人工智能无处不在。不仅仅是为应用程序(如智能助手,机器翻译,自动驾驶,它也给工程师和科学家的技术以新的方式解决常见的任务。然而,根据最近的估计,而许多组织承认的价值和潜在的AI,很少有人使用it-Gartner最近对3000家公司的调查表明,50%的人工智能开始计划,只有4%的人真正实现它。1
许多组织都因他们认为实现人工智能的压倒性的挑战:
- 艾未未认为,你需要一个专家在数据的科学
- 担心开发一个人工智能系统是耗时和昂贵的
- 缺乏高质量的标签数据
- 将人工智能集成到现有的成本和复杂性算法和系统
三个实际的例子将说明MATLAB®很容易开始使用人工智能。MATLAB提供的人工智能功能类似于专用的AI工具像咖啡和TensorFlow-and更重要的是,仅完成了MATLAB可以将人工智能集成到工作流开发一个完整的设计系统。
一个人工智能模型只是一个完整的工作流的一部分发展中一个完整的设计系统。
什么是人工智能,它是怎么做的?
人工智能的定义在上个世纪1950年代,仍在使用“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AI的今天,他们几乎总是意味着机器学习:训练机器学习所需的行为。
在传统的编程中,你写一个程序处理数据来产生所需的输出。
与机器学习,相反的步骤:你输入数据和期望的输出,和计算机编写程序。机器学习程序(或者更准确地说,模型)主要是黑色盒子。他们可以生成所需的输出,但他们不是由一系列的操作,比如传统的程序或算法。
今天有很多兴奋的专门化类型机器学习深度学习。深度学习使用神经网络。(“深”这一术语指的是业务开展的层数更多的层,深层网络)。深度学习的一个主要优势是,它不需要手动数据处理步骤和广泛的领域知识所需的其他技术。
把关键词为背景,认为机器学习和深度学习的方式实现艾城今天是最常见的技术应用。
第一个例子展示了一个科学家学习和应用机器学习与MATLAB解决一个问题,她不能以任何其他方式解决。
使用机器学习来检测零食松脆
抹胸Sanahuja,食品科学家,需要开发一个可重复的过程确定的松脆小吃。她试着发展中物理模型的零食,但没有工作。其他科学家使用了信号处理分析处理零食的声音,但是没有人可以开发一个过程可能检测差异非常新鲜和略。
Sanahuja博士发现MATLAB支持机器学习,决定试一万博1manbetx试。她跑数以百计的实验记录的声音和力量粉碎小吃以不同的新鲜的水平,并记录新鲜的评级由训练有素的品酒师。
她用她的专业领域是食品科学家确定力的特性测量,如硬度和fracturability计算值。然后她尝试几种不同的方法从录音中提取附加功能,最终发现,倍频程分析效果最好。
下一步是对她新:开发一个模型基于所选择的特性。找到合适的模型是很困难的,因为有太多的选择。代替手动尝试每个选项,Sanahuja博士使用统计和机器学习的分类学习者应用工具箱™自动尝试每个可能的模型。
她第一次所选的数据训练模型。然后她用MATLAB来训练所有可能models-MATLAB生成模型的列表,每一个训练,和生产可视化显示的整体精度。
基于这些结果,Sanahuja博士选择二次支持向量机作为项目的最佳模式。万博1manbetx模型是约90 - 95%准确,甚至能够发现小的差异我们如何感知松脆。
在下一个示例中,工程师使用深度学习解决一个复杂的图像识别问题。从头开始培训一个深入学习网络需要大量的数据。但通过使用转移学习,这些工程师能够应用深度学习即使少量的数据。
高效的隧道开挖深度学习
日本建筑公司大林公司用一个叫做新奥地利隧道开挖技术方法。在这种方法中,地质学家监控隧道面临的强度随着开挖的发展,评估指标,如骨折之间的间距。尽管这种方法降低建设成本,它也有一些局限性。它可以花费几个小时的时间来分析一个网站,所以分析只能偶尔被执行。此外,有一个短缺的地质学家在这个技术熟练。
大林决定解决这些局限性与深度学习培训深入学习网络自动识别各种指标的基于图像隧道的脸。他们面临的挑战是在得到足够的数据。最好的深度学习网络一直在训练成千上万的图像,但大林刚刚70人。
大林地质学家第一标记三个区域的70个图像,记录的值指标为每一个风化蚀变和断裂状态。然后他们将这些标记区域分成较小的图像,最终产生大约3000标记图像。自从头开始培训一个深入学习网络需要大量的时间,专业的专业知识,和许多倍的图像,他们使用学习转移到创建一个自定义网络基于AlexNet pre-trained深学习网络。
AlexNet一直在训练上数以百万计的图像识别常见的物品,例如食品、家庭用品,和动物,但是,当然,它不知道任何关于解释地质条件从隧道的脸的照片。转移学习,大林工程师重新训练只是一小部分AlexNet估计隧道的地质措施基于图像的脸。
转移学习工作流程。
到目前为止,大林的重新训练网络实现预测准确率接近90%风化蚀变和断裂状态。
将人工智能集成到一个完整的系统工程
我们已经看到,在MATLAB,您可以创建和训练机器学习模型或深入学习网络即使你没有经验和小数据。但是,当然,工作还没结束。在大多数情况下,您需要将您的模型集成到一个更大的系统。
我们的最后一个例子汇集了所有所需的元素建立一个人工智能系统和集成到生产系统。
农业收获机自动化灌装操作
新荷兰的大规模FR9000系列饲料矿车可以收割玉米,草,和其他作物的吞吐量超过300吨每小时,减少作物一样短4毫米。除了操舵和维持一个最佳的速度,收割机运营商必须直接作物流入一个拖车和监控的填充水平。需要集中精力驾驶和填充任务同时使一个复杂的工作变得更加困难。
他们不能复制复杂的操作条件在实验室里,和收获季节太短,以便广泛的原型。相反,他们进口执行的人工智能算法在仿真软件系统模型和闭环模拟在桌面上,使用3 d场景模拟器来模拟现场条件万博1manbetx。
新荷兰仿真框架的简化视图。
仿真结果。左:收割机繁荣和拖车。右上:相机输出。
右下角:距离和填补水平。
一旦使用桌面模拟功能已经测试,他们把笔记本电脑与计算机视觉和控制方法为收割机工作,实时微调AI算法基于运营商的反馈。
他们从控制器生产C代码生成模型和部署的一只手臂®9处理器,收割机的显示面板软件。
运营商报道,系统运行时的表现就像没有笔记本电脑。新荷兰IntelliFill™系统现在在生产FR9000系列饲料矿车。
总结
MATLAB,你是准备人工智能和机器学习即使你没有经验。您可以使用应用程序快速尝试不同的方法,并应用专业知识准备数据。
如果不是可行的识别功能在您的数据,您可以使用深度学习,识别功能为您的培训过程。深度学习需要大量的数据,但是您可以使用转移学习扩展现有网络处理数据。
最后,您可以部署模型的嵌入式设备上一个完整的人工智能系统。
