[原创] MathWorks：AI时代，工具的选择至关重要

人工智能是一项革命性的技术，基于麦肯锡最新的人工智能预测，到2030年AI将产生13万亿美元的价值，而且人工智能在提高生产率方面具有巨大潜力。然而人工智能却还在苦苦挣扎，很多原因导致了人工智能的失败！例如数据繁多、没有数据科学家、团队力不及、无法与其他系统交互、问题不适合人工智能、低投资回报率、不完整的工具等。人工智能不仅是算法的智能，它需要在特定的环境中运作，需要应用专业知识跨越整个设计流程。

为了解决AI行业的这些失败难题，在5月21日召开的MATLAB EXPO 2019大会上，MathWorks首席战略师Jim Tung就AI的痛点和难点以及解决方案与媒体朋友们做了深入的探讨。

MathWorks首席战略师Jim Tung

AI（人工智能）无处不在。它不仅推动了智能助手、机器翻译和自动驾驶等应用的发展，还为工程师和科学家提供了一套处理通用任务的新技术。但最近的调查显示，虽然许多企业都认识到了AI的价值和潜力，但很少能够真正落地 - Gartner最近对3,000家公司进行的调查显示，开始计划使用AI的约为50％，而实际上使用AI的只有4％。

Jim Tung举了3个MATLAB的应用案例，展示如何通过MATLAB让 AI 快速落地。

案例一：改进新西兰的乳制品加工

乳制品加工的过程中需要尽早检测出缺陷产品，在利用AI模型检测的时候，他们提出了几个关键的见解：（1）结果是错误的；（2）每个工厂不尽相同，需要为每个工厂建立一个单独的模型；（3）工厂的经营状态每年都在改变；（4）并且奶粉松密度预测不正确，有大量的假正和未使用的类。

该企业基于行业知识进一步对数据进行可视化和分析，采用细化数据分类等手段保证的最终的应用满足企业需求。所以要想在人工智能方面取得成功，企业必须将人工智能模型与科学和工程的洞见相结合，再加之伴随可跨科学与工程和数据科学的工具。

案例二：实现自动驾驶汽车的承诺

自动驾驶对感知、规划与控制算法提出了很高的要求，伴随而来的问题则是如何开发并验证这些复杂的算法。应对安全事故频出的现状，借助成熟的商业工具MATLAB®和Simulink®，能够高效、可靠地开展这些工作：

• 真实值标注、基于深度学习的语义分割及GPU加速训练

• 实时的传感器数据可视化及传感器融合

• 车辆动力学建模、传感器建模与模型预测控制算法开发

• 建立虚拟驾驶场景、进行闭环仿真

Voyage的目标是快速进入市场，目标定位是退休社区，尽可能使用现成的组件，在整个流程中引入正确的软件工具，Voyage 首先完成了他们的人工智能系统，但是需要将人工智能与系统的其他部分连接起来。

从Simulink的例子开始，他们可以在此基础上进行构建，注入模拟车辆，以便驾驶时与之互动，将控制器部署为ROS节点并生成代码，并使用严格的模拟循环快速训练你的AI，利用模拟进行数据综合的一个案例。

“Simulink+ROS使我们在不到3个月内部署一辆level3级自动驾驶汽车”-Alan Mond，Voyage。

案例三：Early Sense 积极的病人护理

Early Sense’s AI可以在早期预测关键事件的发生，通过持续监控，能在早期察觉事件，并早期采取干预措施，得到良好的结果，。例如护士站和走廊监视器上的Dashboard，员工携带的手持设备上的报警，这些设备都可以防患于未然。

人工智能训练模型的时候，数据是最重要的因素，只有通过大数据训练，才能让训练的模型更接近于实际需求。此次大会的重点MathWorks R2019a的人工智能的新功能主要包括：深度学习、机器学习和增强学习三方面。

深度学习新增功能

深度学习的特点是不需要人工手动找出特征值，系统可以自动从数据里提取特征值。MATLAB里面有很多自动标记的工具和功能。其新增功能主要有：

1.数据准备和标注： 主要标注视频或图像序列中的真实值 (ground-truth) 数据，对音频数据集交互式地定义和可视化真实值 (ground-truth) 标签。新特性如下：

• 信号标贴器：交互式地可视化和标注信号

• 像素标签数据存储：存储二维和三维语义分割数据的像素信息，增强的图像数据存储可创建更多训练示例以增强深度学习训练数据

• 音频数据存储：管理大型录音数据集

2.网络架构： 用于连续时序输出的回归和双向LSTM

• 训练“you-only-look-once”(YOLO) v2 深度学习对象检测器并生成CUDA代码

• 自定义层支持：定义具有多个输入和输出的新层，并为分类和回归指定损失函数

• 将 LSTM 和卷积层结合起来，进行视频分类和手势识别

• Deep Network Designer：以图形方式设计和分析深度网络并生成 MATLAB 代码

3.深度学习交互性： 使用 ONNX 模型格式导入和导出具有其他深度学习框架的模型

• 导入 TensorFlow-Keras 模型并生成 CUDA 代码

• 在 Caffe 模型导入器中导入 DAG 网络

4.网络训练

• 在三维图像数据上训练深度学习网络

• 在 NVIDIA DGX 和云平台上训练深度学习模型

5.调试和可视化： 使用类激活映射研究网络预测

6.部署： 使用共享内存来实现 CUDA 优化的转置操作，以提高性能

机器学习

1.交互式应用程序： 利用回归学习应用程序交互训练回归模型

2.大数据：

• 用高Arays的Ft-Kermel-SVM回归和分类模型

• 在外存储器数据上使用快速近似方法、量子和非分层分区

3.自动模型优化： 使用稀疏ftering和重构独立分量分析（RICA）执行无监督特征学习

4.部署： 生成c代码，用于向量和矩阵的距离计算，以及使用k-最近邻和非树系综模型进行预测

5.机器学习和统计算法

• 使用流行的聚类算法，包括k-均值、k-介质、层次聚类、高斯混合和隐马尔可夫模型。

• 运行统计和机器学习计算比使用开源工具更快

增强学习

本次大会新推出的增强学习主要是关于行为学习或完成复杂任务，通过trial&error交互的方式进行学习，用强化学习来设计和训练策略，复杂的问题通常需要深入学习。

• 强学习算法： 使用 DQN、DDPG、A2C 和其他算法训练深度神经网络策略

• 环境建模： 创建 MATLAB 和 Simulink 模型来代表环境，并为训练策略提供观察和奖励信号

• 训练加速： 在 GPU 和多核 CPU 上并行进行策略训练

• 参考示例： 使用增强学习实现控制器，以用于自动驾驶和机器人应用

有了MATLAB，即使您没有机器学习的经验，也可以使用AI。AI只是整个系统里的一部分，要想整个系统完全做好，很快地开发出来，你需要的不仅仅是AI的部分，还需要了解AI以外的其他的技术。

要想在人工智能方面取得成功，必须将人工智能模型与科学和工程的洞见相结合。

要想在人工智能方面取得成功，我们必须使用跨越整个设计流程的工具链。

要想在人工智能方面取得成功，我们必须设计如何集成系统并在他们的环境中进行交互。