[原创] 企业如何战胜AI落地的两大拦路虎？
2020-04-24
14:00:32
来源: 半导体行业观察
如今，人工智能正在改变我们的产品和生产方式。目前AI集成是大量企业的首要任务。据Gartner基于与106名Gartner Research Circle成员进行的一项调查的结果显示，2019年从事人工智能或机器学习的组织中平均有4个利用这些技术的项目，调查发现有59％的受访者已经部署了AI。这些受访者希望2020年再增加6个项目，并且到2022年，这些组织平均将有35个AI或ML项目到位。
但对于人工智能，许多人望而却步。调查发现，56％的受访者表示缺乏技能，42％的受访者不了解人工智能用例以及34％的受访者对数据范围或质量存在担忧。MathWorks认为成功采用人工智能的主要“拦路虎”有两个，一是团队技能；二是数据质量。
对此，MathWorks提供了一系列的应用工具和仿真平台来解除这些人的担忧。MathWorks预测，2020年将是人工智能在工业应用领域快速发展的“人工智能驱动系统”之年。其中，“系统”是关键词。随着人工智能在多种工业应用当中的快速发展，MathWorks认为有五大人工智能领域的趋势，将促成这些预测的实现。
使用MATLAB深度学习工具箱，结合梵高的《自画像》进行风格迁移
趋势一：现有的劳动力技能和数据质量之间的壁垒开始消弭
这个壁垒消失的原因主要有以下几点：首先是越来越多的工程师和科学家，不仅限于数学科学家参与到AI项目当中，这点很重要，因为他们将带来AI项目成功必需的领域技能和知识。这些科学家能够很好地获取现有的一些深度学习的预训练模型。其次，利用传感器数据将更有利于这些AI模型的应用。另外，工程师和科学家他们能够充分利用自己对数据的了解，这将对AI项目的成功造成很大的影响。
在整个过程中，MathWorks也提供了更多的服务和支持来帮助科学家们和工程师越过AI应用的路障。同时，还提供了非常完备的AI技术算法和内置的模型，来帮助科学家和工程师进行快速开发。
对于那些不是AI方面的专家，MathWorks提供了一系列的应用程序来帮助他们更高效地完成工作。我们在应用程序中，通过点击的方式，引导他们完成工作流当中的设计和分析等各个步骤。例如Deep Network Designer和Classification Learner。其中Classification Learner可一键训练并比较多个模型，具有超参数调优等高级功能。
一个最近的用户案例是复旦大学利用MATLAB来开发相应的数学模型，用于预测新冠肺炎的传染趋势，为中国的政府提供相应的公共措施方面的指导。MATLAB在这个项目中的主要应用有：数据的可视化和预处理，模型的拟合和开发，以及参数的调优，还有数值仿真和测试，以及相关应用程序的开发，并最终以Web应用的形式部署。“我们很自豪也非常高兴，我们的用户能够将MATLAB应用在这些重要的工作中。”MathWorks首席战略师Jim Tung。
工程师正积极将 AI 推广应用于各种系统，包括自动驾驶汽车、飞机引擎、工业厂房和风力发电机等。AI模型的行为对于这些复杂多域系统的整体性能具有重大影响。因此设计人员期望利用基于模型的设计工具，对这些 AI 驱动系统进行仿真、集成和持续测试。
在开发AI驱动系统时，重要的一点是将AI模型放在一个系统级的语境中，在移植入硬件之前先对AI算法的行为进行仿真判断看是否符合预期，并验证基于AI设计的有效性。
例如Voyage，他们将自动驾驶算法嵌入车辆中，为老人护理机构提供服务，使用Simulink进行快速的设计迭代和测试，仅仅在3个月内，就非常快速地实现了level3的无人驾驶汽车开发。
趋势三:将AI系统部署到低功耗、低成本的嵌入式设备当中日益简便
通常AI算法的支持需要具备32位浮点运算能力的高性能计算系统，这在GPU、集群以及数据中心中广为应用。现在随着软件工具的发展，例如由MathWorks提供的工具，可以设计基于不同级别定点运算的AI推断模型，并将其部署到不同的低成本、低功耗的嵌入式设备中，这使得工程师能够在应用AI技术时有更多的选择，例如车辆当中的ECU电子控制单元以及更多的嵌入式工业设备等。
以往AI算法在不同的嵌入式处理器中的工作模式，通常是算法或模型开发者和程序员合作。如今，使用MathWorks的软件工具，可以在开发一次模型后，使用代码生成功能将其部署到各种不同的平台上。如应用在英特尔的CPU和英伟达的GPU等，一个来源，多个目标，全部自动实现。
