1. Introducción
Este artículo describe el sistema de modelado Simio, que proporciona un marco de modelado de simulación basado en objetos inteligentes para optimizar tanto el diseño como el funcionamiento de sistemas complejos. Históricamente, las herramientas de simulación se han centrado en el diseño de sistemas. Sin embargo, Simio se diseñó desde cero centrándose tanto en el diseño como en el funcionamiento de los sistemas. Esto requirió un cambio de paradigma en la forma de diseñar y utilizar los modelos y fue la fuerza impulsora de la arquitectura de modelado única de Simio.
En los últimos años, el término "gemelo digital" se ha popularizado para describir el uso de un modelo de simulación conectado a datos en tiempo real y empleado en un entorno operativo. Aunque muchas herramientas se posicionan a sí mismas como un Gemelo Digital de proceso, existen importantes retos en la implementación, y las herramientas de simulación heredadas no están diseñadas para abordar estos retos. En este artículo nos centraremos en las características únicas de Simio que abordan estos retos para apoyar la creación de un Gemelo Digital de Proceso Adaptativo Inteligente, como se muestra en el siguiente gráfico.
Figura 1: El Gemelo Digital de Proceso Adaptativo Inteligente de Simio
La siguiente figura resume la distinción entre una Sombra Digital, un Modelo Virtual y un Gemelo Digital. En el caso de una Sombra Digital, no existe un modelo de simulación del sistema, pero sí una recopilación de datos automatizada y se pueden aplicar análisis como la regresión estadística o la IA para identificar patrones y predecir eventos como la avería de una máquina, lo que permite abordar los problemas antes de que se produzcan. Esto sólo funciona cuando no hay cambios fundamentales en el sistema, ya que los datos históricos se utilizan para predecir el futuro. En el caso de un modelo virtual, se construye un modelo de simulación del sistema que puede alimentarse manualmente con datos representativos y ejecutarse fuera de línea. Esto facilita el análisis de las decisiones de diseño, como la compra de nuevos equipos o la introducción de un nuevo producto. A diferencia de la Sombra Digital, el Modelo Virtual es prospectivo y permite analizar el impacto de los cambios en el sistema. Este ha sido el uso tradicional del modelado de simulación durante décadas. En el caso del Gemelo Digital, el modelo de simulación se extiende a las operaciones diarias conectando directamente el modelo con el estado del sistema en tiempo real. Esto permite que la simulación mire hacia adelante en el tiempo para visualizar y solucionar problemas operativos en el sistema real, como pedidos tardíos, antes de que se produzcan.
Figura 2: Escenarios de transformación digital
Con Simio, la atención se centra en el uso de un modelo de simulación como Modelo Virtual para el diseño de sistemas, así como en la ampliación de dicho modelo para proporcionar un Gemelo Digital de procesos. Muchas organizaciones están impulsando una agenda de transformación digital que incluye tanto aplicaciones de diseño tradicionales que utilizan un Modelo Virtual, como el uso operativo del modelo en la planificación y programación. Dependiendo de la madurez digital de la organización, los usuarios pueden estar en diferentes puntos a lo largo del viaje de transformación digital como se muestra a continuación.
Muchas organizaciones están haciendo un uso eficaz de un Modelo Virtual para predecir el rendimiento y optimizar el diseño del sistema; sin embargo, pocas organizaciones han dominado completamente la transición a un Gemelo Digital operativo que optimice automáticamente las operaciones diarias. Incluso si el objetivo intermedio es utilizar un Modelo Virtual para aplicaciones de simulación de diseño tradicionales, Simio proporciona una rica plataforma para construir y experimentar con modelos de diseño, a la vez que posiciona a los usuarios para la expansión hacia un Gemelo Digital totalmente conectado en el futuro. Simio está diseñado para soportar todo el continuo diseño-operación.
