智客公社
标题: 2023 年工程师不可错过的 AI 主要发展趋势 [打印本页]
作者: ppappa2001 时间: 2023-12-17 19:24
标题: 2023 年工程师不可错过的 AI 主要发展趋势
[attach]817340[/attach]
从对未来的好奇到关键的企业工具,人工智能的发展证明了它对工程师的价值。不久前,Gartner 预测,采用人工智能工程实践来构建和管理自适应人工智能系统的企业,在实施人工智能模型方面的表现将优于同行至少 25%,这为各组织继续推动人工智能的采用增加了外部压力。随着工程师不断发现能够为其组织带来价值的新用例,2023 年将成为人工智能发展的重要一年。
以下是 2023 年工程师可采用或为其制定计划的四大人工智能发展趋势。
▼
[attach]817341[/attach]
1. 教机器认识现实世界:基于物理信息的 AI
除了以数据为中心的 AI 方法外,以模型为中心的 AI 方法也越来越受欢迎。大多数以数据为中心的 AI 模型都试图根据接收到的数据不断优化以提高准确度,这使得模型在推断时不需要考虑现实世界的规则和原则。而随着 AI 继续扩展到越来越多的研究领域,例如复杂工程系统,模型需要考虑各种物理约束。例如,麻省理工学院的一名首席研究员使用基于物理信息的 AI 来设计新型生物医学设备,以改善对轻度创伤性脑损伤的检测结果。
与此类似,使用基于物理原理简化模型的模型降阶 (ROM) 方法作为新趋势也正在兴起。高保真模型由于计算量太大而无法用于系统级设计,降阶模型能够替代高保真模型从而降低计算门槛。使用 AI 可以在保持系统的预期保真度的同时,通过取代系统的第一性原理模型来加速仿真。在 ROM 和其他基于物理信息的应用中,AI 将促进模型计算收敛,同时由于引入规则的算法,可提高模型的可解释性。
基于物理信息的 AI 其核心是对仿真的需求:这些复杂的模型可以配置为仿真中的变体,使工程师能够在模型之间快速切换,以获得最佳且最准确的计算结果。
[attach]817342[/attach]
图注:随着系统变得越来越复杂,需要更多的仿真来设计和测试嵌入式算法。工程师可以使用MATLAB和Simulink人工智能技术创建近似这些复杂系统的降阶模型。
▼
[attach]817343[/attach]
2. 对跨 AI 协作的需求:对 AI 的开放访问将继续扩大
研究人员、工程师和数据科学家在彼此工作成果的基础上继续创新的趋势日渐盛行。根据工程师工作流程和职责的几种变化,我们看到了更多对于合作的需求。
推动交叉协作的主要趋势是使用 AI 开展的研究越来越多,这也使得最新模型的按需提供变得更加紧迫。GitHub 是获得即时可用的最新研究模型的首选平台。在 GitHub 新发布的模型在几个小时后就有了一个以其为基础的全新解决方案,这种现象并不罕见。大量优质模型使所有从业者都能在比以往更短的时间内利用上最新的研究。
第二个趋势是对开源解决方案的依赖越来越大。模型可能来自几个不同的框架,因此工程团队需要的解决方案要能够弥合其首选系统和最终解决方案之间的差距。这就要说到不同框架之间的互操作性,它使得 AI 能够被纳入到更多样化的研究领域中。
最后,企业正在不断增加与学术界的合作,以便其特定的应用能够利用上日益加速的 AI 研究成果。在 AI 领域与学术界的合作可以帮助企业应对新的挑战,例如利用基于物理信息的机器学习和生物医学图像处理等主题的学术研究。
▼
[attach]817344[/attach]
3. 企业将专注于更小、更易于解释的 AI 模型
在早期探索模型时,准确度是工程师和科学家的主要关注点,而模型其他方面的优缺点则可能不是重点。然而,AI 从业者发现,要想让模型具有现实意义,它们必须能够部署,匹配硬件要求,并且能够让其决策易于解释和理解。
一个逐渐流行的趋势是使用传统的机器学习模型来满足低成本、低功耗设备的要求,并输出具有可解释性的结果。越来越多的公司希望使用特定的公式和参数以获得有保障的结果,这使得参数化模型再度焕发生机。传统的机器学习技术虽然不是最先进的,但它们能够以可理解且可重复的方式完成工作。这些模型本身就很紧凑,从而可满足低内存占用的硬件需求,并且其容易解释的输出也为用户提供了模型可以满足应用预期的信心。
如果需要更新、内存占用更大的模型,量化和剪枝技术则提供了压缩模型的方法,可在对准确度影响最小的情况下降低模型大小。此外,可解释性方法也被用于更复杂的模型,以解释模型的决策,从而提高输出的置信度。
通过可解释性、量化和剪枝,工程师和科学家有了更多将人工智能(包括深度学习和传统的机器学习模型)扩展到主流模型开发中的选择。
▼
[attach]817345[/attach]
4. AI 在最先进的工程系统的设计、开发和运行中变得至关重要
突破性的工程创新中不太可能缺少人工智能的身影。人工智能将继续影响现有领域,包括那些涉及时间序列和传感器数据的领域。随着人工智能在所有行业和应用中走向主流,不使用任何人工智能的复杂工程系统将成为异类。
电气化趋势就是一个人工智能让诸如电池管理、虚拟传感和模型降阶等更多应用成为可能的例子。不过,在新近集成了人工智能技术的成熟领域工作的工程师可能需要具备人工智能技术的相关背景。这催生了对特定参考示例的需求。这些示例可以方便工程师确定如何在干扰最小的情况下将人工智能整合到其工作中。例如,开发电池管理系统的工程师会希望从经过验证的示例开始,然后使用数据和专业知识修改示例以应对他们特定的情况。
▼
[attach]817346[/attach]
如今的问题不再是人工智能是否会影响企业,而是这种影响何时会发生,以及各个组织面临的具体影响是什么。从跨学科合作到独特的组件设计,人工智能的持续采用对整个组织都有影响。因此对工程师来说,确定与其短期和长期目标一致的用例并相应地实现这些用例至关重要。
免费分享一些我整理的人工智能学习资料给大家,整理了很久,非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLP、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。
下面是部分截图,点击免费领取二维码详情
目录
[attach]817347[/attach]
一、人工智能免费视频课程和项目
[attach]817348[/attach]
二、人工智能必读书籍
[attach]817349[/attach]
三、机器学习+计算机视觉基础算法教程
[attach]817350[/attach]
最后祝大家天天进步!
上面这份完整版的Python全套学习资料已经上传,朋友如果需要可以点击链接领取二维码详情
欢迎光临 智客公社 (http://bbs.cnaiplus.com/) |
Powered by Discuz! X3.4 |