为Matlab准备好AI
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
许多组织被认为是实现AI的压倒性挑战：
- 相信要做人工智能，你需要成为数据科学专家
- 担心开发AI系统是耗时和昂贵的
- 缺乏获得优质，标记数据
- 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®使AI易于开始易于开始。Matlab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允许您将AI集成到完整的工作流程中，以开发完全工程系统。
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ai，它是怎么做的？
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。
实际上是说，当人们今天想到AI时，他们几乎总是意味着机器学习: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。
通过机器学习，步骤颠倒：您输入数据和所需输出，计算机为您提供程序。机器学习程序（或更准确，模型）很大程度上是黑匣子。它们可以生成所需的输出，但它们不是由传统程序或算法等一系列操作组成。
今天有很多兴奋，关于一种专门的机器学习深度学习．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。
要将关键条款放入上下文中，将机器学习和深入学习作为实现AI的方式 - 它们是今天应用的最常用技术。
我们的第一个例子显示了科学家如何学习和应用Matlab的机器学习，以解决她无法以任何其他方式解决的问题。
利用机器学习检测零食酥脆度
Solange Sanahuja是一种食品科学家，需要开发一种决定零食食品脆弱的可重复的过程。她试图开发零食的物理模型，但这并不起。其他科学家曾使用过信号处理以分析嘎吱嘎吱的零食的声音，但没有人可以制定一个可以检测到完全清新和略微陈旧之间的差异的过程。
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Obayashi Corporation采用了一种称为新奥地利隧道法的挖掘技术。在这种方法中，地质学家监测隧道面的强度随着挖掘进展，评估裂缝之间的间距等度量。虽然该方法降低了施工成本，但它有几个限制。可以花几个小时来分析一个网站，因此只能偶尔进行分析。此外，这种技术的地质学家缺乏技术人员。
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。
Obayashi地质学家首先标记了70个图像中的每一个的三个区域，记录了每一个耐候变化和骨折状态等度量的值。然后他们将这些标记的区域划分为较小的图像，最终产生约3,000个标记的图像。由于从头训练了深度学习网络需要大量的时间，专业专业知识，以及多次图像，他们使用传输学习来创建一个基于亚历尼网的自定义网络，是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的棘手网络已经实现了预测准确性接近90％的耐候变化和断裂状态。
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。
我们的最终示例将所有元素带入构建AI系统并将其集成到生产系统中。
自动化农业收割机灌装运营
案例新的荷兰大规模的FR9000系列牧草收割机能够在每小时300多吨以上超过300吨的吞吐量收获玉米，草和其他作物，同时将作物切割成短至4mm。除了转向和保持最佳速度之外，收割机运营商必须将作物流入拖车并监控其填充水平。需要专注于驾驶和填补任务的同时使得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。
一种简化的荷兰仿真框架的视图。
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。
运营商报告说，在笔记本电脑上运行时，系统执行的系统。新款Holland IntelliFill™系统现已在FR9000系列牧草收割机上生产。
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。
