AI模型在各項(xiàng)應(yīng)用扮演的角色愈來愈重要，為了開發(fā)以AI驅(qū)動(dòng)的產(chǎn)品，工程師需要將AI整合至整個(gè)系統(tǒng)設(shè)計(jì)的工作流程。不論是哪一種應(yīng)用，大部分的工程專案均是以類似的工作流程進(jìn)行，最後則產(chǎn)生不同的結(jié)果。

當(dāng)各種資料可取用性提高、能夠支援從資料處理到部署的完整工作流程工具的誕生，意味著除了機(jī)器人和自動(dòng)駕駛等最廣為人知的應(yīng)用之外，AI模型在其他應(yīng)用扮演的角色也愈來愈重要。

為了開發(fā)以AI驅(qū)動(dòng)的產(chǎn)品，工程師需要將AI整合至整個(gè)系統(tǒng)設(shè)計(jì)的工作流程。該工作流程包括四個(gè)重要的階段：

AI模型在各項(xiàng)應(yīng)用扮演的角色愈來愈重要，為了開發(fā)以AI驅(qū)動(dòng)的產(chǎn)品，工程師需要將AI整合至整個(gè)系統(tǒng)設(shè)計(jì)的工作流程。不論是哪一種應(yīng)用，大部分的工程專案均是以類似的工作流程進(jìn)行，最後則產(chǎn)生不同的結(jié)果。

* 資料的準(zhǔn)備（data preparation）

* 建立AI模型（AI modeling）

* 模擬與測(cè)試（simulation and test）

* 部署實(shí)現(xiàn)（deployment）

圖1 : AI工作流程的重要階段。每一個(gè)階段建構(gòu)在前一個(gè)階段所完成的基礎(chǔ)，並且關(guān)聯(lián)到未來會(huì)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(yīng)用，大部分的工程專案均是以類似的工作流程進(jìn)行；然而，產(chǎn)生的最終結(jié)果卻大不相同，接下來舉例說明。

自動(dòng)瑕疵偵測(cè)

自動(dòng)檢驗(yàn)與瑕疵偵測(cè)對(duì)於高吞吐量生產(chǎn)系統(tǒng)的品質(zhì)控制相當(dāng)關(guān)鍵，許多產(chǎn)業(yè)採(cǎi)用檢驗(yàn)與瑕疵偵測(cè)系統(tǒng)來找出產(chǎn)品表面的缺陷或裂痕，部署AI瑕疵偵測(cè)演算法，可以比傳統(tǒng)的影像處理等方法來得更快、更健全。

圖2 : 一個(gè)簡(jiǎn)單的CNN架構(gòu)。自動(dòng)地從影像學(xué)習(xí)特徵，以用來辨識(shí)不同等級(jí)的物件，在這個(gè)案例是正常和不良的零件。

Airbus建立一個(gè)AI模型來自動(dòng)辨識(shí)飛機(jī)內(nèi)輸送管線的瑕疵，他們將飛機(jī)內(nèi)的輸送管線，以不同的照明條件、角度、位置錄製成影片。在進(jìn)行影片資料的標(biāo)記（labeling）之後，他們?cè)O(shè)計(jì)並訓(xùn)練一個(gè)深度學(xué)習(xí)網(wǎng)路，其中使用如語(yǔ)義分割（semantic segmentation）等技術(shù)，找出輸送管線上的通風(fēng)口與線路位置，並且有一使用者介面來即時(shí)地呈現(xiàn)瑕疵偵測(cè)結(jié)果。

MEG訊號(hào)解碼

訊號(hào)資料使用在AI系統(tǒng)工作流程時(shí)，本身便存在一定的挑戰(zhàn)。原始的訊號(hào)資料很少被直接加入到AI模型中，原因是訊號(hào)資料通常帶有雜訊且具有記憶密集（memory-intensive）特性。

因此，經(jīng)常會(huì)再加上時(shí)間-頻率技巧來轉(zhuǎn)換資料，收集模型學(xué)習(xí)所需的最重要特徵。工程師可透過多種方式轉(zhuǎn)換他們的資料，並且使用在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(hào)資料轉(zhuǎn)換為「圖片」。

圖3 : 訊號(hào)資料可以使用多種方法來轉(zhuǎn)換。這些圖片可再被使用在CNN架構(gòu)，以深度學(xué)習(xí)方法來進(jìn)行資料的分類。

