H2O.ai自動機械学習によるシミュレーションの予測機能の強化

AnyLogicは、主要な自動機械学習プラットフォームであるH2O.aiと提携しました。これにより、シミュレーションと機械学習の明確な予測機能を一緒に使用できます。

H2O.ai Driverless AIでトレーニングされた機械学習(ML)モデルの組み込みを開始するために、2つの文書化された概念実証モデルをダウンロードできます。MLモデルをシミュレーションに組み込むことで、新しいアプリケーション領域が可能になります:データサイエンティストはリスクのない空間でソリューションをテストでき、シミュレーションモデラーはより多くのデータ駆動型入力にアクセスできます。ご一読いただき、お試しください!

機械学習(ML)ソリューションは、ビジネスにおいてますます主流になりつつあります。そして、それらの多くが、既存のシステムと統合されるにつれて、それらを使用するデータサイエンスとシミュレーションの両方のコミュニティは、互いの異なる機能から利益を得ることができます。

シミュレーションモデラーの場合:

  • シミュレーションモデルの構築作業には、実際のシステムに関連する仮想環境の精度向上が常に含まれていました。実際のシステムを管理する因果関係のルールに直接アクセスできない場合は、さまざまなシナリオの結果をすべてのタイプの確率的および統計的モデルで概算する必要があります;MLモデルは、これらのデータ駆動型コンポーネントの進化における最新の進歩です。シミュレーションモデルは、ビジネスへのデータ指向の投資の一部として利用できるようになるため、これらの新しい種類の予測モデルを利用する必要があります。
  • 実際のシステムのルールを複製する際には、システムに組み込まれたAIソリューションの直接の結果であるルールと動作もシミュレーションに組み込む必要があります。これを実現する最も自然な方法は、AIソリューションをシミュレーションに直接埋め込むことです。

データサイエンティストとAIエキスパートの場合:

  • AIコンポーネントをシステムに追加する目的は、特定のコンポーネントがAIに置き換えられるだけでなく、システム全体のパフォーマンスを向上させることです。十分にトレーニングされたAIソリューションを導入すると、ターゲットシステムの全体的なパフォーマンスが大幅に向上することは当然のことです。ただし、システム内の混乱は、ボトルネックをシフトしたり、システムに他の波及効果を引き起こしたりする可能性があります。トレーニング済みモデルを単独でテストしても、変更されたシステムのパフォーマンスが十分に改善されていることを確認できません。シミュレーションモデルは、AIを既存のシステムに組み込むことの影響をテストするために、仮想のリスクのない環境として使用できます。
H2O.AIプラットフォーム

H2O.ai Driverless AIスコアリングパイプライン

H2O Driverless AIは、ITチームとDevOpsチームに [ML] モデルの展開、管理、監視機能を提供します。機械学習では、パイプラインはワークフローの一連のステップを自動化したものです。これらのステップには、データの準備、[ML] モデルのトレーニング、検証、パッケージ化、展開、および監視が含まれる場合があります。スコアリングパイプラインは通常、トレーニング済みモデルを使用して新しいデータを予測する展開ルーチンの一部です。


AnyLogic H2O.aiプラットフォームワークフロー

トレーニング済みのMLモデルをAnyLogicに埋め込むために、Driverless AIは、リアルタイムでスコアリングできる低レイテンシのスタンドアロンModel ObjectであるOptimized (MOJO) Scoring Pipelineを提供します。このトレーニング済みMLモデルは、AnyLogicモデルに組み込むことができるスタンドアロンファイルとしてダウンロードできます。次に、実行時にシミュレーションモデルから動的に渡される入力に基づいて目的の予測を返す関数のように使用できます。


ウェビナー:シミュレーションと機械学習の組み合わせ

H2O Driverless AIは、時間のかかるMLタスクを自動化するため、データサイエンティストはより速くより効率的に作業できます。自動化されたタスクには、モデルの検証、モデルの調整、モデルの選択、および機能エンジニアリングが含まれます。

このウェビナーでは、シミュレーションと機械学習のさまざまな予測機能を組み合わせて、企業と公営企業の意思決定支援を推進する方法を紹介します。AnyLogic AIプログラムリーダーのArash Mahdaviには、データサイエンティストのNiki AthanasiadouとH2O.aiのシニアソリューションアーキテクトのHeman Kapadiaが加わりました。モデル例を使用して、H2O Driverless AI MOJOパイプラインを組み込むことで予測機能を改善する方法を示します。

モデルの例


これは、H2O.aiプラットフォーム用にリファクタリングされた2つのAnyLogicサンプルモデルです。それらはすでにセットアップされており、準備ができています。以下のリンクからダウンロードしてください。包括的なドキュメントは、関連するREADME.mdファイルでも提供されています。

  • 01

    病院のキャパシティプランニング

    病院のキャパシティプランニング

    このサンプルモデルは、患者の前例のない急増に対処する病院でのキャパシティプランニングと管理のユースケースを示しています(例:COVID-19)。このモデルでは、患者が特定の期間リソース(病床)を占有する病院をシミュレートします;費やされる特定の時間は、入院してくる患者の属性と既存の状態に基づいて、埋め込まれたDriverless AI MOJOパイプラインによって予測されます。 患者の到着率とリソース容量(総ベッド数)は、提供されたコントロールを介して動的に変更できます。このようにして、さまざまなシナリオをテストして、設定された容量が到着率に対応できるかどうかを確認できます。


  • 02

    製品の配送

    製品の配送

    このサンプルモデルは、変動するローカルおよびグローバルの需要変数に基づいて動作するサプライチェーンを示しています。1〜2日ごとに製品を注文するディストリビューターは15社あります。注文量は、季節性と活発なパンデミックの有無の両方に基づいています。3つの製造施設は、在庫から発送するか、生産を待つことで注文を処理します。

    このモデルは、2つの組み込みDriverless AI MOJOを使用しています。1つ目は、場所と現在の日付に基づいて、各配送センターの現在の気温を予測します。2つ目は、場所、日付、予測温度(最初の組み込みDriverless AIモデルから)、およびパンデミックの存在に基づいて、各ディストリビューターの需要を予測します。2つの組み込みMLモデルの予測機能により、パンデミックの有無にかかわらず、サプライチェーンの全体的なパフォーマンスをシミュレートして動的に監視できます。


AIのトレーニングとテストのためのシミュレーション – メールパック

AnyLogicシミュレーションは、ビジネスにおけるAIのトレーニングおよびテストプラットフォームです。AnyLogicの汎用シミュレーションを使用すると、AIモデルをトレーニングおよびテストするための詳細で堅牢な仮想環境を構築できます。独自のマルチメソッドシミュレーション機能は、機械学習で使用するための包括的なツールを提供します。業界で使用されているこのオープンAPIを備えた完全にクラウド対応のプラットフォームは、今日のAI開発を強化および加速しています。この強力な機械学習ツールの詳細については、AIメールパックとホワイトペーパーをご覧ください。

AIパックとホワイトペーパー