1. Introduction
Ce document décrit le système de modélisation Simio qui fournit un cadre de modélisation de simulation basé sur des objets intelligents pour optimiser à la fois la conception et l'exploitation de systèmes complexes. Historiquement, les outils de simulation se sont concentrés sur la conception des systèmes, mais Simio a été conçu dès le départ en se concentrant à la fois sur la conception et l'exploitation des systèmes. Cela a nécessité un changement de paradigme dans la façon dont les modèles sont conçus et utilisés et a été la force motrice derrière l'architecture de modélisation unique de Simio.
Ces dernières années, le terme "jumeau numérique" est devenu populaire pour décrire l'utilisation d'un modèle de simulation connecté à des données en temps réel et utilisé dans un cadre opérationnel. Bien que de nombreux outils se positionnent comme des jumeaux numériques de processus, il y a des défis significatifs dans la mise en œuvre, et les outils de simulation existants ne sont pas conçus pour répondre à ces défis. Dans cet article, l'accent sera mis sur les caractéristiques uniques de Simio qui répondent à ces défis pour soutenir la création d'un jumeau numérique de processus adaptatif intelligent, comme le montre le graphique ci-dessous.
Figure 1: Le jumeau numérique du processus adaptatif intelligent de Simio
La figure suivante résume la distinction entre une ombre numérique, un modèle virtuel et un jumeau numérique. Dans le cas d'une ombre numérique, il n'y a pas de modèle de simulation du système, mais une collecte automatisée de données est en place et des analyses telles que la régression statistique ou l'IA peuvent être appliquées pour identifier des modèles et prédire des événements tels qu'une panne de machine, ce qui permet de traiter les problèmes avant qu'ils ne surviennent. Cela ne fonctionne que si le système ne subit pas de changements fondamentaux, car les données historiques sont utilisées pour prédire l'avenir. Dans le cas d'un modèle virtuel, on construit un modèle de simulation du système qui peut être alimenté manuellement avec des données représentatives et exécuté hors ligne. Cela facilite l'analyse des décisions de conception telles que l'achat de nouveaux équipements ou l'introduction d'un nouveau produit. Contrairement à l'ombre numérique, le modèle virtuel est tourné vers l'avenir et permet d'analyser l'impact des changements sur le système. C'est l'utilisation traditionnelle de la modélisation de simulation depuis des décennies. Dans le cas du jumeau numérique, le modèle de simulation est étendu aux opérations quotidiennes en connectant directement le modèle à l'état du système en temps réel. Cela permet à la simulation de se projeter dans le temps pour visualiser et résoudre les problèmes opérationnels du système réel, tels que les commandes en retard, avant qu'ils ne se produisent.
Figure 2: Scénarios de transformation numérique
Avec Simio, l'accent est mis sur l'utilisation d'un modèle de simulation comme modèle virtuel pour la conception du système, ainsi que sur l'extension de ce modèle pour fournir un processus Digital Twin. De nombreuses organisations mènent un programme de transformation numérique qui comprend à la fois des applications de conception traditionnelles utilisant un modèle virtuel, ainsi que l'utilisation opérationnelle du modèle dans la planification et l'ordonnancement. En fonction de la maturité numérique de l'organisation, les utilisateurs peuvent se trouver à différents stades du parcours de la transformation numérique, comme indiqué ci-dessous.
De nombreuses organisations utilisent efficacement un modèle virtuel pour prédire les performances et optimiser la conception des systèmes ; cependant, peu d'organisations ont pleinement maîtrisé la transition vers un jumeau numérique opérationnel qui optimise automatiquement les opérations quotidiennes. Même si l'objectif intermédiaire est d'utiliser un modèle virtuel pour des applications de simulation de conception traditionnelles, Simio fournit une plateforme riche pour construire et expérimenter des modèles de conception tout en positionnant les utilisateurs pour une expansion vers un jumeau numérique entièrement connecté à l'avenir. Simio est conçu pour prendre en charge l'ensemble du continuum conception-exploitation.
