在用戶方面，已經(jīng)形成了一個(gè)基于 ML 的質(zhì)量控制和過(guò)程監(jiān)測(cè)/優(yōu)化的解決方案集群。一個(gè)完全自動(dòng)化和控制器集成的質(zhì)量控制系統(tǒng)，它可以基于如電機(jī)電流、轉(zhuǎn)速和跟隨誤差等現(xiàn)有的機(jī)器數(shù)據(jù)對(duì)生產(chǎn)的貨物進(jìn)行全檢測(cè)。它可以 7 天 24 小時(shí)工作不休息，不會(huì)感到疲倦，而且能夠?qū)崿F(xiàn)遠(yuǎn)遠(yuǎn)超過(guò)人類(lèi)所能做到的周期時(shí)間。過(guò)程監(jiān)測(cè)和優(yōu)化是兩個(gè)連續(xù)的步驟。如果用訓(xùn)練好的模型來(lái)進(jìn)行過(guò)程監(jiān)測(cè)，機(jī)器可以通知其操作員，而操作員又可以即時(shí)調(diào)整過(guò)程，以保持產(chǎn)品質(zhì)量的穩(wěn)定性。下一步是向這名有經(jīng)驗(yàn)的機(jī)器操作員學(xué)習(xí)，并以這樣的方式訓(xùn)練模型，讓模型能夠自主地進(jìn)行所需的參數(shù)調(diào)整，或在中間步驟中作為“智能助手”發(fā)揮作用，給出參數(shù)設(shè)置建議。
除了控制系統(tǒng)中用于 ML 的基礎(chǔ)組件外，我們?cè)絹?lái)越關(guān)注倍福產(chǎn)品在圖像處理和運(yùn)動(dòng)控制領(lǐng)域的應(yīng)用，目標(biāo)是為用戶提供硬件和軟件方面經(jīng)過(guò)優(yōu)化的組件，無(wú)需事先掌握 ML 知識(shí)即可使用這些組件。
實(shí)時(shí)機(jī)器學(xué)習(xí)尤其是對(duì)需要高處理性能同時(shí)快速運(yùn)行各種工藝過(guò)程的工廠車(chē)間提出了挑戰(zhàn)。然而，如何將 ML 用于實(shí)時(shí)控制的應(yīng)用，如運(yùn)動(dòng)控制應(yīng)用？
Fabian Bause 博士：首先，我們必須認(rèn)識(shí)到，訓(xùn)練基于 ML 的模型要比執(zhí)行（即推理）訓(xùn)練好的模型花費(fèi)更多的時(shí)間。在硬件方面，推理在我們的工業(yè) PC 上運(yùn)行。它能夠在 CPU 中高效執(zhí)行的一個(gè)重要原因是持續(xù)使用 SIMD 命令擴(kuò)展，并結(jié)合高度優(yōu)化的緩存管理。此外，目前 CPU 中的處理器內(nèi)核越來(lái)越多地支持神經(jīng)網(wǎng)絡(luò)的加速執(zhí)行，因?yàn)樗鼈兛梢苑浅８咝У夭⑿袌?zhí)行。仔細(xì)觀察訓(xùn)練好的模型也非常重要，它就像“手工編寫(xiě)”的源代碼一樣。執(zhí)行一個(gè)龐大、低效的源代碼要比執(zhí)行一個(gè)精簡(jiǎn)、優(yōu)化的源代碼需要的時(shí)間長(zhǎng)很多。必須根據(jù)特定的任務(wù)對(duì)訓(xùn)練好的 ML 模型進(jìn)行調(diào)整和優(yōu)化�，F(xiàn)在，可以非常輕松地實(shí)現(xiàn)微秒級(jí)神經(jīng)網(wǎng)絡(luò)執(zhí)行速度。例如我們有一個(gè)展覽就是由 250 個(gè)神經(jīng)元組成的多層感知神經(jīng)網(wǎng)絡(luò)。通過(guò)我們高度優(yōu)化的推理引擎，它在 Intel Core i3 CPU 上的執(zhí)行時(shí)間僅需幾微秒。因此，我們可以確信，在圖像處理和運(yùn)動(dòng)應(yīng)用中使用 ML 時(shí)，在算力方面不會(huì)有任何障礙。
