准备好了AI与MATLAB

AI是无处不在。这不只是供电,如智能助手,机器翻译应用程序,并自动驾驶,它也给工程师和科学家的一套技术以新的方式解决共同的任务。然而,根据最近的估计,而许多组织认识价值和AI的潜力,很少有人使用它,Gartner公司的3000家公司最近的一项调查表明,的50%即开始计划AI,只有4%的人实际上实现了它。1

许多组织认为实施人工智能面临着巨大的挑战,因而望而却步:

  • 相信要做人工智能,你需要成为数据科学的专家
  • 开发人工智能系统既耗时又昂贵
  • 无法获得良好的质量,标签数据
  • 成本和AI整合到现有的算法和系统的复杂性

三个真实的例子将展示MATLAB是如何实现的®让人工智能更容易上手。MATLAB提供了类似于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集成到开发完全工程系统的完整工作流中。

人工智能模型只是一个用于开发一个完全工程系统的完整工作流程的一部分。

什么是AI,它是如何实现的?

人工智能的定义出现于20世纪50年代,至今仍在使用,即“机器模仿人类智能行为的能力”。AI gets more interesting when the machine can not just imitate, but match or even exceed human performance—it gives us the opportunity to offload repetitive tasks, or even to get computers to do jobs more safely and efficiently than we can.

实际上,当人们想到今天的人工智能时,他们几乎总是指的是机器学习:训练机器学习所需的行为。

在传统的编程,你会写一个程序,处理数据,以产生所需的输出。
随着机器学习,步骤倒过来:你在数据和所需的输出饲料,计算机为你写的程序。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,但是它们不像传统的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被称为机器学习深度学习。深度学习使用神经网络。(术语“深”指的是层的在所述网络的多个层的数量,越深网络。)深学习的一个关键优点是它消除了其他所需的手动数据处理步骤和广泛领域知识的需要技术。

为了把钥匙字词背景下,认为机器学习和深入学习作为实现途径AI-他们是最常见的技术应用的今天。

我们的第一个例子展示了如何科学家教训和应用的机器学习MATLAB来解决一个问题,她无法以任何其他方式解决。

利用机器学习检测零食的脆度

索朗Sanahuja,食品科学家,需要开发一个可重复的流程来确定的零食松脆。她试图开发小吃物理模型,但没有奏效。其他科学家曾用信号处理来分析运算小吃的声音,但没有人可以开发一个过程,可以发现完全新鲜和陈旧略有差异。

Sanahuja博士锯MATLAB支持机器学习,并决定试一万博1manbetx试。她跑了数百次实验来记录声音,在不同的新鲜度水平破碎小吃的力量,由受过训练的品酒记录新鲜感评级。

作为一名食品科学家,她利用自己的专业知识从力的测量中确定特征,计算硬度和可碎性等数值。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。

下一步是新的对她说:开发基于选择的功能模型。找到合适的模型是很困难的,因为有这么多的选择。而不用手动尝试每个选项,Sanahuja博士使用统计和机器学习工具箱™分类学习应用自动尝试每一种可能的模式。

她首先选择的数据用于训练模型。然后,她用MATLAB培训所有可能的模型,MATLAB产生显示出其整体精度的机型列表,训练有素的每一个,并制作可视化效果。

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式。万博1manbetx该模型是约90-95%准确,甚至能检测我们如何看待松脆小的差异。


在下面的例子中,工程师使用深度学习处理复杂的图像识别问题。从头开始培训了深刻的学习网络需要大量的数据。但是,通过使用迁移学习这些工程师们能够运用深度学习,即使数据适量的。

高效的隧道开挖与深度学习

日本建筑公司大林公司(Obayashi Corporation)使用了一种名为“新奥地利隧道法”(New austria 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隧道表面的强度,评估裂缝间距等指标。虽然这种方法降低了施工成本,但也有一些局限性。分析一个站点可能需要几个小时,因此只能偶尔进行分析。此外,缺乏熟练掌握这项技术的地质学家。

Obayashi决定通过深度学习来解决这些限制——他们将训练一个深度学习网络,根据隧道表面的图像自动识别各种指标。他们的挑战在于获得足够的数据。最好的深度学习网络已经对数百万张图像进行了训练,但大林只有70张。

大林地质学家第一标记的每个70个图像中的三个区域,记录度量的值等风化改变和断裂状态为每一个。然后,他们划分这些标记的区域为更小的图像,最终产生约3000个标记的图像。由于训练从头开始深度学习网络需要大量的时间,专业知识,很多时候更多的图像,他们所用的传送学习为主,预训练的深度学习网络上AlexNet创建自定义网络。

AlexNet已经接受了数以百万计的图像训练,以识别常见的物体,如食物、家居用品和动物,但是,当然,它并不知道如何从一个隧道的图片来解释地质条件。通过转移学习,大林的工程师们仅对AlexNet的一小部分进行了再培训,以根据隧道表面的图像估计地质测量。

转移学习工作流程。

到目前为止,Obayashi的再训练网络在风化蚀变和断裂状态下的预测精度已接近90%。


将人工智能整合成一个完整的工程系统

我们已经看到,用MATLAB,你可以创建和训练一个机器学习模型或一个深度学习网络,即使你没有经验和很少的数据。但是,当然,工作并没有就此结束。在大多数情况下,您希望将模型集成到更大的系统中。

我们的最后一个例子集合了构建AI系统并将其集成到生产系统所需的所有元素。

自动化农用收割机的灌装作业

凯斯纽荷兰的大规模FR9000系列饲料收获机能够收割玉米,草,以每小时300吨以上的吞吐量等作物的同时,减少了作物件短4毫米。除了转向和保持最佳的速度,收割机操作人员必须直接作物流入拖车并监视其填充水平。需要专注于驾驶和灌装任务,同时使一个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,而且收获季节太短,无法在田间进行大规模的原型设计。相反,他们将人工智能算法导入到他们的Simulink系统模型中,并在桌面上使用3D场景模拟器模拟现场条件万博1manbetx进行闭环模拟。

一个简化的新荷兰模拟框架的情况。

仿真结果。左:收割机的繁荣和拖车。右上:摄像机输出。
右下角:距离和填充级别。

一旦功能一直在使用桌面模拟测试,他们把笔记本电脑与计算机视觉和控制方法,为工作的收割机,微调的基础上运营商的反馈实时的AI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处理器,其运行收割机的显示面板的软件。

运营商报告说,系统执行正如它在笔记本电脑上运行的时候了。新荷兰IntelliFill™系统现在是在生产环节上FR9000系列饲料收获机。


摘要

有了MATLAB,即使你没有机器学习的经验,你也已经为AI做好了准备。您可以使用应用程序快速尝试不同的方法,并应用您的领域专长来准备数据。

如果这是不可行的识别数据的功能,您可以用深度学习,识别功能,为你的训练过程的一部分。深学习需要大量的数据,但可以使用迁移学习扩展现有的网络工作,你有数据。

最后,您可以部署模型的嵌入式设备上的完整的AI系统的一部分。

1“人工智能的真正的真理。”Gartner的数据和分析高峰论坛,2018年3月提出的。