Trainingssimulaties voor Bonsai

Trainingssimulaties repliceren echte systemen om een echte trainingsomgeving voor hersenen Bonsai te bieden. U kunt simulaties van populaire simulatorsoftwareoplossingen toevoegen of de Simulator-API gebruiken om aangepaste simulators te integreren.

Bonsai component infographic" aria-describedby="34-0" data-linktype="relative-path">

Trainingssimulaties modelleren echte processen en wijzigen de status wanneer het brein acties past. Robotica, industriële automatisering, toeleveringsketenlogistiek en structurele engineering zijn allemaal domeinen die simulaties gebruiken om het gedrag van complexe systemen te modelleren.

Bonsaimaakt gebruik van simulaties en Deep Reinforcement Learning (DRL) om de hersenen te trainen. Trainingstaken kunnen net zo eenvoudig zijn als 'houd deze pool recht' of zo complex als 'leren lopen'.

Over het algemeen kan elke simulatie met een gedefinieerde begintoestand, die in de tijd wordt uitgevoerd en reageert op externe acties, integreren met Bonsai . Maar simulaties die goed werken met Bonsai hebben de volgende kenmerken:

• Een juist kwaliteitsniveau, zodat strategieën die zijn ontwikkeld op basis van de simulatie waarschijnlijk goed werken in de echte wereld.
• Nuttige visualisatie en gegevensuitvoer terwijl ze door het brein worden beheerd voor realtime evaluatie tijdens de training.
• Een goed gedefinieerde omgevingstoestand die toegankelijk is bij elke stap van de simulatie.
• Een aanpasbare begintoestand, zodat het brein kan leren van een breed scala aan voorwaarden.
• Een set discrete acties die het brein kan ondernemen om de status te beïnvloeden. Bijvoorbeeld: een winkelwagen één stap op een traject verplaatsen, een temperatuur aanpassen met 1° Celsius.
• De mogelijkheid om te bepalen wanneer het systeem een status krijgt waarin verdere voortgang onmogelijk is (een fout of ongeldige status). Bijvoorbeeld: de winkelwagen wordt buiten het circuit uitgevoerd, de huidige temperatuur overschrijdt een kwaliteitsdrempelwaarde.
• De mogelijkheid om te bepalen wanneer het systeem de status Geslaagd heeft bereikt. Een pool balancer bijvoorbeeld voor een bepaalde tijd, het gegenereerde materiaal voldoet aan de QC-vereisten.

Het juiste betrouwbaarheidsniveau voor een simulatie is afhankelijk van:

• de precisie die is vereist voor afzonderlijke acties.
• de waarschijnlijkheid dat de AI zou kunnen herstellen van een foute actie in de echte wereld.

AI kan bijvoorbeeld compenseren voor een onverwacht brede beurt die wordt veroorzaakt doordat een echte auto 1 km sneller draait dan de gesimuleerde auto met de AI-training. Maar als diezelfde auto regelmatig 10 km sneller wordt dan de gesimuleerde auto, kan de auto over de kop gaan of van de weg rijden.

Wanneer u uw simulatiebenadering overweegt, kan het handig zijn om te zoeken naar personen in uw organisatie die eerder met simulatiesoftware hebben gewerkt. Simulaties die oorspronkelijk voor andere doeleinden zijn gemaakt, kunnen vaak worden verbeterd om met de Bonsai trainingsen engine te werken. Zoek naar bestaande simulaties met een of meer van de volgende kenmerken:

• Simulaties die worden gebruikt om menselijke operators te trainen.
• Simulaties die regelmatig worden gebruikt in combinatie met productiesystemen.
• Simulaties met goed gedefinieerde benchmarks voor nauwkeurigheid en gewenste resultaten.

Meer informatie over de trainingsen engine →