用MATLAB准备AI
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
许多组织被他们所看到的实施人工智能的巨大挑战吓住了:
- 相信要做人工智能，你需要成为数据科学方面的专家
- 担心开发一个人工智能系统是耗时和昂贵的
- 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
三个真实的例子将展示MATLAB如何®使开始使用AI变得很容易。MATLAB提供了类似于Caffe和tensorflow等专用AI工具的AI功能，而且更重要的是，只有MATLAB让你把AI集成到开发一个完整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，它是如何做到的?
人工智能的定义出现在20世纪50年代，至今仍在使用，它是“机器模仿智能人类行为的能力”。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，当人们现在想到人工智能，他们几乎总是指机器学习：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。
在机器学习中，步骤是相反的:你输入数据和所需的输出，计算机为你编写程序。机器学习程序(或者更准确地说，模型)大多是黑盒子。它们可以生成所需的输出，但不像传统程序或算法那样由一系列操作组成。
现在有一种特殊类型的机器学习，叫做深度学习。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。
把这些关键术语放到上下文中，想想机器学习和深度学习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脆度
食品科学家索兰吉·萨纳胡贾需要开发一种可重复的方法来确定零食的脆度。她尝试开发零食的实体模型，但没有成功。其他科学家也曾使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方法来分辨完全新鲜和略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从力测量中识别特征，计算硬度和可碎性等值。然后她尝试了几种不同的方法从录音中提取额外的特征，最终发现八度分析效果最好。
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)使用一种名为“新奥地利隧道法”(New Austrian Tunneling Method)的挖掘技术。在这种方法中，地质学家监测开挖过程中巷道面的强度，评估裂缝间距等指标。虽然这种方法降低了施工成本，但它有几个局限性。分析一个站点可能需要花费数小时，因此分析只能偶尔执行。此外，缺乏熟练掌握这项技术的地质学家。
Obayashi决定通过深度学习来解决这些局限性——他们将训练一个深度学习网络来自动识别基于隧道面图像的各种度量。他们的挑战是获得足够的数据。最好的深度学习网络已经对数百万张图像进行了训练，但大林只有70张。
Obayashi的地质学家首先为这70幅图像分别标注了3个区域，并记录了每幅图像的风化蚀变和断裂状态等指标的值。然后他们把这些标记过的区域分成更小的图像，最终得到大约3000张标记过的图像。由于从头开始训练一个深度学习网络需要大量时间、专业知识和很多倍的图像，他们使用转移学习创建了一个基于AlexNet的自定义网络，AlexNet是一个预先训练好的深度学习网络。
AlexNet已经接受了数以百万计的图像训练，可以识别食物、家居用品和动物等常见物品，但是，当然，它并不知道如何从隧道的图片中解释地质条件。通过转移学习，大林的工程师们只对AlexNet的一小部分进行了再培训，以根据隧道表面的图像来估计地质措施。
转移学习工作流程。
到目前为止，大林的再训练网络对风化蚀变和裂缝状态的预测精度已接近90%。
将AI集成到一个完整的工程系统中
我们已经看到，用MATLAB，你可以创建和训练一个机器学习模型或者一个深度学习网络即使你没有经验和数据。但是，当然，工作并没有就此结束。在大多数情况下，您希望将您的模型集成到一个更大的系统中。
我们的最后一个例子汇集了构建AI系统所需的所有元素，并将其集成到生产系统中。
自动化农用收割机的灌装作业
Case New Holland的大型FR9000系列饲草收割机每小时可收获300吨以上的玉米、牧草和其他农作物，同时还能将作物切成4毫米的小块。除了操纵和保持最佳速度，收割机操作员必须引导作物流入拖车，并监测其装满水平。同时专注于驾驶和完成任务的需要，使得一项复杂的工作更加困难。
他们无法在实验室中复制复杂的操作条件，而且收获季节也太短，无法在实地进行大规模的原型制作。相反，他们将人工智能算法导入到他们的Simulink系统模型中，并在桌面上进行闭环模拟，使用3D场景模拟万博1manbetx器模拟现场条件。
一个简化的观点的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:距离和填充水平。
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来快速尝试不同的方法，并应用您的领域专长来准备数据。
如果在数据中识别特征不可行，可以使用深度学习，它将识别特征作为训练过程的一部分。深度学习需要大量数据，但您可以使用转移学习扩展现有的网络，以使用您拥有的数据。
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。