Figure 3: Le continuum numérique
Lorsque les utilisateurs passent du modèle virtuel pour la conception au jumeau numérique entièrement connecté pour l'utilisation opérationnelle, plusieurs défis majeurs doivent être relevés :
- Les modèles opérationnels nécessitent souvent une modélisation complexe des ressources, des matériaux et de la logique d'entreprise qui limite les flux de processus, faute de quoi les calendriers obtenus ne sont pas exploitables dans le système réel. Cela impose des exigences supplémentaires à la logique et à la flexibilité de la modélisation par rapport aux applications de conception traditionnelles.
- Le modèle doit être centré sur les données, c'est-à-dire que la structure du modèle et les données du modèle sont définies dans des sources de données externes. Les données doivent être facilement accessibles grâce à des connexions directes avec l'ERP, le MES, l'IoT, les services Web, etc. Les données du modèle doivent également être conservées en mémoire pour une exécution rapide.
- Les outils de simulation traditionnels fournissent des statistiques sommaires, mais les modèles opérationnels nécessitent des rapports détaillés qui retracent les tâches individuelles, les ressources, les matériaux, etc. et affichent les résultats dans des diagrammes de Gantt et des tableaux de bord accessibles sur le web, conçus sur mesure et adaptés aux différentes parties prenantes.
- De nombreux outils de simulation traditionnels sont conçus pour être utilisés sur un ordinateur de bureau, alors qu'un process Digital Twin peut être déployé dans toute l'entreprise sur un cloud privé ou public.
- La logique décisionnelle intégrée au modèle de simulation détermine les performances du système. Il est essentiel que l'outil de modélisation prenne en charge une logique décisionnelle avancée pouvant inclure des algorithmes d'apprentissage automatique pour la gestion du flux de travail et l'optimisation du calendrier.
- Un programme de production généré par Digital Twin doit utiliser des temps de traitement déterministes et éliminer les événements aléatoires tels que les pannes. Cependant, il en résulte un calendrier trop optimiste qui se dégrade généralement au fur et à mesure que des événements inattendus se produisent dans le système réel. Un mécanisme est donc nécessaire pour évaluer le risque d'un programme déterministe généré par un jumeau numérique en utilisant l'aléatoire dans l'évaluation du risque.
Bien que nombre de ces exigences fonctionnelles soient essentielles pour les applications de jumeaux numériques, elles sont également très utiles dans les applications de conception traditionnelles. Les sections suivantes décrivent l'approche unique de Simio pour relever ces défis clés.
2. Cadre objet pour la modélisation complexe
Simio est un cadre de modélisation de simulation basé sur des bibliothèques d'objets intelligents. Un modélisateur débutant peut préférer utiliser les objets préconstruits des bibliothèques de Simio ; cependant, le système est conçu pour permettre aux modélisateurs, même débutants, de construire facilement leurs propres objets intelligents à utiliser dans la construction de modèles hiérarchiques. Les modélisateurs peuvent créer des objets intelligents personnalisés et les réutiliser dans plusieurs projets de modélisation. Ces objets peuvent être stockés dans des bibliothèques et facilement partagés. La flexibilité et la facilité de création d'objets personnalisés sont essentielles pour construire des modèles de jumeaux numériques qui peuvent être rapidement adaptés à des applications complexes et constituent un avantage clé de Simio par rapport aux produits de simulation traditionnels.
Un objet Simio peut représenter une machine, un robot, un avion, un client, un médecin, un char d'assaut, un bus, un bateau ou tout autre élément susceptible d'être rencontré dans un système. Un modèle est construit en combinant des objets qui représentent les composants physiques du système. Un objet est animé en 3D pour refléter l'état changeant de l'objet. Par exemple, un chariot élévateur lève et abaisse son élévateur, un travailleur se rend à pied à un endroit ou transporte des articles entre deux endroits, et un robot ouvre et ferme sa pince. Le modèle 3D animé fournit une image animée du système en fonctionnement. Les fonctions 3D, SIG et VR détaillées de Simio (à l'aide du casque Oculus) fournissent une visualisation puissante du processus afin de valider le comportement du modèle et de présenter ses capacités.