但是将浮点运算转换为定点运算，并不能一蹴而就，这要求对代码有很好的理解，以保证结果可预测并且可靠。在这过程中MathWorks提供了一个Deep Network Quantizer工具，在应用程序当中主要完成以下几个步骤，首先是可以快速导入一个预训练好的模型，根据真实数据对模型进行校准，显示校准统计量及其精度范围，并对网络各层进行量化，或创建定点运算表达，最后进行验证。
不仅仅是深度学习网络，MathWorks还支持其他传统的机器学习算法的定点代码生成，例如决策树，支持向量机模型，这些模型的自动代码生成是可靠性和速度的关键。
发生这个转移的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，赋能现实世界的工业应用，尤其是自动驾驶、自主系统、控制设计和机器人。
强化学习的实现需要大量的数据，这些数据来源通常是来自虚拟模型的仿真。虚拟模型可以融入现实世界中难以模拟的条件。而MathWorks很多的用户在基于模型设计的工作流当中，已有可被复用的MATLAB和Simulink模型。
为了迎合强化学习向工业应用转移的趋势，MathWorks也开发了强化学习工具箱，它支持内置和自定义的强化学习智能体的应用，在MATLAB和Simulink中，用户可对环境进行建模，这是强化学习工作流的重要部分。同样深度学习工具箱也支持强化学习策略的设计，还可利用GPU和云计算加速训练过程。另外通过仿真，用户可以验证强化学习策略是否合理。还有一些参考示例供用户快速起步来进行项目的开发。
例如强化学习在无人驾驶汽车中的应用示例，在Simulink模型中，有车辆的模型以及软件部分的控制器模型，此外还有感知算法部分的模型，根据车载摄像头采集的图像数据，识别车道，感知周围的路况。在强化学习部分，使用仿真数据训练智能体做出决策，改善行为。以上部分全部都可以在Simulink平台上创建。
仿真的重要性在于，为了实现强化学习，通过大量的不同情况的模拟，每一次模型仿真的结果都用于学习，不断地进行计算来提高学习速度。利用这个机会，MathWorks和微软开展了一个非常有趣并且有力的合作项目，利用MathWorks提供的基于模型设计的工作流，和微软提供的自主系统平台，两家共同的用户可以使用MATLAB和Simulink来进行机器人、能源、工业制造和流程优化等多个领域的强化学习应用，在微软提供的Azure环境中运行Simulink模型，扩展仿真，加速仿真和学习过程。
趋势五:仿真可以降低成功采用AI所面临的主要壁垒 – 数据质量欠佳
要知道AI在检测存在故障、异常和失效情况的场景中可以十分有用。我们真正需要的是异常和严重故障状态下的数据。而从物理设备中生成故障数据具有很大的破坏性而且代价高昂，最佳做法是通过仿真呈现故障行为生成数据， 进而运用合成数据训练准确的AI模型。
使用Simulink提高训练数据质量的场景很多，例如AI可以被用在多种产品中，而不仅仅是一种终端的解决方案，同样它也是一系列的技术，可用于多个领域，例如说雷达信号的仿真，以及无人驾驶汽车，还有激光雷达传感器的感知算法，因此Simulink可以被MathWorks各类用户使用。
以上五大趋势对MathWorks来说，其产出的结果也得到了业界的广泛认可。MathWorks入选了Gartner《2020年数据科学和机器学习平台魔力象限》报告中的领导者象限。MathWorks首席执行官Jim Tung解释道，在整个魔力象限中，MathWorks独特点在于，我们主要关注工业用户，即那些建造并提供实际的物理设备、机器、汽车的企业等。Gartner在评估的时候，他们也考虑到了这一点，越来越多的数据来自于机器和硬件资产，这也是将MathWorks认定为在产品的完整度和远见性方面最强的一个供应商的部分原因。
上图中纵轴代表的是执行能力，横轴代表的是远见性以及产品的完整度，在右上角是能力最强的象限，即领导者象限。
由此来看，基于这五大趋势2020年将是AI驱动系统十分重要的一年，尤其是在工业应用领域。而MathWorks将持续赋能AI，为您开启一段AI探索之路。
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
今天是《半导体行业观察》为您分享的第2289期内容，欢迎关注。
『
半导体第一垂直媒体
』
实时 专业 原创 深度
识别二维码
，回复下方关键词，阅读更多
闪存｜华为
｜封测
｜
蓝牙
｜比亚迪
｜晶圆｜硅｜射频｜台积电
回复
投稿
，看《如何成为“半导体行业观察”的一员 》
回复
搜索
，还能轻松找到其他你感兴趣的文章！
责任编辑：Sophie
