在用戶方麵，已經形成了一個基於 ML 的質量控製和過程監測/優化的解決方案集群。一個完全自動化和控製器集成的質量控製係統，它可以基於如電機電流、轉速和跟隨誤差等現有的機器數據對生產的貨物進行全檢測。它可以 7 天 24 小xiao時shi工gong作zuo不bu休xiu息xi，不bu會hui感gan到dao疲pi倦juan，而er且qie能neng夠gou實shi現xian遠yuan遠yuan超chao過guo人ren類lei所suo能neng做zuo到dao的de周zhou期qi時shi間jian。過guo程cheng監jian測ce和he優you化hua是shi兩liang個ge連lian續xu的de步bu驟zhou。如ru果guo用yong訓xun練lian好hao的de模mo型xing來lai進jin行xing過guo程cheng監jian測ce，機ji器qi可ke以yi通tong知zhi其qi操cao作zuo員yuan，而er操cao作zuo員yuan又you可ke以yi即ji時shi調tiao整zheng過guo程cheng，以yi保bao持chi產chan品pin質zhi量liang的de穩wen定ding性xing。下xia一yi步bu是shi向xiang這zhe名ming有you經jing驗yan的de機ji器qi操cao作zuo員yuan學xue習xi，並bing以yi這zhe樣yang的de方fang式shi訓xun練lian模mo型xing，讓rang模mo型xing能neng夠gou自zi主zhu地di進jin行xing所suo需xu的de參can數shu調tiao整zheng，或huo在zai中zhong間jian步bu驟zhou中zhong作zuo為wei“智能助手”發揮作用，給出參數設置建議。
除了控製係統中用於 ML dejichuzujianwai，womenyuelaiyueguanzhubeifuchanpinzaituxiangchuliheyundongkongzhilingyudeyingyong，mubiaoshiweiyonghutigongyingjianheruanjianfangmianjingguoyouhuadezujian，wuxushixianzhangwo ML 知識即可使用這些組件。
實時機器學習尤其是對需要高處理性能同時快速運行各種工藝過程的工廠車間提出了挑戰。然而，如何將 ML 用於實時控製的應用，如運動控製應用？
Fabian Bause 博士：首先，我們必須認識到，訓練基於 ML 的模型要比執行（即推理）訓練好的模型花費更多的時間。在硬件方麵，推理在我們的工業 PC 上運行。它能夠在 CPU 中高效執行的一個重要原因是持續使用 SIMD 命令擴展，並結合高度優化的緩存管理。此外，目前 CPU 中的處理器內核越來越多地支持神經網絡的加速執行，因為它們可以非常高效地並行執行。仔細觀察訓練好的模型也非常重要，它就像“手工編寫”的源代碼一樣。執行一個龐大、低效的源代碼要比執行一個精簡、優化的源代碼需要的時間長很多。必須根據特定的任務對訓練好的 ML 模型進行調整和優化。現在，可以非常輕鬆地實現微秒級神經網絡執行速度。例如我們有一個展覽就是由 250 個神經元組成的多層感知神經網絡。通過我們高度優化的推理引擎，它在 Intel Core i3 CPU 上的執行時間僅需幾微秒。因此，我們可以確信，在圖像處理和運動應用中使用 ML 時，在算力方麵不會有任何障礙。