Figure 4: Vue de l'animation du jumeau numérique de Simio
Les objets dans Simio sont construits en utilisant des concepts orientés objet. Cependant, contrairement à d'autres systèmes de simulation orientés objet, le processus de construction d'un objet dans Simio est simple et entièrement graphique. Il n'est pas nécessaire d'écrire un code de programmation pour créer de nouveaux objets. L'activité de construction d'un objet dans Simio est identique à l'activité de construction d'un modèle - en fait, il n'y a pas de différence entre un objet et un modèle. Ce concept, appelé principe d'équivalence, est au cœur de la conception de Simio. Chaque fois qu'un utilisateur construit un modèle, il s'agit d'un objet qui peut être instancié dans un autre modèle. Par exemple, si deux machines et un robot sont combinés en un modèle de cellule de travail, le modèle de cellule de travail est lui-même un objet qui peut être placé autant de fois que nécessaire dans d'autres modèles. La cellule de travail est un objet au même titre que les machines et les robots. Chaque modèle construit dans Simio est automatiquement un bloc de construction qui peut être utilisé pour construire des modèles de niveau supérieur.
Le cadre objet de Simio est construit sur les mêmes principes de base que les langages de programmation orientés objet (POO) ; cependant, ces principes sont appliqués dans un cadre de modélisation, et non de programmation. Simio n'est pas simplement un ensemble de classes disponibles dans un langage OOP, tel que Java ou C++, qui sont utiles pour construire des modèles de simulation. Simio est un cadre de modélisation graphique sans code, conçu autour des principes de base de l'orientation objet, pour soutenir la construction de modèles de simulation. Par exemple, lorsqu'un objet tel qu'une "machine" est créé dans Simio, le principe d'héritage permet la création d'une nouvelle classe de machines qui hérite du comportement de base d'une "machine", mais ce comportement peut être modifié (surchargé) et étendu. Alors que dans un langage de programmation, le comportement peut être étendu ou modifié par l'écriture de méthodes, dans Simio, le comportement des objets est modifié par l'ajout et/ou la modification de modèles de processus définis graphiquement. Avec Simio, les compétences requises pour définir et ajouter de nouveaux objets au système sont des compétences de modélisation et non de programmation.
Le cadre de modélisation orienté objet de Simio permet de créer facilement des modèles d'application qui lancent la création de modèles. Un modèle est une bibliothèque d'objets personnalisés avec des schémas de données et des rapports personnalisés qui se concentrent sur un domaine d'application spécifique. Simio fournit des modèles pour la modélisation des processus de fabrication par lots et discrets et des entrepôts. Les utilisateurs peuvent développer ces objets et/ou créer leurs propres objets et modèles pour une utilisation au sein de leur entreprise.
L'ensemble des fonctions de modélisation de Simio pour définir le comportement des objets, ainsi que la conception graphique orientée objet de Simio, sont essentiels pour faciliter la création d'objets personnalisés destinés à des applications spécifiques. Simio dispose de fonctions de modélisation avancées pour capturer des ressources complexes, ainsi que des contraintes matérielles et logiques dans des systèmes de production, d'entreposage et de livraison typiques. Par exemple, tout délai de traitement peut être directement modélisé comme un réseau d'action de tâches parallèles et/ou séquentielles, chacune nécessitant son propre ensemble de matériaux et de ressources. Chaque tâche du réseau d'action peut également avoir un temps de traitement dépendant de la séquence, basé sur de multiples attributs tels que la couleur, la taille, etc. et les temps de traitement peuvent être ajustés en fonction des courbes d'apprentissage des travailleurs affectés à la tâche. De même, les mouvements de véhicules au sein d'un entrepôt peuvent utiliser les fonctions de gestion de flotte de Simio pour planifier automatiquement les déplacements et éviter les blocages sur les trajets bidirectionnels à travers le réseau de transport.
