用MATLAB为人工智能做好准备
AI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处理常见任务的技术。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家公司进行的调查表明，在开始计划人工智能的50%公司中，只有4%实际实施了人工智能。1.
许多组织都被实施人工智能的巨大挑战吓坏了：
- 相信要做人工智能，你需要成为数据科学方面的专家
- 担心开发人工智能系统既耗时又昂贵
- 无法访问高质量、有标签的数据
- 将人工智能集成到现有算法和系统中的成本和复杂性
三个现实世界的例子将展示MATLAB是如何工作的®使AI入门变得容易。MATLAB提供了类似于Caffe和TensorFlow等专用人工智能工具的人工智能功能，更重要的是，只有MATLAB允许您将人工智能集成到开发完全工程化系统的完整工作流中。
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？人工智能是如何实现的？
人工智能的定义产生于20世纪50年代，至今仍在使用，是“机器模仿人类智能行为的能力”。当机器不仅能模仿，而且能匹配甚至超越人类性能时，人工智能变得更加有趣。它给了我们卸载重复性任务的机会，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。
使用机器学习，步骤是相反的：输入数据和所需的输出，计算机为您编写程序。机器学习程序（或者更准确地说，模型)大部分是黑匣子。它们可以生成所需的输出，但不像传统的程序或算法那样由一系列操作组成。
今天有很多关于一种称为深度学习．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。
把关键术语放在上下文中，把机器学习和深度学习看作是实现人工智能的方法，它们是当今应用最普遍的技术。
我们的第一个例子展示了一位科学家如何使用MATLAB学习和应用机器学习来解决她无法用其他方法解决的问题。
基于机器学习的快餐食品脆度检测
食品科学家索兰奇·萨纳胡贾（Solange Sanahuja）需要开发一种可重复的过程来确定零食的脆度。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来分析零食的嘎吱嘎吱声，但没有人能够开发出一种过程来检测两者之间的差异非常新鲜，有点陈腐。
Sanahuja博士看到MATLAB支持机器学习，决定尝试万博1manbetx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，最终发现倍频程分析效果最好。
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。
她首先选择了用于训练模型的数据。然后，她用MATLAB训练所有可能的模型。MATLAB生成了一个模型列表，对每个模型进行训练，并生成显示其整体精度的可视化结果。
基于这些结果，Sanahuja博士选择二次支持向量机作为该项目的最佳模型。该模型的准确率约为90-95%，甚至能够检万博1manbetx测出我们感知脆度的细微差异。
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，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公司使用一种叫做新奥地利隧道法的挖掘技术。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，缺乏精通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。他们面临的挑战是获取足够的数据。最好的深度学习网络已经培训了数百万张图片，但Obayashi只有70张。
Obayashi地质学家首先标记了70幅图像中的三个区域，记录了每幅图像的风化蚀变和断裂状态等指标值。然后，他们将这些标记区域划分为更小的图像，最终生成约3000张标记图像。由于从头开始培训深度学习网络需要大量时间、专业知识和数倍的图像，他们使用转移学习创建了一个基于AlexNet的定制网络，AlexNet是一个预先培训的深度学习网络。
亚历克斯内特接受过数百万张图像的训练，能够识别食物、家居用品和动物等常见物体，但是，当然，它对从隧道表面的照片解释地质条件一无所知。通过迁移学习，Obayashi工程师仅对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措施。
转移学习工作流程。
到目前为止，Obayashi的再培训网络已实现风化蚀变和断裂状态的预测精度接近90%。
将人工智能集成到一个完整的工程系统中
我们已经看到，使用MATLAB，您可以创建和训练机器学习模型或深度学习网络，即使您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，您需要将模型集成到一个更大的系统中。
我们的最后一个示例汇集了构建AI系统并将其集成到生产系统中所需的所有元素。
农业收割机灌装作业自动化
Case New Holland的大型FR9000系列牧草收割机能够以每小时300吨以上的产量收割玉米、牧草和其他作物，同时将作物切成4毫米的小块。除了转向和保持最佳速度外，收割机操作员还必须将作物流导入拖车并监控其填充情况同时专注于驾驶和填充任务的需要使得一项复杂的工作更加困难。
他们无法在实验室复制复杂的操作条件，而且收获季节太短，无法在现场进行大规模原型制作。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条件。万博1manbetx
案例新荷兰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：距离和填充标高。
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生产C代码，并将其部署到ARM®9处理器，运行收割机的显示面板软件。
操作员报告说，该系统的性能与在笔记本电脑上运行时一样。新荷兰™ 该系统现已在FR9000系列饲料收获机上投入生产。
总结
有了MATLAB，即使你没有机器学习的经验，你也已经为人工智能做好了准备。您可以使用应用程序快速尝试不同的方法，并应用您的领域专业知识来准备数据。
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，您可以将模型作为完整AI系统的一部分部署到嵌入式设备上。
