云计算和物联网改变了我们对待设备及其支持的应用程序的方式。物联网设备及其相关支持结构和功能的发展面临诸多压力，其中之一就是对Edge处理能力的无止境需求。这种需求存在于用户设备和“Fog”边缘级服务器和基础设施中。
在计算解决方案中实现人工智能(AI)和/或机器学习系统是最大化处理能力的一种方法，特别是在需要图像识别和其他基于模式的解决方案的应用中。然而，AI的实现带来了额外的复杂性，这对开发团队来说是一个挑战。此外，该行业仍在努力解决相关问题，从什么是人工智能，到它在哪里真正增加价值。
设计与人工智能
为了解决人工智能系统增加的复杂性，工程师需要创建一种考虑整个设计过程的方法。实际和成功的AI实现需要关注数据准备、建模、仿真和测试，以及部署作为一个完整的工作流。
MathWorks是解决人工智能集成问题的公司之一，它为工程师提供工具，在将人工智能融入设计的同时补充他们自己的知识，为开发人员在这个困难的开发过程中提供工具和解决方案。我们最近采访了产品营销经理Johanna Pingel，讨论了为什么工程师应该关注完整的人工智能工作流程，工作流程中每个步骤的重要性，以及在人工智能过程中支持他们的工具。
Johanna Pingel:我很喜欢这样。我喜欢人工智能对不同的人有不同的意义。在MathWorks，我们更关注工程师以及AI对工程师的意义，但这也取决于你对AI的体验以及你对AI的适应程度。
情感表达:对某些人来说，人工智能是一个软件问题。对其他人来说，人工智能是一个硬件问题。对于另一些人来说，它与AI的关系并不大，而是对边缘计算方面的增强，这既是一个硬件问题，也是一个射频问题，包括带宽、延迟等。
Pingel:我认为这绝对是所有因素的结合。我们倾向于做的是，根据此刻与我们交谈的人来迎合我们关于人工智能的对话。如果你想讨论软件，我们会讨论算法，我们会讨论模型，我们会讨论模型管理。如果你想谈论硬件，我们会谈论gpu, cpu, fpga，任何你想让软件落地的地方。我认为工程师需要记住的关键是，AI通常生活在一个更大的系统中。所以当很多人开始关注模型时，它很快就会变成一个更大的系统，你必须从一开始就有这些考虑，在你的脑海中有一个更大的画面。
我认为测试和需求是整个故事的关键。我的同事Heather Gorr专门写了关于流媒体的文章，以及基于流媒体你必须要考虑的所有因素，以及在那些特殊情况下你必须要注意的所有细微差别，在这种情况下，时间就是一切。然后机器学习和深度学习是次要的，几乎是为了确保输入的流以及机器按照你的预期工作。
然而，对它的测试是最重要的方面，因为您必须知道您的机器可能会出错。它会出错。在延迟方面会有问题。输入的数据会有问题。你的数据会很混乱。所有这些都是在部署系统之前必须考虑的。所以在MathWorks,我们真的谈测试人工智能工作流的关键部件之一,而不仅仅是关注建模,而不是专注于部署和速度和所有这些其他的考虑,它真正的测试,以确保你没有回去,从头开始,你需要在整个过程中不断地进行测试。
情感表达:当你和评估工程的听众谈论测试时，你是在布道。那么让我们来看看这些方面。因为当我们考虑创建一个工作流时，在部署前和部署后都有一个工作流，你是在谈论一边还是两者都有?
Pingel:哦，天哪，我认为两者都有，但当我们谈到测试时，我们真的想要向工程师强调，特别是在软件方面，他们需要在部署前进行测试，所有的事情都需要弄清楚，这样你就不会在部署后引入任何错误。当然，一旦部署了系统，您就应该继续监视和更新该软件，并确保您的软件可以持续使用数年甚至数十年。
然而，测试和模拟实际上是在部署之前讨论的，确保您理解所有的组件，并确保所有这些组件在每个场景和情况下完全按照您的预期工作。这就是模拟真正发挥作用的地方。因此，在MathWorks, Simulink是我们软件的核心组件，我们为Simulink能够模拟所有你需要的条件而感到自豪，这样才能使整个系统按照你的期望工作。所以在部署之前，你可以有信心一切都能如你所愿地工作。
情感表达:我们看到测试、度量和评估是迁移的方式，因为曾经，测试和度量是你在过程中所做的一个步骤。现在,当你指出的那样,如果我在仿真环境中设计然后我模拟板试验基本上我已经预先设计模块和命令从各个分销商等因为我经历了模拟阶段,然后我做一个常数测试在六西格玛的自动化生产。现在的任何产品的设计理念,无论是软件产品或硬件产品,我要模拟的我想它,我要测试我制造它,然后对高端制造商在这个领域,我将通过无线网络进行软件更新，并监控该产品，直到它过期，我不能再卖给他们另一个产品。
Pingel:所以在整个过程中进行测试是非常重要的，从一开始就要记住需求。所以即使当你在收集数据，甚至当你在建模，只是用模型尝试一些原型，始终记住最终结果，并确保你在记录所有这些情况。所以另一件要记住的事情是当你谈论文档和测试的时候，你会经历很多模型的迭代，你不会在第一次就得到正确的结果。所以这就涉及到模型管理以及数据管理，并确保在整个过程中所有这些组件都得到了考虑，这样你就不必回去说，“好吧，哪个系统工作了?”哪个模型工作?”
