電話

服務熱線

0755-83168749

高級搜索:

聯系我們

聯系我們

深圳市盛思信息科技有限公司

總機:0755-83168749

傳真:0755-25318212

銷售部:曹經理 18503013017

技術部:0755-83738152

郵箱:[email protected]

網址:www.301833.live

地址:深圳市福田區福田街道濱河大

道與益田路交界東南皇都廣場3號樓3102-3104

行業新聞

專家解讀 | 工業互聯網系列研究專題之二

來源: 時間:2019-10-14 17:37:48 次數:

在一篇文章里(專家解讀 | 工業互聯網系列研究專題之一),我們提到人工智能技術在工業制造領域已經收獲了一些成果和實踐。

然而,人工智能技術發展至今仍有一些問題沒有解決,業界對于它的認識還存在模糊和誤區,這使得人工智能技術在工業互聯網的應用依然處于前期摸索和實踐的階段。在了解問題的關鍵之前,我們先正式認識一下人工智能技術。



在資本市場的助推下,“人工智能”這個詞從原來的狹義定義逐漸炒作到了廣義的定義,承載了更多投資意義。想要真正認識“人工智能”,我們需要從技術上明確其狹義的概念,如下圖:

圖1:人工智能/機器學習/深度學習


從技術領域范疇上講,機器學習是人工智能的子類,而深度學習是機器學習的子類。實際上對于機器學習和深度學習來說, 放到人工智能的范疇,其統一的地方就是都要通過一定的算法對大量數據進行復雜的數學運算,這個過程叫訓練。訓練的目標是對一個業務問題的未來結果有很高精確度的預測,并放到實際的推理環境中應用。

機器學習比深度學習的歷史早,在深度學習概念提出之前,機器學習領域的狀態是算法工程師利用 LR、SVM、感知機等若干個模型和大量數學算法解決一個實際的問題,這個時候算法工程師更多的工作主要是在特征工程方面,很多時候特征的構造技法復雜多變,是否有用也取決于問題本身、數據樣本、模型以及運氣,而構造新特征的嘗試往往很大部分都不能在實際工作中發揮作用。

機器學習可以定義為利用簡單模型描述復雜特征。簡單模型說的是算法本身并不復雜, 比如 LR(邏輯回歸算法),參數和表達能力基本呈現一種線性關系,易于理解。復雜特征則是指在特征工程方面不斷嘗試使用各種技巧構造的可能有用、可能沒用的特征,這部分特征的構造方式可能會利用各種數學計算,比如窗口滑動、離散化、歸一化、開方、平方、笛卡爾積、多重笛卡爾積等等,而這些也需要底層設備具備很高的計算力。



深度學習的概念和技術提出以后, 大家發現通過神經網絡算法技術可以進行一定程度的特征描述,例如在圖像領域,通過 CNN(卷積神經網絡) 提取圖像特征并在此基礎上進行分類,能解決線性不可分問題,可以利用計算機自動提取特征,可以代替算法工程師人工構造。當然這些圖像數據本身的特征也相對簡單,但是算法模型卻是非常復雜,除了CNN,還有DNN(深度神經網絡),RNN(循環神經網絡),LSTM(長短時記憶單元)等神經網絡算法,因此深度學習帶來了模型復雜、不可解釋的問題,也帶來了對計算力更大的需求,算法工程師在神經網絡結構設計方面要花大量的心思,通過大量的迭代計算來提升模型效果??梢哉J為深度學習是通過簡單特征加上復雜模型來解決特征提取并進一步提升預測精度的另一種方式。



機器學習和深度學習這兩種模式目前業界都在大量研究和實踐,其針對AI算法模型開發的硬件環境、計算框架、并行計算模式以及算法技術等有不同的實現,從部署到模型訓練開發以及推理應用, 整個編程環境和計算運行環境(Programming Model和Runtime)相比較于一般應用來說更為復雜,需要更大的算力來實現。

實際上最大的難點就是AI技術和工業行業數據的深度結合。兩個方面,一個是關于底層AI技術的,包括AI基礎設施(計算力、網絡和存儲)、計算框架、平臺領域仍然有很多需要優化和發展的技術需要研究和實現,以適應工業領域中各種場景AI模型的訓練要求;另一方面,在工業領域的企業,AI人才和組織欠缺,各個工業領域的工業數據繁雜而不同,不同場景應用訴求對于AI算法模型的開發設計和訓練需要既懂行業數據和業務,又懂AI技術和算法的專家,無法針對不同的業務數據進行智能制造場景的AI算法訓練,設計不同應用場景的推理模型,應用到實際的工業環境中,使能智能制造。

從上述的兩個方面考慮, 我認為想要實現人工智能技術在工業互聯網領域的應用使能,需要面對和解決以下三個維度的關鍵問題:


人工智能基礎設施平臺包括訓練平臺和推理平臺, 這兩個AI場景對于硬件和軟件平臺的技術要求非常專業,涉及到高性能的ICT技術(包括芯片技術), 眾多的計算框架, 以及基于工程數學的大量算法模型的迭代開發, 基于計算框架的算力資源的管理調度, 整個底層技術生態復雜而多樣, 需要具備綜合ICT技術能力和實力的公司才能提供合適的AI技術方案。


工業領域的數據有行業屬性, 采集(ETL)和處理過程(標注)具有工業特色, 比如針對工業智能視覺自動化檢測場景,不同的工業制造產品的部件顯而易見的不同而多樣, 圖片采集的場景和標注具有行業特性, 質檢流程和標準也不同, 需要一一研究和實現。

我們知道人工智能算法開發最重要的要解決數據+特征+模型的問題, 工業大數據非常復雜多樣, 處理算法模型開發過程中的特征工程在工業界是巨大的難關, 需要對機器學習以及深度學習的技術如何結合業務非常理解,不同的算法,要使用不同的特征工程達到同一個目標. 由于工業數據的特點, 需要開發高VC維的模型, VC維(Vapnik-Chervonenkis Dimension)又稱VC理論, VC維反映了函數集的學習能力,VC維越大則模型或函數越復雜,學習能力就越強, 模型一定要與待解決的問題相匹配,如果模型過于簡單,而問題本身的復雜度很高,就無法得到預期的精度. 而開發并訓練好的模型也需要和具體要解決的業務繼續進行推理落地, 開發AI應用系統對接原有的工業業務系統, 以做到使能,取得預期的效益,這也需要進一步針對模型進行推理部署,開發AI應用系統,需要熟悉相關工業互聯網領域的應用和業務流程。



實際上, AI使能工業互聯網要解決的上述三個維度的問題,也正是AI領域三大要素: 算力、數據、 算法在工業互聯網領域的具體體現。下一篇將重點介紹和分析AI領域中的技術生態和核心訴求,請持續關注《專家解讀 | 工業互聯網系列研究專題》系列文章。


本文轉自《新華三》


關鍵字: 
百赢棋牌老版本下载安装 贵州茅台股票分析 澳大利亚普通股票指数 天津时时彩早上几点开 湖北快3综合走势走势图 期货配资骗局 北京快三一定牛快3走势图一定牛 小额理财投资是真的吗 广东十一选五开奖信息 操盘联盟配资 白小姐四肖选一肖开奖结果