一家汽車(chē)制造商推出了數(shù)英里的鈑金后鍛件，并希望這種金屬的材料特性準(zhǔn)確無(wú)誤。鈑金通過(guò)沖壓變形為車(chē)身面板，如果特性不正確，則材料可能會(huì)裂開(kāi)。當(dāng)今的制造地板每隔四秒便會(huì)在汽車(chē)面板上蓋印一次，這比人類(lèi)檢測(cè)的速度快得多。面板和零件將被發(fā)送到離線(xiàn)工作站，在該小組中，團(tuán)隊(duì)會(huì)手動(dòng)檢測(cè)零件是否有裂痕。檢測(cè)每個(gè)零件需要幾秒鐘，然后將零件發(fā)送到裝配體，該過(guò)程緩慢且昂貴。

　　問(wèn)題的代價(jià)

　　人工成本是主要要?jiǎng)?wù)。雇用了一組人員來(lái)檢測(cè)零件，但是這些角色的周轉(zhuǎn)率很高，需要在招募和培訓(xùn)上進(jìn)行投資。根據(jù)檢測(cè)員的數(shù)量，這些費(fèi)用每年可能高達(dá)每條生產(chǎn)線(xiàn)數(shù)十萬(wàn)元。如果發(fā)現(xiàn)有裂痕的零件無(wú)法沖壓到裝配體，則成本開(kāi)始攀升。逃到裝配中的有缺陷零件使制造商付出的成本遠(yuǎn)遠(yuǎn)超過(guò)零件本身。如果零件泄漏到產(chǎn)品中，則可能會(huì)損失整輛車(chē)，以及相當(dāng)大的品牌損失和客戶(hù)投訴。每年在其所有工廠(chǎng)上花費(fèi)數(shù)千萬(wàn)元，用于招聘，培訓(xùn)，保留，檢測(cè)和補(bǔ)救沖壓過(guò)程中的缺陷。

　　工廠(chǎng)經(jīng)理的困境

　　工廠(chǎng)經(jīng)理不斷面臨著同樣的問(wèn)題：如何在不犧牲安全性和質(zhì)量的前提下優(yōu)化運(yùn)營(yíng)？

　　手動(dòng)檢測(cè)似乎是較好的選擇,但是很慢，容易出錯(cuò)，而且很貴。

　　除了體力勞動(dòng)之外，Machine Vision（MV）技術(shù)解決方案還試圖解決這一問(wèn)題。MV解決方案是基于規(guī)則的，這意味著它們是嚴(yán)格的。須按照MV應(yīng)用程序邏輯期望的方式準(zhǔn)確顯示圖像。他們無(wú)法解釋照明，零件形狀或缺陷位置的變化。

　　人工智能面臨的歷史挑戰(zhàn)

　　近期，機(jī)器視覺(jué)（Machine Vision）充滿(mǎn)了人工智能（AI）驅(qū)動(dòng)的解決方案的希望。與歷史上的MV不同，由AI驅(qū)動(dòng)的MV“學(xué)習(xí)”在許多不同種類(lèi)的零件，光照條件和缺陷位置上的缺陷外觀(guān)。

　　不幸的是，訓(xùn)練AI驅(qū)動(dòng)的MV解決方案以達(dá)到與人相似的準(zhǔn)確性的過(guò)程非常緩慢且昂貴。對(duì)于初學(xué)者而言，這些解決方案需要數(shù)據(jù)科學(xué)家中稀有且昂貴的技能，后者會(huì)決定調(diào)整和調(diào)整系統(tǒng)以產(chǎn)生準(zhǔn)確的結(jié)果。數(shù)據(jù)科學(xué)家為AI模型配置，訓(xùn)練和設(shè)置處理過(guò)程可能需要幾個(gè)月的時(shí)間。

　　下表中的示例概述了數(shù)據(jù)科學(xué)家需要做出的數(shù)十個(gè)決定的表面?？偠灾?，可以調(diào)整80多個(gè)此類(lèi)相互依賴(lài)的因素以?xún)?yōu)化準(zhǔn)確性。

　　型號(hào)配置

　　我們的神經(jīng)網(wǎng)絡(luò)應(yīng)該有幾層？我們應(yīng)該如何在節(jié)點(diǎn)之間分配工作負(fù)載？

　　模型訓(xùn)練

　　我們應(yīng)該訓(xùn)練多長(zhǎng)時(shí)間？我們應(yīng)該使用什么學(xué)習(xí)率？

　　前后處理

　　我們應(yīng)該將圖像運(yùn)行一次還是兩次？是否有助于提升圖像質(zhì)量？

　　一個(gè)AI驅(qū)動(dòng)的系統(tǒng)通過(guò)攝取其試圖學(xué)習(xí)如何看待事物的樣本進(jìn)行訓(xùn)練。通常，它需要數(shù)千個(gè)正確的示例圖像來(lái)訓(xùn)練系統(tǒng)。這些樣品須由該領(lǐng)域的專(zhuān)家標(biāo)記。攝取圖像并訓(xùn)練模型后，數(shù)據(jù)科學(xué)家會(huì)以反復(fù)試驗(yàn)的方式更改參數(shù)，以?xún)?yōu)化準(zhǔn)確性。

　　例如，為了達(dá)到99.9％的精度檢測(cè)汽車(chē)零件的裂痕，基于A(yíng)I的競(jìng)爭(zhēng)解決方案將需要一名數(shù)據(jù)科學(xué)家大約1100個(gè)小時(shí)才能達(dá)到99.9％的精度。

　　人工智能驅(qū)動(dòng)的機(jī)器視覺(jué)是一個(gè)緩慢而昂貴的主張。這是這些方法未“準(zhǔn)備好企業(yè)”的原因之一。

　　有什么變化？

　　2012年，深層神經(jīng)網(wǎng)絡(luò)贏(yíng)得了ILSVRC“ Imagenet挑戰(zhàn)賽”。從那時(shí)起，DNN在大規(guī)模圖像分類(lèi)任務(wù)上已經(jīng)超過(guò)了人類(lèi)的準(zhǔn)確性。這些成就源于三件事的融合：

　　1、在神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)領(lǐng)域進(jìn)行的數(shù)十年研究

　　2、更大的培訓(xùn)數(shù)據(jù)集的可用性

　　3、用于在大型數(shù)據(jù)集上訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的GPU性能的進(jìn)步