A aplicação da IA se expandiu dos ambientes de pesquisa para o mundo real. A modelagem de simulação facilita essa expansão, fornecendo ambientes de apoio para aproveitar as promessas da IA. A combinação de IA e simulação oferece às empresas de todo o setor industrial diversas oportunidades de avaliar processos para obter o insight orientado por dados necessário para uma tomada de decisão precisa.
A IA inclui subconjuntos como aprendizado de máquina (ML), aprendizado profundo (DL) e redes neurais. De acordo com as definições, inteligência artificial é o processo envolvido na criação de máquinas e sistemas de computador capazes de simular a inteligência humana. O aprendizado de máquina fornece insights sobre as diversas maneiras pelas quais essas máquinas ou sistemas podem ser ensinados a melhorar o desempenho por meio de experiências, e as redes neurais descrevem os vínculos entre a análise de experiências e a tomada de decisões.
A simulação inteligente baseada em objetos refere-se à criação de objetos que pensam usando a lógica de decisão. Por exemplo, o Simio usa objetos inteligentes incorporados à lógica de decisão para selecionar trabalhos ou recursos. Assim, o objeto exibe um comportamento inteligente capaz de prever desempenhos futuros. No contexto da IA na simulação, o uso de objetos inteligentes destaca a integração da IA baseada em regras nos modelos de simulação.
Em geral, os desafios do mundo real são mais complexos do que a seleção de um trabalho ou de recursos. Por exemplo, considere a tomada de decisão que envolve a seleção entre duas linhas em uma fábrica para concluir rapidamente um pedido. Essas duas linhas consistem em uma dúzia de estações de trabalho, o que significa que fatores como o status das estações de trabalho posteriores e a configuração da estação de trabalho são fatores críticos que afetam o tempo de conclusão de uma linha. A escolha da linha que garante um tempo de conclusão mais rápido envolverá a aplicação de uma lógica complexa baseada em regras em um modelo.
A construção manual da lógica complexa baseada em regras é uma tarefa demorada e o nível de proficiência do criador também determinará o desempenho da regra. A IA, com ênfase especial na aplicação de redes neurais, contorna o processo de construção manual. A adição de uma rede neural ao modelo de simulação automatiza a criação da lógica complexa baseada em regras sem o envolvimento humano. Além disso, o treinamento da rede neural usando dados de simulação capacita o modelo a escolher a linha com melhor desempenho. O treinamento contínuo também prepara o modelo para aplicar a lógica e responder a outras perguntas complexas para otimizar a produtividade.
A simulação pode avaliar o desempenho de algoritmos de IA e ML. Nesse cenário, um modelo de simulação compara o impacto das decisões de um algoritmo com dados históricos de desempenho coletados de um sistema do mundo real. Os resultados da avaliação fornecem a base necessária para treinar o algoritmo e aprimorar seus recursos de tomada de decisão.
Casos de uso reais de simulação que possibilitam a IA
A aplicação teórica da simulação baseada em objetos inteligentes ou da simulação assistida por IA destaca as possibilidades de otimização de sistemas com IA. No entanto, os aplicativos do mundo real esclarecem melhor os cenários de aplicação e os benefícios acumulados.
Aprendizado por reforço profundo – O exemplo do AlphaGo
O AlphaGo é considerado um jogo clássico, com uma infinidade de maneiras de chegar a uma conclusão. É um jogo complexo, e os jogadores precisam aplicar pensamento criativo e estratégico para vencer. As estimativas mostram que há mais técnicas de conclusão de um único jogo do que átomos no universo. Assim, os jogadores profissionais aprimoram suas habilidades aprendendo vários padrões de jogo ao longo de décadas de jogo contínuo.
Para mostrar os avanços em IA, o Google desenvolveu o sistema DeepMind AlphaGo. As redes neurais do sistema foram treinadas em um modelo de simulação. O processo de treinamento envolveu o uso de dados sintéticos de toda a biblioteca on-line de Go e o AlphaGo também aprendeu com suas experiências de jogo. Em 2016, o AlphaGo jogou 5 jogos contra Lee Sedol, o campeão mundial de Go, e venceu quatro dos cinco jogos.
De acordo com Lee Sedol, “o AlphaGo aplicou estratégias que nenhum jogador humano de Go teria feito, e o jogo da IA melhorou e se adaptou a movimentos criativos à medida que os jogos prosseguiam”. A IA conseguiu lidar com situações complicadas em movimento, o que destaca sua capacidade de aprender e tomar decisões otimizadas em tempo real.
Avaliação do impacto da IA no sistema de aplicativos de benefícios
A agência federal de administração de benefícios é responsável pela adjudicação de recursos de saúde, alimentação e benefícios financeiros para o público. As ineficiências no processo de adjudicação de benefícios afetam negativamente os membros vulneráveis do público, destacando, assim, a necessidade de otimizar o processo de administração.
O uso de simulação de eventos discretos ajudou a reduzir os tempos de espera no setor de saúde e a compartilhar recursos entre diversos centros de benefícios. No entanto, a integração da IA pode introduzir a tomada de decisões em tempo real e resolver problemas operacionais complexos relacionados ao gerenciamento de benefícios.
Para entender o impacto das soluções de IA, foi desenvolvido um gêmeo digital do sistema de aplicativos de benefícios. O gêmeo digital forneceu um ambiente virtual para testar tecnologias de IA para determinar o impacto da introdução de soluções de IA no sistema de aplicativos de benefícios. Estudar o impacto das tecnologias de IA antes de introduzi-las no sistema reduz o desperdício de recursos e simplifica o processo de implementação.
Os exemplos acima mostram que estamos no ponto em que a IA pode superar as capacidades humanas de resolução de problemas e trabalhar com simulação para fornecer soluções para problemas operacionais. A compatibilidade dos dois campos fornece às empresas de todo o setor industrial as ferramentas para otimizar a produtividade e melhorar a tomada de decisões.