Une nouvelle capacité de modélisation importante récemment ajoutée à Simio comprend des fonctionnalités permettant de mettre en œuvre la planification des besoins en matériel en fonction de la demande (DDMRP) pour le réapprovisionnement des stocks. Utilisant les principes établis par le Demand Driven Institute pour optimiser la production, cette méthodologie est importante pour modéliser le placement optimal des stocks à la fois au sein de l'usine et à travers la chaîne d'approvisionnement. Simio est le seul produit de simulation Digital Twin certifié comme logiciel conforme par le Demand Driven Institute.
3. Conception centrée sur les données
Dans le passé, les modèles de simulation étaient construits en glissant et déposant des objets dans un modèle, puis en remplissant directement les objets avec des données. Par exemple, un modèle simple dans Simio peut être construit en plaçant graphiquement une source, un serveur et un puits dans la vue Facility du modèle, et en entrant le temps d'interarrivée de la source et le temps de traitement du serveur. En quelques clics de souris et quelques frappes de touches, un modèle de fonctionnement d'un système de serveur simple est construit. Une approche similaire est utilisée par de nombreux produits de simulation.
Bien que cette approche de la modélisation convienne aux modèles simples, le cadre centré sur les données de Simio offre une option supérieure pour les modèles de grande taille. Avec des modèles plus étendus, il est préférable d'utiliser des tables de données pour définir les objets placés dans le modèle. Par la suite, Simio peut générer automatiquement le modèle sur la base de la description des données fournies. Les tables de données spécifient les objets à incorporer dans le modèle, ainsi que leurs valeurs de données associées. Cette approche est particulièrement utile dans les applications où plusieurs installations similaires sont modélisées, permettant à chaque modèle d'être défini et géré par des tables de données. Il est à noter que cela transforme le problème d'une activité de construction de modèle en une activité de configuration de modèle. Une nouvelle machine peut être ajoutée à un modèle en ajoutant simplement une nouvelle ligne de données à la table de données appropriée.
Le terme "généré par les données" est utilisé pour désigner les modèles créés automatiquement à partir d'un ensemble de données. Un modèle peut être piloté par les données mais construit manuellement par glisser-déposer, ou il peut être à la fois généré et piloté par les données.
Dans de nombreux cas, les données qui alimentent un modèle sont relationnelles, c'est-à-dire qu'une ligne d'une table correspond à plusieurs lignes d'autres tables. Par exemple, une table de commandes clients peut correspondre à plusieurs lignes définissant les produits qui composent la commande client. Simio supporte entièrement les tables de données relationnelles avec des colonnes clés et des références de clés étrangères. Les ensembles de données dans Simio ont un schéma totalement flexible et peuvent être entièrement configurés par le modélisateur. Les utilisateurs peuvent ajouter/supprimer/modifier des colonnes, des clés et des références de clés étrangères. Les colonnes d'une table sont fortement typées et comprennent des valeurs numériques et non numériques.
L'approche de la modélisation générée et pilotée par les données est particulièrement efficace lorsqu'elle est utilisée en combinaison avec une bibliothèque d'applications personnalisée, qui contient des tables de données et des objets prédéfinis axés sur l'application spécifique, ainsi que des mappages de données permettant de se connecter aux colonnes de table appropriées qui fournissent les données pertinentes pour l'objet. Un modélisateur compétent peut créer un modèle spécifique à l'application qui sera ensuite utilisé par d'autres pour créer et maintenir automatiquement leurs modèles à l'aide de données. C'est l'une des raisons pour lesquelles l'approche graphique de Simio pour les définitions d'objets (pas de programmation) est importante pour la mise en œuvre réussie de modèles générés et pilotés par les données.
Un autre aspect clé du cadre centré sur les données de Simio est le mappage des tables de données relationnelles aux objets de modélisation de Simio. Simio fournit un groupe de répétition hiérarchique de propriétés d'objets qui peuvent être directement mappées à des tables de données relationnelles. Ce concept unique et fondamental de Simio facilite la mise en correspondance des propriétés du modèle avec les données requises.
