Kunskapsintelligens ensam är inte tillräckligt

Med nya tekniker som Konstgjord intelligens (AI) inte bara vårt samhälle, utan även branschen står inför en fundamental förändring. Medan företag från ingenjörsteamet till den högsta ledningen inser behovet av att implementera AI i sina design- och utvecklingsprocesser, har den faktiska implementeringen av AI-teknik varit långsam.

Huvudskälet är att många inte vet exakt hur denna teknik kan användas effektivt och lönsamt. Detta är dock bara en av många frågor som företagen borde fråga sig om de vill använda AI

Beyond Alexa och autonom körning

Ansiktsigenkänning på Facebook, maskinöversättning eller autonom körning - Artificiell intelligens används redan på många områden och ger oss en glimt av en framtid där maskiner kan ta allt viktigare uppgifter.

Men vad betyder Artificial Intelligence för en ingenjör i ett medelstort företag eller för en forskare i ett forskningsinstitut? Möjligheterna är mångsidiga. Med AI kan till exempel nya metoder för livsmedelskontroll appliceras eller geologiska naturen analyseras för att göra tunnlar snabbare, effektivare och billigare. På nästan alla områden inom forskning och industri kan AI-teknik användas för att effektivisera processer eller hitta nya sätt att mastera uppgifter.

Hur artificiell intelligens blir effektiv

När man talar om artificiell intelligens idag är det i de flesta fall meningen att en maskin kan efterlikna intelligent mänsklig handling - en definition som har funnits sedan introduktionen av termen AI under 50-åren. Men för en riktigt effektiv användning blir maskinen bara intressant om den kan matcha eller överträffa mänsklig prestanda. Det är så vi ger människor möjlighet att göra repetitiva uppgifter eller göra saker snabbare, säkrare eller mer exakt av datorer.

Därför måste maskiner utbildas för specifika uppgifter. Traditionellt menade detta att skapa ett program som behandlar data och sedan levererar den produkt du vill ha. Tillämpning av maskininlärning - en allmänt använd AI-teknik - reverserar detta tillvägagångssätt genom att se till att maskinen får alla viktiga data och dikterar önskad utgång. Datorn skriver sedan det lämpliga programmet för det. I vissa fall skapar endast ingången och maskinen en motsvarande modell.

Data, resultat, maskinlärningsmodell - något saknas

Men i de flesta fall utgör data, ett önskat resultat och möjligheten att skapa en maskinlärningsmodell bara en liten del av en applikation. Vad som saknas är till exempel hela processen med datainsamling och -behandling i förväg och dess implementering i ett inbäddat system.

Detta blir tydligt med exemplet på ett lanesystem: En maskininlärningsmodell känner igen banorna på vägarna och kan säkerställa att ett fordon håller sin lane. Men först måste data från många olika sensorer och kameror erhållas och synkroniseras. Dessutom behöver systemet information om hastigheten och om fordonet ska vända. Dessa data måste analyseras och förbehandlas - till exempel för att korrigera dåligt utsatta bilder eller bildstörningar som orsakas av kraftigt snöfall.

Körfältdetekteringsalgoritmen behöver integreras i simuleringar för att testa om det fungerar ordentligt. Den installeras sedan på en inbyggd processor för att köra i realtid i fordonet.

AI som en del av en helt mogen designprocess

Alla dessa uppgifter är arbetsplatser för ingenjörer och forskare, utan vilka AI-modellen inte skulle fungera. Det innebär att artificiell intelligens bara är ett steg i många arbeten, i slutet av vilken det finns en intelligent maskin. Det är faktiskt bara en del av modellutvecklingen. Dessutom kan det vara användbart att använda traditionell algoritmutveckling eller modellering och simulering.

Om man tittar på hela arbetsflödet finns det fortfarande några viktiga steg att vidta, till exempel förmågan att skaffa data från sensorer, dokument eller databaser och analysera, analysera och bearbeta dem. Efter modellbyggnad sker utplacering på stationära appar, i datacenter och i moln eller på inbyggda system.

I slutändan är AI bara ett annat verktyg vi kan använda för att lösa utmaningar på ett annat sätt eller möta nya utmaningar. Vi vill visa att AI är lättillgängligt för ingenjörer och forskare, och att de kan använda det i ett arbetsflöde som är bekant för dem, även om de inte har någon speciell förkunskap på detta område.

Utdrag från keynoteadressen för Matlab Expo