Erzeugung synthetischer Daten

Mithilfe von Simulationsmodellen lassen sich unbegrenzte Mengen relevanter, sauberer, strukturierter und gelabelter Trainingsdaten erzeugen. Wenn Sie ein Simulationsmodell auf diese Weise verwenden, besteht der Workflow im Wesentlichen darin, in mehreren Durchläufen Simulationsexperimente vorzunehmen (idealerweise mit parallelen Simulationsläufen) und die Ergebnisse in einem Format aufzuzeichnen, das von ML-Algorithmen genutzt werden kann. AnyLogic und AnyLogic Cloud bieten eine Vielzahl von Wegen, um die Modelle auszuführen und die Ergebnisse in ein gewünschtes Repository zu schreiben.

Anwendungsfälle Workflows und Werkzeuge

Fall 1: Test der Wirksamkeit neuer maschineller Lernalgorithmen

Experimentatoren können das Simulationsmodell als Motor für die Erstellung sauberer, rauschfreier, unbegrenzter, gelabelter Daten nutzen, um die Wirksamkeit neuer maschineller Lernalgorithmen zu testen.

Fall 2: Anreicherung realer Daten mit zusätzlichen synthetischen (simulierten) Daten

Verifizierte und validierte Simulationsmodelle lassen sich zur Generierung relevanter Daten verwenden, mit denen sich datenhungrige ML-Modelle, insbesondere Deep-Learning-Modelle, trainieren lassen.

Fall 3: ML-Lösungen zur Machbarkeitsprüfung vor der Investition in die Erhebung echter Daten

Für jedes Unternehmen, das über die Zukunftsfähigkeit seiner Strategien für maschinelles Lernen nachdenkt, ist die Investition in Mechanismen zur Erweiterung und Beschleunigung der Datenerfassung eine wichtige Entscheidung. Jeder Fehltritt könnte die Realisierbarkeit zukünftiger datenzentrierter Lösungen gefährden. Ein Teil des Dilemmas besteht darin, vor der Verwendung der Daten die Relevanz, Art, Quelle und Geschwindigkeit der gesammelten Daten richtig zu wählen! Synthetische Daten, die aus Simulationen generiert werden, ermöglichen es Data Scientists, ihre Hypothesen mittels Proof-of-Concept ML-Modellen zu validieren, bevor sie in Methoden und Technologien zur Datenerfassung investieren.

Fall 4: Approximation der Simulationsmodelle mit ML-Modellen

Ein Metamodell, das eine einfachere Darstellung oder einen Ersatz für das eigentliche Simulationsmodell darstellt, kann entwickelt werden, indem ein ML-Modell auf die Eingaben und Ausgaben eines Simulationsmodells trainiert wird. Dies ist äußerst nützlich für Szenarien, in denen die Analyse der Ergebnisse von Simulationsexperimenten ein sehr rechenintensiver Vorgang ist. ML-Modelle und insbesondere Deep-Learning-Modelle haben sich als vielversprechend erwiesen, wenn es darum geht, das Wesen nichtlinearer dynamischer Systeme zu erfassen. Das resultierende Metamodell lässt sich für alle Versuchsarten verwenden, die die Erkundung eines umfangreichen Suchraums erfordern.

Fall 5: Einsatz der approximierten Simulation (trainierte ML-Modelle) auf Edge Devices

Ein ML-Metamodell, das aus einem Simulationsmodell entwickelt wurde, kann als einfache und portable Version der Simulation genutzt werden und auf eine beliebige Anzahl von KI-Plattformen, einschließlich Edge Devices, effektiv eingesetzt werden. Dieser Ansatz bietet ein praktisches Mittel zur Bereitstellung von Simulationsmodellen auf der Grundlage von Entwicklungsinfrastrukturen, die für KI-Lösungen konzipiert wurden.

Workflows und Werkzeuge

Bei der Verwendung eines Simulationsmodells zur Generierung synthetischer Daten besteht der grundlegende Arbeitsablauf in der Durchführung von Simulationsexperimenten mit mehreren Durchläufen (idealerweise mit parallelen Simulationsläufen) und der Aufzeichnung der Ergebnisse in einem Format, das von ML-Algorithmen genutzt werden kann. AnyLogic und AnyLogic Cloud bieten eine Vielzahl von Wegen, um die Modelle auszuführen und die Ergebnisse in ein gewünschtes Repository zu schreiben.

Ausgabe in eine mit dem Modell verbundene Datenbank
AnyLogic Cloud für bessere Skalierbarkeit

Ausgabe in eine mit dem Modell verbundene Datenbank

Ausgabe der Daten in die integrierte AnyLogic-Datenbank oder in externe Datenbanken, die mit dem Modell verbunden sind.

Jedes AnyLogic-Modell wird mit einer integrierten Datenbank geliefert, die sowohl schnelle Datenübertragungen als auch den Export in Excel-Dateien unterstützt. Über die einfachen und benutzerfreundlichen APIs von AnyLogic können auch direkte Verknüpfungen zu Excel- und Textdateien herstellt werden (lokal oder per Fernzugriff). AnyLogic-Modelle lassen sich zudem mit jeder relationalen Datenbank verbinden, die JDBC unterstützt.

AnyLogic Cloud für bessere Skalierbarkeit

Nutzung der AL Cloud zur schnellen Skalierung von Multirun-Simulationsexperimenten und zur Gewinnung von Ergebnissen.

AnyLogic Cloud bietet Ihnen Zugang zu einer skalierbaren und serverbasierten Arbeitsplattform, mit der Sie die Erstellung von Outputs rationalisieren können. In der grafischen Umgebung können Sie Experimente einrichten und die Ergebnisse später in Excel oder JSON exportieren. Gleiches kann auch über API-Aufrufe (in JavaScript, Python und Java) erfolgen. Cloud-Modelle unterstützen die direkte Verbindung zu jeder relationalen Datenbank, zusätzlich zum automatischen Excel- und JSON-Export und einem Mechanismus zum Schreiben in Dateien über die APIs.