您的位置：首頁>>管理中心>>行業資訊>>修改新聞資訊信息

資訊類型： 行業要聞 企業動態 新品速遞 解決方案 交流培訓 嘉賓訪談 產業縱橫   人物聚焦 展會動態 會展報告 本站動態 標    題： * 頁面廣告： 不顯示 顯示 副 標 題： 關 鍵 字： 多個關鍵字請用“/”分隔，如：西門子/重大新聞 內容描述： 新聞來源： 鏈    接： 責任編輯： 標題圖片： 無/uploadfile/newspic/20220425101948689.jpg 當編輯區有插入圖片時，將自動填充此下拉框 * 所屬類別： (不超過20項) 電源產品分類： UPS電源 穩壓電源 EPS電源 變頻電源 凈化電源 特種電源 發電機組 開關電源(AC/DC) 逆變電源(DC/AC) 模塊電源(DC/DC) 電源應用分類： 通信電源 電力電源 車載電源 軍工電源 航空航天電源 工控電源 PC電源 LED電源 電鍍電源 焊接電源 加熱電源 醫療電源 家電電源 便攜式電源 充電機(器) 勵磁電源 電源配套分類： 功率器件 防雷浪涌 測試儀器 電磁兼容 電源IC 電池/蓄電池 電池檢測 變壓器 傳感器 軸流風機 電子元件 連接器及端子 散熱器 電解電容 PCB/輔助材料 新能源分類： 太陽能(光伏發電) 風能發電 潮汐發電 水利發電 燃料電池 其他類： 其他 靜態頁面： 生成靜態頁面 * 內    容： <P align=center>　　<IMG border=0 src="/uploadfile/newspic/20220425101948689.jpg"></P> <P align=center>作者：是德科技全球企業和產品營銷副總裁Jeff Harris</P> <P>　　在我們周圍每一個領域，無論產品是先進還是普通，似乎都能看到人工智能（AI）的影子。利用人工智能來為產品賦能，光是想想就已經讓人心馳神往，因此您自然會相信這樣的主張。然而，大部分的主張并沒有說明人工智能的作用，也沒有說明制造商憑什么可以信心十足地做出這樣的主張。我內心屬于工程師的那一面總是對物品的構建方法充滿好奇。之所以如此，是因為我對“黑匣子”這個理念不感冒——這個理念認為我們不需要了解計算如何進行編程。</P> <P>　　那么，就讓我們一起來打開這個盒子，揭開人工智能的面紗看一看。要想實現人工智能，您首先要滿足兩個要素：（1）能夠測量某些參數并且了解測量結果的含義；（2）學習能力。第一個要素涉及計量學，也稱為計量科學研究。第二個要素稱為機器學習（ML），它讓系統能夠辨別不同于預期結果的測量值，并且在不需要明確編程的情況下改變操作。</P> <P>　　數據收集能力</P> <P>　　計量學側重于深入了解某種特定的測量。這種測量既可能是像電壓、接地或溫度測量一樣簡單而獨特，也可能像飛行器控制面或復雜的制造裝配線一樣具有多模態功能。</P> <P>　　測量深度：無論是測量單個參數還是測量多個參數，測量精度決定了您能夠達到哪種程度的可編程能力。例如，以1/10伏的精度測量3伏系統就不會像以1/1000伏的精度測量同一個系統那樣有洞察力。</P> <P>　　數據饋送：測量數據只有在可用于數據饋送時才對算法有幫助。在上面的示例中，如果傳感器能夠以1/1000的精度進行測量，但受到數據總線的限制，其數據饋送輸出只能精確到小數點后一位，那么額外的精度就不能為算法所用。</P> <P>　　多個數據饋送：在可能的情況下，測量的參數越多，做出的決策就越有效。舉個例子，如果能夠以1/1000的精度測量電壓和溫度，您就能夠將溫度變化與電壓波動聯系起來。