Améliorer la performance de l'optimisation grâce à l'IA
Simio est le premier éditeur de logiciels de simulation de jumeaux numériques basés sur les événements discrets à offrir un support natif et intégré pour les réseaux neuronaux. Notre support développé en interne pour cette puissante approche d'optimisation basée sur l'IA ne nécessite aucun codage et est directement intégré dans le moteur de simulation de Simio, éliminant ainsi le besoin d'applications tierces externes. Notre prise en charge complète des réseaux neuronaux comprend la possibilité de définir et d'utiliser des réseaux neuronaux pour l'inférence directement dans la logique des modèles Simio Process Digital Twin, ainsi que la capacité de capturer automatiquement des données d'entraînement synthétiques à partir des modèles Simio à l'aide des fonctions de collecte de données intégrées et du Neural Networks Trainer alimenté par TensorFlow. Simio prend en charge l'importation et l'exécution de modèles d'IA tiers en utilisant le moteur d'inférence standard ONNX, et les fonctions de collecte de données d'entraînement de Simio peuvent également être utilisées pour générer et exporter des données d'entraînement synthétiques à utiliser avec des outils d'IA tiers.
Pourquoi associer la simulation d'événements discrets à NVIDIA Omniverse ?
L'intégration de la simulation d'événements discrets de Simio avec NVIDIA Omniverse crée une puissante synergie qui répond au défi fondamental auquel sont confrontés les jumeaux numériques : équilibrer la précision analytique et la compréhension intuitive. Alors que la simulation fournit la base mathématique d'une modélisation opérationnelle précise (capture de la dynamique, de la variabilité et des interdépendances de systèmes complexes avec une précision statistique), Omniverse transforme les données abstraites en représentations visuelles intuitives qui révèlent les relations spatiales et les contraintes physiques impossibles à discerner à partir des seuls chiffres.
Cette combinaison permet d'obtenir une intelligence opérationnelle complète en comprimant le temps tout en conservant une conscience spatiale. La technologie de Simio accélère le temps, permettant aux organisations d'évaluer des mois de performance opérationnelle en quelques minutes, tandis qu'Omniverse ajoute un contexte spatial crucial en représentant avec précision les environnements physiques et les contraintes de mouvement. Ensemble, ils garantissent que les solutions optimisées ne fonctionnent pas seulement en théorie, mais dans des environnements opérationnels réels avec des contraintes physiques réelles.
L'intégration comble le fossé de communication entre les experts en simulation et les décideurs en associant des données statistiques à des récits visuels convaincants. Les concepts complexes deviennent accessibles aux parties prenantes, quel que soit leur bagage technique, et permettent de dégager un consensus autour des initiatives d'amélioration grâce à des preuves analytiques rigoureuses et à des démonstrations visuelles intuitives. Cet avantage en termes de communication accélère considérablement la mise en œuvre et l'adoption de solutions optimisées.
Les organisations qui mettent en œuvre cette approche combinée constatent généralement une approbation plus rapide des projets, une mise en œuvre plus efficace et une adoption plus durable des initiatives d'optimisation. L'intégration permet d'obtenir un retour sur investissement par de multiples voies complémentaires : les avantages quantifiables de l'amélioration du débit et de l'utilisation des ressources grâce à la simulation, renforcés par l'accélération de l'alignement des parties prenantes et la réduction des coûts de reconception grâce à l'identification visuelle précoce des problèmes potentiels. Cette approche globale crée des jumeaux numériques qui génèrent une valeur mesurable à tous les stades de l'amélioration opérationnelle.
Caractéristiques principales
- Intégrer des agents d'intelligence artificielle pour capturer des logiques de décision complexes, simplifier les modèles et optimiser les processus opérationnels afin d'améliorer les performances de votre système.
- Exécuter des agents d'intelligence artificielle en cours d'exécution pour prendre des décisions optimisées en matière de sélection des ressources dans chaque modèle d'installation en fonction de l'état actuel.
- Exemple d'application dans le secteur de la fabrication : Prévoir avec précision les délais d'exécution des tâches sur toutes les lignes de production.
- Optimiser les décisions d'approvisionnement de la chaîne d'approvisionnement en utilisant les délais et les coûts de production prédits par l'IA pour chaque usine candidate, en tenant compte de la charge et de l'assortiment de produits à chaque poste de travail dans l'usine.
- Cette approche basée sur l'IA élimine la nécessité de supposer des délais statiques, d'utiliser des périodes artificielles et de s'appuyer sur des modèles de capacité approximatifs, tels qu'ils sont employés dans les systèmes traditionnels de planification générale.
- L'optimisation avec des réseaux neuronaux intégrés - plutôt qu'avec la logique de processus traditionnelle - dans les jumeaux numériques de Simio Process, réduira le temps nécessaire pour générer des solutions de planification et d'ordonnancement optimisées dans les déploiements opérationnels du monde réel.
- Testez et validez les performances et le comportement des algorithmes d'IA avant leur mise en œuvre dans un environnement virtuel sans risque.
- Ajustez facilement les performances des agents d'intelligence artificielle en évaluant différentes configurations d'apprentissage automatique et paramètres hyperparamétriques.
- Les jumeaux numériques de Simio Process, intégrés aux algorithmes d'apprentissage automatique, peuvent être utilisés pour des simulations et des expérimentations afin de concevoir et d'analyser des processus opérationnels. Les jumeaux numériques de Simio Process peuvent également être déployés dans des scénarios opérationnels réels pour garantir des solutions de planification et d'ordonnancement optimisées.
- Les modèles Simio Process Digital Twin peuvent créer des données propres, étiquetées et entièrement réalisables couvrant l'ensemble de l'espace de solution pour l'entraînement des agents d'intelligence artificielle.
