L’application de l’IA a dépassé le cadre de la recherche pour entrer dans le monde réel. La modélisation de simulation facilite cette expansion en fournissant des environnements propices à l’exploitation des promesses de l’IA. La combinaison de l’IA et de la simulation offre aux entreprises du secteur industriel diverses possibilités d’évaluer les processus afin d’obtenir les informations fondées sur des données nécessaires à une prise de décision précise.
L’IA comprend des sous-ensembles tels que l’apprentissage machine (ML), l’apprentissage profond (DL) et les réseaux neuronaux. Selon les définitions, l’intelligence artificielle est le processus de construction de machines et de systèmes informatiques capables de simuler l’intelligence humaine. L’apprentissage automatique donne un aperçu des diverses façons dont ces machines ou systèmes peuvent être enseignés pour améliorer les performances par le biais d’expériences et les réseaux neuronaux décrivent les liens entre l’analyse des expériences et la prise de décision.
La simulation basée sur des objets intelligents fait référence à la création d’objets qui pensent à l’aide de la logique de décision. Par exemple, Simio utilise des objets intelligents dotés d’une logique de décision pour sélectionner des tâches ou des ressources. Ainsi, l’objet présente un comportement intelligent capable de prédire les performances futures. Dans le contexte de l’IA dans la simulation, l’utilisation d’objets intelligents met en évidence l’intégration de l’IA basée sur des règles dans les modèles de simulation.
En général, les défis du monde réel sont plus complexes que la sélection d’un travail ou de ressources. Par exemple, considérez la prise de décision qui consiste à choisir entre deux lignes dans une usine pour compléter rapidement une commande. Ces deux lignes se composent d’une douzaine de postes de travail, ce qui signifie que des facteurs tels que l’état des postes de travail en aval et la configuration des postes de travail sont des facteurs critiques qui ont un impact sur le temps d’achèvement d’une ligne. Le choix de la ligne qui garantit un temps d’exécution plus rapide implique l’application d’une logique complexe basée sur des règles au sein d’un modèle.
La construction manuelle d’une logique complexe basée sur des règles est une tâche qui prend du temps et le niveau de compétence du créateur déterminera également la performance de la règle. L’IA, avec un accent particulier sur l’application des réseaux neuronaux, permet de contourner le processus de construction manuelle. L’ajout d’un réseau neuronal au modèle de simulation automatise la construction de la logique complexe basée sur des règles, sans intervention humaine. En outre, l’entraînement du réseau neuronal à l’aide de données de simulation permet au modèle de choisir la ligne la plus performante. La formation continue prépare également le modèle à appliquer la logique pour répondre à d’autres questions complexes afin d’optimiser la productivité.
La simulation permet d’évaluer les performances des algorithmes d’IA et de ML. Dans ce scénario, un modèle de simulation compare l’impact des décisions d’un algorithme aux données historiques de performance collectées à partir d’un système réel. Les résultats de l’évaluation fournissent la base nécessaire pour former l’algorithme et améliorer ses capacités de prise de décision.
Cas d’utilisation dans le monde réel de la simulation au service de l’IA
Les applications théoriques de la simulation basée sur des objets intelligents ou de la simulation assistée par l’IA mettent en évidence les possibilités d’optimisation des systèmes grâce à l’IA. Toutefois, les applications réelles permettent de mieux comprendre les scénarios d’application et les avantages qui en découlent.
Apprentissage par renforcement profond – L’exemple d’AlphaGo
AlphaGo est considéré comme un jeu classique avec une myriade de façons de le jouer jusqu’à la conclusion. Il s’agit d’un jeu complexe et les joueurs doivent faire preuve de créativité et de stratégie pour gagner. On estime qu’il existe plus de techniques pour conclure un jeu qu’il n’y a d’atomes dans l’univers. C’est pourquoi les joueurs professionnels affinent leurs compétences en apprenant de multiples schémas de jeu au cours de décennies de jeu continu.
Pour illustrer les progrès de l’IA, Google a mis au point le système DeepMind AlphaGo. Les réseaux neuronaux du système ont été entraînés dans un modèle de simulation. Le processus d’entraînement a consisté à utiliser des données synthétiques provenant de l’ensemble de la bibliothèque en ligne du jeu de Go, et AlphaGo a également appris de ses expériences de jeu. En 2016, AlphaGo a joué cinq parties contre Lee Sedol, le champion du monde de go, et a remporté quatre des cinq parties.
Selon Lee Sedol, « AlphaGo a appliqué des stratégies qu’aucun joueur de go humain n’aurait adoptées et le jeu de l’IA s’est amélioré et s’est adapté à des mouvements créatifs au fil des parties ». L’IA a réussi à naviguer dans des situations délicates, ce qui met en évidence sa capacité à apprendre et à prendre des décisions optimisées en temps réel.
Évaluer l’impact de l’IA sur le système de demande de prestations
L’agence fédérale de gestion des prestations est responsable de l’attribution des ressources en matière de soins de santé, d’alimentation et de prestations financières au public. Les inefficacités de la procédure d’attribution des prestations ont un impact négatif sur les membres vulnérables du public, ce qui souligne la nécessité d’optimiser la procédure d’administration.
L’utilisation de la simulation d’événements discrets a contribué à réduire les temps d’attente dans les soins de santé et à partager les ressources entre les différents centres de prestations. Cependant, l’intégration de l’IA peut introduire la prise de décision en temps réel et résoudre des problèmes opérationnels complexes liés à la gestion des prestations.
Pour comprendre l’impact des solutions d’IA, un jumeau numérique du système de demande de prestations a été développé. Le jumeau numérique a fourni un environnement virtuel pour tester les technologies d’IA afin de déterminer l’impact de l’introduction de solutions d’IA dans le système de demande de prestations. Étudier l’impact des technologies d’IA avant de les introduire dans le système réduit le gaspillage des ressources et simplifie le processus de mise en œuvre.
Les exemples ci-dessus montrent que nous sommes au point où l’IA peut dépasser les capacités humaines de résolution de problèmes et travailler avec la simulation pour fournir des solutions aux problèmes opérationnels. La compatibilité de ces deux domaines fournit aux entreprises du secteur industriel les outils nécessaires pour optimiser la productivité et améliorer la prise de décision.