用MATLAB做AI的准备
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
- 担心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
三个实际的例子将展示MATLAB是如何实现的®使它很容易开始与人工智能。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。
什么是人工智能，它是如何实现的?
人工智能的定义出现于上世纪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，今天当人们想到人工智能时，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。
使用机器学习，步骤是相反的:你输入数据和想要的输出，计算机为你写程序。机器学习程序(或者更准确地说，模型)基本上是黑盒。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，人们对一种专门类型的机器学习非常感兴趣深度学习。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。
把关键的术语放在上下文中，把机器学习和深度学习看作是实现人工智能的方法——它们是目前最常用的技术。
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酥脆度
食品科学家索朗热·萨纳胡贾(Solange Sanahuja)需要开发一种可重复测定零食脆度的方法。她尝试开发零食的物理模型，但没有成功。其他科学家曾利用信号处理来分析零食嘎吱嘎吱的声音，但没人能开发出一种程序来检测完全新鲜和稍微不新鲜之间的区别。
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。
她利用自己作为食品科学家的专业知识来识别力测量的特征，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，最终发现八度音程分析效果最好。
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，通过使用转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)采用了一种名为“新奥地利隧道法”(New Austrian 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建设成本，但它有几个局限性。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，在这方面缺乏熟练的地质学家。
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来自动识别基于隧道表面图像的各种指标。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训练了数百万张图片，但小林只有70张。
Obayashi的地质学家首先为这70幅图像中的每一幅都标记了三个区域，记录了风化变化和断裂状态等指标的值。然后他们把这些有标记的区域分成更小的图像，最终得到大约3000张有标记的图像。由于从无到有地训练一个深度学习网络需要大量的时间、专业知识和更多的图像，他们使用转移学习来创建一个基于AlexNet的自定义网络，AlexNet是一个预先训练好的深度学习网络。
AlexNet已经接受了数百万张图像的训练，以识别常见的物体，如食物、家居用品和动物，但是，当然，它并不知道如何从隧道表面的图像来解释地质条件。通过转移学习，Obayashi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，使用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，工作还没有结束。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将构建AI系统并将其集成到生产系统中所需要的所有元素集合在一起。
自动化农用收割机的灌装作业
Case New Holland的大型FR9000系列牧草收割机能够收获玉米、草和其他作物，每小时的产量超过300吨，同时将作物切成小块，短至4毫米。除了操纵和保持最佳速度外，收割者操作员还必须将作物引导到拖车中并监控其充填水平。需要同时专注于驾驶和填写任务，这使得一项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引入他们的Simulink系统模型，并在桌面上使用3D场景模拟器模拟现场条件，进万博1manbetx行闭环仿真。
一个简化的观点，案例新荷兰模拟框架。
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。
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，并应用您的领域专长来准备数据。
如果无法识别数据中的特征，您可以使用深度学习，它将为您识别特征作为培训过程的一部分。深度学习需要大量的数据，但是您可以使用转移学习来扩展现有的网络来处理您拥有的数据。
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。
