随着AI在行业中变得越来越普遍，越来越多的工程师和科学家(不仅仅是数据科学家)将致力于AI项目。他们现在可以访问社区中现有的深度学习模型和可访问的研究，与从头开始相比，这提供了显着的优势。虽然AI模型曾经以多数图像为基础，但大多数模型也包含更多的传感器数据，包括时间序列数据，文本和雷达。

工程师和科学家由于他们对数据的内在知识，将极大地影响项目的成功，与不熟悉领域领域的数据科学家相比，这是一个优势。借助自动标记之类的工具，他们可以利用自己的领域知识来快速整理大型，高质量的数据集。高质量数据的可用性越高，AI模型中进行准确性的可能性就越大，因此成功的可能性就越大。

随着AI被训练为可以使用更多传感器类型(IMU，Lidar，Radar等)，工程师正在将AI驱动到广泛的系统中，包括自动驾驶汽车，飞机发动机，工业厂房和风力涡轮机。这些是复杂的多域系统，其中AI模型的行为会对整体系统性能产生重大影响。在这个世界上，开发AI模型不是终点线，只是前进的一步。

设计师希望使用基于模型的设计工具对这些AI驱动的系统进行仿真，集成和连续测试。仿真使设计人员能够了解AI如何与系统的其余部分进行交互。集成使设计人员可以在完整的系统上下文中尝试设计思想。连续测试使设计人员能够快速发现AI训练数据集中的弱点或其他组件中的设计缺陷。基于模型的设计代表了一个端到端的工作流程，它减轻了设计AI驱动系统的复杂性。

人工智能通常使用32位浮点数学运算，这在高性能计算系统中可用，包括GPU，集群和数据中心。这样可以得到更准确的结果并简化模型的训练，但是它排除了使用定点数学的低成本，低功耗设备。软件工具的最新进展现在支持具有不同级别的定点数学的AI推理模型。这使得能够在这些低功耗，低成本设备上部​​署AI，并为工程师将AI纳入其设计开辟了新的领域。例子包括车辆和其他嵌入式工业应用中的低成本电子控制单元(ECU)。