Pathmind AI로 기준보다 성능 향상

AnyLogic은 Pathmind와 협력하여 AI 에이전트를 쉽게 교육하여 더 나은 의사결정을 내릴 수 있도록 돕는 것을 자랑스럽게 생각합니다. AI 에이전트는 간단한 웹 애플리케이션을 사용하여 신속하게 교육하므로 복잡한 툴이나 인프라를 구축하거나 유지 관리할 필요가 없습니다. 어떤 클라우드를 사용하고 있는지 생각할 필요도 없습니다. Pathmind는 최신 심층 강화 학습 방법을 툴과 결합하여 쉽게 학습할 수 있도록 지원합니다.


딥러닝은 AI 에이전트가 시뮬레이션과 같은 복잡한 환경을 탐색할 수 있는 인공지능의 한 방법입니다. 시행착오를 통해 에이전트는 최상의 결과를 이끌어내는 행동과 결정을 발견합니다. AI 에이전트를 안내하기 위해 도메인 전문가와 시뮬레이션 모델러가 선호하는 결과를 정의합니다.

시뮬레이션 모델러의 솔루션 역할을 할 수 있는 기존의 솔버와 최적화 도구는 에이전트와 데이터 변동성이 많은 모델에서는 충분히 효과적이지 않은 경우가 있습니다. 데이터가 예기치 않게 이동하는 경우(예: 수요의 충격 또는 새 장비 도입) 솔버나 최적화 도구를 다시 계산하거나 다시 쓰는 데 시간이 필요합니다.

딥러닝은 가변성이 높은 데이터로 작동하여 실시간으로 결정을 내릴 수 있으므로 긴 재계산 및 재작성 작업이 불필요합니다. 또한 많은 에이전트의 동작을 한 번에 조정할 수 있어 시뮬레이션 모델러가 완전히 새로운 유형의 문제를 최적화할 수 있는 기회를 제공합니다.

Pathmind 는 AI 에이전트를 학습시키는 시뮬레이션 모델 개발자, 엔지니어 및 연구원을 지원하여 목표를 신속하게 달성할 수 있도록 합니다. 이러한 기술은 기본 솔버 또는 최적화 솔루션을 능가할 수 있으며 비즈니스에 유용한 새로운 운영 전략을 발견할 수 있습니다.

Pathmind Helper는 단 몇가지 단계만을 통해 AnyLogic 모델에 AI를 추가

Pathmind를 사용하면 시뮬레이션 모델의 결과를 높이기 위해 AI를 쉽게 추가할 수 있습니다. Pathmind Helper를 사용하면 추적할 변수를 신속하게 모니터링하고 확인할 수 있습니다. AI 에이전트가 직면할 선택과 환경으로부터 받을 관찰 등 AnyLogic 모델 내부에서 대부분의 RL 학습을 설정할 수 있도록 지원합니다. 또한 AnyLogic 모델을 AI 에이전트를 학습시킬 수 있는 Pathmind 웹 애플리케이션에 쉽게 업로드할 수 있습니다.

AnyLogic의 강화 학습 실험에서 "Export to Pathmind"를 클릭하면 AnyLogic Professional 또는 PLE에서 Pathmind 웹 애플리케이션으로 모델을 내보낼 수 있습니다. 그런 다음 다른 보상 함수, 관측 변수 및 기타 모수를 사용하여 실험을 실행할 수 있습니다. AI 에이전트를 성공적으로 교육한 후 Pathmind는 AnyLogic에 에이전트를 쉽게 배포하거나 해당 에이전트를 작업에 포함시키고 결정 결과를 확인할 수 있도록 합니다.


Pathmind Helper로 이동

Pathmind 시작

간단한 확률 모델을 사용한 Pathmind 소개. 모델에서 상태 차트는 시작(Start) 및 중간(Intermediate)상태와 최종 목표를 특징으로 합니다. 에이전트는 목표에 도달하기 전에 중간 상태에서 지정된 시간 동안 기다리는 방법을 배워야 합니다.


시작하기
Pathmind 데모: 제품 전달

모델 예제


아래의 AnyLogic 예제 모델은 Pathmind Helper로 AI를 위해 증강되었으며, 강화 학습의 의사결정 능력을 입증하기 위해 훈련된 AI 객체가 포함되어 있습니다. 이러한 모델 및 모델 설명서는 링크를 클릭하여 사용할 수 있습니다.


  • 01

    제품 배송

    제품배송모델
    제조업자와 유통업자들은 유럽의 한 지역에 걸쳐 퍼져 있습니다. 이 모델은 대기 시간과 이동 거리를 최소화하기 위해 어떤 제조사가 어떤 대리점에 납품해야 하는지를 결정합니다. 모델에서의 고려사항은 주문을 이행할 재고가 없는 경우, 가장 가까운 제조업체가 최선의 선택이 아닐 수 있다는 점입니다.

  • 02

    창고 경로 선정

    창고 경로 선정 모델
    두 개의 공장에서 두 개의 창고 중 하나에 납품할 수 있는 상품을 생산합니다. 가능한 각 전달 경로를 따라 블록 및 지연이 수익성과 효율성에 영향을 미칩니다. 이 모델은 이윤을 극대화하기 위해 어떤 창고가 배송을 받아야 하는지 파악하기 위해 설정되었습니다.

  • 03

    공급망 최적화

    공급망 최적화 모델
    공급망은 매장, 도매상, 그리고 공장으로 구성되어 있습니다. 한 장소에 너무 적은 재고를 보관하면 고객 대기 시간이 길어집니다. 재고량이 너무 많으면 보유 비용으로 인해 수익이 감소합니다. 이 공급망 모델은 각 위치에서 최적의 재고 수준을 결정하여 고객 행복도 및 고수익의 균형을 유지합니다.