AI（人工知能）はあらゆるところに存在します。スマートアシスト，机械翻訳，自动运転などのアプリケーションだけではなく，新しい方法として共通の课题に対处するための技术をエンジニアや科学者に提供しています。しかし最近の调查によると，多くの组织はAIの価値とポテンシャルを认识しているものの，活用している组织は仅かです.3,000社を対象にしたガートナーの调查では，50％の组织はAIに关する计画を何かしら立てているにも关わらず，実际に実施している组织は4％にしかすぎません。¹

多くの组织はAIの実现という目がくらむような课题を前にして思いとどまってしまいます。

• AIを行うにはデータサイエンスの専门家でなければならないという思い込み
• AIシステムの开発は膨大な时间とコストが必要という悬念
• 精度の良いラベル付きデータの不足
• 既存のアルゴリズムとシステムにAIを统合するコストと复雑さ

MATLAB^®を使うことでAIの取り组みがいかに容易になるかを3つの実例でご绍介します.MATLABは，来自CaffeやTensorFlowのような専用のAIツールに似たAI机能を提供します。より重要なのは，MATLABは运用を前提としたシステムを开発するためのワークフローに対してAIを统合できることです。

食品科学者の索朗Sanahuja博士は，スナック食品のサクサク感を测定するための再现可能なプロセスを开発する必要がありました.Sanahuja博士はスナックの物理モデルを开発しようとしましたが，成功しませんでした。他の科学者はスナックの咀嚼音を分析するために信号处理を使用していましたが，完全に新鲜な状态のものとわずかに湿気ったものの违いを検出できるプロセスを开発することはできませんでした。

博士は，MATLABが机械学习をサポートしていることを知り试してみることにしました。博士は异なる鲜度のスナックを用いて，スナックを噛み砕く音とその际に加わる圧力，そして训练を受けた试験官が判断する鲜度を记录する実験を何百回も行いました。

博士は食品科学者としての専门知识を使って，圧力の测定値，硬さ，砕けやすさの计算値などから特徴を特定しました。博士はその后，录音データからも特徴を抽出するために复数のアプローチを试み，最终的にオクターブ分析が最も效果的であることを见出しました。

次のステップとして选択した特徴に基づいてモデルを作成しましたが，これは博士にとって初めての経験でした。非常に多くの选択肢がある中で适切なモデルを见つけることは时に困难を伴います。博士は各选択肢を手动で试す代わりに，统计和机器学习工具箱™の分类学习器アプリを使用して自动ですべてのモデルを検证しました。

博士は最初にモデルをトレーニングするためのデータを用意しました。その后，MATLABを使用してすべてのモデルを学习させました.MATLABはモデルのリストを作成し，それぞれを学习させ，予测精度を可视化しました。

これらの结果に基づいて，博士はプロジェクトに最适なモデルとして2次多项式カーネルのサポートベクターマシンを选択しました。このモデルは约90〜95％の予测精度で，人が感知できる微妙なサクサク感の违いを検出することもできます。

日本の建设会社である大林组は，トンネル掘削にNATM（新オーストリアトンネル工法）と呼ばれる技术を利用しています。この方法では，现场技术者は掘削が进むにつれて掘削面の强度を监视し，风化変质や割目间隔などの地质特性を评価します。この手法により建设コストを削减することが可能ですが，一方でいくつかの制限があります。まず，一箇所を分析するのに时间を要することがあったり，适切な评価がなされない场合もあります。さらに，この技术に熟练した地质専门家も不足しています。

そこで，大林组ではディープラーニングを适用することにしました。ディープラーニングのネットワークを学习させて，掘削面の画像に基づいて，さまざまな指标を自动的に认识させます。しかし，课题は十分なデータを准备することでした。精度の高いディープラーニングネットワークは何百万枚という画像で学习されていますが，大林组が持っている画像はわずか70枚でした。

大林组の地质専门家はまず，その70种类の画像のそれぞれ3つの领域にラベルを付け，风化の変化や破壊状态などの指标の値を记录しました。その后，これらのラベル付けした领域をより小さな画像に分割し，最终的に约3000枚のラベル付き画像にすることができました。ディープラーニングのネットワークをゼロから构筑し学习させるには，多くの时间，専门知识，さらに何倍もの画像が必要になるため，大林组は事前学习済みのディープラーニングネットワークであるAlexNetをベースに転移学习を使用しました。

AlexNetは，食品，家庭用品，动物などの一般的な物体を认识するために，何百万もの画像を学习していますが，当然ながらトンネルの掘削面の写真から地质条件を解釈することについては何も知りません。大林组のエンジニアは，トンネルの掘削面の画像に基づいて地质学的测定値を推定するために，AlexNetの一部のみを再学习させました。

これまでのところ，大林组の再学习されたネットワークは，风化変质と割目状态において，90％近い予测精度を达成しています。

凯斯纽荷兰の巨大なFR9000シリーズの饲料收获机は，トウモロコシや草などの作物を1时间当たり300トン以上の收获量で收获しながら，同时に4毫米という短さに作物を切断することができます。收获机の作业者は，最适な速度で操縦し维持することに加えて，收获物をトレーラ侧に流し，さらにその充填レベルを监视しなければいけません。运転をしながら同时に收获量の监视に集中する必要があるため，复雑な作业はさらに困难になります。

彼らはラボで复雑な收获机の操作条件を再现することができず，また试作机によるフィールドでの実験は收获期が短すぎてできませんでした。代わりに，AIアルゴリズムをSi万博1manbetxmulink的システムモデルにインポートし，フィールド条件を模仿した3Dシーンシミュレータを使用して，デスクトップ上で闭ループシミュレーションを実行しました。

デスクトップシミュレーションを使用して机能をテストしたら，コンピュータビジョンと制御メソッドを备えたラップトップを收获机に设置し，作业者のフィードバックに基づいてリアルタイムでAIアルゴリズムを微调整しました。

彼らは，コントローラーモデルから量产用Çコードを生成し，收获机のディスプレイパネルソフトウェアを実行するARM^®9プロセッサに実装しました。

作业者からは，ラップトップで実行していたときと同じようにシステムが実行されたと报告されています。新荷兰IntelliFill™システムは现在，FR9000シリーズの饲料收获机で実用化されています