把 AI 基因植入您的工作流程

摘要：我们可以看到，即使没有经验或数据很少，您也可以使用 MATLAB 创建和训练机器学习模型或深度学习网络。有了 MATLAB，即使您没有机器学习的经验，也可以使用 AI 技术。

快点这里

◆◆ ◆ ◆

AI（人工智能）无处不在。

它不仅推动了智能助手、机器翻译和自动驾驶等应用的发展，还为工程师和科学家提供了一套处理通用任务的新技术。但最近的调查显示，虽然许多企业都认识到了 AI 的价值和潜力，但很少能够真正落地—— Gartner 最近对 3,000 家公司进行的调查显示，开始计划使用 AI 的约为 50％，而实际上使用 AI 的只有 4％。

AI 是什么？它是如何实现的？

出现在 20 世纪 50 年代且至今仍在使用的 AI 定义是“机器模仿人类行为的能力”。当机器不仅可以模仿，而且可以匹敌甚至超过人类的表现时，AI 也就变得越来越有趣。它可以使我们摆脱重复作业，甚至将任务完全交给计算机，实现更安全和更高效的工作。

和深度学习则被视为实现 AI 的方法——当今最常用的方法。

许多组织都被他们所认为的实施 AI 的压倒性挑战吓倒：

相信要做 AI 就必须成为数据科学的专家
顾虑开发 AI 系统既费时又费钱
缺乏高质量的标记数据
将 AI 集成入现有算法和系统之中成本高而且很复杂

◆ ◆ ◆ ◆

以下将列举三个真实的例子，展示如何在完整的工作流程中使用 MATLAB 轻松集成 AI 技术。

MATLAB 可以提供类似于 Caffe 和 TensorFlow 等专用 AI 工具的 AI 功能——

更重要的是，只有 MATLAB 才有让你把 AI 集成到完整的工作流程中的能力，以开发全面工程化的系统。

AI 模型只是开发全面工程化系统的完整作业流的一部分。

◆◆ ◆ ◆

利用机器学习检测零食的松脆度

科学家如何利用 MATLAB 应用机器学习，解决她以往无法以任何其他方式解决的问题。

食品科学家 Solange Sanahuja 需要开发一种可重复的方法来确定零食的松脆度。她尝试开发零食的物理模型，但这不起作用。其他科学家使用信号处理来分析咬碎零食的声音，但没有人能够开发出一种能检测出非常新鲜和不太新鲜之间差异的方法。

Sanahuja 博士看到 MATLAB 支持机器学习，就决定尝试一下。她进行了数百次实验，记下咬碎不同新鲜度零食的声音和力度，并由训练有素的试吃员记录新鲜度。

接着，她利用食品科学家的专业知识从测量的力度中提取特征，计算硬度和脆度等值。然后又尝试了几种不同的方法从录音中提取其他特征，最终发现倍频程分析效果最好。

下一步对她来说是陌生的：根据所选特征开发模型。由于选择太多，很难找到合适的模型。

Sanahuja 博士使用 Statistics and Machine Learning Toolbox™ 中的 Classification Learner 应用程序自动验证每种可能的模型，而不是手动尝试每个选项。

她首先选择了用于训练模型的数据。然后，她使用 MATLAB 训练所有可能的模型—— MATLAB 生成一个模型列表，对每个模型进行训练，并生成显示其总体精度的直观效果。

基于这些结果，Sanahuja 博士选择了二次支持向量机，作为该项目的最佳模型。该模型准确度约为 90-95％，甚至能够检测出感知松脆度时的微小差异。

◆◆ ◆ ◆

通过深度学习实现高效隧道挖掘

工程师使用迁移学习（transfer learning）来解决复杂的图像识别问题，即使只有有限的数据也能够应用深度学习。

日本建筑公司大林组株式会社（Obayashi Corporation）采用了一种名为新奥法（New Austrian Tunneling Method）的挖掘技术。地质学家通过在挖掘过程中监测隧道掌子面的强度，评估各种指标，如裂缝间距等。虽然这种方法降低了施工成本，但也有一些局限性。分析一个现场可能需要几个小时，因此只能偶尔执行分析。此外，熟练掌握该技术的地质学家也很少。

于是，Obayashi 决定通过深度学习来解决这些局限性——训练一个深度学习网络，根据隧道掌子面的图像自动识别各种指标。其中的挑战在于获取足够的数据。最好的深度学习网络针对数百万幅图像完成了训练，但是 Obayashi 只有 70 幅。

Obayashi 地质学家首先针对每幅图像标记了三个区域，记录了每个图像的风化蚀变和断裂状态等指标的值。然后他们将这些标记区域划分为更小的图像，最终产生约 3,000 个标记图像。由于从头开始培训深度学习网络需要大量的时间、专业知识和图像，因此他们选择通过迁移学习创建一个自定义网络，该网络基于预先训练的深度学习网络 AlexNet。

AlexNet 已经接受了数百万幅图像的训练，可以识别食物、家居用品和动物等常见物体，但是还无法通过隧道掌子面的图片来解释地质条件。通过迁移学习，Obayashi 工程师只重新训练了 AlexNet 的一小部分，令其根据隧道掌子面的图像来估算地质条件。

迁移学习工作流程

到目前为止，经 Obayashi 重新训练的网络已可评估风化蚀变和断裂状态，预测精度接近于 90%。

我们可以看到，即使没有经验或数据很少，您也可以使用 MATLAB 创建和训练机器学习模型或深度学习网络。当然，工作并未就此结束。在大多数情况下，您需要将模型集成到更大的系统中。

◆◆ ◆ ◆

自动化农业收割机装填操作

构建 AI 系统并将其集成到完整的工程和生产系统中。

凯斯纽荷兰公司（Case New Holland）的大型 FR9000 系列牧料收割机能够以每小时 300 吨以上的吞吐量收割玉米、草和其他作物，同时将作物切割成短至 4 毫米的碎片。除了转向和保持最佳速度之外，收割机操作员还必须将作物流引导到拖车中，并监控其填充水平。由于需要同时专注于驾驶和填充任务，复杂的工作变得更加困难。

他们无法在实验室中复制复杂的操作条件。并且由于收获季节太短，也无法在现场进行广泛的原型设计。于是，他们将 AI 算法导入他们的 Simulink 系统模型中，并在桌面上执行闭环仿真系统，使用 3D 场景模拟器来模拟现场条件。