Comme les données utilisées pour générer ou piloter un modèle se trouvent généralement dans des systèmes tiers tels que ERP, MES, IoT, Excel, CSV ou Web Services, Simio fournit des connecteurs directs pour l'importation et l'exportation vers ces sources de données courantes. De plus, Simio fournit un cadre pour le développement de nouveaux connecteurs de données. Ces connecteurs de données sont utilisés pour extraire des données de diverses sources de données et les intégrer dans les ensembles de données relationnelles en mémoire de Simio pour un accès rapide par le modèle. L'utilisation de l'ensemble de données relationnelles en mémoire de Simio est essentielle pour permettre une exécution et une maintenance rapides du modèle de jumeau numérique.
4. Expérimentation, optimisation et rapports
L'objectif d'un modèle de simulation est de prédire les performances d'un système nouveau ou existant. Dans le cas des applications de conception, on évalue souvent les changements proposés pour un système existant ou les options de conception d'un nouveau système qui n'existe pas encore. Dans le cas d'un jumeau numérique de processus opérationnel, l'utilisateur peut être intéressé par la prédiction des performances opérationnelles ou, dans le cas d'un programme de production, par la prescription ou l'orchestration d'actions à entreprendre dans le système réel.
Le cadre de Simio Digital Twin fait la distinction entre le concept d'une simulation avec des processus aléatoires et des événements aléatoires activés, et un plan d'exécution où les durées sont assignées à leur valeur attendue et où tous les événements aléatoires sont désactivés. Un plan d'exécution est donc déterministe et reproductible, alors qu'une simulation produit des résultats différents pour chaque réplication du modèle. Une simulation ou un plan d'exécution peut également être exécuté en temps réel pour soutenir l'intégration et l'orchestration en temps réel d'un système externe.
Les fonctions d'expérimentation et de reporting de Simio permettent de définir des scénarios spécifiques pour exécuter des simulations, puis de comparer les résultats entre les scénarios. Chaque scénario définit la valeur d'une ou plusieurs entrées modifiables (comme la taille de la mémoire tampon devant chaque poste de travail) et d'une ou plusieurs variables de réponse (par exemple, le temps moyen d'exécution d'une commande). Simio fournit également l'optimiseur OptQuest qui variera automatiquement les entrées du scénario pour minimiser ou maximiser une fonction objective spécifiée. L'expérimentation peut être réalisée dans le cadre de la conception du système, ou hors ligne dans le cadre de l'exploitation du système. La figure suivante montre une expérience comparant des scénarios à l'aide de diagrammes SMORE, qui représentent graphiquement la moyenne, l'intervalle de confiance pour la moyenne, les valeurs des percentiles supérieurs et inférieurs, et la plage de chaque variable de réponse.
Figure 5: Résultats de l'expérience - Graphiques SMORE
Dans le cas d'applications de conception, des statistiques sommaires sont fournies, telles que la production quotidienne moyenne ou le temps d'attente moyen/maximum des clients visitant une clinique. Simio fournit un ensemble riche de fonctionnalités pour l'enregistrement et l'affichage de statistiques sommaires sur les performances du système, y compris les intervalles de confiance et les procédures automatisées de classement et de sélection.
Dans le cas d'opérations avec un processus Digital Twin, les utilisateurs sont généralement intéressés par les résultats détaillés pour des éléments individuels tels qu'un ordre de production, une machine ou un travailleur. C'est pourquoi, en plus des statistiques récapitulatives, Simio enregistre également des informations détaillées dans des journaux de données qui peuvent ensuite être utilisés dans la génération de rapports. Par exemple, les changements qui se produisent pour chaque article ainsi que les travaux qui sont traités sur chaque ressource sont enregistrés et peuvent être utilisés dans des rapports et des tableaux de bord personnalisés.
Les résultats de Simio peuvent être affichés dans différents formats internes et exportés vers des outils de reporting externes tels que Tableau, Power BI et Excel. Les tableaux de bord personnalisables de Simio constituent un format interne puissant qui peut être visualisé à la fois sur un ordinateur de bureau et dans un navigateur Web à l'aide du portail de Simio. Voici un exemple de tableau de bord Simio.
