在Gartner對多家工業企業進行的一項調查中，當被問及“目前正在進行的AI項目有多少？在未來一年、兩年和三年中預期將進行多少項目？”時，多數企業表示AI集成是目前的優先任務，未來3年內開展的AI項目數量將是現在的10倍。但與此同時，團隊技能和數據的可用性(合適範圍和質量的數據)，卻成為企業在應用人工智能和機器學習技術時所面臨的重大挑戰，亟待解決。
MathWorks首席戰略師Jim Tung在接受《電子工程專輯》採訪時預測說，隨著人工智能在工業應用中的快速發展，2020年將成為“AI驅動系統”年，以下五大人工智能趨勢將促成以上預測。
MathWorks首席戰略師Jim Tung
- 趨勢一：勞動力技能和數據質量壁壘開始消弭
隨著越來越多的工程師和科學家(不侷限於數據科學家)參與到AI項目當中，他們帶來了AI項目成功所必需的特定領域技能和知識。Jim Tung認為領域專家對AI項目的成功至關重要，因為他們能夠利用自己的專長選擇合適的數據，決定如何為AI建模準備數據，選擇對於應用簡化而有效的模型，通過評估結果判斷模型是否合適，並能夠識別在系統中可能出現的故障模式。
這些數據不侷限於深度學習常用的圖像數據，還包括時間序列數據、文本和雷達信號。因此如果能打出一套包括應用程序、自動標註工具、完備AI算法、預訓練模型、參考設計在內的“組合拳”，將能夠極大幫助用戶加快高質量大型數據集的準備。而與之相對應的是，高質量數據越多，AI模型準確度高的可能性越大，成功概率也會越高。
考慮到很多人並不是AI方面的專家，應用程序會是幫助非AI領域專家高效使用相關技術的利器，Deep Network Designer、Classification Learner和Experiment Manager就是三個典型的應用程序，用戶通過點擊的方式，就能完成工作流當中的設計、分析等各個步驟。
例如在Deep Network Designer中，“訪問預訓練模型—導入導出網絡—訓練圖像分類網絡—生成MATLAB代碼用於訓練”，都是以按鍵點擊的方式來執行的；Experiment Manager可以管理多組實驗，記錄參數並分析比較結果；Diagnostic Feature Designer可以實現信號的特徵提取和特徵排序任務的自動化，並生成MATLAB代碼；Classification Learner具備超參數調優等高級功能，可以一鍵訓練並比較多個模型。
最新的用戶案例是復旦大學利用MATLAB來開發相應的數學模型，用於預測新冠肺炎的傳染趨勢，為中國的政府提供相應的公共措施方面的指導。MATLAB在這個項目當中的主要應用包括數據可視化和預處理、模型擬合和開發、參數調優、數值仿真和測試、應用程序開發、Web系統的模型部署。
- 趨勢二：AI驅動系統的興起使設計複雜度進一步提高
工程師們正積極將AI推廣應用於各種系統，包括自動駕駛汽車、飛機引擎、工業廠房、風力發電機、以及其他所有涉及嵌入式系統、邊緣計算和企業系統的領域。AI模型的行為對於這些複雜多域系統的整體性能具有重大影響，因此設計人員期望利用基於模型的設計方法，通過仿真、AI模型集成以及持續測試理解如何創建魯棒的AI驅動系統。
在談及將AI部署到邊緣側時有哪些要素是需要考慮的時候，Jim Tung表示，邊緣側的含義很豐富，基於Linux的服務器、工控系統、低端網關設備都可以看作是邊緣側設備，對這些系統編程是需要多種技術的，要提前思考；其次，AI大多用於處理傳輸到邊緣的數據，需要將特殊的技術和協議進行標準化；第三點，算法開發者和負責邊緣系統的系統工程師、嵌入式工程師或IT專家之間要有足夠的默契；最後，必須確保網絡安全，例如保護軟件源代碼的魯棒性和安全性、進行威脅建模等。
- 趨勢三：將AI部署到低功耗、低成本的嵌入式設備的過程日益簡便
