什么是人工智能?

你需要知道三件事

人工智能(AI)是对智能人类行为的模拟。它是一种被设计用来感知环境、理解其行为并采取行动的计算机或系统。以自动驾驶汽车为例:这类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实现自动化的复杂环境中。

为什么人工智能很重要

人工智能工作流

基于MATLAB的人工智能

为什么人工智能很重要?

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，指出它们何时需要维护;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，特别是在决策和采取行动的人工智能驱动系统中。扎实的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精确、高效和有意义的模型有用是一个关键步骤。事实上,它代表了你的大部分AI努力．

数据准备需要专业知识例如语音和音频信号、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的数据。然而,标签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，自动化对于完成截止日期都是至关重要的。

人工智能建模

成功建模AI系统的关键因素是:

从一整套的算法和预构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……工作开放的生态系统哪里有像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，可扩展到并行服务器、云服务器和本地数据中心

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、路径规划和刹车、加速和转弯控制的算法集成。

人工智能应用于自动驾驶场景。

想想风力发电场的预测性维护和今天飞机的自动驾驶控制中的人工智能。

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，无论是嵌入式设备或边缘设备的一部分，还是企业系统或云。运行在嵌入式或边缘设备上的AI模型提供了该领域所需的快速结果，而运行在企业系统和云中的AI模型提供了从多个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。

当您从您的模型生成代码并针对您的设备时，部署过程会加速。通过使用代码生成优化技术和硬件优化库，您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文件，或者满足企业系统和云的高性能需求。

用MATLAB开发人工智能驱动系统

人工智能技术的短缺是有目共睹的。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。

用MATLAB进行数据预处理

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。高级函数使得同步不同的时间序列、用插值值替换异常值、过滤噪声信号、将原始文本分割为文字等等变得很容易。你可以很快可视化你的数据了解趋势和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。

为了在传感器或其他设备提供数据之前测试算法，可以从Simulink中生成合成数据。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用户已经在预测维护、传感器分析、金融和通信电子领域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、高级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)利用机器学习技术创建了虚拟计量技术，以改善组成芯片的复杂结构中的覆盖对齐。“作为一名过程工程师，我对神经网络或机器学习没有任何经验。我通过MATLAB实例来寻找生成虚拟计量的最佳机器学习函数。我不能用C或python来做这件事——找到、验证和集成正确的包会花费太长时间，”工程师Emil schmidt - weaver解释说。

在大多数统计和机器学习计算上，MATLAB模型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

工程师们将MATLAB深度学习功能用于自动驾驶、计算机视觉、语音和自然语言处理以及其他应用。深度学习工具箱™允许您创建、互连、训练和评估深度神经网络的层。示例和预先训练的网络使使用MATLAB进行深度学习变得容易，即使不了解先进的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一起工作。有了对ONNX的支持，MATLAB允许从其他支持的框架(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获益的控制系统中，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为复杂系统(如机器人和自治系统)实现控制器和决策算法。可以使用深度神经网络、多项式或查找表来实现这些策略。

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、预测性维护和主题建模。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、运营商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和单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。系统设计与仿真非常重要，因为整个系统会影响AI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，在一个自动驾驶系统中，您使用人工智能和模拟进行整个系统设计。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，以满足AI模型和3D可视化。

航行该公司在不到三个月的时间里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让他们能够在危险的条件下安全地进行测试。

Simulink还允许您根据已知的故障条件生成故障数据。在风力发电场中，可以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，以获得对未来设备故障的准确预测。