Figura 3: El continuo digital
A medida que los usuarios pasan del Modelo Virtual para el diseño al Gemelo Digital totalmente conectado para el uso operativo, hay varios retos clave que deben abordarse:
- Los modelos operativos suelen requerir un modelado complejo de recursos, materiales y lógica empresarial que limitan los flujos de procesos; de lo contrario, los programas resultantes no se pueden aplicar en el sistema real. Esto plantea exigencias adicionales a la lógica de modelado y a la flexibilidad en comparación con las aplicaciones de diseño tradicionales.
- El modelo debe estar centrado en los datos, de modo que tanto la estructura del modelo como los datos que lo componen se definan en fuentes de datos externas. Se debe poder acceder fácilmente a los datos con conexiones directas al ERP, MES, IoT, servicios web, etc. Los datos del modelo también deben mantenerse en memoria para una ejecución rápida.
- Las herramientas de simulación tradicionales proporcionan estadísticas resumidas, sin embargo, los modelos operativos requieren informes detallados que rastreen trabajos individuales, recursos, materiales, etc., y muestren los resultados en diagramas de Gantt y cuadros de mando habilitados para la web que estén diseñados a medida y adaptados a las diferentes partes interesadas.
- Muchas herramientas tradicionales de diseño de simulaciones están diseñadas para su uso en el escritorio, mientras que un proceso Digital Twin puede desplegarse en toda la empresa en una nube privada o pública.
- La lógica de decisión integrada en el modelo de simulación determina el rendimiento del sistema. Es fundamental que la herramienta de modelado admita una lógica de decisión avanzada que pueda incluir algoritmos de aprendizaje automático para gestionar el flujo de trabajo y optimizar la programación.
- Un programa de producción generado por Digital Twin debe utilizar tiempos de procesamiento deterministas y eliminar eventos aleatorios como las averías. Sin embargo, esto da lugar a una programación demasiado optimista que suele degradarse a medida que se producen eventos inesperados en el sistema real. Por lo tanto, se requiere un mecanismo para evaluar el riesgo de un programa determinista generado por un Gemelo Digital utilizando la aleatoriedad en la evaluación del riesgo.
Aunque muchos de estos requisitos funcionales son esenciales para las aplicaciones Digital Twin, también son muy útiles en las aplicaciones de diseño tradicionales. En las siguientes secciones, se describe el enfoque único de Simio para abordar estos retos clave.
2. Marco de objetos para modelado complejo
Simio es un marco de modelado de simulación basado en bibliotecas de objetos inteligentes. Un modelador principiante puede preferir utilizar objetos preconstruidos de las bibliotecas de Simio; sin embargo, el sistema está diseñado para que incluso los modeladores principiantes puedan construir fácilmente sus propios objetos inteligentes para utilizarlos en la construcción de modelos jerárquicos. Los modeladores pueden construir objetos inteligentes personalizados y reutilizarlos en múltiples proyectos de modelado. Estos objetos pueden almacenarse en bibliotecas y compartirse fácilmente. La flexibilidad y facilidad de creación de objetos personalizados es fundamental para construir modelos Digital Twin que puedan adaptarse rápidamente a aplicaciones complejas, y es una ventaja clave de Simio sobre los productos de simulación heredados.
Un objeto de Simio puede representar una máquina, un robot, un avión, un cliente, un médico, un tanque, un autobús, un barco o cualquier otro elemento que pueda encontrarse en un sistema. Un modelo se construye combinando objetos que representan los componentes físicos del sistema. Un objeto se anima en 3D para reflejar su estado cambiante. Por ejemplo, una carretilla elevadora sube y baja su elevador, un trabajador camina hacia una ubicación o transporta artículos entre ubicaciones, y un robot abre y cierra su pinza. El modelo 3D animado ofrece una imagen en movimiento del sistema en funcionamiento. Las detalladas funciones 3D, GIS y RV de Simio (mediante el casco Oculus) proporcionan una potente visualización del proceso para validar el comportamiento del modelo y mostrar su capacidad.