所以在MathWorks,我们创建了一个工具,一个指向-点击工具,帮助你模型管理,和模型管理,它被称为实验管理器,它真的跟踪所有的数据,所有的参数,和所有的模型创建真正回过头说,“好的,哪一个是我的最终产品吗?哪一个给了我最好的结果?这也是我应该继续推进的。”
举个例子，我们来谈谈卡特彼勒。有趣的卡特彼勒是当我们讨论人工智能工作流,我们开始与数据准备和数据预处理,这在我看来,可能是人工智能的重要组成部分是确保你要的数据放入你的模型是干净的,它像您预期的那样工作。卡特彼勒所做的是他们有所有这些数据，所有这些视觉数据他们想要能够标记和裁剪。问题是，当然，这需要很长时间才能得到好的结果。
但这是必须要做的。这是你必须记住的事情，在人工智能中，你必须清理和准备你的数据，因为如果你不这样做，你将花费更多的时间，最终你将不得不回去做它。卡特彼勒所做的是他们想要帮助自动化数据的标记，我们称之为地面真实数据，这减少了人们手工去做这些的需要。操作员必须在没有人工智能帮助的情况下视觉上完成这一操作。因此，在MathWorks的帮助下，他们能够帮助自动化这个过程，能够创建干净的，有标签的数据，然后他们可以用于人工智能建模。
另一个例子是Voyage，它正在开发一种自动驾驶出租车，它与卡特彼勒使用我们工具的目的完全不同。所以我认为重要的是，我们的客户确实在用我们的工具做各种不同的事情。你可以在整个工作流程中使用它，你可以在工作流程的一部分中使用它，你可以真正地组合，混合和匹配任何最适合你的需要。所以在《Voyage》中，他们更多地将其用于快速设计、迭代和测试。
他们用Simulink在不到三个月的时间里就部署了一辆三级自动驾驶汽车，而他们做到这一点的方法就是通过模拟。他们能够将他们的人工智能模型放入他们的完整系统中，并能够在将其部署到硬件上并最终在自动驾驶汽车上运行之前进行模拟。这是一个非常有趣的故事测试时间的压缩以及从原型到生产的压缩时间。关于这个故事的另一个有趣的事情是他们从自动驾驶工具箱中的一个例子开始作为他们原型的起点。所以他们可以从一个现成的例子开始，他们添加了他们的数据和场景，然后他们可以把它作为一个起点，而不必从头开始。
情感表达:这很美，因为系统中智能的一个方面就是设计智能，这最终变得显而易见。有一个方面我想谈谈。我认为这两个，因为它们很好，单独的例子就足够了。我不想讲得太长，因为我不想让这篇文章讲得太长，但我想稍微谈谈协作开发的方面。
多年来，该行业一直在销售协作开发技术，但主要是针对大型跨国公司或远程专业人士。这并不是一个每个人都认为有必要的解决方案。然后COVID出现了，它是协作软件环境的完美风暴，想想看，如果不是因为环境迫使我们使用这些解决方案，所有这些解决方案可能仍然在争取受众。那么，在您看来，在过去的一年半中，协作开发发生了怎样的变化?
Pingel我认为这很有趣。我认为我们越来越多地看到工程师与IT和其他机器学习专家、数据科学家一起工作，他们必须一起工作，协作。所以我认为这是一个增长的趋势。很有可能，如果你在设计深度学习模型，无论如何你都不是在真空中独自完成的。因此，您确实需要能够与流程的其他方面进行协作的工具。我再举个例子。
就在最近，洛克希德公司发布了一个用户故事，他们在组织中使用人工智能和深度学习，在许多不同的机器学习和深度学习应用程序中。当然，他们在一个组织中有这么多不同的组织，所以他们真的想要标准化，并确保他们对所有正在发生的人工智能和深度学习进行管理。
所以洛克希德决定与MATLAB和Domino合作，Domino是一家数据管理/模型管理公司。通过标准化，他们发现他们能够帮助协作，模型管理和数据管理，这样整个工作流程的人可以一起帮助和工作。所以我认为这是非常令人兴奋的…当然，虽然这是一个更大的公司，但我认为这是非常令人兴奋的，人们正在朝着这个方向前进，并理解对工具的需求，让你帮助协作，不仅在你的团队，而且在整个组织。
情感表达:那么，Johanna，你还有什么关于人工智能发展的最后想法想和观众分享吗?
Pingel:绝对的。我有两个问题想让大家知道。第一个是关于开源的讨论很多，关于人们开发和执行模型的不同平台的讨论也很多。我想确保每个人都知道的一件事是跨平台互操作性的概念。因此MathWorks非常重视这一点，我们希望确保我们开发的是一个协作平台，不仅仅是在我们的组织内部，而是跨多个平台。
也就是使用TensorFlow和其他平台上创建的模型的能力。我们在这里看到的一个例子是，模型可能是开源开发的，但是，再一次，把这个带回模拟和测试，他们需要一种方法，能够在整个系统中模拟这个。所以我们的客户想做的是引入开源模型，然后在Simulink中运行它们。这是我们现在看到的一个非常流行的用例，并且我们拥有允许在平台之间灵活移动的工具。
我想说的最后一件事就是第一次从深度学习和人工智能开始。有时这可能会让人感到畏缩，仅仅是因为有太多的资源可供选择。因此MathWorks决定创建在线免费培训，特别是针对在家工作的人，这对我们来说是非常重要的。他们是完全免费的。然后它会帮助你理解基础知识，然后从那里继续前进。所以我认为了解工程师和任何想学习深度学习的人都可以学习深度学习并在人工智能领域取得成功是非常重要的。
以下是约翰娜提到的几个案例研究的链接:
