博客
利用视觉AI在制造与Neurala的Max Versace
在这是我们A3采访AI领导者系列的第四篇的首席执行官马克斯·范思哲Neurala，讨论了如何将深度学习集成到设备中，从而使制造业受益。作为A3公司人工智能技术战略委员会的成员，范思哲建议从成功的概念验证入手。看看他的建议和案例研究使用视觉AI减少错误和提高效率的生产线。
 |
诺阿范思哲 |
你会建议公司如何选择他们的人工智能项目?他们在开始之前需要回答什么问题?
要回答的基本问题是“我为什么需要人工智能?”如今，人工智能(AI)比以往任何时候都更被误解为一个流行词，很多公司想要保持相关性，就启动一个“人工智能项目”，却没有制定一个可靠的计划来解释“为什么”。当人工智能实验成功时会发生什么?人工智能的投资回报率是多少?如何衡量它?提前回答这些问题的公司将是那些一旦概念验证(PoC)成功的公司，他们将最有能力将其转化为一个真正的部署技术，而不是一个昂贵的——而且从根本上说，无用的——实验。
现在有多少人谈论人工智能，如果炒作vs现实?人工智能在制造业和自动化领域的影响最大的是什么?今天部署的AI有哪些有效的实际工作用例?
今天，制造商正在以前所未有的规模接受人工智能和机器学习:在这项研究中，79%的受访公司正在专门使用机器学习来帮助自动化任务，在新技术中，人工智能、神经网络和深度学习是集成到现有工作流程和流程的主要候选者。AI还可以整合到人力资源中，以应对人员短缺，确保持续的质量控制，主动维护，并在竞争日益激烈的环境中提高整体质量。
智能自动化系统产生大量数据。公司如何制定数据策略来管理信息流并在运营中利用它呢?
智能自动化系统产生大量数据。公司如何制定数据策略来管理信息流并在运营中利用它呢?
没有数据，人工智能几乎无能为力——作为对比，这就好比让一个人闭着眼睛戴着耳塞说出她看到或听到的东西!良好的数据是关键，但收集数据(这意味着要安装新的硬件/软件)只是第一步。更重要的步骤是理解从数据到值的路径是什么，或者换句话说，数据收集的最终目标是什么。例如，在视觉AI的情况下，最终目标是使软件能够实时处理数据，以监控生产质量。知道了这一点，就需要以一种有利于从特定软件进行细化的方式收集数据。这些知识将为如何收集数据的选择提供信息，也就是说，以一种使软件能够完成其工作的方式来收集数据。这可能涉及特定相机、照明、工业PC、网络设备、数据存储等的选择。类似地，如果需要处理的数据来自一台工业机器中大量的传感器，以达到预测性维护的目的(即在解决质量问题之前了解生产何时以及如何出错)，那么就需要制定一套全新的要求。心中有最终目标是关键。最后，制造商将使用云服务来管理运行时AI操作的场景是一个幻想，这种幻想需要被消除。 AI – and its data – will be locally stored and processed in the Manufacturer’s site, for latency, privacy, and security issues.
你能和我们分享一个人工智能或智能自动化的成功故事吗?
人工智能已经从一项有前途的技术发展成为部署在该领域的工作产品/解决方案。例如，我的公司Neurala正在与冷冻食品制造商appeto合作，每周用人工智能检测100万顿饭。Apetito是卫生和社会护理部门的主要食品生产商，向老年人和社会上一些最弱势群体提供食品。高质量的食物，满足各种营养需求和饮食需求是他们工作的核心。确保顾客吃到正确的食物，所有元素的比例都是正确的，这是至关重要的——因此，我们将重点放在与人工智能合作上，减少对缺少食物成分的抱怨。他们需要一种解决方案，能够有效地检测出生产线上产品的错误，而不影响效率或成本——更好的是，两者都能得到改善。他们开始使用Neurala VIA(视觉检测自动化)，今天，apato自信地向客户交付最高质量的产品，用人工智能视觉检查100%的生产。这只是现实世界AI部署为制造商及其客户创造巨大价值的众多例子之一。
很多人都在谈论人工智能项目的试点炼狱。公司会在实验室或小规模试点中获得解决方案。但将其大规模应用到现实世界中可能是一个挑战。你如何克服这个问题?