Figura 4: Vista de animación de Simio Digital Twin
Los objetos de Simio se construyen utilizando conceptos orientados a objetos. Sin embargo, a diferencia de otros sistemas de simulación orientados a objetos, el proceso de construcción de un objeto en Simio es sencillo y completamente gráfico. No es necesario escribir código de programación para crear nuevos objetos. La actividad de construcción de un objeto en Simio es idéntica a la actividad de construcción de un modelo; de hecho, no existe ninguna diferencia entre un objeto y un modelo. Este concepto se denomina principio de equivalencia y es fundamental para el diseño de Simio. Cada vez que un usuario construye un modelo, éste es un objeto que puede instanciarse en otro modelo. Por ejemplo, si dos máquinas y un robot se combinan en un modelo de célula de trabajo, el modelo de célula de trabajo es en sí mismo un objeto que puede colocarse tantas veces como se quiera en otros modelos. La célula de trabajo es un objeto, al igual que las máquinas y los robots. Cada modelo que se construye en Simio es automáticamente un bloque de construcción que puede utilizarse para construir modelos de nivel superior.
El marco de objetos de Simio se basa en los mismos principios básicos que los lenguajes de programación orientada a objetos (POO); sin embargo, estos principios se aplican dentro de un marco de modelado, no de programación. Simio no es simplemente un conjunto de clases disponibles en un lenguaje de programación orientada a objetos, como Java o C++, útiles para construir modelos de simulación. Simio es un marco de modelado gráfico sin código, diseñado en torno a principios básicos de orientación a objetos, para apoyar la construcción de modelos de simulación. Por ejemplo, cuando en Simio se crea un objeto como una "máquina", el principio de herencia permite crear una nueva clase de máquinas que hereda el comportamiento base de una "máquina", pero este comportamiento puede modificarse (anularse) y ampliarse. Mientras que en un lenguaje de programación el comportamiento puede ampliarse o anularse escribiendo métodos, en Simio el comportamiento de los objetos se modifica añadiendo y/o modificando modelos de procesos definidos gráficamente. Con Simio, los conocimientos necesarios para definir y añadir nuevos objetos al sistema son conocimientos de modelado, no de programación.
El marco de modelado orientado a objetos de Simio facilita la creación de plantillas de aplicación que ponen en marcha la creación de modelos. Una plantilla es una biblioteca de objetos creados a medida junto con esquemas de datos e informes personalizados que se centran en un área de aplicación específica. Simio proporciona plantillas para modelar procesos de fabricación discreta y por lotes y almacenes comunes, y los usuarios pueden ampliar esos objetos y/o crear sus propios objetos y plantillas para utilizarlos en su empresa.
El conjunto básico de funciones de modelado de Simio para definir el comportamiento de los objetos, junto con el diseño gráfico orientado a objetos de Simio, es clave para facilitar la creación de objetos personalizados dirigidos a aplicaciones específicas. Simio dispone de funciones de modelado avanzadas para capturar recursos complejos, así como restricciones materiales y de lógica empresarial en sistemas típicos de producción, almacenamiento y entrega. Por ejemplo, cualquier retraso de procesamiento puede modelarse directamente como una red de acciones de tareas paralelas y/o secuenciales, cada una de las cuales requiere su propio conjunto de materiales y recursos. Cada tarea de la red de acción puede tener también un tiempo de procesamiento dependiente de la secuencia, basado en múltiples atributos como el color, el tamaño, etc., y los tiempos de las tareas pueden ajustarse en función de las curvas de aprendizaje de los trabajadores asignados a la tarea. Del mismo modo, los movimientos de vehículos dentro de un almacén pueden emplear las funciones de gestión de flotas de Simio para planificar automáticamente los desplazamientos y evitar bloqueos en las rutas bidireccionales a través de la red de transporte.
