图片来源:Mathworks
工程师们正越来越多地寻求成功的人工智能集成到项目和应用程序而试图爬上自己的人工智能的学习曲线。解决人工智能,工程师首先要了解什么是人工智能和它如何适应当前的工作流,它可能并不像它看起来那样简单。一个简单的搜索“什么是人工智能?“谷歌产生数以百万计的结果,不同程度的技术和相关的信息。
那么,什么是人工智能工程师吗?
大部分集中在AI在很大程度上依赖人工智能模型,驱动工程师快速深入造型人工智能的方面。几starter项目后,工程师快速学习,人工智能不仅是造型,而是一套完整的步骤,包括数据准备、建模、模拟、测试和部署。
工程师使用机器学习和深度学习往往会花费大部分的时间开发和微调人工智能模型。是的,工作流的建模是一个重要的一步,但是该模型不是旅程的结束。成功的关键因素在实际人工智能实现早期发现任何问题和了解方面的工作流时间和资源专注于最好的结果并不总是最明显的步骤。
两个重要的旁白考虑之前到完整的工作流程:
- 通常,AI只是一小块更大的系统,它需要正常工作在所有场景与所有其他工作部件的最终产品,包括其他传感器和算法,如控制、信号处理、传感器融合。
- 工程师在这个场景中已经成功将人工智能的技能。他们固有的知识问题,数据准备工具和设计模型,他们可以开始即使他们不是人工智能专家,让他们利用他们现有的领域的专业知识。
AI-Driven工作流
现在我们可以深入AI-driven的四个步骤完成工作流和更好地理解每一步如何发挥自己的重要作用在成功实施人工智能项目。
第一步:数据准备
数据准备可以说是最重要的步骤在人工智能工作流:没有强劲的和准确的数据作为输入来训练一个模型,项目更有可能失败。如果一个工程师给出了模型“坏”数据,他或她不会得到深刻的)可能会花大量时间试图找出为什么模型是不工作。
训练一个模型,你应该开始用干净,带安全标签的数据时,尽可能多的收集。这可能也是最耗时的步骤之一的工作流。当深度学习模式不像预期的那样工作,许多经常关注如何使模型better-tweaking参数,调整模型,和多个训练迭代。然而,工程师将会更好的专注于输入数据:预处理,并确保正确标签的数据被送入一个模型,以确保可以理解的数据模型。
数据准备的重要性的一个例子就是从建筑机械和设备公司,卡特彼勒在大量现场数据,从不同的机器。这过多的数据是准确的人工智能所必需的造型,但大量的数据可以使数据清洗和标签过程比平时更多的时间密集的。为了简化这一过程,卡特彼勒使用自动标签和集成MATLAB快速开发清洁,标签数据输入到机器学习模型,提供更有前途的见解从田间作业机械。这个过程是可伸缩的,给用户灵活地使用他们的领域专长,而无需成为人工智能的专家。
第二步:人工智能模型
一旦数据是干净的和适当的标签,是时候继续工作流的建模阶段,这是作为输入数据,可以从数据模型。一个成功的造型阶段的目标是创建一个健壮的、精确的模型,可以根据数据做出明智的决定。这也是深度学习,机器学习,或组合进入工作流作为工程师决定什么将是最准确、可靠的结果。
在这个阶段,不管决定深度学习(神经网络)之间或机器学习模型(支持向量机、决策树等),重要的是要直接访问许多算法用于人工智能工作流,如分类、预测和回归。您可能还希望使用各种预先构建的模型由更广泛的社区作为起点或比较。
使用灵活的工具,如MATLAB和仿真软件,为工程师提供了一个迭代的环境所需的支持。虽然算法和预构建的模型是一个好的开始,它们不是完整的图片。工程师学习如何使用这些算法,找到最好的方法为他们的特定的问题通过使用例子,和MATLAB构建人工智能提供了数以百计的示例模型跨多个域。
AI造型是一个迭代的步骤内完成工作流,他们正在和工程师必须跟踪变化模型在这一步。跟踪更改和记录训练迭代,用工具实验管理器是至关重要的,因为它有助于解释参数,导致最准确的模型和创建可重复的结果。
步骤3:模拟和测试
AI模型存在于一个更大的系统,必须与系统中其他部分。考虑一个自动驾驶场景:你不仅有一个感知系统检测对象(行人、汽车、停车标志),但这与其他系统集成软件本地化,路径规划,控制,和更多。仿真验证和测试精度的关键,AI模型是正常工作,和一切工作好与其他系统,部署模型转换为现实世界。
建立这种程度的准确性和鲁棒性在部署之前,工程师必须确保模型将回应它应该的方式,无论形势。你应该问的问题在这个阶段包括:
- 整体模型的精度是多少?
- 在每个场景模型按预期执行吗?
- 它涵盖所有边界情况吗?
信任是实现一旦你已经成功地模拟和测试所有情况下预计模型和可以验证模型执行的目标。通过使用工具,比如动态仿真模块,工程师可以验证所需的模型是对所有预期的用例,避免昂贵的金钱和时间的重新设计。
步骤4:部署
一旦你已经准备好部署目标硬件的下句话说,做好的模型在最后的语言将会实现。这一步通常需要设计工程师分享一个implementation-ready模型,允许他们这种模式适合指定的硬件环境。
指定的硬件环境可以从桌面到fpga的云,和MATLAB可以处理生成最终的代码在所有场景。这些类型的灵活工具将提供工程师的回旋余地来部署他们的模型在各种各样的环境,而无需重写原始代码。
比如说部署模型直接GPU:自动代码生成可以消除编码错误,可以通过手动翻译和介绍提供了高度优化CUDA的代码将在GPU高效运行。
强在一起
工程师没有成为数据科学家甚至人工智能与人工智能专家为了取得成功。工具为工程师和科学家设计、功能和应用程序将人工智能集成到您的工作流,和可用的专家来回答问题相关的人工智能集成是至关重要的资源,建立社会成功的人工智能模型。最终,工程师们在他们最好的时候他们可以专注于他们所做的最好的,建立正确的资源来帮助他们把人工智能。
Stephane Marouani Mathworks国家经理。