Figure 6: Exemple de tableau de bord des résultats dynamiques
Dans le cas des applications de planification et d'ordonnancement de la production, Simio propose deux affichages différents de type diagramme de Gantt qui sont particulièrement utiles. Le premier est un Gantt des ressources qui affiche l'état des ressources le long d'une ligne de temps pour chaque ressource activée. Chaque ligne du Gantt des ressources peut être développée pour afficher chaque entité/ordre en cours de traitement sur cette ressource. Le diagramme de Gantt des entités montre chaque entité/ordre actif dans le système affiché sur chaque ressource qu'il utilise pendant le traitement.
Le diagramme de Gantt des entités présente également des mesures de risque pour chaque travail, basées sur des réplications stochastiques du calendrier, en termes de probabilité que la commande soit expédiée à temps compte tenu de la variabilité sous-jacente du système. Chaque ligne du diagramme de Gantt des entités peut être développée pour afficher graphiquement toutes les contraintes qui ont retardé l'entité, par exemple des opérateurs occupés, des matériaux indisponibles ou d'autres contraintes, ce qui permet d'analyser les causes profondes des travaux en retard. Voici un exemple de Gantt d'entité.
Figure 7: Exemple de diagramme de Gantt montrant des tâches détaillées
Simio permet de basculer facilement entre les Gantt de ressources et les Gantt d'entités. Un clic droit sur n'importe quelle entité/ressource du diagramme de Gantt permet d'aller jusqu'à ce point dans le temps simulé dans l'animation 3D du système, en passant à l'animation graphique de l'état du système à ce point du planning.
5. Logique de décision intelligente
Au fur et à mesure que les modèles de simulation passent des applications de conception prédictive aux jumeaux numériques opérationnels prescriptifs, la logique de décision précise dans le modèle devient plus critique car elle détermine la performance du modèle, et donc du système réel. Bien qu'une logique de décision personnalisée puisse produire de bons résultats, l'utilisation de réseaux neuronaux est l'étalon-or car ils peuvent prendre en compte beaucoup plus d'entrées et d'interactions complexes pour mieux optimiser les performances du système.
Avec Simio, la logique décisionnelle des modèles complexes peut être remplacée par des réseaux neuronaux auto-entraînés. Les réseaux neuronaux fournissent une logique de décision complexe dans le modèle et, en retour, le modèle génère les données synthétiques nécessaires à l'entraînement des réseaux neuronaux. Les utilisateurs peuvent ainsi simplifier la logique décisionnelle du modèle, ce qui rend les modèles plus faciles à construire, à comprendre, à déboguer et à entretenir. Avec les réseaux neuronaux, l'accent peut être mis sur la modélisation des composants du système, tout en permettant aux réseaux neuronaux d'apprendre les relations complexes afin d'optimiser la prise de décision au sein du modèle.
Simio est le premier et le seul logiciel de simulation d'événements discrets à offrir des fonctions d'IA complètes pour la création et la formation automatique de réseaux neuronaux dans un modèle, sans nécessiter de programmation ni d'intégration avec des outils tiers externes.
L'un des principaux défis de l'IA est de disposer des données d'entraînement étiquetées nécessaires, ce qui entraîne l'échec de nombreuses applications d'IA. Les données d'entraînement étiquetées ne sont jamais disponibles lors de l'évaluation d'un nouveau système et même dans le cas d'installations existantes, toutes les données enregistrées deviennent invalides dès qu'une nouvelle pièce ou un changement de flux est introduit dans le système. C'est pourquoi l'autoétiquetage intégré de Simio pour la création de données d'entraînement synthétiques est essentiel au succès d'une application de modélisation intelligente.
Simio fournit également des algorithmes d'entraînement intégrés pour l'entraînement des réseaux neuronaux à l'aide de données synthétiques générées par un modèle. Simio constitue donc une solution complète pour l'intégration de réseaux neuronaux dans les modèles de simulation.
