4種經(jīng)過實證的AI算法應用

AI模型在各項應用扮演的角色愈來愈重要，為了開發(fā)以AI驅動的產(chǎn)品，工程師需要將AI整合至整個系統(tǒng)設計的工作流程。不論是哪一種應用，大部分的工程項目均是以類似的工作流程進行，最后則產(chǎn)生不同的結果。

當各種數(shù)據(jù)可取用性提高、能夠支持從數(shù)據(jù)處理到部署的完整工作流程工具的誕生，意味著除了機器人和自動駕駛等最廣為人知的應用之外，AI模型在其他應用扮演的角色也愈來愈重要。

為了開發(fā)以AI驅動的產(chǎn)品，工程師需要將AI整合至整個系統(tǒng)設計的工作流程。該工作流程包括四個重要的階段：

AI模型在各項應用扮演的角色愈來愈重要，為了開發(fā)以AI驅動的產(chǎn)品，工程師需要將AI整合至整個系統(tǒng)設計的工作流程。不論是哪一種應用，大部分的工程項目均是以類似的工作流程進行，最后則產(chǎn)生不同的結果。

* 資料的準備（data preparation）

* 建立AI模型（AI modeling）

* 模擬與測試（simulation and test）

* 部署實現(xiàn)（deployment）



 
圖1 : AI工作流程的重要階段。每一個階段建構在前一個階段所完成的基礎，并且關聯(lián)到未來會被整合至完整AI系統(tǒng)的AI模型建立過程。

不論是哪一種應用，大部分的工程項目均是以類似的工作流程進行；然而，產(chǎn)生的最終結果卻大不相同，接下來舉例說明。

自動瑕疵偵測
自動檢驗與瑕疵偵測對于高吞吐量生產(chǎn)系統(tǒng)的質量控制相當關鍵，許多產(chǎn)業(yè)采用檢驗與瑕疵偵測系統(tǒng)來找出產(chǎn)品表面的缺陷或裂痕，部署AI瑕疵偵測算法，可以比傳統(tǒng)的圖像處理等方法來得更快、更健全。



 
圖2 : 一個簡單的CNN架構。自動地從影像學習特征，以用來辨識不同等級的對象，在這個案例是正常和不良的零件。

Airbus建立一個AI模型來自動辨識飛機內(nèi)輸送管線的瑕疵，他們將飛機內(nèi)的輸送管線，以不同的照明條件、角度、位置錄制成影片。在進行影片數(shù)據(jù)的標記（labeling）之后，他們設計并訓練一個深度學習網(wǎng)絡，其中使用如語義分割（semantic segmentation）等技術，找出輸送管在線的通風口與線路位置，并且有一用戶接口來實時地呈現(xiàn)瑕疵偵測結果。

MEG訊號譯碼
訊號數(shù)據(jù)使用在AI系統(tǒng)工作流程時，本身便存在一定的挑戰(zhàn)。原始的訊號數(shù)據(jù)很少被直接加入到AI模型中，原因是訊號數(shù)據(jù)通常帶有噪聲且具有記憶密集（memory-intensive）特性。

因此，經(jīng)常會再加上時間-頻率技巧來轉換數(shù)據(jù)，收集模型學習所需的最重要特征。工程師可透過多種方式轉換他們的數(shù)據(jù)，并且使用在AI模型–舉例來說，他們可以透過小波散射（wavelet scattering）的方法將原始訊號數(shù)據(jù)轉換為「圖片」。


 
圖3 : 訊號數(shù)據(jù)可以使用多種方法來轉換。這些圖片可再被使用在CNN架構，以深度學習方法來進行數(shù)據(jù)的分類。

對于患有晚期肌萎縮性脊髓側索硬化癥（amyotrophic lateral sclerosis；ALS）的病人，溝通會隨著疾病的演變而變得更加困難。德州大學奧斯汀分校（University of Texas at Austin）研究人員開發(fā)了一種非侵入性的科技，使用小波和深度神經(jīng)網(wǎng)絡來譯碼腦磁波儀（magnetoencephalography；MEG）的訊號，并且在病患想象述說完整語句時，將這些語句偵測出來。

這些研究人員使用小波多重分辨率分析來進行診斷，并將MEG訊號分解到特定的神經(jīng)震蕩（neural oscillation）頻段。他們從經(jīng)過降噪和分解的訊號中擷取特征，再使用這些特征來訓練一個支持向量機（support vector machine；SVM）和一個淺層的人工神經(jīng)網(wǎng)絡（artificial neural network；ANN）。這個團隊還接著客制了AlexNet、ResNet、以及Inception-ResNet等三個預訓練的深層卷積神經(jīng)網(wǎng)絡，譯碼MEG訊號，讓分類的準確度從80%提高到96%以上。

以雷達為基礎的對象偵測
對于自主車輛來說，若要在夜晚、惡劣的天氣、較遠的距離等情況下偵測行人與其他的對象，以雷達為基礎的系統(tǒng)的表現(xiàn)會比攝影機來得更佳。AI分類算法可以被使用在雷達訊號來依照對象的特征來區(qū)分出具鑒別性的群組。


 
圖4 : 以光譜圖（spectrograms）表示的雷達訊號，用來以具鑒別性的特征進行三個對象的分類。

為了達到這項能力，PathPartner的雷達團隊開發(fā)了一個以雷達點云偵測（radar point cloud detection）為基礎的分類器。他們在嵌入式平臺上實現(xiàn)了這個分類器，并且真正地在測試場景進行驗證。

在進行早期測試時，這個分類器偵測到一個人需要花上5-8秒，生效時間過長。團隊將訊框時間（frame time）由每秒3幀增加為5幀，并且建立一組以前一組特征的移動平均值計算出的新特征，來解決這個延遲。經(jīng)過測試與快速設計迭代，他們的對象辨識準確率可達到99%。

預測性維護

 
圖5 : 使用Classification Learner app進行故障診斷，其中比較了各種機器學習算法，在部署實現(xiàn)之前找出最準確的模型。

因為機器故障而導致的停機，可能為仰賴制造和生產(chǎn)的公司帶來相當昂貴的成本，而部署健康監(jiān)測和預測性維護系統(tǒng)可以將這些成本最小化，并且讓效率最大化。預測性維護應用使用先進的統(tǒng)計和機器學習算法，在機器真正發(fā)生問題之前，先辨識出機器的潛在問題。

Mondi Gronau的塑料生產(chǎn)工廠一年的塑料與薄膜產(chǎn)品出貨量大約有1800萬噸，工廠內(nèi)900名工人一天24小時、一年365天地操作了大約60臺塑料射出、印刷、上膠、與繞線機。Mondi開發(fā)了一個健康監(jiān)測與預測性維護的應用，其中納入了以機器學習模型產(chǎn)生的預測，這項應用讓設備操作人員可以在故障發(fā)生之前，就先接收到關于設備潛在故障問題的示警，Mondi也將該應用做成一個獨立的可執(zhí)行版本，現(xiàn)在已經(jīng)在工廠生產(chǎn)在線使用中。

（本文由鈦思科技提供；作者Johanna Pingel任職于MathWorks公司）