- Les réseaux neuronaux intégrés et tiers peuvent être formés à l'aide de l'algorithme de formation par descente de gradient intégré à Simio.
- Les données de formation synthétiques peuvent être exportées vers des réseaux neuronaux tiers externes à des fins de formation. Les réseaux neuronaux formés peuvent ensuite être réimportés dans Simio pour être exécutés.
- Lorsque des changements interviennent dans les conditions opérationnelles - comme l'ajout de nouveaux équipements, l'introduction de nouveaux produits ou des changements dans les flux de processus - le modèle Simio Process Digital Twin peut être automatiquement mis à jour pour refléter ces changements, et de nouvelles données d'entraînement peuvent être automatiquement créées pour réentraîner les agents d'IA.
- Lorsque l'on travaille avec des jumeaux numériques de processus complexes qui impliquent de nombreuses entrées et sorties - telles que les données de base (entrée), les prévisions de ventes (entrée) et de multiples KPI (sortie) - l'utilisation de l'apprentissage automatique ou d'autres approches d'optimisation basées sur l'IA pour affiner les paramètres du système peut débloquer des améliorations plus importantes en termes d'efficacité opérationnelle et de rentabilité que la simulation seule.
- Simio offre un support robuste pour la mise à l'échelle de la puissance de calcul et de la mémoire afin de gérer efficacement l'augmentation des réplications/exécutions de scénarios, garantissant ainsi la confiance dans les solutions optimisées.
- En utilisant des langages de programmation tels que Python, des scripts peuvent être créés pour générer et exécuter automatiquement des réplications de modèles Simio Process Digital Twin dirigés par un algorithme ou une application d'optimisation de l'IA. Les résultats peuvent être renvoyés à l'optimiseur après chaque exécution pour influencer les réplications futures.
- Cette approche permet à l'apprentissage automatique et à d'autres algorithmes avancés d'interagir étroitement avec les jumeaux numériques de Simio Process, en combinant les forces de la simulation d'événements discrets et de l'optimisation de l'apprentissage automatique.
- Simio est conçu dès le départ pour supporter une intégration bidirectionnelle transparente des données et une automatisation rationalisée avec des applications tierces et des langages de programmation tels que Python, permettant un couplage étroit avec les jumeaux numériques de Simio Process pour créer rapidement et automatiquement de nouvelles données et de nouveaux scénarios.
- Cette méthodologie puissante prend en charge la conception du système, l'automatisation du flux de travail et l'optimisation continue du système.
- L'architecture de Simio permet aux développeurs web et aux data scientists de tirer pleinement parti de la technologie Process Digital Twin, ce qui permet de créer des scénarios de simulation et d'optimisation qui facilitent la prise de décision pour les parties prenantes dans l'ensemble de l'entreprise.
Formation et test des réseaux neuronaux
La formation d'un modèle de réseau neuronal, également appelé agent, intégré à un jumeau numérique Simio Process est un processus simple. Chaque simulation Simio utilise l'agent de réseau neuronal intégré pour l'inférence et garantit des performances optimales en générant automatiquement des données d'entraînement synthétiques pour contrôler et réentraîner le modèle.
- Les données d'entraînement synthétiques enregistrées et sauvegardées dans un référentiel d'entraînement sont utilisées par Simio pour entraîner un modèle de réseau neuronal feedforward ou peuvent être exportées pour entraîner un modèle de réseau neuronal externe développé dans une application tierce.
- Le formateur intégré de Simio est alimenté par TensorFlow, l'un des frameworks d'apprentissage profond les plus populaires et un moteur d'IA open-source de Google.
- Les fonctions d'entraînement avancées de TensorFlow sont entièrement intégrées à Simio, ce qui permet de créer un processus d'entraînement transparent sans avoir à importer ou à exporter des données vers des outils tiers.
La puissance de la simulation d'événements discrets et de l'IA
La combinaison de la simulation d'événements discrets et de l'IA pour relever des défis opérationnels complexes dans les environnements de fabrication et les chaînes d'approvisionnement est une application idéale pour cette technologie de pointe. La plateforme agile de Simio pour le développement de jumeaux numériques de processus adaptatifs intelligents fournit tous les outils nécessaires pour former, tester et intégrer des agents de réseaux neuronaux profonds dans les modèles Simio, ainsi que pour interagir de manière bidirectionnelle avec les algorithmes d'apprentissage automatique afin de renforcer l'intelligence du modèle, d'améliorer les résultats de l'optimisation et de réduire les temps d'exécution.
Communication bidirectionnelle en temps réel
La combinaison de la simulation d'événements discrets et de l'IA est particulièrement précieuse dans les applications de jumeaux numériques de processus impliquant la planification de la production. Les réseaux neuronaux peuvent être entraînés à prédire des indicateurs clés de performance (KPI) critiques, tels que l'évolution dynamique des délais de production pour une ligne de production unique ou une usine entière.
Applications de la gestion de la chaîne d'approvisionnement
La gestion de bout en bout de la chaîne d'approvisionnement est une autre application idéale pour les jumeaux numériques de processus, où les réseaux neuronaux peuvent être utilisés pour prendre des décisions critiques concernant l'approvisionnement des fournisseurs en prédisant les délais de production pour chaque fournisseur candidat et en sélectionnant le producteur le moins cher capable d'exécuter la commande dans les délais.
L'agilité des réseaux neuronaux
Les réseaux neuronaux apprennent comment les changements, les ressources secondaires, les règles commerciales et d'autres complexités de la production influent sur les prévisions des indicateurs clés de performance.
Éliminer les logiciels de planification de la production
Les décisions d'approvisionnement des usines basées sur l'IA et utilisant les jumeaux numériques de Simio Process pour les applications de la chaîne d'approvisionnement éliminent le besoin d'un logiciel de planification de la production principale.