随着劳动力成本的大幅提升,以及经济下行压力下的成本与效率焦虑,工业领域迫切需要技术的推动力来应对来自外部的巨大压力,而这也与AI技术走进各行各业的愿景不谋而合。近几年来,工业与AI技术的结合愈发紧密:2017年,工业AI命题更多的还处在讨论当中;2018年,工业AI质检、生产就已经提上了云计算、AI公司的服务列表;2019年,我们见证了工业物联网(IIoT)和AI的强大融合;那么,2020年又将会如何呢?世界领先的软件开发与供应商MathWorks给我们带来了独到的见解。
近日,MathWorks首席战略师 Jim Tung先生就工业2020“AI驱动系统年”的五大AI领域趋势与一众媒体朋友进行了深入的探讨,分享他对于未来人工智能技术与工业领域的发展趋势预测。
劳动力技能和数据质量壁垒开始消弭
随着越来越多的工程师与科学家(不仅限于数据科学家)加入到工业AI项目之中,他们能够利用现有的深 度学习预训练模型以及已经公开的一些研究成果,并且更好地获取工业项目中产生的数据,不仅是限于深度学习中常用的图像数据,还包括时间序列、文本以及雷达信号等各方面的数据。工程师和科学家能够充分利用自己对于数据的了解,来促成AI项目的成功。
高质量数据将会极大地影响AI模型的准确度,进而影响到工业项目的成功概率。在将来,领域专家将对AI项目的成功起到至关重要的作用。根据Tung先生的介绍,MathWorks将提供一系列的交互式数据标注应用程序来帮助专家们进行数据的准备,不仅仅包括图像数据,还有信号数据。在算法方面,MathWorks提供了一系列通用的机器学习、深度学习以及一些特定领域的算法,例如预测性维护方面的算法。MathWorks还具备内置的预训练模型,这些模型可以供工程师们使用。
对于非数据科学领域的专家进行机器学习和深度学习方面的AI应用开发,MathWorks专门开发了易用的Deep Network Designer和Classification Learner应用程序,引导用户通过点击的方式完成工作流中的各个步骤。前者可以帮助快速开展深度学习,从获取模型或导入网络,训练图像分类网络,到生成MATLAB代码用于训练。后者则提供了训练机器学习分类模型的环境,用户可以利用并行运算资源实现批量的模型训练。同时Classification Learner还提供一些高阶的功能,例如怎么样进行超参数的调优来帮助专家提高模型的预测能力。此外,还有用于深度学习实验管理的Experiment Manager应用程序。
Tung先生为我们介绍了复旦大学利用MATLAB来开发相应的数学模型,用于新冠肺炎的传染趋势预测的用户案例。在这个项目中,MATLAB主要应用于数据的可视化和预处理,模型的拟合还有开发,以及参数的优化,数值仿真和测试,以及应用程序开发和部署。
AI驱动系统的兴起,带动了设计复杂度的进一步提高
随着AI技术在工业领域的的广泛应用,在自动驾驶汽车、飞机引擎,以及工业厂房和风力发电机等相关应用领域中我们都不难发现AI技术的身影。AI模型在这些多域复杂系统中将对整个的系统的性能产生很大的影响。Tung先生表示:“AI模型的行为会对整个多域复杂系统的行为产生很大的影响,因此工程师们确实需要理解AI模型和系统的其他部分是如何配合工作的。他们期望使用基于模型的设计的方法,通过仿真、AI模型的集成以及持续测试理解如何创建鲁棒的AI驱动系统。”
在建立AI模型的时候,MathWorks希望将AI模型放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。通过Simulink来进行产品的快速开发迭代和测试工作。
将 AI 部署到低功耗、低成本的嵌入式设备的过程日益简便
为推广AI技术的应用,我们需要将AI模型部署到低功耗、低成本的嵌入式设备中。在以往,AI算法的支持需要具备32位浮点运算的高性能计算系统,例如GPU、集群以及数据中心。现在随着软件工具的发展,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,这使得工程师在应用AI技术时能够有更多的选择。
将AI算法应用在不同的嵌入式平台上,通常需要开发者与编程人员之间的紧密协作,先对模型进行开发,再相应的在各种硬件上对它进行底层的编程。而如今通过MathWorks提供的交互式应用程序Deep Network Quantizer,可以将这个流程大大简化。通过根据数据对模型进行校准,显示校准统计量的取值和精度范围,能够非常便捷地结合GPU Coder工具箱实现定点代码的生成和验证。
强化学习的应用
强化学习最早在游戏领域获得了成功的应用而闻名。如今,我们同样可以将这项技术应用在现实世界的工业领域中,帮助工程师处理自动驾驶、自主系统,以及控制设计等复杂问题。
强化学习的实现需要大量数据,这些数据的来源通常是模型的仿真,虚拟模型能够模拟一些在现实世界当中难以复现的条件。为了迎合这一趋势,MathWorks开发了强化学习工具箱,支持内置和自定义的强化学习智能体的应用。
根据Tung先生的介绍,深度学习工具箱能够支持强化学习策略的设计,同时也提供了GPU以及云端的训练加速功能。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。同时MathWorks还提供了嵌入式系统的代码生成以及参考示例供用户们快速起步来进行项目的开发。
在强化学习领域,MathWorks与微软开展了一次很有趣的合作。MathWorks在MATLAB和Simulink当中提供的一个基于模型设计的工作流,可以和微软的自主系统平台进行集成。双方共同的用户可以使用MATLAB和Simulink的模型来进行来进行机器人、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,加速学习过程。
通过仿真可以降低成功采用AI所面临的主要壁垒—数据的质量欠佳
在很多的工业应用场景中,我们都需要对设备的异常进行检测,对一些严重的故障状态进行数据收集。但是这些故障状态在设备中出现的概率是非常低的,在正常情况下很难收集到大量有效的数据。但是通过仿真,能够通过软件实现设备系统的故障行为,从而生成相应的数据。
在谈及Simulink模拟设备故障的流程时,Tung先生介绍道:“我们可以利用在基于模型设计的流程当中已开发的模型,通过对模型进行些许调整,来模仿故障模式,而不是正常工作模式。这些故障模式的模型可以仿真生成大量的数据描述故障状态, 用于训练AI模型,并用于故障检测。”
人工智能技术为工业领域带来了更多的可能性,尤其是在AI驱动系统方面,更是成为重要的助推力量。MathWorks为不同背景的开发者提供了一种更加全面的开发环境,帮助他们更好地开发AI驱动的系统。通过实现了不同框架互操作的功能,不同的开发者可以将他们的开发成果合成到一起,以达到一个更好的开发目的。
