把 AI 基因植入您的工作流程

摘要：我們可以看到，即使沒有經驗或數據很少，您也可以使用 MATLAB 創建和訓練機器學習模型或深度學習網絡。有了 MATLAB，即使您沒有機器學習的經驗，也可以使用 AI 技術。

快點這裏

◆◆ ◆ ◆

AI（人工智能）無處不在。

它不僅推動了智能助手、機器翻譯和自動駕駛等應用的發展，還爲工程師和科學家提供了一套處理通用任務的新技術。但最近的調查顯示，雖然許多企業都認識到了 AI 的價值和潛力，但很少能夠真正落地—— Gartner 最近對 3,000 家公司進行的調查顯示，開始計劃使用 AI 的約爲 50％，而實際上使用 AI 的只有 4％。

AI 是什麼？它是如何實現的？

出現在 20 世紀 50 年代且至今仍在使用的 AI 定義是“機器模仿人類行爲的能力”。當機器不僅可以模仿，而且可以匹敵甚至超過人類的表現時，AI 也就變得越來越有趣。它可以使我們擺脫重複作業，甚至將任務完全交給計算機，實現更安全和更高效的工作。

和深度學習則被視爲實現 AI 的方法——當今最常用的方法。

許多組織都被他們所認爲的實施 AI 的壓倒性挑戰嚇倒：

相信要做 AI 就必須成爲數據科學的專家
顧慮開發 AI 系統既費時又費錢
缺乏高質量的標記數據
將 AI 集成入現有算法和系統之中成本高而且很複雜

◆ ◆ ◆ ◆

以下將列舉三個真實的例子，展示如何在完整的工作流程中使用 MATLAB 輕鬆集成 AI 技術。

MATLAB 可以提供類似於 Caffe 和 TensorFlow 等專用 AI 工具的 AI 功能——

更重要的是，只有 MATLAB 纔有讓你把 AI 集成到完整的工作流程中的能力，以開發全面工程化的系統。

AI 模型只是開發全面工程化系統的完整作業流的一部分。

◆◆ ◆ ◆

利用機器學習檢測零食的鬆脆度

科學家如何利用 MATLAB 應用機器學習，解決她以往無法以任何其他方式解決的問題。

食品科學家 Solange Sanahuja 需要開發一種可重複的方法來確定零食的鬆脆度。她嘗試開發零食的物理模型，但這不起作用。其他科學家使用信號處理來分析咬碎零食的聲音，但沒有人能夠開發出一種能檢測出非常新鮮和不太新鮮之間差異的方法。

Sanahuja 博士看到 MATLAB 支持機器學習，就決定嘗試一下。她進行了數百次實驗，記下咬碎不同新鮮度零食的聲音和力度，並由訓練有素的試喫員記錄新鮮度。

接着，她利用食品科學家的專業知識從測量的力度中提取特徵，計算硬度和脆度等值。然後又嘗試了幾種不同的方法從錄音中提取其他特徵，最終發現倍頻程分析效果最好。

下一步對她來說是陌生的：根據所選特徵開發模型。由於選擇太多，很難找到合適的模型。

Sanahuja 博士使用 Statistics and Machine Learning Toolbox™ 中的 Classification Learner 應用程序自動驗證每種可能的模型，而不是手動嘗試每個選項。

她首先選擇了用於訓練模型的數據。然後，她使用 MATLAB 訓練所有可能的模型—— MATLAB 生成一個模型列表，對每個模型進行訓練，並生成顯示其總體精度的直觀效果。

基於這些結果，Sanahuja 博士選擇了二次支持向量機，作爲該項目的最佳模型。該模型準確度約爲 90-95％，甚至能夠檢測出感知鬆脆度時的微小差異。

◆◆ ◆ ◆

通過深度學習實現高效隧道挖掘

工程師使用遷移學習（transfer learning）來解決複雜的圖像識別問題，即使只有有限的數據也能夠應用深度學習。

日本建築公司大林組株式會社（Obayashi Corporation）採用了一種名爲新奧法（New Austrian Tunneling Method）的挖掘技術。地質學家通過在挖掘過程中監測隧道掌子面的強度，評估各種指標，如裂縫間距等。雖然這種方法降低了施工成本，但也有一些侷限性。分析一個現場可能需要幾個小時，因此只能偶爾執行分析。此外，熟練掌握該技術的地質學家也很少。

於是，Obayashi 決定通過深度學習來解決這些侷限性——訓練一個深度學習網絡，根據隧道掌子面的圖像自動識別各種指標。其中的挑戰在於獲取足夠的數據。最好的深度學習網絡針對數百萬幅圖像完成了訓練，但是 Obayashi 只有 70 幅。

Obayashi 地質學家首先針對每幅圖像標記了三個區域，記錄了每個圖像的風化蝕變和斷裂狀態等指標的值。然後他們將這些標記區域劃分爲更小的圖像，最終產生約 3,000 個標記圖像。由於從頭開始培訓深度學習網絡需要大量的時間、專業知識和圖像，因此他們選擇通過遷移學習創建一個自定義網絡，該網絡基於預先訓練的深度學習網絡 AlexNet。

AlexNet 已經接受了數百萬幅圖像的訓練，可以識別食物、家居用品和動物等常見物體，但是還無法通過隧道掌子面的圖片來解釋地質條件。通過遷移學習，Obayashi 工程師只重新訓練了 AlexNet 的一小部分，令其根據隧道掌子面的圖像來估算地質條件。

遷移學習工作流程

到目前爲止，經 Obayashi 重新訓練的網絡已可評估風化蝕變和斷裂狀態，預測精度接近於 90%。

我們可以看到，即使沒有經驗或數據很少，您也可以使用 MATLAB 創建和訓練機器學習模型或深度學習網絡。當然，工作並未就此結束。在大多數情況下，您需要將模型集成到更大的系統中。

◆◆ ◆ ◆

自動化農業收割機裝填操作

構建 AI 系統並將其集成到完整的工程和生產系統中。

凱斯紐荷蘭公司（Case New Holland）的大型 FR9000 系列牧料收割機能夠以每小時 300 噸以上的吞吐量收割玉米、草和其他作物，同時將作物切割成短至 4 毫米的碎片。除了轉向和保持最佳速度之外，收割機操作員還必須將作物流引導到拖車中，並監控其填充水平。由於需要同時專注於駕駛和填充任務，複雜的工作變得更加困難。

他們無法在實驗室中複製複雜的操作條件。並且由於收穫季節太短，也無法在現場進行廣泛的原型設計。於是，他們將 AI 算法導入他們的 Simulink 系統模型中，並在桌面上執行閉環仿真系統，使用 3D 場景模擬器來模擬現場條件。