人工智慧（AI）是一種模仿人類行為的智慧。它是一個透過電腦或是系統設計去感知外界環境、做出決策以及採取行動的軟體。建立一個成功的AI系統除了需要了解系統的完整工作流程外、如何訓練AI模型之外，還需要關注更多有關AI的資訊。
AI這個術語非常普遍，隨著越來越多的工程師將AI結合廣泛的應用，它在相關產業中也逐漸被大家所熟知。值得注意的是近期有許多AI應用，像是自動駕駛、機器人或是自然語言處理…等。這些應用程式在實現人工智慧的方式上有所不同，但是底層技術仍是「利用深度學習模型或是機器學習模型建立決策系統」。
依據自己系統的目標及需求，選擇適合的深度學習或機器學習演算法來應用於人工智慧系統。
您可以根據應用程式、需要預處理的資料大小以及需要解決的問題種類選擇各種技術和模型。機器學習和深度學習都有各自的優點：
傳統機器學習能夠訓練多種分類器，像是SVMs和決策樹。機器學習也能夠將特徵提取最佳化。您可以透過結合各種不同的方法來找出最適合這些資料的安排。
深度學習是機器學習的專業版，它可以在資料中自動地將相關性特徵進行擷取。另外，深度學習網路在預測能力上通常比經典的機器學習模型更好，而且隨著訓練資料的增加，深度學習模型的準確度會提升。
透過classification leaner App嘗試各種不同的機器學習演算法，找到最適合自己模型的方法。
不論您選擇機器學習或是深度學習，您都需要具備嘗試各種不同演算法，以及決定哪一種演算法最符合您的應用和需求的能力。
資料是大部分的AI應用的核心。在AI流程中花費最多的時間的步驟通常是，針對模型的需求， 將原始資料執行精確且有意義的預處理。 資料的準備需要領域內的專家來判斷資料哪些關鍵特徵是不重要的，哪些是值得考 慮的罕見事件。 資料準備和進行標記的過程通常是乏味且耗時的。這個過程可能包括使用合成資料和額外樣本來擴充資料集，但工程師應考慮透過自動化標註流程，更快速地取得乾淨、已標註的資料。
建立成功AI模型的兩個關鍵要素
AI 模型通常存在於大型且複雜的系統中。如自動駕駛系統中，用於感知的AI必須整合定位和路徑規劃的演算法，以及用於煞車、加速和其他控制元件。每個部分都需互相協作以建立完整的系統。而這樣複雜的 AI 驅動系統需要整合與模擬。
AI的實際應用：利用機器學習檢測 BMW 汽車的過度轉向
模擬是整個系統整合的關鍵。它能驗證各個組件是否能正確協同運作，並確保在各種情境下的結果與反應符合預期。此外，模擬也讓您能在部署到實體硬體之前，先確認模型的正確性。
由於許多應用程式使用AI，因此存在多樣化的部署需求。無論是車輛中的電子控制單元（ECU）、化工廠中的邊緣系統，還是接收來自多個地點資料的雲端串流系統。AI可以存在於這些系統的任何部分，因此您的模型需要能夠在任何可能的平台上部署和執行。
工程師們與AI：打造AI系統
在將人工智慧整合至系統中時，有許多層面需要深入考量。身為工程師，關鍵不僅在於建立模型，更要著重於整個 AI 工作流程的規劃與執行
工程師們和科學家們是推動AI專案成功的關鍵領域專家。MATLAB讓工程師和科學家們在各自的領域中使用AI，並促進各行各業中的團隊與組織之間的協作