對(duì)於患有晚期肌萎縮性脊髓側(cè)索硬化癥（amyotrophic lateral sclerosis；ALS）的病人，溝通會(huì)隨著疾病的演變而變得更加困難。德州大學(xué)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)路來解碼腦磁波儀（magnetoencephalography；MEG）的訊號(hào)，並且在病患想像述說完整語(yǔ)句時(shí)，將這些語(yǔ)句偵測(cè)出來。

這些研究人員使用小波多重解析度分析來進(jìn)行診斷，並將MEG訊號(hào)分解到特定的神經(jīng)震盪（neural oscillation）頻段。他們從經(jīng)過降噪和分解的訊號(hào)中擷取特徵，再使用這些特徵來訓(xùn)練一個(gè)支援向量機(jī)（support vector machine；SVM）和一個(gè)淺層的人工神經(jīng)網(wǎng)路（artificial neural network；ANN）。這個(gè)團(tuán)隊(duì)還接著客製了AlexNet、ResNet、以及Inception-ResNet等三個(gè)預(yù)訓(xùn)練的深層卷積神經(jīng)網(wǎng)路，解碼MEG訊號(hào)，讓分類的準(zhǔn)確度從80%提高到96%以上。

以雷達(dá)為基礎(chǔ)的物件偵測(cè)

對(duì)於自主車輛來說，若要在夜晚、惡劣的天氣、較遠(yuǎn)的距離等情況下偵測(cè)行人與其他的物件，以雷達(dá)為基礎(chǔ)的系統(tǒng)的表現(xiàn)會(huì)比攝影機(jī)來得更佳。AI分類演算法可以被使用在雷達(dá)訊號(hào)來依照物件的特徵來區(qū)分出具鑑別性的群組。

圖4 : 以光譜圖（spectrograms）表示的雷達(dá)訊號(hào)，用來以具鑑別性的特徵進(jìn)行三個(gè)物件的分類。

為了達(dá)到這項(xiàng)能力，PathPartner的雷達(dá)團(tuán)隊(duì)開發(fā)了一個(gè)以雷達(dá)點(diǎn)雲(yún)偵測(cè)（radar point cloud detection）為基礎(chǔ)的分類器。他們?cè)谇度胧狡脚_(tái)上實(shí)現(xiàn)了這個(gè)分類器，並且真正地在測(cè)試場(chǎng)景進(jìn)行驗(yàn)證。

在進(jìn)行早期測(cè)試時(shí)，這個(gè)分類器偵測(cè)到一個(gè)人需要花上5-8秒，生效時(shí)間過長(zhǎng)。團(tuán)隊(duì)將訊框時(shí)間（frame time）由每秒3幀增加為5幀，並且建立一組以前一組特徵的移動(dòng)平均值計(jì)算出的新特徵，來解決這個(gè)延遲。經(jīng)過測(cè)試與快速設(shè)計(jì)疊代，他們的物件辨識(shí)準(zhǔn)確率可達(dá)到99%。

預(yù)測(cè)性維護(hù)

圖5 : 使用Classification Learner app進(jìn)行故障診斷，其中比較了各種機(jī)器學(xué)習(xí)演算法，在部署實(shí)現(xiàn)之前找出最準(zhǔn)確的模型。

因?yàn)闄C(jī)器故障而導(dǎo)致的停機(jī)，可能為仰賴製造和生產(chǎn)的公司帶來相當(dāng)昂貴的成本，而部署健康監(jiān)測(cè)和預(yù)測(cè)性維護(hù)系統(tǒng)可以將這些成本最小化，並且讓效率最大化。預(yù)測(cè)性維護(hù)應(yīng)用使用先進(jìn)的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)演算法，在機(jī)器真正發(fā)生問題之前，先辨識(shí)出機(jī)器的潛在問題。

Mondi Gronau的塑膠生產(chǎn)工廠一年的塑膠與薄膜產(chǎn)品出貨量大約有1800萬噸，工廠內(nèi)900名工人一天24小時(shí)、一年365天地操作了大約60臺(tái)塑膠射出、印刷、上膠、與繞線機(jī)。Mondi開發(fā)了一個(gè)健康監(jiān)測(cè)與預(yù)測(cè)性維護(hù)的應(yīng)用，其中納入了以機(jī)器學(xué)習(xí)模型產(chǎn)生的預(yù)測(cè)，這項(xiàng)應(yīng)用讓設(shè)備操作人員可以在故障發(fā)生之前，就先接收到關(guān)於設(shè)備潛在故障問題的示警，Mondi也將該應(yīng)用做成一個(gè)獨(dú)立的可執(zhí)行版本，現(xiàn)在已經(jīng)在工廠生產(chǎn)線上使用中。

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