作者：Johanna Pingel，MathWorks產(chǎn)品經(jīng)理，主要負(fù)責(zé)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)應(yīng)用，致力于讓AI更實(shí)用、更有趣、更可行。她于2013年加入公司，擅長(zhǎng)MATLAB圖像處理和計(jì)算機(jī)視覺應(yīng)用。
工程師越來越多地致力于將人工智能(AI)集成到自己的項(xiàng)目和應(yīng)用中，同時(shí)不斷著力提升自己的AI技能。
面對(duì)AI問題，工程師首先要了解什么是AI，以及如何將它納入當(dāng)前工作流，這看似簡(jiǎn)單，實(shí)則未必容易。
在Google中搜索“什么是AI？”會(huì)得到數(shù)百萬條結(jié)果，包括不同程度的技術(shù)和相關(guān)信息。
那么，對(duì)工程師而言，AI意味著什么？
人們對(duì)AI的關(guān)注主要集中在AI模型上，受此影響，工程師會(huì)迅速投入AI建模的研究。
但經(jīng)歷了最初幾個(gè)項(xiàng)目后，工程師很快會(huì)意識(shí)到，AI不僅僅是建模，它實(shí)際上涵蓋一整套步驟，包括數(shù)據(jù)準(zhǔn)備、建模、仿真和測(cè)試以及部署。
圖1.工程師實(shí)現(xiàn)AI驅(qū)動(dòng)的完整工作流的四個(gè)步驟。©1984–2020 The MathWorks,Inc.
使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的工程師通常要花大量時(shí)間開發(fā)和微調(diào)AI模型。
建模的確是工作流中的一個(gè)重要步驟，但工作流并不止于模型。
要在實(shí)踐中成功實(shí)現(xiàn)AI，關(guān)鍵是提前發(fā)現(xiàn)問題，了解在工作流的哪些方面重點(diǎn)投入時(shí)間和資源才能實(shí)現(xiàn)最佳結(jié)果。
這些步驟往往不是那么直接。
在深入研究完整工作流之前，還需要考慮以下兩個(gè)事項(xiàng)：
1.AI通常只是一個(gè)較大的系統(tǒng)中較小的組成部分，它必須能夠在各種場(chǎng)景下正常地與最終產(chǎn)品的其他所有組成部分協(xié)同工作，包括其他傳感器和算法，例如控制、信號(hào)處理和傳感器融合。
2.在此場(chǎng)景下，工程師已掌握實(shí)現(xiàn)AI集成所需的技能。他們對(duì)問題已具備充分的了解，在數(shù)據(jù)準(zhǔn)備和設(shè)計(jì)模型工具的幫助下，即便并非AI專家，也能充分運(yùn)用已有的專業(yè)知識(shí)。
AI驅(qū)動(dòng)的工作流
現(xiàn)在，我們可以深入探討實(shí)現(xiàn)AI驅(qū)動(dòng)的完整工作流的四個(gè)步驟，更好地了解每個(gè)步驟在項(xiàng)目AI集成中發(fā)揮的關(guān)鍵作用。
步驟1：數(shù)據(jù)準(zhǔn)備
數(shù)據(jù)準(zhǔn)備可以說是AI工作流中的首要步驟：沒有準(zhǔn)確可靠的數(shù)據(jù)輸入來訓(xùn)練模型，項(xiàng)目失敗的可能性會(huì)大大增加。
如果工程師為模型提供的是“壞”數(shù)據(jù)，他們就無法獲得深度結(jié)果，而且可能需要花大量時(shí)間來尋找模型失敗的原因。
要訓(xùn)練模型，應(yīng)該首先盡量收集經(jīng)過清理且已標(biāo)注的數(shù)據(jù)。這也可能是此工作流中最耗時(shí)的一個(gè)步驟。
如果深度學(xué)習(xí)模型效果不如預(yù)期，人們往往會(huì)關(guān)注如何改進(jìn)模型：調(diào)整參數(shù)、微調(diào)模型以及執(zhí)行多次訓(xùn)練迭代。
然而，對(duì)工程師來說，更可取的做法是將重點(diǎn)放在輸入的數(shù)據(jù)上：在將數(shù)據(jù)導(dǎo)入模型之前，先進(jìn)行數(shù)據(jù)預(yù)處理，保證數(shù)據(jù)的準(zhǔn)確標(biāo)注，從而確保模型能夠理解數(shù)據(jù)。
來自工程機(jī)械設(shè)備公司卡特彼勒的示例反映了數(shù)據(jù)準(zhǔn)備的重要性。該公司從各類機(jī)械設(shè)備中收集了大量現(xiàn)場(chǎng)數(shù)據(jù)。這樣的海量數(shù)據(jù)對(duì)準(zhǔn)確進(jìn)行AI建模十分必要，但龐大的數(shù)據(jù)規(guī)?？赡茏寯?shù)據(jù)清理和標(biāo)注過程異常耗時(shí)。
為了精簡(jiǎn)流程，卡特彼勒采用自動(dòng)標(biāo)注并集成MATLAB，快速提煉出經(jīng)過清理的已標(biāo)注數(shù)據(jù)來輸入機(jī)器學(xué)習(xí)模型，從而根據(jù)現(xiàn)場(chǎng)機(jī)械數(shù)據(jù)提供更有價(jià)值的深度信息。
