MathWorks的AI之路：面向工业场景，打通开发到部署的全链路

AI正在快速发展，并在更多的领域落地。对于MATLAB和 Simulink  的开发商MathWorks来说，把握AI的机会，显得尤为重要。

不少人对MATLAB等的印象依然停留在学校期间学习的高级线性代数解题器的阶段。然而，MATLAB在几年前就已经加入了深度学习的功能，而MATLAB与Simulink的结合，更是进一步扩展了MathWorks在AI领域的使用范围。

例如，MathWorks推出的2020a版本，就更新了用于深度学习的扩展AI功能，工程师可以在更新的Deep Network Designer应用程序中训练神经网络，在新的Experiment Manager应用程序中管理多个深度学习实验，并从更多的网络选项中进行选择以生成深度学习代码。

    MathWorks首席战略师Jim Tung
   

近日，MathWorks首席战略师Jim Tung为我们分享了AI发展的5大趋势：

1、AI会成为工程师和科学家的应用主流

2、AI将结合工程、计算机科学、数据科学和IT技术，形成跨学科、多领域平台

3、AI模型的可解释性和 可视化  将进一步提高

4、仿真和测试将采用3D技术，使效果变得更加真实

5、越来越多的AI模型将部署到低功耗、低成本的嵌入式设备上

此外，Jim Tung也谈到了MathWorks在AI领域的定位和优势，包括对用户的友好，全平台的工具链，以及相关的落地应用。

数据为本：利用仿真测试“还原”场景数据

在训练AI算法之前，第一步是就是准备数据，然后通过数据清洗，提取的特征值来进行模型训练。可以说，提取原始数据，确保数据可用于构造准确、高效而有意义的模型，是最关键的步骤之一，数据很大程度上决定了算法的效果。事实上，准备数据的阶段会占用AI项目的绝大部分精力。

但是，标记数据和图像既乏味又费时，而且很多数据很难获取，不仅会耗费大量的人力物力，甚至会对系统产生破坏性影响。在这两种情况下，自动化技术对于如期完成工作至关重要。

因此，我们可以通过仿真来获取这些数据。例如，在 自动驾驶  系统中，MathWorks去年推出的RoadRunner，主要就是用来设计自动驾驶的3D场景。利用 RoadRunner工具箱可以很方便地搭建道路、城市工况等模拟场景，而且Roadrunner还可以很方便地和 Simulink、MATLAB的算法相结合，实现自动驾驶的仿真和测试，生成训练模型所需要的数据，这些适用于自适应巡航控制、车道保持辅助和自动紧急制动等多种场景。

此外，Simulink 还可以生成已知故障工况的故障数据。例如在风力发电厂中，开发者可以将合成故障数据添加到风力发电机测得的真实数据中，就可以优化系统模型，以获得准确的未来设备故障预测器。

此外，在数据预处理方面，利用  MATLAB 的高级函数，可以同步不同的时序、用插值替换离群值、过滤含噪信号、将原始文本分割成单词等，而借助绘图和实时编辑器，则可以实现快速可视化数据，理解内在趋势并发现数据质量问题。此外，MATLAB 也可以自动进行图像、视频和音频数据的真实值 (ground-truth) 标注，以此来缩短数据处理时间。

可以说，MathWorks提供的一系列工具，可以帮助开发者很好地解决数据收集和数据处理的问题。

安全为重：如何破解深度学习可解释性？

虽然AI的应用越来越广泛，但是由于深度学习是个“黑匣子”，因此往往缺乏可解释性。例如，通过人工智能算法可以识别出图像的类别，但是它不能清晰地解释为什么这样判断，或者是通过哪些特征作为判断依据。

因此，AI界一个日益重要的领域就是模型的可解释性，特别是航天航空、汽车等对高安全要求很高的系统，就需要模型解释如何以及为什么来做出这些特定的决策。

MathWorks专门为模型可视化所提供了一些特殊的功能，通过这些可视化方法和特征标识，工程师或者是科学家可以清晰地知道，哪些特征值被用来决定做出最后的决策，从而提升模型的可解释性。

据Jim Tung介绍，MathWorks正在和EUROCAE、CSAE国际汽车工程协会等组织，一起制定能够适合人工智能的新的认证标准系统，以此来满足高安全性系统的要求。

用户友好：从开发到部署，打通全流程工具链

AI落地是一个系统性的工程，它包含了准备数据、创建模型、设计运行模型的系统、部署到硬件或企业系统等多个环节

MathWorks 公司中国区高级应用工程师陈建平曾表示，目前大多数的MathWorks用户可能并非专业的程序员，但是他们本身具有丰富的工业知识，这一点与开源软件的目标用户其实是非常不同的。因此，为了降低门槛，MathWorks在用户友好上下了很大的功夫。

MathWorks按照工业应用的顺序将各种相关的功能整合在一起，形成一套完整的流程工具。而开源框架考虑更多的是如何做好其中的一个点。比如Tensorflow关注于深度学习，Caffe 关注于卷积处理等。在一些场景下，开源工具可能在某个单一的点上做得非常好，但是 MATLAB 会更贴近工业应用，它覆盖了工程上从数据采集、整理、分析到产品发布的各个重要环节，这一点其他开源工具是无法做到的。

Jim Tung则表示，MathWorks提供的是一个完整的工具链，而不是某一点，一个从需求分析，到系统设计，到建模，到仿真，到测试，到自动 代码生成 等等一系列完整的工具链。

此外，MathWorks所提供的并不是一个单单的工具种类，而是一个AI平台，可以把更多的基于其它工具的AI算法统一集成到MATLAB，进行仿真、测试等等。

在部署方面，AI 模型需要部署到 CPU、 GPU 或 FPGA 等芯片设备上，而在功耗和内存更少的处理器上部署AI模型，需要模型压缩、权重修剪和量化等技术。

为了解决这一问题，MathWorks最近也推出了一款无需编码就能量化深度学习网络的工具，帮助开发者自动生成GPU、CPU和FPGA等代码，以便于部署带有预处理和后处理的AI模型。

虽然相比起其他AI领域的各种开源工具，MathWorks出镜率较低，但是为专门面向不擅长编程的、具有工业背景的科研用户量身定制，而且又定位于实际工业场景的应用，相信未来MathWorks会推动更多的AI应用在AI领域落地。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删