ADLINK 与 Charles Industries 推出首个完整微边缘 AI/ML 解决方案，用于 5G 杆塔部署

人工智能（AI）是2020年乃至未来的超级热词。新入行者常困惑：为何AI总与机器学习（ML）形影不离？它们是什么？有何区别？工业场景如何应用？为何如此重要？ 同工业4.0许多术语一样，AI与ML常被过度使用与误用。本文拨开营销迷雾，还原核心差异。 定义与关系 人工智能：让机器模仿人类行为的技术。机器学习：AI子集，用统计方法随经验积累自我改进。AI涵盖自然语言处理、图像识别、智能机器人等众多领域。 AI具备感知、推理、学习能力；ML作为许多AI系统基础，仅具备基于数据模式预测结果能力。ML能识别数据模式差异，但永不理解自身在做什么。AI融合ML结果与其他分析方法，达到某种智能水平。 图示：AI

过去十年，公司开始掌握并释放人工智能（AI）和机器学习（ML）潜力。虽仍早期，公司开始理解此技术显著影响，助其做更好、更快、更高效决策。 当然，AI和ML非助企业拥抱创新银弹。事实上，这些算法成功仅如其基础好坏——具体指优质数据。 无此，企业将见安装AI和ML目标失败，坏数据不可预见后果在效率和声誉两方面对业务造成不可逆损害。 但另一探索领域待开发：即数据质量能否由自动化和机器学习本身改进维护？ 数据质量差风险 从流媒体服务、聊天机器人、告知超市货架陈列、引导主要交通枢纽，ML以十年前不可想象方式影响生活。 但若算法建立在差数据质量基础上工作会怎样？未来风险可能远超推荐不爱看电影严重。 若开始

数据科学家是数据科学项目成功关键。但他们不能孤军奋战。需要其他技能组合帮助，以及自动化方案。 数据，润滑现代机器齿轮的石油。但有问题。组织挣扎于从这新动力获取业务洞察。 供不应求 市场上许多企业客户试图建超大数据科学团队。一些想雇佣数百人应对数据爆炸；源从客户输入到IoT设备——这将成主渠道。 但不易，数据科学家巨缺。 有Gartner所称“公民数据科学家”——主要工作职能在统计分析领域外，但创建或生成使用高级诊断分析或预测处方能力模型的人——他们为专家数据科学家提供互补角色。不替代专家，因无特定高阶数据科学专长。 即使这样，许多企业真难建立公民数据科学团队，更别说数据科学家团队。 数据科学

机器学习早已家喻户晓，但鲜有人知如何着手应用。希望阅读本文能帮助您理解如何利用 PLCnext 控制器开启机器学习之旅。本文将涵盖：训练首个 ML 模型、转换为 ONNX 标准、在 PLCnext 控制器上推理。为避免过度复杂，我们将使用经典的 Iris 鸢尾花数据集构建模型。 开始前，明确目标至关重要。以下简要介绍本文涉及的主题，参考资料见文末。 机器学习简介 什么是机器学习 机器学习的本质是利用统计与算法在数据集中发现模式。主要分为三类：监督学习、无监督学习和强化学习。监督学习最常用，本文采用此类。监督学习中，我们对数据打标签，明确告知机器寻找的模式。 无监督学习不打标签，让机器自行发现模