科學家和工程師能藉由專業(yè)領(lǐng)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(zhì)的資料集，將是進一步成功的關(guān)鍵。
隨著取得了現(xiàn)有深度學習模型與研究並加以持續(xù)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(tǒng)上，AI模型大多數(shù)以影像為基礎(chǔ)，不過接下來這一年，AI模型將涵蓋更多樣化的資料類型結(jié)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(tǒng)上，AI模型大多數(shù)以影像為基礎(chǔ)，未來AI模型將涵蓋更多樣化的資料類型結(jié)合。 |
|
科學家和工程師固然可藉由自身具備的專業(yè)領(lǐng)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(zhì)的資料集，將是進一步成功的關(guān)鍵。資料品質(zhì)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(chǔ)設(shè)計工具
更多複雜設(shè)計、以AI為驅(qū)動的系統(tǒng)正不斷增加，因此AI模型的行為對於整個系統(tǒng)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(xù)測試的模型化基礎(chǔ)設(shè)計工具被大量地採用。
模擬可讓設(shè)計者測試人工智慧與系統(tǒng)之間如何進行互動，整合則可幫助設(shè)計者在完整的系統(tǒng)情境下試驗他們的設(shè)計，持續(xù)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(shè)計缺陷。
透過協(xié)作機器人與AI使生產(chǎn)線更靈活
透過AI來進行的參數(shù)化和調(diào)整的Cobots—在人類身邊運作的協(xié)作機器人（由collaborative robots合併縮寫而成）—將是2020年後實現(xiàn)真正靈活生產(chǎn)線的關(guān)鍵。在過去五年，關(guān)於工廠廠房生產(chǎn)線自動化的新願景被大量地談論—「大批產(chǎn)品客製化（sample size one）」，也就是生產(chǎn)線如何藉由逐一生產(chǎn)每個單項產(chǎn)品，以避免缺乏效率和轉(zhuǎn)換時間長的問題。
要實現(xiàn)工業(yè)4.0願景之一的生產(chǎn)完全個別化，生產(chǎn)線必須具備靈活性，並設(shè)有多個可以在生產(chǎn)過程中即時重新調(diào)配的機械電子模組，也需要配置更多協(xié)作機器人，這些皆由AI依據(jù)下一個要製造的個別化產(chǎn)品進行調(diào)整。
| 圖2 : 由AI驅(qū)動生產(chǎn)線的靈活性是實現(xiàn)工業(yè)4.0生產(chǎn)個別化的關(guān)鍵 |
|
邊緣運算與預測性維護持續(xù)演進
雲(yún)端系統(tǒng)的使用，再加上更強大的工業(yè)控制器和邊緣運算裝置的運算能力，將為新的功能性生產(chǎn)系統(tǒng)軟體鋪路。預測性維護技術(shù)將持續(xù)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(shè)備間的資料。除此之外，以AI為基礎(chǔ)的演算法將可動態(tài)地優(yōu)化整個生產(chǎn)線及生產(chǎn)量，並將耗能維持在最低，持續(xù)提升工廠效率。
| 圖3 : 預測性維護技術(shù)將隨著感測資料的多元化而持續(xù)精進 |
|
強化學習之工業(yè)應用
強化學習（reinforcement learning），指電腦反覆跟一個動態(tài)環(huán)境間不斷地互動、透過嘗試-錯誤（trial-and-error）來學習執(zhí)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(yè)應用上，它可以被用來實現(xiàn)控制器及複雜系統(tǒng)的決策演算法，像是機器人和無人自主系統(tǒng)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(fā)出的模擬資料，是驅(qū)動未來強化學習（reinforcement learning；RL）改善大型工業(yè)系統(tǒng)的重要關(guān)鍵。
其他驅(qū)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(tǒng)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(tǒng)可以改善及優(yōu)化駕駛的表現(xiàn)、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(tài)環(huán)境不斷地互動，以嘗試錯誤的方式來學習如何執(zhí)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(qū)動系統(tǒng)等，將是實現(xiàn)所有工業(yè)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）