Les fonctions d'IA de Simio sont particulièrement utiles dans les applications de jumeaux numériques de planification de la production, où le réseau neuronal peut être entraîné à prédire des indicateurs clés de performance critiques, tels que le délai de production à évolution dynamique pour une usine ou une ligne de production au sein d'une usine. Le réseau neuronal apprend l'impact des changements, des ressources secondaires, des règles commerciales et d'autres complexités de production qui ont une incidence sur la prédiction des indicateurs clés de performance. Le jumeau numérique intelligent peut saisir des relations complexes qu'il serait autrement impossible d'inclure dans un modèle. Les prédictions des ICP du réseau neuronal peuvent alors être utilisées pour mieux optimiser les décisions au sein de l'usine et de la chaîne d'approvisionnement. Au sein de la chaîne d'approvisionnement, le réseau neuronal peut être utilisé pour la décision critique d'approvisionnement en prévoyant le délai de production pour chaque fournisseur candidat et en sélectionnant le producteur le moins cher qui peut exécuter la commande dans les délais. Le jumelage numérique élimine le besoin d'un logiciel de planification de la production qui utilise un modèle de capacité grossière mais ignore les contraintes de production telles que les changements de production, suppose des délais de production fixes quelle que soit la charge de l'usine, et planifie en tranches de temps artificielles à l'aide d'un algorithme heuristique. Il en résulte des planifications approximatives et non exploitables qui nécessitent de nombreuses heures de travail informatique et ne s'alignent pas sur les plannings détaillés de l'usine.
Les fonctions d'IA intégrées de Simio permettent de définir, d'entraîner et d'utiliser le réseau neuronal de régression classique. Cependant, les utilisateurs ne sont pas limités à cet algorithme d'apprentissage automatique puisque n'importe quel modèle de régression d'apprentissage automatique provenant de plus de 50 tiers, y compris Google et Microsoft, qui prennent en charge le format d'échange de modèles ONNX, peut être importé et utilisé dans Simio. Les utilisateurs peuvent construire et former des modèles dans des outils tiers, puis les importer dans Simio pour une prise de décision complexe au sein d'un modèle.
Figure 8: Utilisation de modèles ONNX tiers
6. Déploiement en entreprise
Les applications de conception de simulations ont traditionnellement été déployées sur le poste de travail. Bien que l'environnement de bureau offre une interface utilisateur généralement plus riche pour la phase de construction du modèle d'un projet, le déploiement d'applications d'entreprise avec plusieurs utilisateurs simultanés ayant des rôles différents et des autorisations de données nécessite un environnement plus sécurisé/robuste. Bien que l'environnement de bureau Simio reste la meilleure option pour le développement de modèles, le portail Simio offre une meilleure solution pour l'expérimentation, l'exécution et la visualisation des résultats et des plans opérationnels.
Le portail Simio démocratise la simulation et la planification des résultats sur le web pour les utilisateurs de toute l'entreprise. Les modélisateurs peuvent gérer les utilisateurs et leur attribuer des rôles qui limitent leur accès aux modèles et aux données. Simio Portal peut être hébergé dans un centre de données sur site, ou dans un locataire Azure, AWS ou Google, ce qui permet aux utilisateurs de créer et d'exécuter des expériences de simulation et des plans de planification avec une rapidité inégalée. Les modèles peuvent être construits à l'aide de Simio desktop, puis déployés de manière transparente sur Simio Portal.
Figure 9: Déploiement de Simio Cloud
7. Résumé
Simio fournit un cadre de modélisation de simulation basé sur des objets intelligents pour optimiser à la fois la conception et l'exploitation de systèmes complexes. Les principales caractéristiques de Simio qui soutiennent le continuum de la conception à l'exploitation comprennent l'architecture de modélisation orientée objet sans code, le cadre centré sur les données pour prendre en charge les modèles pilotés et générés par les données, les fonctions d'expérimentation et de reporting de simulation et de planification, les réseaux neuronaux pour optimiser les décisions, et les options de déploiement d'entreprise pour l'expérimentation et la planification sur les clouds privés et publics. Simio fournit une plateforme de simulation complète pour un parcours de transformation numérique complet.