什么是人工智能?

你需要知道3件事

人工智能，简称AI，是对人类智能行为的模拟。它是一种计算机或系统，旨在感知其环境，理解其行为，并采取行动。以自动驾驶汽车为例:这样的人工智能驱动系统将机器学习和深度学习等人工智能算法集成到复杂的环境中，从而实现自动化。

人工智能为何重要

人工智能工作流

MATLAB AI

人工智能为何重要?

根据麦肯锡的预测，到2030年，人工智能估计将在全球创造13万亿美元的经济价值。

这是因为人工智能正在改变几乎所有行业和应用领域的工程。

除了自动驾驶，人工智能还被用于预测机器故障的模型，表明何时需要维护;健康和传感器分析，如患者监测系统;以及直接从经验中学习和改进的机器人系统。

面向工程师的AI:构建AI系统

AI工作流的关键组件

人工智能的成功需要的不仅仅是训练一个人工智能模型，尤其是在人工智能驱动的决策和采取行动的系统中。一个可靠的AI工作流程包括准备数据、创建模型、设计运行模型的系统，以及部署到硬件或企业系统。

AI工作流程中的步骤。

数据准备

获取原始数据并使其对准确、高效和有意义的模型有用是一个关键步骤。事实上,它代表了你大部分的AI努力．

数据准备需要专业知识，例如在语音和音频信号、导航和传感器融合、图像和视频处理以及雷达和激光雷达方面的经验。这些领域的工程师最适合确定数据的关键特征是什么，哪些是不重要的，以及需要考虑哪些罕见事件。

人工智能还涉及大量数据。然而,标记数据和图像是单调乏味的且耗时。有时，您没有足够的数据，特别是对于安全关键型系统。生成准确的合成数据可以改进数据集。在这两种情况下，自动化对于按时完成任务至关重要。

人工智能建模

人工智能系统建模成功的关键因素是:

从一套完整的开始算法和预建模型用于机器学习、深度学习、强化学习和其他人工智能技术
使用应用程序用于生产设计和分析
在一家开放的生态系统像MATLAB这样的人工智能工具^®， PyTorch和TensorFlow™可以一起使用
管理计算的复杂性GPU加速，可扩展到并行和云服务器以及内部数据中心

系统设计

人工智能模型存在于一个完整的系统中。在自动驾驶系统中，用于感知的AI必须与定位、路径规划以及制动、加速和转向控制的算法集成。

人工智能在自动驾驶场景中的应用。

想想人工智能在风力发电场的预测性维护和今天飞机的自动驾驶控制方面的应用。

像这样复杂的人工智能驱动系统需要集成和模拟。

部署

AI模型需要部署到最终产品中的cpu、gpu和/或fpga上，无论是嵌入式或边缘设备、企业系统还是云的一部分。运行在嵌入式或边缘设备上的AI模型可提供现场所需的快速结果，而运行在企业系统和云中的AI模型可提供从许多设备收集的数据得出的结果。通常，AI模型被部署到这些系统的组合中。

当您从模型生成代码并以设备为目标时，部署过程会加速。使用代码生成优化技术和硬件优化库，可以对代码进行调优，以适应嵌入式和边缘设备所需的低功耗配置，或企业系统和云的高性能需求。

用MATLAB开发人工智能驱动系统

人工智能方面的技能短缺是有据可查的。然而，使用MATLAB或Simulink的工程师和科学家^®拥有在其专业领域创建人工智能驱动系统所需的技能和工具。

MATLAB数据预处理

你会花更少的时间数据预处理．从时间序列传感器数据到图像到文本，MATLAB应用程序和数据类型显著减少了预处理数据所需的时间。高级功能可以轻松地同步不同的时间序列、用插值值替换异常值、过滤噪声信号、将原始文本分割为单词等等。你可以很快可视化你的数据了解趋势，并识别数据质量问题的图表和住编辑器．