Una nueva e importante capacidad de modelización añadida recientemente a Simio incluye funciones para implantar la Planificación de Necesidades de Material en función de la Demanda (DDMRP) para la reposición de inventarios. Utilizando los principios establecidos por el Demand Driven Institute para optimizar la producción, esta metodología es importante para modelar la colocación óptima del inventario tanto dentro de la fábrica como a lo largo de la cadena de suministro. Simio es el único producto de simulación Digital Twin certificado como software conforme por el Demand Driven Institute.
3. Diseño centrado en los datos
En el pasado, los modelos de simulación se construían arrastrando y soltando objetos en un modelo, y luego rellenando directamente los objetos con datos. Por ejemplo, un modelo sencillo en Simio puede construirse colocando gráficamente una Fuente, un Servidor y un Sumidero en la vista Facility del modelo, e introduciendo el tiempo entre llegadas de la Fuente y el tiempo de procesamiento del Servidor. Con unos pocos clics de ratón y pulsaciones de teclas, se construye un modelo en funcionamiento de un sencillo sistema de servidores. Muchos productos de simulación utilizan un enfoque similar.
Aunque este enfoque del modelado está bien para modelos sencillos, el marco de trabajo centrado en los datos de Simio ofrece una opción superior para modelos de gran tamaño. Con modelos más extensos, la mejor práctica consiste en utilizar tablas de datos para definir los objetos colocados en el modelo. Posteriormente, Simio puede generar automáticamente el modelo basándose en la descripción de datos proporcionada. Las tablas de datos especifican los objetos que deben incorporarse al modelo, junto con sus valores de datos asociados. Este enfoque es particularmente útil en aplicaciones en las que se modelan múltiples instalaciones similares, permitiendo que cada modelo se defina y gestione a través de tablas de datos. Obsérvese que esto transforma el problema de una actividad de construcción de modelos en una actividad de configuración de modelos. Se puede añadir una nueva máquina a un modelo simplemente añadiendo una nueva fila de datos a la tabla de datos correspondiente.
El término generado por datos se utiliza para referirse a los modelos que se crean automáticamente a partir de un conjunto de datos. Un modelo puede estar basado en datos pero crearse manualmente arrastrando y soltando, o puede estar generado y basado en datos.
En muchos casos, los datos que impulsan un modelo son relacionales, es decir, una fila de una tabla se asocia a varias filas de otras tablas. Por ejemplo, una tabla de pedidos de venta puede corresponder a varias filas que definen los productos que componen el pedido de venta. Simio es totalmente compatible con tablas de datos relacionales con columnas clave y referencias de clave externa. Los conjuntos de datos de Simio tienen un esquema totalmente flexible y pueden ser totalmente configurados por el modelador. Los usuarios pueden añadir/eliminar/editar columnas, claves y referencias de clave externa. Las columnas de una tabla están fuertemente tipadas e incluyen valores numéricos y no numéricos.
El enfoque de modelado generado y dirigido por datos es especialmente eficaz cuando se utiliza en combinación con una biblioteca de aplicaciones personalizada, que contiene tablas de datos y objetos predefinidos centrados en la aplicación específica, junto con mapeos de datos para conectar con las columnas de tabla adecuadas que suministran los datos relevantes para el objeto. Un modelador experto puede crear una plantilla específica de la aplicación que luego es rellenada por otros para auto-crear y mantener sus modelos a través de los datos. Esta es una de las razones por las que el enfoque gráfico de Simio para las definiciones de objetos (sin programación) es importante para el éxito de la implementación de modelos generados y dirigidos por datos.
Otro aspecto clave del marco centrado en los datos de Simio es la asignación de tablas de datos relacionales a objetos de modelado de Simio. Simio proporciona un grupo de repetición jerárquica de las propiedades de los objetos que pueden asignarse directamente a tablas de datos relacionales. Este concepto único y fundamental de Simio facilita la asignación de las propiedades del modelo a los datos necesarios.
