Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Agenti di simulazione e test
<a name="simulation-and-test-bed-agents"></a>

Gli agenti di simulazione e di test operano all'interno di ambienti virtualizzati o controllati in cui ragionano, agiscono e imparano. Questi agenti simulano il comportamento, modellano i risultati e addestrano le strategie in contesti ripetibili prima di applicarli agli ambienti del mondo reale.

Questo modello è utile per lo sviluppo iterativo, l'apprendimento per rinforzo (RL), la valutazione decisionale autonoma e i test comportamentali emergenti. Gli agenti di simulazione spesso operano a circuito chiuso, ricevono feedback dall'ambiente e adattano il loro comportamento di conseguenza, il che li rende fondamentali per attività che coinvolgono il ragionamento spaziale, il controllo in tempo reale o la dinamica di sistemi complessi.

## Architecture
<a name="architecture-simulation-and-test-bed"></a>

Il diagramma seguente mostra un agente di simulazione o di test:

![\[Agenti di simulazione e banco di prova.\]](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/agentic-ai-patterns/images/simulation-and-test-bed-agents.png)


## Description
<a name="description-simulation-and-test-bed"></a>

1. Avvia un ambiente
   + L'agente avvia un ambiente simulato (ad esempio, un mondo 3D, un motore fisico, una sandbox CLI o un flusso di dati sintetici).
   + L'agente viene caricato nell'ambiente con un'attività, un obiettivo o una politica iniziali.

1. Percepisce l'agente
   + L'agente percepisce lo stato attuale tramite telemetria di simulazione (ad esempio, emulazione di sensori, fotocamera virtuale e registri strutturati).

1. Recupera obiettivo e memoria
   + L'agente recupera l'obiettivo assegnato, le istruzioni sullo scenario o l'obiettivo contestuale.
   + Può anche recuperare la memoria precedente, inclusa la seguente:
     + Strategie o politiche a lungo termine
     + Mappe ambientali o vincoli noti
     + Successi o fallimenti passati derivanti da simulazioni simili

1. Motivi e piani
   + Un LLM interpreta lo stato simulato, gli obiettivi del compito e le conoscenze apprese.
   + Genera un piano d'azione o un comando di controllo.

1. Esegue azioni simulate
   + L'agente esegue il piano, modifica lo stato, naviga nello spazio o interagisce con entità virtuali.

1. Impara
   + L'agente valuta i risultati delle azioni
   + A seconda della configurazione dell'agente, può effettuare le seguenti operazioni:
     + Esegui RL
     + Registra i risultati per future ottimizzazioni
     + Adatta le strategie in tempo reale

## Funzionalità
<a name="capabilities-simulation-and-test-bed"></a>
+ Funziona all'interno di ambienti sintetici o virtuali
+ Supporta trial-and-error l'apprendimento, il perfezionamento delle politiche e la modellazione del sistema
+ Test a basso rischio per il comportamento, la gestione dei guasti e i casi limite
+ Consente l'analisi del comportamento degli agenti emergenti in configurazioni con più agenti
+ Supporta sia il controllo che l'esplorazione a circuito chiuso human-in-the-loop

## Casi di utilizzo comune
<a name="common-use-cases-simulation-and-test-bed"></a>
+ Apprendimento rinforzato per robotica, droni e giochi
+ Addestramento con veicoli autonomi su strade virtuali
+ Scenari simulati UIs o CLIs destinati DevOps a un banco di prova
+ Esperimenti comportamentali emergenti nelle simulazioni sociali
+ Convalida di sicurezza della logica decisionale prima della produzione

## Guida all’implementazione
<a name="implementation-guidance-simulation-and-test-bed"></a>

È possibile creare un agente di simulazione e test bed utilizzando i seguenti strumenti e: Servizi AWS


| 
| 
| **Componente** | **Servizio AWS** | **Scopo** | 
| --- |--- |--- |
| Ambiente | Amazon ECS, Amazon EC2 o un simulatore personalizzato in SageMaker Amazon Studio Lab | Esegui mondi virtuali (Gazebo, Unity, Unreal) o sandbox CLIs | 
| Logica dell'agente | Amazon Bedrock SageMaker, Amazon o AWS Lambda | Pianificatori o agenti RL basati su LLM | 
| Circuito di feedback | Amazon SageMaker Reinforcement Learning CloudWatch, Amazon o log personalizzati | Monitoraggio delle ricompense, punteggio dei risultati e registrazione del comportamento | 
| Memoria e replay | Amazon S3, Amazon DynamoDB o Amazon RDS | Dati persistenti sullo stato, sulla cronologia degli episodi o sullo scenario | 
| Visualizzazione |  CloudWatch Pannelli di controllo Amazon o notebook Amazon SageMaker  | Osserva le modifiche alle politiche, i risultati e le metriche di formazione | 

Le seguenti sono applicazioni aggiuntive:
+ [AWS SimSpace Weaver](https://aws.amazon.com/simspaceweaver/)per simulazioni spaziali su larga scala
+ [AWS IoT Core](https://docs.aws.amazon.com/iot/latest/developerguide/iot-device-shadows.html)per testare dispositivi ombra
+ [Amazon SageMaker Experiments](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html) per la valutazione e il benchmarking degli agenti

## Riepilogo
<a name="summary-simulation-and-test-bed"></a>

Gli agenti di simulazione e di test servono per l'esplorazione strutturata prima di essere implementati nei sistemi di produzione. Utilizzate questi agenti per addestrare politiche di navigazione autonome, testare i processi aziendali in ambienti sintetici e valutare gli sciami per i modelli di coordinamento.