MATLAB应用程序自动化真实的标签图像，视频和音频数据。

为了在从传感器或其他设备获得数据之前测试算法，您可以从Simulink生成合成数据。这种方法通常用于自动驾驶系统，如自适应巡航控制、车道保持辅助和自动紧急制动。

使用标签应用程序进行深度学习工作流程，如语义分割。

与深度学习框架的互操作。

基于MATLAB的人工智能建模

人工智能建模技术因应用而异。

机器学习

MATLAB用户已经为预测性维护、传感器分析、金融和通信电子部署了数千个应用程序。统计和机器学习工具箱™通过应用程序来训练和比较模型，先进的信号处理和特征提取，分类，回归和聚类算法，使机器学习的困难部分变得容易监督以及无监督学习。

半导体制造商阿斯麦(ASML)使用机器学习技术创建了虚拟计量技术，以改善构成芯片的复杂结构中的叠加对齐。“作为一名流程工程师，我没有神经网络或机器学习的经验。我通过MATLAB示例来寻找生成虚拟计量的最佳机器学习函数。我无法在C或python中做到这一点——它将花费太长时间来寻找、验证和集成正确的包，”工程师Emil Schmitt-Weaver解释道。

MATLAB模型在大多数统计和机器学习计算上的执行速度也比开源更快。

分类学习者应用程序，它可以让你尝试不同的分类器，并找到最适合你的数据集。

深度学习

工程师使用MATLAB的深度学习功能进行自动驾驶、计算机视觉、语音和自然语言处理等应用。深度学习工具箱™让您创建、互连、训练和评估深层神经网络的各个层。示例和预训练的网络使得使用MATLAB进行深度学习很容易，即使不了解高级计算机视觉算法或神经网络。

MATLAB使工程师能够跨不同的深度学习框架协同工作。通过对ONNX的支持，MATLAB允许从其他受支持的框架(包括TensorFlow)导入和导出最新的模型。

深度网络设计器应用程序，它可以让你构建、可视化和编辑深度学习网络。

强化学习

在从基于累积奖励的学习中受益的控制系统中，强化学习是一种理想的技术。强化学习工具箱™允许您使用DQN, A2C, DDPG和其他强化学习算法来训练策略。您可以使用这些策略来实现复杂系统(如机器人和自主系统)的控制器和决策算法。您可以使用深度神经网络、多项式或查找表来实现策略。

使用强化学习工具箱设计和训练策略。

自然语言处理

自然语言处理模型通常用于情感分析、预测维护和主题建模。文本分析工具箱提供用于预处理、分析和建模文本数据的算法和可视化。它允许您从设备日志、新闻提要、调查、操作员报告和社交媒体等来源提取和处理原始文本。

使用诸如LSA、LDA和词嵌入等机器学习技术，您可以从高维文本数据集中找到集群并创建特征。使用“文本分析工具箱”创建的功能可以与来自其他数据源的功能相结合，以构建利用文本、数字和其他类型数据的机器学习模型。

识别风暴报告数据中的主题。

系统设计

复杂的人工智能驱动系统需要与其他算法集成。系统设计与仿真很重要，因为整个系统会影响人工智能模型的有效性。工程师使用Simulink进行快速设计迭代和闭环测试。

例如，在自动驾驶系统中，您使用AI和模拟进行整体系统设计。您使用Simulink来建模车辆的动力学，设计驾驶控制器，并融合各种传感器信号。您使用MATLAB开发和训练AI模型，并将训练过的模型合并到Simulink中进行系统级仿真。你可以使用像虚幻引擎这样的软件来合成相机图像，以提供AI模型和3D可视化。

航行该公司为退休社区生产自动驾驶出租车，在不到三个月的时间里就部署了一辆三级自动驾驶汽车。集成模型加快了从想法到道路测试的过程。Simulink让他们在危险的条件下安全测试。

Simulink还允许您从已知的故障条件中生成故障数据。在风电场中，您可能会将合成故障数据添加到风力涡轮机的测量数据中。您可以完善您的系统模型，以获得未来设备故障的准确预测。