Dado que los datos que se utilizan para generar o controlar un modelo suelen estar en sistemas de terceros como ERP, MES, IoT, Excel, CSV o servicios web, Simio proporciona conectores directos para la importación y exportación a estas fuentes de datos comunes. Además, Simio proporciona un marco para desarrollar nuevos conectores de datos. Estos conectores de datos se utilizan para extraer datos de diversas fuentes de datos e introducirlos en los conjuntos de datos relacionales en memoria de Simio para que el modelo pueda acceder a ellos rápidamente. El uso del conjunto de datos relacionales en memoria de Simio es fundamental para apoyar la rápida ejecución y mantenimiento del modelo de Gemelo Digital.
4. Experimentación, optimización e informes
El objetivo de un modelo de simulación es predecir el rendimiento de un sistema nuevo o existente. En el caso de aplicaciones de diseño, a menudo se evalúan cambios propuestos en un sistema existente u opciones de diseño para un nuevo sistema que aún no existe. En el caso de un Gemelo Digital de un proceso operativo, el usuario puede estar interesado en predecir el rendimiento operativo o, en el caso de un programa de producción, en prescribir u orquestar las acciones que deben llevarse a cabo en el sistema real.
El marco de Simio Digital Twin distingue entre el concepto de ejecución de simulación con procesos aleatorios y eventos aleatorios habilitados, y una ejecución de plan en la que las duraciones de tiempo se asignan a su valor esperado, y todos los eventos aleatorios están deshabilitados. Por lo tanto, una ejecución de plan es determinista y repetible, mientras que una ejecución de simulación produce resultados diferentes para cada réplica del modelo. Una ejecución de simulación o de plan también puede ejecutarse en tiempo real para soportar la integración y orquestación en tiempo real de un sistema externo.
Las funciones de experimentación y elaboración de informes de Simio permiten definir escenarios específicos para ejecutar ejecuciones de simulación y luego comparar los resultados entre los escenarios. Cada escenario define el valor de una o varias variables de entrada modificables (como el tamaño del búfer delante de cada estación de trabajo) y una o varias variables de respuesta (por ejemplo, el tiempo medio de finalización de un pedido). Simio también proporciona el optimizador OptQuest, que variará automáticamente las entradas del escenario para minimizar o maximizar una función objetivo especificada. La experimentación puede realizarse como parte del diseño del sistema, o fuera de línea como parte de las operaciones del sistema. A continuación se muestra un experimento en el que se comparan escenarios utilizando gráficos SMORE, que representan gráficamente la media, el intervalo de confianza para la media, los valores percentil superior e inferior y el rango de cada variable de respuesta.
Figura 5: Resultados de la experimentación - Gráficos SMORE
En el caso de las aplicaciones de diseño, se proporcionan estadísticas resumidas, como la producción media diaria o el tiempo medio/máximo de espera de los clientes que visitan una clínica sanitaria. Simio proporciona un rico conjunto de funciones para registrar y mostrar estadísticas resumidas sobre el rendimiento del sistema, incluidos intervalos de confianza y procedimientos automatizados de clasificación y selección.
En el caso de las operaciones con un proceso Digital Twin, los usuarios suelen estar interesados en los resultados detallados de elementos individuales como una orden de producción, una máquina o un trabajador. Por lo tanto, además de las estadísticas resumidas, Simio también registra información detallada en registros de datos que luego pueden utilizarse en la generación de informes. Por ejemplo, los cambios que se producen para cada material, así como los trabajos que se procesan en cada recurso, se registran y pueden utilizarse en informes y cuadros de mando personalizados.
Los resultados de Simio pueden mostrarse en varios formatos internos diferentes y exportarse a herramientas de generación de informes externas como Tableau, Power BI y Excel. Un potente formato interno son los cuadros de mando personalizables de Simio, que pueden visualizarse tanto en el escritorio como en un navegador web mediante el Portal de Simio. A continuación se muestra un ejemplo de cuadro de mando de Simio.
