten:

  • Ziel des Hinzufügens von KI-Komponenten zu einem System ist es, die Gesamtleistung des Systems zu verbessern und nicht nur die der spezifischen Komponenten, die durch KI ersetzt werden. Es ist zu erwarten, dass der Einsatz einer gut trainierten KI-Lösung eine deutliche Verbesserung der Gesamtleistung des Zielsystems zur Folge hat. Jede Störung innerhalb eines Systems hat jedoch das Potenzial, eventuelle Bottlenecks zu verschieben oder anderweitige Rückwirkungen auf das System zu verursachen. Das Testen eines trainierten Modells allein verifiziert nicht, dass die Leistung des modifizierten Systems (als Ganzes) ausreichend verbessert ist. Simulationsmodelle können als virtuelle, risikofreie Umgebung genutzt werden, um die Auswirkungen der KI-Integration in bestehende Systeme zu testen.
H2O.ai-Plattform

H2O.ai Driverless AI Scoring-Pipeline

H2O Driverless AI bietet ML-Modellbereitstellung (Maschinelles Lernen), Management und Überwachungsfunktionen für IT- und DevOps-Teams. Pipelines bezeichnen beim maschinellen Lernen die Automatisierung aufeinanderfolgender Schritte in einem Workflow. Diese Schritte können Datenvorbereitung, ML-Modelltraining, Validierung, Paketierung und Bereitstellung sowie Überwachung umfassen. Eine Scoring-Pipeline ist in der Regel ein Teil der Bereitstellungsroutine, in der trainierte Modelle verwendet werden, um Vorhersagen für neue Daten zu treffen.


Workflow der AnyLogic H2O.ai Plattform

Für die Einbettung trainierter ML-Modelle in AnyLogic bietet Driverless AI ein eigenständiges Modellobjekt mit geringer Latenz, das in Echtzeit bewertet werden kann: die Optimized (MOJO) Scoring Pipeline. Dieses trainierte ML-Modell steht als eigenständige Datei zum Download bereit und kann in AnyLogic-Modelle integriert werden. Es lässt sich anschließend wie eine Funktion verwenden, die die gewünschte Vorhersage auf Basis der Eingaben zurückliefert, die zur Laufzeit dynamisch vom Simulationsmodell übergeben werden.


Webinar: Simulation und maschinelles Lernen kombinieren

H2O Driverless AI automatisiert zeitaufwändige ML-Aufgaben, damit Data Scientists schneller und effizienter arbeiten können. Zu den automatisierten Aufgaben gehören die Modellvalidierung, die Modellabstimmung, die Modellauswahl und das Feature Engineering.

Dieses Webinar zeigt, wie die unterschiedlichen Vorhersagefähigkeiten von Simulation und maschinellem Lernen kombiniert werden, um die Entscheidungsfindung in Unternehmen und öffentlichen Einrichtungen zu verbessern. Arash Mahdavi, AnyLogic AI Program Lead, wird begleitet von Niki Athanasiadou, Data Scientist und Senior Solution Architect Heman Kapadia von H2O.ai. Anhand eines Beispielmodells demonstrieren sie, wie sich dessen Vorhersagefähigkeit durch die Einbettung der H2O Driverless AI MOJO-Pipeline verbessern lässt.

Beispiel-Modelle


Hier sind zwei AnyLogic-Beispielmodelle, die für die H2O.ai-Plattform refaktoriert wurden. Sie sind bereits eingerichtet und einsatzbereit. Laden Sie sie einfach über die nachstehenden Links herunter. Eine ausführliche Dokumentation finden Sie außerdem in der zugehörigen README.md-Datei.

  • 01

    Kapazitätsplanung im Krankenhaus

    Krankenhaus-Kapazitätsplanungsmodell

    Dieses Beispielmodell demonstriert einen Anwendungsfall für die Kapazitätsplanung und das Kapazitätsmanagement in Krankenhäusern, die mit einem noch nie dagewesenen Ansturm von Patienten konfrontiert sind (z. B. COVID-19). In diesem Modell wird ein Krankenhaus simuliert, in dem Patienten Ressourcen (Krankenhausbetten) für eine bestimmte Zeitdauer belegen. Die spezifische Verweildauer wird von einer eingebetteten Driverless AI MOJO-Pipeline auf der Grundlage der Attribute und Vorerkrankungen jedes eingehenden Patienten vorhergesagt. Die Ankunftsrate der Patienten und die Ressourcenkapazität (Gesamtbetten) können über die bereitgestellten Steuerelemente dynamisch verändert werden. Auf diese Weise lassen sich verschiedene Szenarien testen, um zu prüfen, ob die eingestellte Kapazität mit der Ankunftsrate mithalten kann.


  • 02

    Produktlieferung

    Produktliefermodell

    Dieses Beispielmodell zeigt eine Lieferkette, die auf der Basis von schwankenden lokalen und globalen Nachfragevariablen arbeitet. Es gibt fünfzehn Händler, die alle 1 bis 2 Tage Produkte bestellen. Die Bestellmenge richtet sich sowohl nach der Saisonalität als auch danach, ob eine aktive Pandemie vorliegt. Drei Produktionsstätten erfüllen Aufträge, indem sie entweder direkt vom Lager versenden oder diese produzierten.

    Das Modell verwendet zwei eingebettete Driverless AI MOJOs. Die erste sagt die aktuelle Temperatur jedes Verteilzentrums auf der Grundlage seines Standorts und des aktuellen Datums voraus. Die zweite prognostiziert die Nachfrage an jedem Händler basierend auf Ort, Datum, vorhergesagter Temperatur (aus dem ersten eingebetteten Driverless-AI-Modell) und dem Vorhandensein einer Pandemie. Die Vorhersagefähigkeiten der beiden eingebetteten ML-Modelle ermöglichen es nun, die Gesamtleistung der Lieferkette mit und ohne Vorhandensein einer Pandemie zu simulieren und dynamisch zu überwachen.


Simulation zum Trainieren und Testen (KI-E-Mail-Paket) [in Englisch]

AnyLogic Simulation ist die KI-Trainings- und Testplattform für Unternehmen. Mit der AnyLogic Allzweck simulation können Sie robuste, umfangreiche virtuelle Umgebungen für das Training und Testen Ihrer KI-Modelle erstellen. Die einzigartigen Multi-Methoden-Simulationsmöglichkeiten bieten ein umfassenden Werkzeugkasten für den Einsatz im Bereich maschinelles Lernen . Diese vollständig Cloud-fähige Plattform mit offener API ist bereits bei führenden Unternehmen aller Branchen im Einsatz und verbessert und beschleunigt die KI-Entwicklung von heute. Erfahren Sie mehr über dieses leistungsstarke Tool für maschinelles Lernen in unserem Whitepaper und unserem KI-E-Mail-Paket!

KI-Paket und Whitepaper