合成数据生成
仿真模型可用于生成无限量的相关、有效、结构化和标记的训练数据。以这种方式使用仿真模型时，基本工作流是执行多次运行仿真实验（理想情况下是并行仿真运行），并以机器学习算法可以使用的格式记录结果。AnyLogic和AnyLogic Cloud提供了多种方法来执行模型并将输出写入所需的存储库。
应用案例 工作流程和工具
仿真模型可用于生成无限量的相关、有效、结构化和标记的训练数据。以这种方式使用仿真模型时，基本工作流是执行多次运行仿真实验（理想情况下是并行仿真运行），并以机器学习算法可以使用的格式记录结果。AnyLogic和AnyLogic Cloud提供了多种方法来执行模型并将输出写入所需的存储库。
应用案例 工作流程和工具机器学习研究人员可以利用仿真模型作为引擎，创建干净、无噪声、无限制的标记数据，以测试新机器学习算法的有效性。
经过适当核准和验证的仿真模型可用于生成相关数据，用于训练需要大量数据的机器学习（ML）模型，尤其是深度学习模型。
对于任何考虑未来验证其机器学习策略的企业来说，投资扩展和加速数据收集的机制是一项重大决策——任何失误都可能危及其未来以数据为中心的解决方案的可行性。而难点之一就是在使用数据之前，如何正确选择收集数据的相关性、类型、来源和速度！仿真生成的合成数据可以帮助数据科学家在投资数据收集方法和技术之前，通过概念验证器学习（ML）模型测试他们的假设。
元模型是仿真模型本身的一种更简单的表示或替代，可以通过在仿真模型的输入和输出上训练机器学习（ML）模型来开发。对于仿真结果分析计算成本非常高的场景是非常有效的。机器学习（ML）模型，尤其是深度学习模型，在捕捉非线性动态系统的本质方面表现出了很大的潜力。生成的元模型可以用于需要探索大规模搜索空间的所有类型的实验。
从仿真模型开发的机器学习元模型可以作为仿真的轻量版。通过这样做，它可以有效地部署在越来越多的人工智能部署平台上，包括边缘设备。这种方法提供了一种实用的方法，可以在为 AI 解决方案构建的部署基础架构的基础上部署仿真模型。
当使用仿真模型作为引擎生成合成数据时，基本工作流是执行多运行仿真实验（理想情况下是并行仿真运行），并以机器学习（ML）算法可以使用的格式记录结果。AnyLogic和AnyLogic 云提供了多种方法来执行模型并将输出写入所需的存储库。
输出到AnyLogic内置数据库或连接到模型的外部数据库。
每个AnyLogic模型都带有一个内置数据库，适合高速数据传输，并支持导出到Excel文件。您还可以通过AnyLogic简单易用的API直接连接Excel和文本文件（本地或远程）。AnyLogic模型还可以连接到任何支持JDBC的相关数据库。
使用AL Cloud快速扩展多次运行仿真实验和输出生成数据。
AnyLogic Cloud为您提供了一个可扩展的、基于服务器的执行平台，以简化输出的生成。在它的图形环境中，您可以设置实验，然后将结果导出到Excel或JSON。同样也可以通过API调用（JavaScript、Python和Java）来实现。云中的模型支持直接连接到任何关系数据库，此外还支持通过API自动导出Excel和JSON以及写入文件机制。