Имитационное моделирование и искусственный интеллект
Журнал Научные высказывания

Имитационное моделирование и искусственный интеллект

Изучаются теоретические понятия искусственного интеллекта и имитационного моделирования. Приводятся примеры их эффективного использования.

машинное обучение
AnyLogic
искусственный интеллект
имитационное моделирование

Введение

Одной из наиболее перспективных и актуальных сфер развития на данный момент является искусственный интеллект. Это объясняется высокой эффективностью его работы в различных направлениях: медицина, промышленность, сельское хозяйство, машиностроение и многие другие. Все большее развитие и совершенствование искусственного интеллекта позволяют ему все успешнее решать задачи распознавания лиц, создания уникальных текстов, модернизации изображений и так далее.

Для наиболее продуктивного обучения искусственный интеллект должен обучаться и изменять поведение в динамической среде. Для этого ему требуется виртуальная площадка, которую может обеспечить имитационное моделирование. Именно оно может позволить безопасно и эффективно обучать и тестировать искусственный интеллект.

Терминология искусственного интеллекта

Искусственный Интеллект — это комплекс технологических решений, позволяющий имитировать когнитивные функции человека и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека [1].

Понятие искусственного интеллекта тесно связано с машинным обучением — набором методов для разработки способных к обучению алгоритмов с целью повышения качества работы этих алгоритмов.

Машинное обучение делится на множество видов, но среди основных можно выделить основные [2].

Обучение с учителем, при котором модель обучается на примерах с известным ответом, чтобы произвести настройку параметров.  Впоследствии она должна работать на примерах, на которых не обучалась, и давать точный ответ.

Обучение без учителя, при котором обучение производится на неразмеченных данных с целью обнаружения скрытых взаимосвязей между ними.

В обучении с подкреплением модель осуществляет действия в некоторой среде. Все действия несут в себе получение различной награды. Целью такого обучения является получение наибольшего вознаграждения. В результате модель должна выбирать действия, исходя из состояния среды.

Имитационные модели

Чтобы программа могла обучаться, а также работать с данными по итогу обучения, её нужна среда.

Реальная среда является наиболее подходящей для обучения и тестирования, ввиду отсутствия каких-либо неточностей и упрощений, в отличие от модели. Однако их использование несет в себе некоторые недостатки. Одним из них является серьезные денежные затраты. Кроме этого, зачастую эксперименты над реальными объектами могут быть сложны в реализации или опасны для здоровья людей.

Имитационные модели обладают рядом преимуществ. Среди них экономия денежных средств, так как виртуальные эксперименты дешевле. В построенных моделях гораздо проще собрать статистику и провести анализ. Возможность управлять временем эксперимента также является важным достоинством. Благодаря этому можно ускорять или замедлять процесс, что позволяет серьезно экономить время или более тщательно изучать объект исследования.

Имитационное моделирование в разработке искусственного интеллекта

Имитационное моделирование может удачно применяться при разработке искусственного интеллекта. Стоит выделить три эффективных способа [3].

Имитационная модель может быть использована как генератор произвольного количества данных. Это достаточно актуальный способ использования имитационного моделирования, так как при обучении искусственного интеллекта часто возникает проблема нехватки данных.

Имитационная модель может стать средой для обучения и тестирования искусственного интеллекта. В этом варианте моделирование чередуется с циклом обучения. Агент анализирует состояние модели, изменяет её, и в зависимости от правильности действия агента происходит его поощрение или наказание, что в свою очередь меняет агента.  Этот способ применения имитационного моделирования является весьма востребованным при различных разработках.

Также искусственный интеллект, обученный произвольным способом, независимо от построенной модели может быть включен в эту модель как вспомогательный компонент. Такое применение находит широкое распространение, ввиду универсальности и удобства использования.  

Одним из наиболее интересных в данной сфере является Project Bonsai от Microsoft [4]. Благодаря совместной работе компаний AnyLogic и Microsoft появилась возможность подключать созданные модели к платформе Bonsai. Это позволяет специалистам без знаний и опыта в области искусственного интеллекта использовать его для оптимизации и автоматизации своих задач.

Для простоты использования платформы в систему AnyLogic был добавлен новый вид эксперимента «RLExperiment», который используется для обучения с подкреплением. При его работе созданная пользователем модель становится обучающей средой для ИИ-агентов в Project Bonsai. Сам эксперимент уже содержит базовые элементы, позволяющие легко осуществить взаимосвязь имитационной модели и платформы Bonsai.

Ещё одним интересным и широко применимым является продукт сотрудничества компаний AnyLogic и H2O.ai [5], который также позволяет совмещать возможности имитационного моделирования и машинного обучения. H2O Driverless AI позволяет встраивать уже обученную ИИ-модель как автономный компонент модели пользователя.

Для работы с данным продуктом нужно скачать обученную модель (MOJO, Model Object Optimized) в виде файла, а затем использовать как функцию, которая по входным данным созданной модели будет выдавать выходные данные.

Выводы

В результате изучения совместного использования искусственного интеллекта и имитационного моделирования можно сделать вывод о том, что их совместное использование позволяет решать задачи эффективнее и расширять круг использования ИИ. Однако, существуют некоторые трудности.

Реальные задачи могут быть весьма трудоемкими и сложными вычислительно, что увеличивает время моделирования между циклами обучения искусственного интеллекта.

При условии использования моделирования результат действий обученного искусственного интеллекта может быть неточным, так как любая модель — это упрощенная в какой-либо степени реальность.

А также стоит отметить, что специалисты по искусственному интеллекту могут слабо разбираться в имитационном моделировании. Это усложняет их совместное использование. Но стоит отметить, что благодаря существующим современным решениям по уже готовым ИИ-агентам и средствам, позволяющим обычные модели превратить в тренажеры для обучения, применение имитационного моделирования и искусственного интеллекта становится все более эффективно. 

Список литературы
  1. ГОСТ Р 59277-2020 Системы искусственного интеллекта. Классификация систем искусственного интеллекта. — М.: Стандартинформ, 2021. — 16 с.
  2. Бурков А. Машинное обучение без лишних слов. — СПб.: Питер, 2020. — 192 с.
  3. Борщев, А. В. Имитационные модели как виртуальная среда для обучения и тестирования искусственного интеллекта для бизнес-приложений / А. В. Борщев, А. Махдави // Девятая всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности : Труды конференции, Екатеринбург, 16–18 октября 2019 года. – Екатеринбург: Издательство Уральского государственного педагогического университета, 2019. – С. 20-29.
  4. Обучение ИИ-агентов с помощью Progect Bonsai от Microsoft. https://www.anylogic.ru/features/artificial-intelligence/microsoft-bonsai/
  5. Точные прогнозы с имитационным моделированием и машинным обучением от H2O.ai. https://www.anylogic.ru/features/artificial-intelligence/h2o-ai/
международный научный журнал

Научные высказывания #52

Предоставляем бесплатную справку о публикации, препринт статьи — сразу после оплаты.
Прием материалов
с 28 февраля по 14 марта
Осталось 11 дней до окончания
Размещение электронной версии
28 марта
Рассылка печатных экземпляров
04 апреля