http://bfqmb.cn 2023-11-13 10:16 來(lái)源:廣州市西克傳感器有限公司
Deep Learning 將改變工業(yè)。機(jī)器將能夠完成那些需要人類(lèi)智慧的工作。伴隨著企業(yè)流程數(shù)字化和數(shù)據(jù)收集的發(fā)展,Deep Learning 的應(yīng)用也將增加,使人類(lèi)和機(jī)器之間的合作更加高效。這將徹底改變自動(dòng)化和生產(chǎn),實(shí)現(xiàn)更高效且更正確的決策流程以及更高的生產(chǎn)力,同時(shí)顯著降低開(kāi)發(fā)成本。
在我們的播客“SICKnificant”中,我們與數(shù)字服務(wù)和解決方案戰(zhàn)略產(chǎn)品經(jīng)理 Christoph Eichhorn 博士探討了 Deep Learning 如何幫助人們完成繁瑣的任務(wù)以及提高流程質(zhì)量。
Christoph Eichhorn 博士,SICK 數(shù)字服務(wù)和解決方案的戰(zhàn)略產(chǎn)品經(jīng)理
近年來(lái),Deep Learning 作為人工智能和機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域,隨著數(shù)據(jù)和計(jì)算能力的不斷增加而愈發(fā)重要。該技術(shù)將為生產(chǎn)自動(dòng)化和其他領(lǐng)域帶來(lái)變革,使機(jī)器能夠完成以前需要人類(lèi)智慧才能完成的任務(wù)。SICK 的 AI 解決方案負(fù)責(zé)人 Christoph Eichhorn 博士這樣解釋?zhuān)?ldquo;Deep Learning 是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域。為此需要使用能夠處理復(fù)雜情況的人工神經(jīng)網(wǎng)絡(luò),即所謂的‘deep neural networks’。人工神經(jīng)網(wǎng)絡(luò)可以完成例如質(zhì)量控制領(lǐng)域的復(fù)雜決策,幫助企業(yè)將越來(lái)越多的流程自動(dòng)化和數(shù)字化,從而將生產(chǎn)效率提高到一個(gè)新的水平。”
數(shù)字化和人工智能
近年來(lái),工業(yè)中的數(shù)字化方案發(fā)展迅猛。來(lái)自傳感器 以及其他來(lái)源的數(shù)據(jù)(過(guò)去主要用于直接的流程控制)在數(shù)字化過(guò)程中被儲(chǔ)存起來(lái),從而可以在更抽象的層面得到應(yīng)用。但僅僅收集數(shù)據(jù)是不夠的。當(dāng)涉及到提取數(shù)據(jù)的核心信息以進(jìn)行進(jìn)一步的優(yōu)化時(shí),人工智能 發(fā)揮了重要作用。
以木材加工業(yè) 的某個(gè)應(yīng)用為例:該應(yīng)用借助數(shù)千兆字節(jié)的數(shù)據(jù)訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò),其決策比人類(lèi)的眼睛更高效、更快速、更持久。這個(gè)神經(jīng)網(wǎng)絡(luò)的大小不到一兆字節(jié),卻用到了大量的經(jīng)驗(yàn)。這個(gè)方案可以轉(zhuǎn)化到任意數(shù)量的應(yīng)用中。
從基于人工智能的自動(dòng)化中受益
當(dāng)然,并不總是需要如此巨量的數(shù)據(jù)才能從人工智能中受益。根據(jù)客戶的個(gè)性化需求,Deep Learning 項(xiàng)目的實(shí)施具有很大的差異。擬定這些需求和期望目標(biāo)并不輕松,但這是成功使用人工智能的先決條件。“簡(jiǎn)單來(lái)說(shuō):只有當(dāng)你明確了自己的需求時(shí),才能通過(guò)人工智能得到想要的結(jié)果。一旦清楚了這一點(diǎn),所有客戶都希望通過(guò)一個(gè)簡(jiǎn)單而靈活的解決方案來(lái)解決他們的問(wèn)題。”Eichhorn 說(shuō)。
“在人工智能的幫助下,我們的客戶可以自己實(shí)現(xiàn)過(guò)去難以實(shí)現(xiàn)的自動(dòng)化任務(wù)。典型示例 包括利用反光零件進(jìn)行質(zhì)量檢查和裝配檢查、焊點(diǎn)檢查或?qū)μ烊划a(chǎn)品進(jìn)行分揀。這些工作往往非常繁瑣,需要占用熟練工人的大量寶貴時(shí)間,因此通常只能以抽檢的方式進(jìn)行。”
訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)
隨著 Deep Learning 的廣泛使用,自動(dòng)化正在經(jīng)歷顛覆性的變革。今后不再需要為了制定一套具體的規(guī)則而去研究哪些細(xì)節(jié)與決策相關(guān),而是充分利用現(xiàn)有實(shí)例。算法學(xué)會(huì)了自主決策。“我們訓(xùn)練一個(gè)解決方案,而不是對(duì)其進(jìn)行編程,這樣做更加快速且更加高效。但必須強(qiáng)調(diào)的是,Deep Learning 不能替代人的專(zhuān)業(yè)能力。人的智慧對(duì)于充分挖掘技術(shù)潛力來(lái)說(shuō)仍是必不可少的。Deep Learning 是對(duì)人類(lèi)能力的輔助和擴(kuò)展。”Eichhorn 解釋并總結(jié)道:“由于 Deep Learning 工具使用簡(jiǎn)單,用戶只要知道問(wèn)題所在,即便沒(méi)有專(zhuān)業(yè)的編程知識(shí),也可以自行解決。因?yàn)橹挥杏脩舨胖滥男┮蛩貙?duì)于解決方案來(lái)說(shuō)是重要的,哪些是不重要的,也只有用戶才能找到更合適的訓(xùn)練實(shí)例。通過(guò)我們的工具,用戶可以非常直觀地進(jìn)行人工智能訓(xùn)練,從而解決具體的、個(gè)性化的任務(wù)。”