AI通常採用32位浮點運算，這在GPU、集群和數據中心等高性能計算系統中廣為應用。但軟件工具的最新發展已經開始支持採用不同級別定點運算的AI推理模型，這使得在低成本、低功耗嵌入式設備中部署AI成為可能，併為工程師在應用AI技術時提供了更多的選擇，例如車輛及其他嵌入式工業應用中的低成本電子控制單元(ECU)。
將AI算法應用在不同的嵌入式處理器中，以往的工作模式通常是算法或模型開發者與程序員合作。如今，使用軟件工具，特別是自動代碼生成功能，可以在開發一次模型後，使用代碼生成功能將其部署到各種不同的平臺上，例如生成C++代碼，或生成CUDA代碼應用於NVIDIA GPU上，生成HDL代碼用於FPGA上等等，一個來源，多個目標，全部自動實現。
但另一方面，將浮點運算轉換為定點運算，並不能一蹴而就，要求對代碼有很好的理解，以保證結果可預測並且可靠。在Deep Network Quantizer工具中，用戶可以快速導入一個預訓練好的模型，根據真實數據對模型進行校準，顯示校準統計量及其精度範圍，並對網絡各層進行量化，或創建定點運算表達，最後進行驗證。不僅是深度學習網絡，Deep Network Quantizer還支持其他傳統的機器學習算法的定點代碼生成，例如決策樹，支持向量機模型，這些模型的自動代碼生成是可靠性和速度的關鍵。
- 趨勢四：強化學習開始從遊戲領域轉向現實世界的工業應用領域
強化學習需要大量數據，通常通過虛擬模型產生，虛擬模型可以融入現實世界中難以模擬的條件。為了迎合這一趨勢，通過MATLAB和Simulink當中的強化學習工具箱，用戶可以對環境進行建模，利用GPU和雲計算加速訓練過程，通過仿真驗證完成訓練的策略。
下圖是無人駕駛汽車的強化學習應用示意圖。Simulink模型中包括車輛模型、軟件控制器模型、感知算法模型，在強化學習部分，根據車載攝像頭採集的圖像仿真數據，車輛可智能識別車道，感知周圍路況。
“現實世界中的工業用戶確實是保守的。”在Jim Tung看來，工業企業不但要確定生產系統是魯棒的，在面對包括AI在內的新技術時，還需要充分了解其優點和缺點。而在尋找新的商業模式方面，大多數企業都失敗或者進展很慢，沒有達到期望的結果。錯誤之一在於花了太多的時間、人力和成本為所需的數據構建IT基礎設施，但到頭來發現方向是錯誤的；錯誤之二在於一些企業嘗試躍進式轉變，反而流失了大量了解其現有商業模式的人才；錯誤之三在於企業內部不同的群體都從自己的角度推進數字化轉型，導致轉型只出現在企業內部的某一部分。
而那些能夠成功進行數字轉型的企業，往往是非常務實的。他們識別出一些特定項目，以此為起點進行管理，逐步遞增，項目體量適當，既具有足夠的挑戰性，能產生投資回報，又不會風險過高，能夠系統地使用工具、工作流和模型、以及來自各個部件和整個生命週期的數據，然後在此基礎上完成下一個項目。
“AI工業應用成功最重要的要素在於充分地利用領域專家他們的經驗積累，利用他們在創建、維護系統時積累的專業知識，同時結合數據科學和AI知識，可以是僱傭具有這方面技能的新人或者幫助領域專家提高他們在數據科學方面的技能。如果把這兩個群體分開，嘗試各自去解決問題，往往是沒有辦法成功的。” Jim Tung說。
- 趨勢五：仿真可以降低成功採用AI所面臨的主要壁壘
這裡的壁壘指的是數據質量欠佳，包括範圍和質量兩個方面。比如合適情況下的數據不足，或者是即使有數據，但是很多數據是具有偏見性的且不均衡，某些狀態數據很多，某些狀態又太少。
對前者來說，仿真對於故障模式的數據合成或生成很重要。因為很多用戶在做預測性維護的時候，缺少關於這些故障問題的數據，通過仿真合成故障數據，就不用在真實設備上誘發這些故障狀態。對後者來說，保證領域專家的參與至關重要。因為數據科學家知道如何通過可視化、標準化的工具去採集和處理可用的數據，從而保證數據質量。
