人工智能是一种被设计成智能的计算机系统，能够感知环境、做出决定并采取行动。对于工程师来说，除了AI的广义定义之外，还有很多事情需要考虑，更重要的是，如何实现它。结果因应用而异。但是，构建一个成功的人工智能系统需要导航整个工作流程，并且关注的不仅仅是训练人工智能模型。
那么人工智能对工程师来说意味着什么呢?AI意味着数据准备。大多数人工智能应用的核心是数据。事实证明，数据准备是人工智能成功的最关键因素之一。如果没有数据准备，你就会花大量时间看着平庸的AI结果，并想知道为什么。
数据准备不仅仅是拥有大量数据，甚至是对所有数据进行预处理以保持一致。这是关于人类的洞察力，是什么让数据变得好。这是关于考虑用合成数据和更多样本来增加数据集。它是关于通过自动花在标记上的时间来更快地清理和标记数据。
AI意味着建模。是的，我一开始就说人工智能不仅仅是一个模型。但是，当然，您仍然需要构建尽可能最好的模型。这里有几点需要考虑。
选择你的算法——你是在研究机器学习还是深度学习?也许是两者的结合。从一套完整的算法和预先构建的模型开始，意味着你已经走在了游戏的前面，利用了AI社区中更广泛的工作，而不是从头开始。
优化您的模型——在这里您需要花时间来确定最优参数集，这将使您获得最健壮和最准确的模型。得到一个精确的模型需要时间。幸运的是，增加更多的硬件可以显著加快用参数、输入数据和层的所有组合训练模型的时间。
AI意味着系统设计。模型不是结果。这是一个复杂系统的一部分。让我们以一个递送包裹的机器人为例。
向机器人添加AI意味着AI必须与所有其他部件流畅共存。您可以使用多个传感器进行感知、定位和路径规划。你有物理系统来控制速度和方向处理。这些部分一起工作创造了一个完整的工作系统。而且它必须在所有情况下都能完美工作。
模拟是所有这些结合在一起的方式。模拟不仅可以验证各个部分将正确地一起工作，还可以确保在每种情况下的结果和反应都是您所期望的。模拟可以让您验证边缘情况并测试数百万个场景，否则这些场景将耗费大量时间。它还使您能够在部署到硬件之前验证您的模型是否正确工作。
最后，AI意味着部署。你已经训练好了你的模型。你已经测试过你的系统了。是时候让人工智能走向世界了。
由于广泛的应用程序使用AI，因此有广泛的部署需求，从汽车中的ecu，到化工厂的边缘系统，到制造业中基于企业的系统，或从多个位置收集数据的基于云的流系统。你可以将AI集成到这些系统的任何部分。所以你需要能够灵活部署到所有可能平台的AI模型。
在将人工智能纳入系统时，需要考虑很多因素。作为工程师，重要的是要专注于不仅仅是建立一个模型，而是整个人工智能工作流程。