Figura 6: Ejemplo de panel de resultados dinámicos
En el caso de las aplicaciones de planificación y programación de la producción, Simio ofrece dos visualizaciones de tipo diagrama de Gantt especialmente útiles. El primero es un Gantt de recursos que muestra el estado de los recursos a lo largo de una línea de tiempo para cada recurso habilitado. Cualquier fila del Gantt de recursos puede ampliarse para mostrar cada entidad/pedido que se esté procesando en ese recurso. El diagrama de Gantt de Entidades muestra cada entidad/orden activa en el sistema mostrada en cada recurso que utiliza durante el procesamiento.
El diagrama de Gantt de entidad también muestra medidas de riesgo para cada trabajo basadas en réplicas estocásticas del programa en términos de la probabilidad de que el pedido se envíe a tiempo dada la variabilidad subyacente en el sistema. Cada fila del Gantt de entidad puede ampliarse para ver gráficamente todas las restricciones que retrasaron la entidad, por ejemplo, operadores ocupados, materiales no disponibles u otras restricciones, proporcionando un análisis de la causa raíz de los trabajos retrasados. A continuación se muestra un ejemplo de una Entidad Gantt.
Figura 7: Ejemplo de diagrama de Gantt con tareas detalladas
Simio permite alternar fácilmente entre los diagramas de Gantt de recursos y los diagramas de Gantt de entidades. Haciendo clic con el botón derecho del ratón en cualquier entidad/recurso del diagrama de Gantt se puede ir hasta ese punto en tiempo simulado en la animación 3D del sistema, pasando a la animación gráfica del estado del sistema en ese punto del cronograma.
5. Lógica de decisión inteligente
A medida que los modelos de simulación pasan de aplicaciones de diseño predictivo a Digital Twins operativos prescriptivos, la lógica de decisión precisa en el modelo se vuelve más crítica, ya que impulsa el rendimiento del modelo y, por lo tanto, del sistema real. Aunque la lógica de decisión personalizada puede producir buenos resultados, el uso de redes neuronales es el estándar de oro, ya que pueden considerar muchas más entradas e interacciones complejas para optimizar mejor el rendimiento del sistema.
Con Simio, la compleja lógica de decisión de los modelos puede sustituirse por redes neuronales autoentrenadas. Las redes neuronales proporcionan la lógica de decisión compleja en el modelo y, a cambio, éste genera los datos sintéticos necesarios para entrenar las redes neuronales. Esto permite a los usuarios simplificar la lógica de decisión del modelo, lo que facilita su construcción, comprensión, depuración y mantenimiento. Con las redes neuronales, la atención puede centrarse en modelar los componentes del sistema, al tiempo que se permite a las redes neuronales aprender las complejas relaciones para optimizar la toma de decisiones dentro del modelo.
Simio es el primer y único software de simulación de eventos discretos que ofrece funciones completas de IA para crear y autoentrenar redes neuronales en un modelo sin necesidad de programación ni de integración con herramientas externas de terceros.
Uno de los principales retos de la IA es disponer de los datos de entrenamiento etiquetados necesarios, por lo que muchas aplicaciones de IA fracasan. Los datos de entrenamiento etiquetados nunca están disponibles cuando se evalúa un nuevo sistema e incluso en los casos con instalaciones existentes, cualquier dato registrado pierde validez una vez que se introduce en el sistema una nueva pieza o un cambio en el flujo. Por eso, el etiquetador automático integrado de Simio para crear datos de entrenamiento sintéticos es fundamental para el éxito de una aplicación de modelado inteligente.
Simio también proporciona algoritmos de entrenamiento integrados para entrenar redes neuronales utilizando datos sintéticos generados por un modelo. Así pues, Simio ofrece una solución completa para integrar redes neuronales en modelos de simulación.
