Когда я проходил программу «Информационная и системная инженерия» (думаю, статистика + программное обеспечение + мышление консультанта) во время учебы в бакалавриате, одним из моих любимых предметов было моделирование дискретных событий. Предпосылка класса состояла в том, чтобы научить нас, как использовать комбинацию моделирования распределения событий с программным обеспечением для моделирования для решения реальных бизнес-задач. Это было потрясающе.
Мы использовали программное обеспечение для моделирования Rockwell Arena, чтобы построить эти анимированные модели конкретных событий на основе гипотетических или наблюдаемых распределений Пуассона. Я думал, что это открыло мне глаза на то, как деловой мир должен широко использовать моделирование для решения своих проблем.
Реальный мир никогда не работает так, как ожидает первокурсник в колледже.
Как и следовало ожидать, существует огромный интерес к количественным методам решения проблем, но эти методы в значительной степени сосредоточены на методах машинного обучения. Мир моделирования, по крайней мере, в более крупной индустрии, сократился.
Но сейчас я наблюдаю интересное явление. Симуляция немного возвращается, по крайней мере, в моем мире.
Обучение с подкреплением, похоже, в значительной степени зависит от моделирования. Чемпион AlphaGo, созданный Google, в значительной степени полагался на версию поиска по дереву Монте-Карло, которая могла моделировать то, что произойдет в играх, в которые он играл, на основе ожидаемых ходов, которые он предпримет. Кроме того, насколько я понимаю, в мире робототехники моделирование широко используется для обучения роботов различным задачам.
Наконец, в моей повседневной работе мы полагаемся, по крайней мере время от времени, на механизм моделирования, который может анализировать и тестировать различные инвестиционные стратегии (стратегии, которые зависят от результатов наших моделей глубокого обучения). Кроме того, мы используем механизм моделирования для исследования нашего собственного агента обучения с подкреплением.
Я полностью понимаю, что все это неподтвержденные данные, и что симуляции имеют свои собственные наборы проблем (например, как вы моделируете реальный мир, нужны ли вам распределения данных, прежде чем вы начнете свои симуляции, чтобы точно смоделировать реальный мир и т. д.) . Но когда дело доходит до моей точки зрения, я по-прежнему большой поклонник моделирования как количественного инструмента для решения бизнес-задач, и я рад видеть, как мир моделирования будет развиваться в будущем.
Если вам интересно узнать больше о том, как мы используем симуляции в Apteo, свяжитесь с нами: [email protected]
