用MATLAB为AI做好准备
人工智能无处不在。它不仅为智能助手、机器翻译和自动驾驶等应用提供动力，还为工程师和科学家提供了一套以新方式解决常见任务的技术。然而，根据最近的估计，虽然许多组织认识到人工智能的价值和潜力，但很少有人在使用它。gartner最近对3000家公司的调查显示，在50%开始计划人工智能的公司中，只有4%真正实施了它。1
许多组织被他们认为的实施人工智能的巨大挑战吓住了:
- 相信要做人工智能，你需要成为数据科学专家
- 人们担心开发人工智能系统既耗时又昂贵
- 缺乏获得高质量、有标签的数据的途径
- 将人工智能整合到现有算法和系统的成本和复杂性
三个真实世界的例子将展示MATLAB如何®让我们更容易开始使用人工智能。MATLAB提供的人工智能功能类似于专门的人工智能工具，如Caffe和tensorflow，更重要的是，只有MATLAB让您将人工智能集成到完整的工作流，以开发一个完整的工程系统。
人工智能模型只是开发一个完整工程系统的完整工作流的一部分。
什么是人工智能，它是如何实现的?
人工智能在20世纪50年代被定义为“机器模仿人类智能行为的能力”，至今仍在使用。当机器不仅能模仿，而且能达到甚至超过人类的表现时，人工智能就变得更加有趣了——它让我们有机会减轻重复性任务，甚至让计算机比我们更安全、更高效地完成工作。
实际上，当人们今天想到人工智能时，他们几乎总是指的是机器学习:训练机器学习期望的行为。
在传统编程中，您需要编写一个程序来处理数据以产生所需的输出。
在机器学习中，步骤是相反的:输入数据和想要的输出，计算机为你编写程序。机器学习程序(或者更准确地说，模型)主要是黑盒。它们可以生成所需的输出，但不像传统程序或算法那样由一系列操作组成。
今天有一种专门的机器学习方式，叫做深度学习．深度学习使用神经网络。(“深度”一词指的是网络中的层数——层越多，网络就越深。)深度学习的一个关键优势是，它不需要人工数据处理步骤，也不需要其他技术所需的广泛领域知识。
把这些关键术语放在背景下，可以把机器学习和深度学习看作是实现人工智能的方式——它们是当今最常用的技术。
我们的第一个例子展示了一位科学家如何通过MATLAB学习并应用机器学习来解决一个她无法用其他方法解决的问题。
利用机器学习检测零食酥脆度
食品科学家索朗格·萨纳胡贾(Solange Sanahuja)需要开发一种可重复的方法来确定零食的脆度。她尝试开发零食的物理模型，但没有成功。其他科学家曾使用信号处理技术来分析嘎吱嘎吱的零食声音，但没有人能开发出一种方法来检测完全新鲜和稍微不新鲜之间的区别。
Sanahuja博士看到MATLAB支持机器学习，决定尝试金宝app一下。她进行了数百次实验，记录了在不同新鲜程度下碾碎零食的声音和力度，并记录了训练有素的品尝者的新鲜度评分。
她利用自己作为食品科学家的专业知识，从力测量中识别特征，计算硬度和可断裂性等值。然后她尝试了几种不同的方法从录音中提取额外的特征，最终发现八度分析效果最好。
下一步对她来说是全新的:基于选定的特征开发一个模型。找到合适的模型可能很困难，因为选择太多了。Sanahuja博士使用统计学和机器学习工具箱™中的分类学习应用程序来自动尝试每一个可能的模型，而不是手动尝试每个选项。
她首先选择用于训练模型的数据。然后她用MATLAB训练所有可能的模型——MATLAB生成一个模型列表，训练每个模型，并生成显示其总体准确性的可视化结果。
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。金宝app该模型的准确率约为90-95%，甚至能够检测出我们对松脆感的细微差异。