哦，概念证明(PoC)!较少的语言同时激发了希望(PoCs几乎总是人工智能部署旅程中不可避免的第一步)和绝望(如此多的PoCs有效，公司不知道如何处理它们)。如果一个制造商已经成功地使用了AI平台，收集了一些数据，并设计了一个可工作的PoC——无论是单独的，还是在系统集成商的帮助下——他们最大的陷阱是假设距离部署一个可行的解决方案只有一小步。
事实上，在生产流程中采用AI需要明确的成功标准和多步骤方法。虽然第一步通常是PoC，但由于与AI关系不大，而是与正确的计划有很大关系的原因，有无数的PoC未能实现。为了避免浪费时间和金钱，组织需要提前定义明确的标准和时间表，以决定该技术是否应该投入生产。一个简单的基准测试，例如“如果PoC在Y处交付X功能，那么我们将在此时在这里和这里发布它”，在帮助企业定义实际部署场景方面将有很大帮助。
在这一关键步骤中，一旦明确定义了投资回报率(ROI)，那么下一个微妙的步骤就是选择正确的基础设施——包括软件和硬件。一个常见的误区是，人们需要一个“集中的、大规模的AI基础设施和大量的gpu”来让AI工作。今天的情况远非如此。现有的平台以较小的形式和易于管理的费用提供了所有避开大规模IT项目的工具集。这是至关重要的，它足够灵活，可以作为一个工具集，解决跨越多个用例的大量视觉检查问题。此外，AI在很多情况下可以在cpu和gpu上运行，这是一个根本性的区别，在这个时代，制造商发现自己与加密矿工和游戏玩家一起竞标无法获得的gpu。
人工智能是关于现在就交付价值，而不是在一个大型IT项目后的18个月。最后，当涉及到it基础设施和AI工作流时，需要考虑到一个额外的神话，需要消除。
你最感兴趣的工业人工智能应用是什么?为什么?
最让我兴奋的是人工智能成为制造商工作流程不可或缺的一部分的应用程序，这是一项日常活动/任务，对我们来说就像写电子邮件或打开手机上的应用程序一样自然。
如今，顶尖的人工智能产品和软件使用持续学习(或终身学习)，使机器操作员能够在几秒钟或几分钟内快速训练人工智能，并将其部署到生产环境中。这是关键，因为产品和流程都在不断发展，永远不会有现成的人工智能——一个预先训练过的、可以生产公司可能生产的“所有可能产品”的人工智能。相反，制造商将需要自主构建、定制和持续更新人工智能的能力，可能不需要花数千美元请专家在情况发生变化时对其进行再培训。
人工智能只适用于大玩家?中小企业如何利用这些技术?我们如何使人工智能和智能自动化的部署民主化?
大大小小的制造商在保持生产运转方面面临着前所未有的挑战——供应链中断、需求波动和劳动力短缺。一些企业仍在努力将产量恢复到大流行前的水平。通过创新实现预期的生产或产品质量目标可能具有挑战性，但视觉AI已经为各种规模的制造商提供了巨大的价值。
Vision AI软件解决方案为制造商提供了更低的前期投资，解决方案的训练速度更快，不仅可以更快地获得回报，还可以应用于更广泛的用例集;从进口的原材料，到运出的产品的码垛。此外，视觉AI软件可以在没有AI专业知识的情况下快速部署，只需极少或不需要前期投资，就可以将ROI时间缩短到几个月而不是几年。即使业务案例不能支持更昂贵的解决方案，由于更短的生产运行时间，更低的体积，或非常低的失败率，在实现正确的AI软件时，也很容易证明。
公司如何成功地解决劳动力中缺乏训练有素的人工智能专家的问题?
想要用人工智能解决问题的公司首先会遇到的挑战之一是，理解人工智能是什么，以及可以为他们做什么。质量控制负责人的第一反应是跳进车里，开车去附近的大学，像幽灵一样在校园里走来走去，问道:“你能告诉我人工智能部门在哪里吗?”
美国大学作为一个整体，每年在人工智能相关领域毕业约3000名博士，完成一个博士的平均时间为5.8年，找到一个准备聘用的博士——一个有一些领域知识和能力的人，在1-2年的制造业背景下的视觉检查主题培训之前——成功的机会非常小。这是第一个需要打破的神话:今天，AI博士已经不需要了，无论是开始还是在最终解决方案中部署都不需要。软件平台最终可以简化复杂的AI问题，提供所需的集成挂钩、硬件灵活性、非专业人士的易用性，以及至关重要的是，一个非常低成本的入口点，使这种技术无处不在地提供给制造商和系统集成商。
了解更多Neurala关于在您的设施中最大化使用人工智能的建议人工智能与智能自动化大会9月29日在俄亥俄州哥伦布市。
马克斯在大脑启发计算方面取得开创性突破后，继续领导着智能设备的世界。他曾在众多活动中发表演讲，包括世界移动大会无人机峰会、TedX、NASA、五角大楼、GTC、InterDrone、GE、空军研究实验室、HP、iRobot、三星、LG、高通、爱立信、BAE系统公司、AI World、ABB和埃森哲等。他的作品被《时代周刊》、《IEEE频谱》、CNN、MSNBC、《波士顿环球报》、《芝加哥论坛报》、《财富》、TechCrunch、VentureBeat、纳斯达克、美联社等数百家媒体报道。他拥有多项专利和两个博士学位:波士顿大学认知和神经系统;实验心理学，里雅斯特大学，意大利。马克斯对先进科技的胃口与他不合时宜的音乐品味不相上下，他说:“我不听贝多芬，他太商业化了。”