科學家和工程師能藉由專業領域知識在AI專案取得某種程度的成果；然而，若利用如自動標記等工具來快速地處理龐大、高品質的資料集，將是進一步成功的關鍵。

隨著取得了現有深度學習模型與研究並加以持續改進，科學家與工程師得以在人工智慧（AI）專案得到更大範圍的成果。傳統上，AI模型大多數以影像為基礎，不過接下來這一年，AI模型將涵蓋更多樣化的資料類型結合，從感測器到時間序列，再到文字和雷達資料等等。

圖1 : 傳統上，AI模型大多數以影像為基礎，未來AI模型將涵蓋更多樣化的資料類型結合。

科學家和工程師固然可藉由自身具備的專業領域知識在AI專案取得某種程度的成果；然而，若還可以利用某些工具如自動標記等來快速地處理龐大、高品質的資料集，將是進一步成功的關鍵。資料品質愈高、資料量愈大，愈能增加AI模型的精確性，成功機會也愈大。

豐富的模型化基礎設計工具

更多複雜設計、以AI為驅動的系統正不斷增加，因此AI模型的行為對於整個系統性能將帶來重大影響，帶動了更多嚴格測試流程的需求。因此，在2020年，我們將看到更多能提供模擬、整合與持續測試的模型化基礎設計工具被大量地採用。

模擬可讓設計者測試人工智慧與系統之間如何進行互動，整合則可幫助設計者在完整的系統情境下試驗他們的設計，持續測試有助於更容易地找出AI訓練資料中的弱點和其他元件的設計缺陷。

透過協作機器人與AI使生產線更靈活

透過AI來進行的參數化和調整的Cobots—在人類身邊運作的協作機器人（由collaborative robots合併縮寫而成）—將是2020年後實現真正靈活生產線的關鍵。在過去五年，關於工廠廠房生產線自動化的新願景被大量地談論—「大批產品客製化（sample size one）」，也就是生產線如何藉由逐一生產每個單項產品，以避免缺乏效率和轉換時間長的問題。

要實現工業4.0願景之一的生產完全個別化，生產線必須具備靈活性，並設有多個可以在生產過程中即時重新調配的機械電子模組，也需要配置更多協作機器人，這些皆由AI依據下一個要製造的個別化產品進行調整。

圖2 : 由AI驅動生產線的靈活性是實現工業4.0生產個別化的關鍵

邊緣運算與預測性維護持續演進

雲端系統的使用，再加上更強大的工業控制器和邊緣運算裝置的運算能力，將為新的功能性生產系統軟體鋪路。預測性維護技術將持續改進，隨著資料來源不只來自單一個別機器，也包括了跨越多個地點及不同供應商設備間的資料。除此之外，以AI為基礎的演算法將可動態地優化整個生產線及生產量，並將耗能維持在最低，持續提升工廠效率。

圖3 : 預測性維護技術將隨著感測資料的多元化而持續精進

強化學習之工業應用

強化學習（reinforcement learning），指電腦反覆跟一個動態環境間不斷地互動、透過嘗試-錯誤（trial-and-error）來學習執行一項任務。應用範圍從在Go和下棋等桌上遊戲裡打敗人類玩家，到變成提供工程師一系列的支援。在工業應用上，它可以被用來實現控制器及複雜系統的決策演算法，像是機器人和無人自主系統等。

提供工程師們更容易使用的工具來建立與訓練強化學習策略，並訓練所開發出的模擬資料，是驅動未來強化學習（reinforcement learning；RL）改善大型工業系統的重要關鍵。

其他驅動強化學習應用的因素，還包括了能將強化學習主體（agents）與系統模擬工具整合，以及讓嵌入式硬體的程式碼生成變得更加容易的工具。舉例來說，將一個強化學習主體加入自主駕駛系統可以改善及優化駕駛的表現、提升速度、降低燃料消耗及回應時間等等。

圖4 : 強化學習－由電腦所代表的主體與動態環境不斷地互動，以嘗試錯誤的方式來學習如何執行任務

隨著科技的進步，科學家與工程師將享受大量的好處，不過工具的使用、增加學習與採用工具來處理更大資料集工作任務的意願、以及建立新模型與測試AI驅動系統等，將是實現所有工業4.0願景功能勢在必行的工作。

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