什么是人工智能（AI）？

你需要知道的3件事

人工智能，简称AI，是对智能人类行为的模拟。它是一个计算机或系统，被设计来感知它的环境，理解它的行为，并采取行动。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整合到复杂的环境中，从而实现自动化。

AI为何重要

人工智能工作流

人工智能与MATLAB

为什么艾特关系？

根据麦肯锡预测，据据委员会，据估计，均估计为2030年在全球范围内创建13万亿美元。

这是因为AI在几乎每个行业和应用领域都在改造工程。

除了自动驾驶，人工智能还被用于预测机器故障的模型中，指示它们何时需要维护;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。

凌晨

工程师的人工智能:构建人工智能系统

人工智能工作流程的关键组件

人工智能的成功需要的不仅仅是训练一个人工智能模型，特别是在人工智能驱动的系统中，即做出决定并采取行动。一个可靠的AI工作流包括准备数据、创建模型、设计模型运行的系统，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努力。

数据准备需要域名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、雷达和激光雷达等方面的经验。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，以及哪些是需要考虑的罕见事件。

AI还涉及促使数据量。然而标记数据和图像是乏味且耗时。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善数据集。在这两种情况下，自动化对按时完成任务都是至关重要的。

人工智能建模

建模AI系统成功的关键因素是：

从一套完整的一套开始算法和预建模型用于机器学习，深度学习，加固学习和其他AI技术
使用应用用于生产设计和分析
工作在一个开放的生态系统在哪里像Matlab这样的AI工具^®PyTorch和TensorFlow™可以同时使用
管理计算的复杂性使用GPU加速和缩放到并行和云服务器和内部部署数据中心

系统设计

AI模型存在于一个完整的系统中。在自动驾驶系统中，感知的人工智能必须与定位、路径规划和制动、加速和转弯的控制算法相结合。

人工智能用于自动驾驶场景。

考虑到人工智能在风力发电场的预测性维护和当今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仿真。

部署

AI模型需要部署到最终产品的cpu、gpu和/或fpga上，无论是嵌入式或边缘设备、企业系统或云的一部分。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模型提供了跨多个设备收集的数据的结果。通常，AI模型被部署到这些系统的组合中。

当您从您的模型中生成代码并瞄准您的设备时，部署过程就会加速。使用代码生成优化技术和硬件优化库，您可以调整代码，以满足嵌入式设备和边缘设备的低功耗要求，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

有充分证据表明人工智能的技能短缺。然而，使用MATLAB或Simulink的工程师和科学家金宝app^®具备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

你会花更少的时间预处理数据。从时序传感器数据到图像到文本，MATLAB应用程序和数据类型明显减少了预处理数据所需的时间。高级功能使得易于同步不同时间序列，用内插值替换异常值，过滤嘈杂的信号，将原始文本拆分为单词，更多。你可以快速想象你的数据要了解趋势并用地块确定数据质量问题直播编辑。

MATLAB应用程序自动化图像、视频和音频数据的地面真相标记。

要在从传感器或其他设备获得数据之前测试算法，可以从Simulink生成合成数据。金宝app该方法通常用于自动驾驶系统，如自适应巡航控制，车道保持协助，自动紧急制动。

使用标签应用程序进行深度学习工作流，如语义细分。

与深层学习框架互操作。

人工智能MATLAB建模

AI建模技术因应用而异。

机器学习

MATLAB用户已部署数千种适用于预测性维护，传感器分析，金融和通信电子产品。统计和机器学习工具箱™通过训练和比较模型、高级信号处理和特征提取、分类、回归和聚类算法的应用程序，使机器学习的困难部分变得容易监督和无人监督的学习。

ASML，半导体制造商，二手机器学习技术创建虚拟计量技术，以改善构成芯片的复杂结构中的覆盖对齐。“作为一个流程工程师，我没有经验与神经网络或机器学习。我通过Matlab示例工作，找到了用于生成虚拟计量的最佳机器学习功能。我不能在c或python中完成这一点 - 它会花费太多寻找，验证和集成正确的软件包，“工程师emil schmitt-weaver说明。

Matlab模型在大多数统计和机器学习计算上也具有比开源更快的执行。

分类学习者应用，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的深度学习能力用于自动驾驶、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，列车和评估深度神经网络的层。例子和掠夺网络使Matlab易于用于深入学习，即使没有高级计算机视觉算法或神经网络的知识。

MATLAB使工程师能够跨不同的深度学习框架一起工作。支持ONN金宝appX, 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，可以让你构建、可视化和编辑深度学习网络。

强化学习

在基于累积奖励学习的控制系统中，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。您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培训策略。

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，新闻源，调查，操作员报告和社交媒体等源中提取和处理原始文本。

使用机器学习技术，如LSA、LDA和单词嵌入，您可以从高维文本数据集找到集群并创建特征。通过Text Analytics Toolbox创建的功能可以与其他数据源的功能相结合，以构建利用文本、数值和其他类型数据的机器学习模型。

识别Storm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进金宝app行快速设计迭代和闭环测试。

例如，在自动驾驶系统中，你可以使用AI和模拟来进行整体系统设计。您使用Simul金宝appink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，用于系统级仿真。金宝app你可以使用像虚幻引擎这样的软件来合成摄像机图像，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就部署了一辆3级自动驾驶汽车。集成模型加速了从想法到道路测试的过程。金宝appSimulink让他们在危险的条件下安全地测试。

金宝appSimulink还允许您根据已知的故障条件生成故障数据。在风电场中，可以将合成故障数据添加到风力涡轮机的测量数据中。您可以改进系统模型，以获得未来设备故障的准确预测器。