AI驱动系统,MathWorks眼中的人工智能

2016年3月15日,谷歌研发的人工智能AlphaGo对战世界围棋冠军李世石并最终以4:1取胜,随后人工智能仿佛一夜之间就来到普通人之间,各行各业都在热烈讨论AI的应用。而作为保障每个人日常生活的行业,工业领域势必会成为人工智能发展的快车道。

MathWorks在上周召开了“企业AI应用平台”的线上新闻发布会。发布会上,MathWorks的首席战略官Jim Tung向媒体们介绍了未来AI技术的五大发展趋势,在快速发展的AI时代,2020年将成为“AI驱动系统”年。本文记者参与到发布会全程,感受到了MathWorks对于2020年人工智能在工业应用中的诸多前景展望与趋势判断。

在MathWorks看来,目前人工智能在工业应用领域存在着五大趋势,这些趋势将成为工业行业发展的全新驱动力。同时,MATLAB与Simulink的不断发展,将为AI开发者们带来不同于Python的颠覆性开发体验。

随着越来越多的工程师和科学家投身于AI事业中,人工智能在工业应用的第一个趋势便是劳动力技能和数据质量的壁垒开始消弭。在开放AI社区中,科学家们能够更为便捷地获得深度学习模型,那么在AI模型中他们能够利用更多的传感器数据,甚至包括了时间序列、文本以及雷达信号等各方面的数据。

MathWorks作为工具方,能够帮助工程师和科学家充分利用自己对数据的了解,这将对AI项目的成功产生重大影响,高质量数据越多,AI模型准确度高的可能性也就越大,从而成功率越高。

高数据质量的AI趋势正在袭来,该领域专家们拥有一系列交互式的应用程序来帮助他们进行数据准备,领域专家对于AI项目的成功至关重要,因此,MathWorks也提供了完备的算法与数据模型,辅助他们快速展开AI项目工作,例如:能够可视化编辑的深度学习网络Deep Network Designer 、分类器Classification Learner、自动化实现机器学习的AutoML以及管理实验数据结果的Experiment Manager应用程序。

人工智能边界逐步扩大的今天,AI驱动系统的兴起已经势不可挡,这导致设计的复杂度进一步提高。工程师们现在正将AI技术应用在各种系统当中,包括自动驾驶汽车、飞机引擎,以及工业厂房和风力发电机等。

MathWorks看到了工程师们对于多种复杂环境AI模型的迫切需求,这些需求对整个系统性能的影响最为直接。那么对于设计工程师们来说,不仅仅局限于模型设计来进行建模分析,他们更希望能够将AI驱动系统继续通过基于模型的设计方法来实现进一步仿真、集成以及持续测试。

AI模型不仅能够应用于汽车和一些常见的工业领域,还能用于所有涉及到嵌入式以及边缘计算的领域。MathWorks将AI模型全面的部署在这些平台上。在建立AI模型时,AI模型被放置在一个系统级的语境中分析,在硬件的移植之前先对AI算法进行相应的仿真,来验证它的有效性,从而保证系统的安全和各个方面的风险能够尽可能降低。

Voyage的无人驾驶汽车研发过程,就能够很好地体现上述的AI模型的重要性。Voyage重复使用Simulink和ROS机器人操作系统来开发level3的无人驾驶汽车,将无人驾驶汽车应用在老人护理机构的服务当中。Voyage在对这个AI算法的开发过程当中,结合了基于模型的设计和车辆当中其他系统进行整合。

如今AI系统的应用领域越来越广泛,MathWorks将AI模型应用部署到低功耗、低成本的嵌入式设备当中。以往AI算法主要是运行在32位浮点运算的一些高性能计算系统当中,例如GPU、集群以及数据中心。随着软件工具的不断发展,AI推断模型部署到支持不同级别定点运算的嵌入式设备当中,这能够大幅度降低AI部署成本,使得AI应用在不同的低成本、低功耗的嵌入式器件,例如:车辆中的ECU电子控制单元以及更多的嵌入式工业应用领域。

在疫情期间,来自复旦大学的程晋教授团队在MATLAB的帮助下,对国内新冠肺炎疫情趋势做出了预测,为疫情发展方向提供了准确指导。此次疫情项目中,MATTLAB发挥出重大作用,从数据可视化、模拟开发、参数优化、数值测试、应用程序开发、Web系统的模拟部署等多个方面提供帮助,MathWorks将与众多研究人员一同抗击此次新冠肺炎疫情。

