Simulaciones de entrenamiento para Bonsai

Las simulaciones de entrenamiento replican sistemas reales para proporcionar un entorno de entrenamiento auténtico para Bonsai los cerebros. Puede agregar simulaciones de soluciones de software de simuladores populares o usar Simulator API para integrar simuladores personalizados.

Infografía de componentes de Bonsai" aria-describedby="34-0" data-linktype="relative-path">

Las simulaciones de entrenamiento modelan procesos reales y cambian el estado a medida que el cerebro aplica las acciones. La robótica, la automatización industrial, la logística de la cadena de suministro y la ingeniería estructural son dominios que usan simulaciones para modelar el comportamiento de sistemas complejos.

Bonsaiusa simulaciones y deep reinforcement Learning (DRL) para entrenar cerebros. Las tareas de entrenamiento pueden ser tan sencillas como "mantener este poste en posición vertical" o tan complejas como "aprender a caminar".

Por lo general, cualquier simulación que tenga un estado de inicio definido, itera con el tiempo y responda a acciones externas se puede integrar con Bonsai . Pero las simulaciones que funcionan bien Bonsai con tienen las siguientes características:

• Un nivel adecuado de fidelidad para que las estrategias desarrolladas en la simulación funcionen bien en el mundo real.
• Una visualización y una salida de datos útil mientras están bajo el control del cerebro para realizar una evaluación en tiempo real durante el entrenamiento.
• Un estado de entorno bien definido al que se puede acceder en cada paso de la simulación.
• Un estado de inicio personalizable para que el cerebro pueda aprender a partir de una amplia gama de condiciones.
• Un conjunto de acciones discretas que el cerebro puede realizar para influir en el estado. Por ejemplo: adelantar un carrito un paso en una pista o ajustar la temperatura en 1°C.
• La capacidad para determinar cuándo el sistema entra en un estado en el que es imposible avanzar más (un error o un estado no válido). Por ejemplo: el carrito se sale de la pista o la temperatura actual supera un umbral de calidad.
• La capacidad de determinar cuándo el sistema alcanza un estado correcto. Por ejemplo, un poste se equilibra durante un período de tiempo específico o el material generado supera los requisitos del control de calidad.

La determinación del nivel correcto de fidelidad para una simulación depende de:

• la precisión que se necesita para las acciones individuales.
• la probabilidad de que la inteligencia artificial pueda recuperarse de una acción imperfecta del mundo real.

Por ejemplo, la inteligencia artificial podría compensar una curva inesperadamente amplia provocada por un coche real que gira 1 km más rápido que el coche simulado con el que se entrenó la inteligencia artificial. Sin embargo, si ese mismo automóvil gira regularmente 10 km más rápido que el coche simulado, el coche podría darse la vuelta o salirse de la carretera.

Al considerar el enfoque de la simulación, puede que sea útil buscar personas de su organización que hayan trabajado con software de simulación anteriormente. Las simulaciones creadas originalmente para otros fines a menudo se pueden mejorar para trabajar con el motor Bonsai de entrenamiento. Busque las simulaciones existentes con una o varias de las siguientes características:

• Simulaciones usadas para entrenar operadores humanos.
• Simulaciones que se usan con regularidad junto con sistemas de producción.
• Simulaciones con pruebas comparativas bien definidas para conseguir la precisión y los resultados deseados.

Más información sobre el motor de entrenamiento →