有保障的机器学习模型
在工厂车间，浪费的资源会让每个实际或想象中的缺陷快速堆积。如果将合格零件错误地标记为有缺陷的零件，则会浪费时间、影响效率和机器工作。当有缺陷的零件被忽视而成为最终客户的问题时会怎样？潜在后果更加严重。
幸运的是，人类在缺陷检测方面很专业。但是，手动质量检查的速度很慢，因此自动化是一个挑战。计算机视觉 (CV) 可能具有与人类准确性相匹配的潜力，但是用传统的 CV 系统可以理解的语言来描述对人而言显而易见的东西（例如黑标和模糊不清的区别）几乎是不可能的。
深度学习（机器通过标记的数据集直接向人们学习）可以解决这两个问题。它提高了 CV 达到人类标准的准确性，同时提高了效率并削减了成本。但是要使用它，制造商和系统集成商需要解决方案提供商，后者是技术以及在车间执行该技术的专家。
机器学习始于人类
借助物联网、人工智能和深度学习技术解决方案的提供商 Mariner 了解到，将使用解决方案并从中受益的人员必须从一开始就参与其中。这意味着要深深尊重制造商在提供商方面的经验，并承诺在部署的每个阶段都与车间人员进行协作。
“首先，您需要与客户合作，以确保您解决了一个真正的问题。Mariner 产品技术执行副总裁 Peter Darragh 说：“不仅因为它很酷，而且还从事人工智能科学实验。”但是协作需要持续进行，而不是间断进行。
例如，Spyglass Visual Inspection (SVI) 可以比专家检查员更快地捕获缺陷，并且具有同等或更高的准确性，因为这些专家可以标记用于训练它的图像。Darragh 表示，似乎这些检查员已经将角色从运动员切换成为教练了。
“当他们提供高质量的、带有标签的数据集，包括他们每天在生产线上看到的所有细微差别时，他们就不再玩游戏了。他们正在教授游戏的深度学习。”他说。而且，当情况发生变化时（例如：新客户具有不同的质量标准），可以对模型进行重新培训以适应。
智慧伙伴关系，智慧工厂
但是仅仅了解技术还不够。供应商还需要知道如何在真实的工厂环境中进行部署。Darragh 解释说：“最近，我们已经看到了对深度学习的极大兴趣和大量案例研究，”“但是这些项目往往是在受控实验室环境中离线完成的。”
那就是为什么对于 SVI 解决方案，Mariner 从一开始就专注于开发自动化流程来训练模型并将其交付给工厂边缘。通过这种方式，它可以从容地响应典型生产环境中的所有不可避免的变化（视频 1）。
为了确保 SVI 能够为每一位最终客户有效工作（否则退款），Mariner 遵循严格的实施流程：
- 积极寻找风险，并确认该问题非常适合深度学习。
- 培训最终客户如何提供一系列高质量的标签图像。
- 在首次咨询期间，使用人工智能专业知识从初始图像集开始训练初步模型，以确保未来运营的成功。
- 在商定验收标准之前，与客户合作以减轻风险。
- 部署后继续监视模型的置信度，并评估重新培训的需求。
解决方案结合了精心选择的技术元素。它在边缘包括容器化的微服务架构，以防网络连接丢失。而且，Microsoft Azure 提供了一组易于扩展和缩减的可靠云服务。
Darragh 说：“实际上，有时它就像在屏幕上移动滑块一样简单。”这使 Mariner 可以专注于深度学习和模型交付过程，而无需担心基础设施。借助基于英特尔® 的处理，边缘的每次推理成本可以大大降低，从而实现更快的投资回报率。
人工智能专业知识可以为制造商节省数百万美元
一家领先的玻璃制造商努力使用传统的机器视觉系统来自动化其质量保证流程。即使从图像上看，人也可以轻松识别水滴和边缘碎片之间的差异。但是却不可能编写出 CV 系统可以理解的规范。
最后，顶多是使系统过于敏感，从而导致不理想的误报率。因此，Mariner 向质量保证专家展示了如何借助高质量标记的数据集来训练深度学习模型，从而消除了误报。
在验证了模型的准确性之后，制造商开始在多条生产线上运行 SVI，每天要处理成千上万的零件。现在，该解决方案会自动将信号发送到PLC 来控制下游过程，一个产品是被接受还是丢弃，仅仅基于它的决定。
结果该客户将季度运营支出削减了 100 万美元以上，并计划将 Spyglass Visual Inspection 扩展到服务四个不同市场的其他部门，这更多地证明了在正确地使用深度学习来解决正确的问题是从机器视觉应用中获得丰厚回报的关键。