提到AI系统就不得不提到强化学习,我们知道强化学习最早应用于游戏领域,如今,MathWorks能够将强化学习同样应用在工业应用当中,原因在于强化学习能够快速地帮助工程师们实现一些复杂问题,例如自动驾驶、自主系统,以及控制设计,还有机器人领域的一些拓展应用。

为了迎合这样一个趋势,MathWorks开发了强化学习工具箱,支持内置的和自定义的强化学习智能应用。在MATLAB和Simulink当中,用户可以对环境进行建模。同样深度学习工具箱也支持一些强化学习策略的设计,MathWorks同时提供了GPU以及云端的一些训练加速功能。另外通过仿真,用户们可以验证他们的强化学习策略是否合理。

强化学习的最好案例便是无人驾驶汽车应用。对于无人驾驶汽车,开发者们需要有一个感知模块来针对摄像头数据进行采集来感知周围的路况。随后,过渡到强化学习部分,MathWorks通过实现强化学习算法,所有的研发内容都可以在Simulink统一模拟仿真平台上创建。

仿真的重要性在于,为了实现强化学习,工程师们需要进行大量的不同情况模拟。每一次模拟在仿真当中完成后,其对应的都是强化学习中的一个学习节点,随后,再一次一次去进行这样的迭代学习过程。这个过程同样也可以在云端和集成当中进行并行化,来提高它的训练速度。

随着MathWorks对AI技术应用的不断深入,其经过研究发现通过仿真可以降低成功采用AI所面临的主要壁垒,也就是数据的质量欠佳。在很多的应用场景当中,工程师们需要通过异常检测,对一些严重的故障状态进行数据收集。这些故障状态出现在物理系统当中,对于它们数据收集过程非常具有破坏性,而且收集数据的代价也十分昂贵。同时这些故障在物理设备当中出现的概率非常低,难以收集到大量有效的数据。因此,通过仿真呈现系统的故障行为,从而生成相应数据,并且结合之前已经采集到的实际的传感器数据对AI模型进行训练以提高准确度。

AI技术不仅仅是一种终端解决方案,同样也是一成套的设计方案,工程师们可以将AI技术与MATLAB & Simulink结合,在各个应用领域做相应的技术研发。例如:雷达信号仿真、通过3D仿真模仿无人驾驶汽车、以及激光雷达数据的应用。在Simulink当中可以创建任意的AI模型,同时对AI算法进行验证。

在生机勃勃的AI市场中,存在着许多各具特色的AI企业,面向的领域也各不相同,对于他们而言,如何才能在各自的AI领域中大放异彩,这个问题只有时间能够回答。那么在2020年中,工业应用中的AI技术能否像MathWorks预测中的那样?让我们拭目以待。

产业AI人工智能MathWorks
相关数据
复旦大学机构

复旦大学(Fudan University),简称“复旦”,位于中国上海,由中华人民共和国教育部直属,中央直管副部级建制,国家双一流(A类)、985工程、211工程建设高校,入选珠峰计划、111计划、2011计划、卓越医生教育培养计划、卓越法律人才教育培养计划、国家建设高水平大学公派研究生项目,九校联盟(C9)、中国大学校长联谊会、东亚研究型大学协会、环太平洋大学协会的重要成员,是一所世界知名、国内顶尖的全国重点大学。

相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

异常检测技术

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。 通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。 异常也被称为离群值、新奇、噪声、偏差和例外。

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

机器人操作系统技术

ROS,是专为机器人软件开发所设计出来的一套电脑操作系统架构。它是一个开源的元级操作系统,提供类似于操作系统的服务,包括硬件抽象描述、底层驱动程序管理、共用功能的执行、程序间消息传递、程序发行包管理,它也提供一些工具和库用于获取、建立、编写和执行多机融合的程序。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

数据可视化技术

数据可视化被许多学科视为现代视觉传达的等价物。为了清晰有效地传递信息,数据可视化使用统计图形、图表、信息图和其他工具。数字数据可以使用点、线或条编码,以视觉传达定量消息。有效的可视化帮助用户对数据进行分析和推理。它使复杂的数据更容易理解和使用。用户可以根据特定的分析任务进行数据可视化,例如进行比较或理解因果关系,并且图形的设计原则(即,显示比较或显示因果关系)来进行可视化。表通常用于用户查找特定测量的地方,而各种类型的图表用于显示一个或多个变量的数据中的模式或关系。

围棋技术

围棋是一种策略性棋类,使用格状棋盘及黑白二色棋子进行对弈。起源于中国,中国古时有“弈”、“碁”、“手谈”等多种称谓,属琴棋书画四艺之一。西方称之为“Go”,是源自日语“碁”的发音。

推荐文章
暂无评论
暂无评论~