Las funciones de inteligencia artificial de Simio resultan especialmente útiles en las aplicaciones Digital Twin de planificación de la producción, en las que la red neuronal puede entrenarse para predecir KPI críticos, como el plazo de producción que cambia dinámicamente para una fábrica o una línea de producción dentro de una fábrica. La red neuronal aprende el impacto de los cambios, los recursos secundarios, las reglas empresariales y otras complejidades de la producción que afectan a la predicción de los KPI. El Gemelo Digital inteligente puede captar relaciones complejas que de otro modo sería imposible incluir en un modelo. Las predicciones de los KPI de la red neuronal pueden utilizarse entonces para optimizar mejor las decisiones tanto dentro de la fábrica como a lo largo de la cadena de suministro. Dentro de la cadena de suministro, la red neuronal puede utilizarse para la decisión crítica de abastecimiento de proveedores mediante la predicción del plazo de producción de cada proveedor candidato y la selección del productor de menor coste que pueda completar el pedido a tiempo. El abastecimiento de fábricas basado en IA dentro de la cadena de suministro Digital Twin elimina la necesidad de un software de programación maestra de la producción que emplea un modelo de capacidad de corte aproximado pero ignora las restricciones de producción como los cambios, asume plazos de entrega fijos independientemente de la carga de la fábrica y programa en intervalos de tiempo artificiales utilizando un algoritmo heurístico. El resultado es una programación aproximada y no ejecutable que requiere muchas horas de ordenador y no se ajusta a la programación detallada de la fábrica.
Las funciones de inteligencia artificial integradas en Simio permiten definir, entrenar y utilizar la red neuronal de regresión directa clásica. Sin embargo, los usuarios no están limitados a este algoritmo de aprendizaje automático, ya que cualquier modelo de regresión de aprendizaje automático de más de 50 terceros, incluidos Google y Microsoft, que admitan el formato de intercambio de modelos ONNX puede importarse y utilizarse en Simio. Los usuarios pueden crear y entrenar modelos en herramientas de terceros e importarlos después a Simio para tomar decisiones complejas dentro de un modelo.
Figura 8: Uso de modelos ONNX de terceros
6. Despliegue en la empresa
Las aplicaciones de diseño de simulación se han desplegado tradicionalmente en el escritorio. Aunque el entorno de escritorio ofrece una interfaz de usuario generalmente más rica para la fase de creación de modelos de un proyecto, el despliegue de aplicaciones empresariales con múltiples usuarios simultáneos con diferentes roles y permisos de datos requiere un entorno más seguro/robusto. Aunque Simio desktop sigue siendo la mejor opción para el desarrollo de modelos, el Portal de Simio ofrece una solución mejor tanto para la experimentación como para la ejecución y visualización de resultados y planes operativos.
Simio Portal democratiza la simulación y la programación de resultados a través de la web para los usuarios de toda la empresa. Los modeladores pueden gestionar a los usuarios y asignarles funciones que limiten su acceso a los modelos y a los datos. Simio Portal puede alojarse en un centro de datos local o en una nube de Azure, AWS o Google, lo que permite a los usuarios crear y ejecutar experimentos de simulación y planes de programación a una velocidad inigualable. Los modelos pueden crearse con Simio Desktop y luego desplegarse sin problemas en Simio Portal.
Figura 9: Despliegue en la nube de Simio
7. Resumen
Simio proporciona un marco de modelado de simulación basado en objetos inteligentes para optimizar tanto el diseño como el funcionamiento de sistemas complejos. Las características clave de Simio que respaldan el continuo de diseño a través de la operación incluyen la arquitectura de modelado orientada a objetos sin código, el marco centrado en datos para admitir modelos basados en datos y generados por datos, la experimentación de simulación y programación y las funciones de generación de informes, las redes neuronales para optimizar las decisiones y las opciones de implementación empresarial para la experimentación y la programación en nubes privadas y públicas. Simio proporciona una plataforma de simulación integral para un viaje completo de transformación digital.