AI模型在各项应用扮演的角色愈来愈重要，为了开发以AI驱动的产品，工程师需要将AI整合至整个系统设计的工作流程。不论是哪一种应用，大部分的工程专案均是以类似的工作流程进行，最后则产生不同的结果。

当各种资料可取用性提高、能够支援从资料处理到部署的完整工作流程工具的诞生，意味着除了机器人和自动驾驶等最广为人知的应用之外，AI模型在其他应用扮演的角色也愈来愈重要。

为了开发以AI驱动的产品，工程师需要将AI整合至整个系统设计的工作流程。该工作流程包括四个重要的阶段：

AI模型在各项应用扮演的角色愈来愈重要，为了开发以AI驱动的产品，工程师需要将AI整合至整个系统设计的工作流程。不论是哪一种应用，大部分的工程专案均是以类似的工作流程进行，最后则产生不同的结果。

* 资料的准备（data preparation）

* 建立AI模型（AI modeling）

* 模拟与测试（simulation and test）

* 部署实现（deployment）

图1 : AI工作流程的重要阶段。每一个阶段建构在前一个阶段所完成的基础，并且关联到未来会被整合至完整AI系统的AI模型建立过程。

不论是哪一种应用，大部分的工程专案均是以类似的工作流程进行；然而，产生的最终结果却大不相同，接下来举例说明。

自动瑕疵侦测

自动检验与瑕疵侦测对于高吞吐量生产系统的品质控制相当关键，许多产业采用检验与瑕疵侦测系统来找出产品表面的缺陷或裂痕，部署AI瑕疵侦测演算法，可以比传统的影像处理等方法来得更快、更健全。

图2 : 一个简单的CNN架构。自动地从影像学习特征，以用来辨识不同等级的物件，在这个案例是正常和不良的零件。

Airbus建立一个AI模型来自动辨识飞机内输送管线的瑕疵，他们将飞机内的输送管线，以不同的照明条件、角度、位置录制成影片。在进行影片资料的标记（labeling）之后，他们设计并训练一个深度学习网路，其中使用如语义分割（semantic segmentation）等技术，找出输送管线上的通风口与线路位置，并且有一使用者介面来即时地呈现瑕疵侦测结果。

MEG讯号解码

讯号资料使用在AI系统工作流程时，本身便存在一定的挑战。原始的讯号资料很少被直接加入到AI模型中，原因是讯号资料通常带有杂讯且具有记忆密集（memory-intensive）特性。

因此，经常会再加上时间-频率技巧来转换资料，收集模型学习所需的最重要特征。工程师可透过多种方式转换他们的资料，并且使用在AI模型–举例来说，他们可以透过小波散射（wavelet scattering）的方法将原始讯号资料转换为「图片」。

图3 : 讯号资料可以使用多种方法来转换。这些图片可再被使用在CNN架构，以深度学习方法来进行资料的分类。

对于患有晚期肌萎缩性脊髓侧索硬化症（amyotrophic lateral sclerosis；ALS）的病人，沟通会随着疾病的演变而变得更加困难。德州大学奥斯汀分校（University of Texas at Austin）研究人员开发了一种非侵入性的科技，使用小波和深度神经网路来解码脑磁波仪（magnetoencephalography；MEG）的讯号，并且在病患想像述说完整语句时，将这些语句侦测出来。

这些研究人员使用小波多重解析度分析来进行诊断，并将MEG讯号分解到特定的神经震荡（neural oscillation）频段。他们从经过降噪和分解的讯号中撷取特征，再使用这些特征来训练一个支援向量机（support vector machine；SVM）和一个浅层的人工神经网路（artificial neural network；ANN）。这个团队还接着客制了AlexNet、ResNet、以及Inception-ResNet等三个预训练的深层卷积神经网路，解码MEG讯号，让分类的准确度从80%提高到96%以上。

以雷达为基础的物件侦测

对于自主车辆来说，若要在夜晚、恶劣的天气、较远的距离等情况下侦测行人与其他的物件，以雷达为基础的系统的表现会比摄影机来得更佳。 AI分类演算法可以被使用在雷达讯号来依照物件的特征来区分出具鉴别性的群组。

图4 : 以光谱图（spectrograms）表示的雷达讯号，用来以具鉴别性的特征进行三个物件的分类。

为了达到这项能力，PathPartner的雷达团队开发了一个以雷达点云侦测（radar point cloud detection）为基础的分类器。他们在嵌入式平台上实现了这个分类器，并且真正地在测试场景进行验证。

在进行早期测试时，这个分类器侦测到一个人需要花上5-8秒，生效时间过长。团队将讯框时间（frame time）由每秒3帧增加为5帧，并且建立一组以前一组特征的移动平均值计算出的新特征，来解决这个延迟。经过测试与快速设计叠代，他们的物件辨识准确率可达到99%。

预测性维护

图5 : 使用Classification Learner app进行故障诊断，其中比较了各种机器学习演算法，在部署实现之前找出最准确的模型。

因为机器故障而导致的停机，可能为仰赖制造和生产的公司带来相当昂贵的成本，而部署健康监测和预测性维护系统可以将这些成本最小化，并且让效率最大化。预测性维护应用使用先进的统计和机器学习演算法，在机器真正发生问题之前，先辨识出机器的潜在问题。

Mondi Gronau的塑胶生产工厂一年的塑胶与薄膜产品出货量大约有1800万吨，工厂内900名工人一天24小时、一年365天地操作了大约60台塑胶射出、印刷、上胶、与绕线机。 Mondi开发了一个健康监测与预测性维护的应用，其中纳入了以机器学习模型产生的预测，这项应用让设备操作人员可以在故障发生之前，就先接收到关于设备潜在故障问题的示警，Mondi也将该应用做成一个独立的可执行版本，现在已经在工厂生产线上使用中。

（本文由钛思科技提供；作者Johanna Pingel任职于MathWorks公司）