MathWorks：AI時代，工具的選擇至關重要｜半導體行業觀察

來源：內容由公眾號 半導體行業觀察 (ID:icbank)轉載自「ctimes」，謝謝。

人工智慧是一項革命性的技術，基於麥肯錫最新的人工智慧預測，到2030年AI將產生13萬億美元的價值，而且人工智慧在提高生產率方面具有巨大潛力。然而人工智慧卻還在苦苦掙扎，很多原因導致了人工智慧的失敗！例如數據繁多、沒有數據科學家、團隊力不及、無法與其他系統交互、問題不適合人工智慧、低投資回報率、不完整的工具等。人工智慧不僅是演算法的智能，它需要在特定的環境中運作，需要應用專業知識跨越整個設計流程。

為了解決AI行業的這些失敗難題，在5月21日召開的MATLAB EXPO 2019大會上，MathWorks首席戰略師Jim Tung就AI的痛點和難點以及解決方案與媒體朋友們做了深入的探討。

MathWorks首席戰略師Jim Tung

使用MATLAB為AI做好準備

AI（人工智慧）無處不在。它不僅推動了智能助手、機器翻譯和自動駕駛等應用的發展，還為工程師和科學家提供了一套處理通用任務的新技術。但最近的調查顯示，雖然許多企業都認識到了AI的價值和潛力，但很少能夠真正落地 - Gartner最近對3,000家公司進行的調查顯示，開始計劃使用AI的約為50％，而實際上使用AI的只有4％。

Jim Tung舉了3個MATLAB的應用案例，展示如何通過MATLAB讓 AI 快速落地。

案例一：改進紐西蘭的乳製品加工

乳製品加工的過程中需要儘早檢測出缺陷產品，在利用AI模型檢測的時候，他們提出了幾個關鍵的見解：（1）結果是錯誤的；（2）每個工廠不盡相同，需要為每個工廠建立一個單獨的模型；（3）工廠的經營狀態每年都在改變；（4）並且奶粉松密度預測不正確，有大量的假正和未使用的類。

該企業基於行業知識進一步對數據進行可視化和分析，採用細化數據分類等手段保證的最終的應用滿足企業需求。所以要想在人工智慧方面取得成功，企業必須將人工智慧模型與科學和工程的洞見相結合，再加之伴隨可跨科學與工程和數據科學的工具。

案例二：實現自動駕駛汽車的承諾

自動駕駛對感知、規劃與控制演算法提出了很高的要求，伴隨而來的問題則是如何開發並驗證這些複雜的演算法。應對安全事故頻出的現狀，藉助成熟的商業工具MATLAB?和Simulink?，能夠高效、可靠地開展這些工作：

• 真實值標註、基於深度學習的語義分割及GPU加速訓練
• 實時的感測器數據可視化及感測器融合
• 車輛動力學建模、感測器建模與模型預測控制演算法開發
• 建立虛擬駕駛場景、進行閉環模擬

Voyage的目標是快速進入市場，目標定位是退休社區，儘可能使用現成的組件，在整個流程中引入正確的軟體工具，Voyage 首先完成了他們的人工智慧系統，但是需要將人工智慧與系統的其他部分連接起來。

從Simulink的例子開始，他們可以在此基礎上進行構建，注入模擬車輛，以便駕駛時與之互動，將控制器部署為ROS節點並生成代碼，並使用嚴格的模擬循環快速訓練你的AI，利用模擬進行數據綜合的一個案例。

「Simulink+ROS使我們在不到3個月內部署一輛level3級自動駕駛汽車」-Alan Mond，Voyage。

案例三：Early Sense 積極的病人護理

Early Sense』s AI可以在早期預測關鍵事件的發生，通過持續監控，能在早期察覺事件，並早期採取干預措施，得到良好的結果，。例如護士站和走廊監視器上的Dashboard，員工攜帶的手持設備上的報警，這些設備都可以防患於未然。

MathWorks R2019a新功能詳解

人工智慧訓練模型的時候，數據是最重要的因素，只有通過大數據訓練，才能讓訓練的模型更接近於實際需求。此次大會的重點MathWorks R2019a的人工智慧的新功能主要包括：深度學習、機器學習和增強學習三方面。

深度學習新增功能

深度學習的特點是不需要人工手動找出特徵值，系統可以自動從數據里提取特徵值。MATLAB裡面有很多自動標記的工具和功能。其新增功能主要有：

1.數據準備和標註：主要標註視頻或圖像序列中的真實值 (ground-truth) 數據，對音頻數據集互動式地定義和可視化真實值 (ground-truth) 標籤。新特性如下：

• 信號標貼器：互動式地可視化和標註信號
• 像素標籤數據存儲：存儲二維和三維語義分割數據的像素信息，增強的圖像數據存儲可創建更多訓練示例以增強深度學習訓練數據
• 音頻數據存儲：管理大型錄音數據集

2.網路架構：用於連續時序輸出的回歸和雙向LSTM

• 訓練「you-only-look-once」(YOLO) v2 深度學習對象檢測器並生成CUDA代碼
• 自定義層支持：定義具有多個輸入和輸出的新層，並為分類和回歸指定損失函數
• 將 LSTM 和卷積層結合起來，進行視頻分類和手勢識別
• Deep Network Designer：以圖形方式設計和分析深度網路並生成 MATLAB 代碼

3.深度學習交互性：使用 ONNX 模型格式導入和導出具有其他深度學習框架的模型

• 導入 TensorFlow-Keras 模型並生成 CUDA 代碼
• 在 Caffe 模型導入器中導入 DAG 網路

4.網路訓練

• 在三維圖像數據上訓練深度學習網路
• 在 NVIDIA DGX 和雲平台上訓練深度學習模型

5.調試和可視化：使用類激活映射研究網路預測

6.部署：使用共享內存來實現 CUDA 優化的轉置操作，以提高性能

機器學習

1.互動式應用程序：利用回歸學習應用程序交互訓練回歸模型

2.大數據：

• 用高Arays的Ft-Kermel-SVM回歸和分類模型
• 在外存儲器數據上使用快速近似方法、量子和非分層分區

3.自動模型優化：使用稀疏ftering和重構獨立分量分析（RICA）執行無監督特徵學習

4.部署：生成c代碼，用於向量和矩陣的距離計算，以及使用k-最近鄰和非樹系綜模型進行預測

5.機器學習和統計演算法

• 使用流行的聚類演算法，包括k-均值、k-介質、層次聚類、高斯混合和隱馬爾可夫模型。
• 運行統計和機器學習計算比使用開源工具更快

增強學習

本次大會新推出的增強學習主要是關於行為學習或完成複雜任務，通過trial&error交互的方式進行學習，用強化學習來設計和訓練策略，複雜的問題通常需要深入學習。

• 強學習演算法：使用 DQN、DDPG、A2C 和其他演算法訓練深度神經網路策略
• 環境建模：創建 MATLAB 和 Simulink 模型來代表環境，並為訓練策略提供觀察和獎勵信號
• 訓練加速：在 GPU 和多核 CPU 上並行進行策略訓練
• 參考示例：使用增強學習實現控制器，以用於自動駕駛和機器人應用

總結

有了MATLAB，即使您沒有機器學習的經驗，也可以使用AI。AI只是整個系統里的一部分，要想整個系統完全做好，很快地開發出來，你需要的不僅僅是AI的部分，還需要了解AI以外的其他的技術。

要想在人工智慧方面取得成功，必須將人工智慧模型與科學和工程的洞見相結合。

要想在人工智慧方面取得成功，我們必須使用跨越整個設計流程的工具鏈。

要想在人工智慧方面取得成功，我們必須設計如何集成系統並在他們的環境中進行交互。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！