Встраиваем процесс разработки компонентов с ИИ в модельно-ориентированную инженерию

Методы глубокого обучения и классические методы машинного обучения позволяют наделить подсистемы сложнейшими функциями, которые обычными инженерными методами не создать: классификация объектов на видео, предиктивная аналитика сложных процессов, цифровые двойники. Эти достижения хорошо объясняют общий интерес и желание встроить их в свои производственные цепочки или в продукты. Но каждый алгоритм с ИИ – лишь крошечная деталь в общей системе. К примеру, встроенное ПО умного автомобиля содержит код для адаптивного контроля скорости, для соблюдения разметки, для фильтрации измерений с LIDAR и много других функций, кроме собственно компьютерного зрения на глубоком обучении. Как же все эти компоненты объединить и воплотить в жизнь, максимально снизив стоимость тестирования на стендовом оборудовании и на целевой платформе? Мы обсудим, как облегчить проектирование сложных систем с ИИ, разрабатываемых в модельно-ориентированном процессе, как протестировать систему в модельном окружении через симуляцию, как с