</P> <P>　　進入機器學習</P> <P>　　機器學習會把來自多個源頭的數據提供給用以模仿人類學習方式的算法，從而逐步提高算法的準確性。獲得數據饋送后，您還需要三個基礎模塊才能實現ML：解釋數據的算法、具有響應式結果的預期結果表、反饋環。</P> <P>　　算法：一個機器學習系統的真正“智能”體現在它能夠獲取數據饋送輸入，運行一組計算/指令，并解釋輸出。解釋指的是它能夠分辨輸出計算是否在預期范圍之內，然后根據該輸出執行新命令。在前面的示例中，如果不僅電壓測量結果遠超預期范圍，而且溫度也高于標稱值，那么算法可能會啟動內部風扇。</P> <P>　　預期結果和響應式結果：以最簡單的方式來解釋的話，預期結果可以是數據饋送輸入與一系列響應式命令組合而成的“查找”表。表格越全面，ML就越成熟、越有價值。交互性更高的ML可以執行一步步變更，例如根據實時感知數據改變無人機的航向，從而避開障礙物，這一操作同時需要持續的感知和不斷的調整。</P> <P>　　反饋環：最后一個要素是反饋環。它允許系統驗證其操作是足夠的還是需要進一步改進，并且能夠幫助系統調整參數，從而提高未來的性能。</P> <P>　　增添多個針對大型系統不同方面的ML功能，增加更多傳感器數據，從而在更復雜的系統層面實現機器學習。先進的ML可以在遇到新的傳感器輸入組合時將其添加到“查找表”中，制定其它類型的響應式結果指令，并衡量執行的響應的充分度。這些就成為了自我調整算法，從數據中獲取知識，從而預測結果。訓練的算法越多，輸出就越準確。</P> <P>　　人工智能</P> <P>　　既然擁有了可訓練的算法，那么您就在很大程度上可以實現AI交付。您需要從一系列ML引擎中獲得輸出，然后將它們與充足的準則和迭代相結合，以便算法做出實時決策。當AI算法處理數據、</P> <P>　　迭代、考慮新數據進入的迭代響應，以及使用組合來選擇輸出時，它就進入了決策狀態。這個永無止境的循環促使AI不斷學習并提高決策質量。整個過程既可能像電壓和溫度傳感器回路一樣非常簡單，也可能像攻擊型無人機的飛行控制系統一樣復雜。</P> <P>　　人工智能的DNA標記</P> <P>　　如何預測AI算法的性能？就像了解人類一樣，您可以通過DNA標記來了解AI算法。從最基礎的層面來看，具有人工智能的機器能夠仿真人類感知信息、處理信息和對信息做出反應的方式，并針對給定的條件修改工作流程，從而代替人類參與決策循環。從本質上講，您可以查看三個常見的DNA標記：</P> <P>　　測量和仿真的效果：了解制造商的測量能力，了解他們是否擁有創建數字孿生環境所需的充足知識和經驗。</P> <P>　　算法、分析技術和洞察力：開發人員對信號核心特征的了解程度以及這種程度與預期響應的關系將決定預期結果“查找”表的深度。</P> <P>　　工作流自動化知識：從系統層面上理解多次迭代的ML輸出如何協同工作，從而優化預期結果。</P> <P>　　有鑒于此，人工智能算法的質量與以下兩個方面有關系：</P> <P>　　深度——理解指定測量領域中測量結果的能力</P> <P>　　廣度——人們擁有的深度知識所涵蓋的技術和標準的數量</P> <P>　　這向我們指出一個事實——如果實施得當的話，人工智能并不是一種被過度炒作的新興技術。相反，工程師可以借助它來管理復雜性呈指數級增長的新設計。</P> <P>　　正如未來學家Gray Scott所言，“到2035年，人腦不可能也沒有辦法與人工智能機器相匹敵。”工程師們意識到了這一點，并且開始將ML和AI融入他們的系統。人工智能的誕生要歸功于充滿智慧且積極進取的工程師。他們了解測量科學，充分理解為開發人員創建數字孿生可能會得到的系統特性，并志在讓工程走上新臺階。</P>

av在线天堂播放