有保障的機器學習模型
浪費的資源會在廠區中迅速堆積成山，無論是真正或想像的瑕疵品，皆是如此。當良好的零件被錯誤地標示為有瑕疵時，就會導致時間、效率和機器作業的損耗。萬一沒有人察覺到有瑕疵的零件，進而演變成終端客戶的問題呢？這些潛在後果的嚴重性不堪設想。
所幸，人類是偵測瑕疵的專家。但手動的品保 (QA) 流程速度緩慢，而將該流程自動化始終都是一項艱鉅的挑戰。電腦視覺 (CV) 擁有可與人類準確度匹敵的潛力，但幾乎不可能以傳統 CV 系統能夠理解的語言，來描述人類可立即發現的差異，例如一個污點和一塊絨毛的差異。
透過深度學習，機器可直接透過標示的資料集向人類學習，做為上述這兩種問題的解決之道。它將 CV 的準確度提高到人類標準，同時提升效率並降低成本。但若要使用這項技術，製造商和 SI 需要有精通該技術及其現場執行作業的解決方案供應商。
以人為本的機器學習
Mariner 是運用 IoT、AI 和深度學習的技術解決方案供應商，他們深知使用解決方案並從中獲益的人們必須從一開始就參與其中。這表示供應商展現了對於製造商經驗的極度尊重，並致力於在每個部署階段中與現場人員進行協同合作。
Mariner 產品工程副總裁 Peter Darragh 表示：「首先最重要的是，您必須與客戶合作，確保您確實是在解決真正的問題，而不只是因為自己覺得很有趣，而致力於 AI 科學實驗」。但協同合作必須持之以恆，而非斷斷續續。
例如，Spyglass Visual Inspection (SVI) 能比專業檢查人員更快速地偵測到瑕疵，且具有相同或更出色的準確度，因為這些專家是標示用於進行訓練之影像的人員。Darragh 指出，這就像是這些檢查員從運動員切換到教練的角色一樣。
他表示：「當他們提供高品質且經標示的資料集，並包含他們每天在產線所看到的所有細微差異，他們就不需要再親自參與其中，而是只要教導深度學習如何執行即可」。發生變更時（例如新客戶有不同的品質標準），可重新訓練模型以因應變更。
運用智慧夥伴關係打造智慧工廠
但單憑了解技術並不足夠，供應商還需要了解如何在真實的工廠環境中部署技術。Darragh 解釋：「我們最近對於深度學習和激增的案例研究深感興趣。但這些專案往往是在受控的實驗室環境中以離線的方式完成」。
這就是 Mariner 針對 SVI 解決方案專注於程序自動化的原因，從一開始就訓練模型並將其提供給工廠邊緣。如此一來，該模型就能順利地回應一般生產環境中所有無可避免的變更 (影片 1)。
為保障 SVI 適用於所有終端客戶（或其退款制度），Mariner 奉行嚴格的實作程序：
- 主動尋找風險並確認該問題適合深度學習。
- 訓練終端客戶學習如何提供一系列經標示的高品質影像。
- 運用 AI 專業知識，在首次諮詢期間從一組初始影像訓練初步模型，確保未來的營運能夠獲致成功。
- 在同意驗收準則之前，與客戶展開協同合作以減輕任何風險。
- 在部署後繼續監控模型信賴度，並評估是否需要重新訓練。
將精挑細選的各種技術元素組成解決方案。其中包含在邊緣的容器化微型服務架構，以因應網路連線中斷的狀況。而 Microsoft Azure 提供一套豐富的可靠雲端服務，可輕鬆擴展及縮小規模。
Darragh 表示：「事實上，有時候這就像移動螢幕上的滑桿一樣簡單」，這讓 Mariner 能夠專注於深度學習和模型交付程序，而不需要擔心基礎結構。此外，透過以 Intel® 為基礎的處理，在邊緣的每個推斷的成本會便宜很多，提供更快速的 ROI。
AI 專業知識可為製造商省下數百萬美元
某間頂尖的玻璃製造商努力透過傳統機器視覺系統將其品保 (QA) 程序自動化。人類可以輕鬆辨別一滴水與一個邊緣晶片的差異，甚至只要從影像即可辨別。但他們當時無法撰寫其 CV 系統能夠理解的規格。
最後，只好讓系統過度敏感，導致不甚理想的誤判率。因此，Mariner 向品保 (QA) 專家示範如何透過經標示的高品質資料集訓練深度學習模型，消除了這些誤判的結果。
驗證模型的準確度後，該製造商開始在許多產線執行 SVI，一天可處理數以萬計的零件。現在，該解決方案會自動將訊號傳送給 PLC 以控制下游程序，並單獨根據其判定結果來接受或捨棄產品。
因此，客戶已降低 $100 萬美元以上的每季營運支出，並打算將 Spyglass Visual Inspection 擴展到其他供應四個不同市場的事業處，更加證明將深度學習應用於適當的用途（用來解決適當的問題）是從機器視覺應用獲益良多的關鍵。