Mit Pathmind KI die Leistung im Vergleich zu Ihrer Baseline steigern

Trainieren Sie Ihre KI-Agenten schnell über eine einfache Webanwendung Sie müssen sich somit nicht um das Erstellen und Pflegen komplexer Tools oder Infrastrukturen kümmern.Sie müssen sich lauch nicht Gedanken darüber machen, welche Cloud-Plattform Sie verwenden. Durch Kombination der neuesten Deep-Reinforcement-Learning-Methoden mit vertrauten Werkzeugen macht Pathmind es Ihnen leicht mit KI zu experimentieren, AnyLogic-Simulationen für KI anzupassen und eine Pathmind-Richtlinie für operative Entscheidungen einzusetzen.


Deep Reinforcement Learning ist eine Methode der künstlichen Intelligenz, die es einem KI-Agenten ermöglicht, eine komplexe Umgebung, wie z. B. eine Simulation, zu erkunden. Durch Versuch und Irrtum findet der Agent dazu die Aktionen und Entscheidungen heraus, die zum besten Resultat führen. Um den KI-Agenten zu steuern, definieren Fachexperten und Simulationsmodellierer dazu ihre bevorzugten Ergebnisse.

Traditionelle Solver und Optimierer, die dem Simulationsmodellierer als Grundausstattung dienen, agieren in Modellen mit vielen Agenten und Datenvariabilitäten manchmal nicht effektiv genug. Bei unerwarteten Datenveränderungen (etwa ein Nachfrageschock oder die Neueinführung eines Systems) dauert es einige Zeit, um einen Solver oder Optimierer erneut zu berechnen bzw. zu programmieren.

Deep Reinforcement Learning kann mit hochvariablen Daten arbeiten und trifft Entscheidungen in Echtzeit, was langwieriges Neuberechnen und Umschreiben unnötig macht. Darüber hinaus koordiniert es die Aufgaben vieler Agenten simultan, was Simulationsmodellierern die Möglichkeit gibt, völlig neue Problemstellungen zu optimieren.

Pathmind unterstützt Simulationsmodellierer, Wirtschaftsingenieure und Unternehmensplaner beim Trainieren von KI-Agenten, damit diese ihre Ziele schneller erreichen. Mit der einfachen Webanwendung von Pathmind erhalten Sie einen bequemen Zugang zu leistungsstarken Deep-Reinforcement-Learning-Techniken und Cloud-Computing. Diese Verfahren schlagen herkömmliche Solver- oder Optimierungslösungen und erschließen neue wertvolle operative Strategien für Ihr Unternehmen.

Mit Pathmind Helper erweitern Sie AnyLogic-Modelle mittels KI in nur wenigen Schritten

Pathmind erleichtert das Hinzufügen von KI-Funktionen, um die Ergebnisse Ihres Simulationsmodells zu erweitern. Mithilfe des Pathmind Helper können Sie die Variablen, die Sie verfolgen möchten, schnell überwachen und validieren.

Damit lassen sich ein Großteil Ihres RL-Trainings innerhalb des AnyLogic Modells aufsetzen, wie etwa die Entscheidungen, mit denen die KI-Agenten konfrontiert werden sollen, oder die Beobachtungen, die sie von der Umgebung erhalten sollen. Außerdem können Sie Ihr AnyLogic-Modell bequem in die Pathmind-Webanwendung hochladen, wo Sie Ihre KI-Agenten trainieren können.

Exportieren Sie dazu Ihr Modell aus AnyLogic Professional oder PLE in die Pathmind-Webapplikation, indem Sie in Reinforcement Learning Experiment in AnyLogic auf „Export to Pathmind“ klicken. Dort können Sie Experimente mit verschiedenen Belohnungsfunktionen, Beobachtungsvariablen und anderen Parametern durchführen.

Nachdem Sie einen KI-Agenten erfolgreich trainiert haben, vereinfacht Pathmind die Bereitstellung dieses Agenten in AnyLogic bzw. seine Einbindung in den operativen Einsatz, um die entsprechenden Ergebnisse zu erhalten.


Zu Pathmind Helper gehen

Erste Schritte mit Pathmind

Eine Einführung in Pathmind anhand eines einfachen stochastischen Modells. In diesem Modell weist ein Zustandsdiagramm die Start- und Zwischenzustände sowie ein Endziel auf. Der Agent muss lernen, eine bestimmte Zeit lang im Zwischenzustand zu warten, bevor er das Ziel erreichen darf.


Los geht's
Pathmind Demo: Produktlieferung

Beispiel-Modelle


Die folgenden AnyLogic-Beispielmodelle wurden mit dem Pathmind Helper um die KI erweitert. Sie enthalten einen trainierten KI-Agenten, um die Entscheidungskompetenz von Reinforcement Learning zu demonstrieren. Die Modelle samt Dokumentation erhalten Sie durch Klicken auf den jeweiligen Link.


  • 01

    Produktlieferung

    Produkt-Liefermodell
    Produzenten und Vertriebspartner sind über ein Gebiet in Europa verteilt. Das Modell versucht zu bestimmen, welcher Hersteller an welchen Distributor liefern soll, um die Lieferzeiten und die Fahrstrecken zu minimieren. Das Modell berücksichtigt, dass der nächstgelegene Hersteller nicht unbedingt die beste Wahl ist, wenn dieser gerade keinen Lagerbestand hat, um einen Kunden zu beliefern.

  • 02

    Lagerroutenplanung

    Modell einer Lagerroutenplanung
    Zwei Produktionsstätten produzieren Waren, die an eines von zwei Warenlagern geliefert werden können. Störungen und Verzögerungen entlang der möglichen Transportwege haben Auswirkungen auf die Rentabilität und Effizienz. Dieses Modell wird eingesetzt, um zu ermitteln, welches Depot beliefert werden soll, um den Gewinn zu maximieren.

  • 03

    Supply-Chain-Optimierung

    Modell zur Optimierung der Lieferkette
    Eine einfache Lieferkette besteht aus einem Einzelhändler, einem Großhändler und einem Hersteller. Ein zu geringer Lagerbestand an einem Standort resultiert in langen Wartezeiten bei den Kunden. Ist er zu hoch, schmälert dies den Gewinn durch die Vorhaltekosten. Dieses Supply-Chain-Modell bestimmt die optimalen Lagerbestände an jedem Glied der Lieferkette, um ein Gleichgewicht zwischen zufriedenen Kunden und hohen Gewinnen zu finden.