這一過程具備可擴(kuò)展性，并讓用戶得以靈活運(yùn)用自己的專業(yè)知識(shí)，而無需成為AI領(lǐng)域的專家。
觀看這個(gè)視頻，了解卡特彼勒是如何有效地利用龐大的數(shù)據(jù)：
步驟2：AI建模
清理并正確標(biāo)注數(shù)據(jù)后，即進(jìn)入工作流的建模階段，在此階段會(huì)將數(shù)據(jù)作為輸入，然后模型基于這些數(shù)據(jù)進(jìn)行學(xué)習(xí)。
建模階段成功的標(biāo)志是創(chuàng)建準(zhǔn)確穩(wěn)健的模型，該模型可以基于數(shù)據(jù)作出明智決策。
在建模階段，為得到最為準(zhǔn)確、穩(wěn)健的結(jié)果，工程師會(huì)將深度學(xué)習(xí)、機(jī)器學(xué)習(xí)或兩者結(jié)合納入工作流。
在這個(gè)階段，無論是選擇深度學(xué)習(xí)模型（神經(jīng)網(wǎng)絡(luò)）還是機(jī)器學(xué)習(xí)模型（SVM、決策樹等），很重要的一點(diǎn)是能夠直接獲取AI工作流所用的多種算法，如分類、預(yù)測(cè)和回歸。您可能還希望從更為廣大的社區(qū)獲取社區(qū)開發(fā)的各種預(yù)置模型，將其用作起點(diǎn)或作為比較。
MATLAB和Simulink等靈活的工具為工程師提供了迭代環(huán)境中所需的支持。盡管算法和預(yù)置模型可作為良好的開端，但這還不是全部。
借助示例，工程師可以學(xué)習(xí)如何運(yùn)用這些算法，并找到解決其具體問題的最佳方法，而MATLAB提供了數(shù)百個(gè)這樣的AI建模示例，涵蓋多個(gè)領(lǐng)域。
在整個(gè)工作流中，AI建模是一個(gè)迭代步驟，工程師必須在此步驟全程跟蹤他們對(duì)模型所做的更改。
使用試驗(yàn)管理器等工具跟蹤變更和記錄訓(xùn)練迭代至關(guān)重要：這有助于解釋那些促成最準(zhǔn)確模型的參數(shù)，并產(chǎn)生可重現(xiàn)的結(jié)果。
步驟3：仿真和測(cè)試
AI模型是一個(gè)較大系統(tǒng)的組成部分，必須與系統(tǒng)中的其他各個(gè)部分協(xié)同工作。
以自動(dòng)駕駛場(chǎng)景為例：您不僅要有檢測(cè)目標(biāo)（行人、車輛、停車標(biāo)志）的感知系統(tǒng)，該系統(tǒng)還必須與其他系統(tǒng)相集成，以進(jìn)行定位、路徑規(guī)劃、控制等。
在將AI模型部署到實(shí)際應(yīng)用之前，需要通過仿真和準(zhǔn)確性測(cè)試來驗(yàn)證模型本身是否正常工作，能否與其他系統(tǒng)良好地協(xié)同工作。
要在部署前實(shí)現(xiàn)上述程度的準(zhǔn)確性和穩(wěn)健性，工程師必須確保模型在任何情況下都能以預(yù)期方式作出響應(yīng)。在此階段應(yīng)提出的問題包括：
模型的整體準(zhǔn)確度如何？
模型在每種場(chǎng)景下的表現(xiàn)是否符合預(yù)期？
模型是否已涵蓋各種邊緣情形？
如果成功對(duì)模型預(yù)期會(huì)遇到的各種情形進(jìn)行了仿真和測(cè)試，并且驗(yàn)證了模型能夠按目標(biāo)執(zhí)行，就能建立對(duì)模型的信任。
借助Simulink等工具，工程師可以驗(yàn)證模型能否適當(dāng)處理所有預(yù)期用例，從而避免了重新設(shè)計(jì)，節(jié)省了資金和時(shí)間。
步驟4：部署
在做好部署準(zhǔn)備后，下一步是確定目標(biāo)硬件，換言之，以最終實(shí)現(xiàn)模型所用的語言來準(zhǔn)備模型。此步驟通常要求設(shè)計(jì)工程師共享已準(zhǔn)備好實(shí)現(xiàn)的模型，以將該模型納入指定的硬件環(huán)境。
指定的硬件環(huán)境可以是桌面、云端甚至FPGA，而MATLAB可以處理各種場(chǎng)景下的最終代碼生成。借助這些靈活的工具，工程師可輕松將模型部署到各種環(huán)境，而無需重寫原始代碼。
以直接將模型部署到GPU為例：自動(dòng)代碼生成消除了手動(dòng)轉(zhuǎn)換可能引入的編碼錯(cuò)誤，并可生成高度優(yōu)化的CUDA代碼，支持在GPU上高效運(yùn)行。
強(qiáng)強(qiáng)聯(lián)合
工程師無需成為數(shù)據(jù)科學(xué)家乃至AI專家，即可成功運(yùn)用AI。
要幫助工程師做好準(zhǔn)備、構(gòu)建AI模型、最終實(shí)現(xiàn)項(xiàng)目成功，這些資源都至關(guān)重要：專為工程師和科學(xué)家打造的工具、將AI集成到工作流的函數(shù)和App，以及解答AI集成相關(guān)問題的專家。
這有助于工程師最大程度地發(fā)揮其才能：在專注于優(yōu)勢(shì)領(lǐng)域的同時(shí)，他們能夠基于自己的專長(zhǎng)運(yùn)用適當(dāng)?shù)馁Y源，將AI納入業(yè)務(wù)版圖。