在下一个例子中，工程师使用深度学习来解决复杂的图像识别问题。从头开始训练一个深度学习网络需要大量的数据。但通过使用转移学习在美国，这些工程师能够应用深度学习，即使只有少量的数据。
基于深度学习的隧道高效开挖
日本建筑公司大林株式会社(Obayashi Corporation)使用了一种名为“新奥地利隧道法”(New Austrian Tunneling Method)的挖掘技术。在这种方法中，地质学家在开挖过程中监测巷道工作面的强度，评估裂缝间距等指标。虽然这种方法降低了建筑成本，但它有几个局限性。分析一个站点可能需要几个小时，因此分析只能偶尔执行。此外，这种技术的地质学家也缺乏。
大林决定用深度学习来解决这些限制——他们将训练一个深度学习网络，根据隧道面部的图像自动识别各种指标。他们面临的挑战是获取足够的数据。最好的深度学习网络已经在数百万张图像上进行了训练，但大林只有70张。
大林的地质学家首先在70幅图像中分别标记了三个区域，记录了风化蚀变和断裂状态等指标的值。然后他们把这些标记区域分成更小的图像，最终产生了大约3000张标记图像。由于从头开始训练一个深度学习网络需要大量的时间、专业知识和许多倍的图像，他们使用迁移学习来创建一个基于AlexNet的定制网络，一个预先训练的深度学习网络。
AlexNet已经接受了数以百万计的图像训练，以识别食物、家居用品和动物等常见物体，但当然，它对从隧道表面的图片中解读地质条件一无所知。通过迁移学习，Obayashi的工程师重新培训了AlexNet的一小部分，以根据隧道表面的图像来评估地质措施。
转移学习工作流程。
到目前为止，Obayashi的再训练网络对风化蚀变和裂缝状态的预测精度接近90%。
将人工智能整合到一个完整的工程系统中
我们已经看到，有了MATLAB，你可以创建和训练一个机器学习模型或深度学习网络，即使你没有经验和很少的数据。但是，当然，工作并没有到此为止。在大多数情况下，您将希望将您的模型集成到更大的系统中。
我们最后一个例子将所有构建AI系统所需的元素整合到生产系统中。
自动化农业收割机灌装操作
Case New Holland的FR9000系列大型牧草收获机能够收获玉米、草和其他作物，产量超过300吨/小时，同时将作物切割成短至4毫米的小块。除了操控和保持最佳速度外，收割机操作员还必须引导作物流入拖车，并监控其装载水平。同时专注于驾驶和完成任务的需求使得一项复杂的工作更加困难。
他们无法在实验室中复制复杂的操作条件，而且收获季节太短，不允许在田野中进行广泛的原型制作。相反，他们将人工智能算法导入Simulink系统模型，并在桌面上进行闭环模拟，使用3D场景模拟器模拟现场金宝app条件。
Case New Holland模拟框架的简化视图。
仿真结果。左:矿车吊杆和拖车。右上角:摄像机输出。
右下角:距离和填充水平。
一旦该功能通过桌面模拟测试，他们将带有计算机视觉和控制方法的笔记本电脑放入正在工作的收割机中，根据操作员的反馈实时微调人工智能算法。
他们从控制器模型生成产品C代码，并将其部署到ARM上®9个处理器，运行收割机的显示面板软件。
操作人员报告说，该系统的运行情况与在笔记本电脑上运行时一样。新荷兰IntelliFill™系统现在在FR9000系列牧草收获机上生产。
总结
有了MATLAB，你就为人工智能做好了准备，即使你没有机器学习的经验。您可以使用应用程序快速尝试不同的方法，并应用您的领域专业知识准备数据。
如果在你的数据中识别特征是不可行的，你可以使用深度学习，它在训练过程中为你识别特征。深度学习需要大量的数据，但您可以使用迁移学习来扩展现有网络，以使用您拥有的数据。
最后，您可以将模型作为一个完整的AI系统的一部分部署到嵌入式设备上。
