などの新しい技術で 人工知能 （AI）私たちの社会だけでなく、業界も根本的な変化に直面しています。 エンジニアリング チームから上級管理職に至るまで、企業は設計および開発プロセスに AI を実装する必要性を認識していますが、AI テクノロジの実際の実装は遅れています。

その主な理由は、多くの人がこのテクノロジーをどのように効率的かつ収益的に使用できるかを正確に理解していないことです。 ただし、これは企業が AI を使用したい場合に自問すべき多くの質問の XNUMX つにすぎません

Alexaと自動運転を超えて

Facebook での顔認識、機械翻訳、自動運転など、人工知能はすでに多くの分野で使用されており、機械がますます重要なタスクを担うことができる未来を私たちに垣間見せてくれます。

しかし、中堅企業のエンジニアや研究機関の科学者にとって、人工知能は何を意味するのでしょうか? 可能性は多岐にわたります。たとえば、AI を使用すると、食料管理に新しい方法を適用したり、トンネルをより迅速、より効率的、よりコスト効率よく建設するために岩石の地質学的特性を分析したりできます。 研究や産業のほぼすべての分野で、AI テクノロジーを使用して、プロセスをより効率的にしたり、タスクを習得するまったく新しい方法を見つけたりできます。

人工知能はどのように効率化されるのか

今日人々が人工知能について話すとき、ほとんどの場合、機械が人間の知的行動を模倣できることを意味します。この定義は、AI という用語が 50 年代に導入されて以来存在しています。 しかし、マシンは人間のパフォーマンスに匹敵するか、それを超えることができて初めて、本当に効率的に使用することができます。 このようにして、私たち人間は、反復的なタスクを引き継いだり、コンピュータに作業をより速く、より安全に、またはより少ないエラーで実行させたりする機会を得ることができます。

このためには、マシンを特定のタスク用にトレーニングする必要があります。 従来、これはデータを処理し、必要な出力を提供するプログラムを作成することを意味していました。 広く普及している AI 技術である機械学習を使用する場合は、このアプローチは逆になります。つまり、機械がすべての重要なデータを確実に取得し、必要な出力を指定することになります。 次に、コンピュータはそれに適切なプログラムを作成します。 場合によっては、入力だけで十分であり、マシンが対応するモデルを作成します。

データ、結果、機械学習モデル - 何かが足りない

しかし、ほとんどの場合、データ、望ましい結果、機械学習モデルを構築する機能は、アプリケーションのほんの一部にすぎません。 たとえば、欠けているのは、事前のデータ収集と処理、およびその後の組み込みシステムへの実装のプロセス全体です。

これは、車線支援システムの例を使用すると明らかです。機械学習モデルは道路上の車線を認識し、車両がその車線内に留まることを保証できます。 ただし、そのためには、まずさまざまなセンサーやカメラからのデータを収集し、同期する必要があります。 システムには、速度と車両が曲がるべきかどうかに関する情報も必要です。 このデータは、露出不足の画像や大雪による画像の歪みを修正するなど、分析して前処理する必要があります。

車線検出アルゴリズムをシミュレーションに統合して、適切に機能するかどうかをテストする必要があります。 その後、組み込みプロセッサにインストールされ、車両内でリアルタイムで実行されます。

完全に成熟した設計プロセスの一部としての AI

これらすべてのタスクはエンジニアや研究者の作業領域であり、それなしでは AI モデルは機能しません。 これは、人工知能が多くのステップの XNUMX つにすぎず、その最後にインテリジェントなマシンが存在することを意味します。 実際、これはモデル開発の一部にすぎません。 さらに、従来のアルゴリズム開発やモデリングとシミュレーションを使用することも合理的です。

ワークフロー全体を見ると、センサー、ドキュメント、データベースからデータを取得し、それらを分析、検査、処理する機能など、重要なステップがまだいくつかあります。 モデルが作成されると、デスクトップ アプリ、データ センター、クラウド、または組み込みシステムに展開されます。

結局のところ、AI は、課題を別の方法で解決したり、新たな課題に直面したりするために自由に使えるツールの XNUMX つにすぎません。 私たちは、エンジニアや研究者にとって AI が簡単に利用でき、この分野で特別な知識がなくても、慣れたワークフローで AI を使用できることを示したいと考えています。

Matlab Expo での基調講演からの抜粋