Deep Learning 將改變工業。機器將能夠完成那些需要人類智慧的工作。伴隨著企業流程數字化和數據收集的發展，Deep Learning 的(de)應(ying)用(yong)也(ye)將(jiang)增(zeng)加(jia)，使(shi)人(ren)類(lei)和(he)機(ji)器(qi)之(zhi)間(jian)的(de)合(he)作(zuo)更(geng)加(jia)高(gao)效(xiao)。這(zhe)將(jiang)徹(che)底(di)改(gai)變(bian)自(zi)動(dong)化(hua)和(he)生(sheng)產(chan)，實(shi)現(xian)更(geng)高(gao)效(xiao)且(qie)更(geng)正(zheng)確(que)的(de)決(jue)策(ce)流(liu)程(cheng)以(yi)及(ji)更(geng)高(gao)的(de)生(sheng)產(chan)力(li)，同(tong)時(shi)顯(xian)著(zhu)降(jiang)低(di)開(kai)發(fa)成(cheng)本(ben)。

　　在我們的播客“SICKnificant”中
，我們與數字服務和解決方案戰略產品經理 Christoph Eichhorn 博士探討了 Deep Learning 如何幫助人們完成繁瑣的任務以及提高流程質量。

　　Christoph Eichhorn 博士
，SICK 數字服務和解決方案的戰略產品經理。

　　近年來，Deep Learning 作(zuo)為(wei)人(ren)工(gong)智(zhi)能(neng)和(he)機(ji)器(qi)學(xue)習(xi)的(de)一(yi)個(ge)子(zi)領(ling)域(yu)，隨(sui)著(zhe)數(shu)據(ju)和(he)計(ji)算(suan)能(neng)力(li)的(de)不(bu)斷(duan)增(zeng)加(jia)而(er)愈(yu)發(fa)重(zhong)要(yao)。該(gai)技(ji)術(shu)將(jiang)為(wei)生(sheng)產(chan)自(zi)動(dong)化(hua)和(he)其(qi)他(ta)領(ling)域(yu)帶(dai)來(lai)變(bian)革(ge)，使(shi)機(ji)器(qi)能(neng)夠(gou)完(wan)成(cheng)以(yi)前(qian)需(xu)要(yao)人(ren)類(lei)智(zhi)慧(hui)才(cai)能(neng)完(wan)成(cheng)的(de)任(ren)務(wu)。SICK 的 AI 解決方案負責人 Christoph Eichhorn 博士這樣解釋：“Deep Learning 是機器學習的一個子領域。為此需要使用能夠處理複雜情況的人工神經網絡，即所謂的‘deep neural networks’。人(ren)工(gong)神(shen)經(jing)網(wang)絡(luo)可(ke)以(yi)完(wan)成(cheng)例(li)如(ru)質(zhi)量(liang)控(kong)製(zhi)領(ling)域(yu)的(de)複(fu)雜(za)決(jue)策(ce)
，幫(bang)助(zhu)企(qi)業(ye)將(jiang)越(yue)來(lai)越(yue)多(duo)的(de)流(liu)程(cheng)自(zi)動(dong)化(hua)和(he)數(shu)字(zi)化(hua)，從(cong)而(er)將(jiang)生(sheng)產(chan)效(xiao)率(lv)提(ti)高(gao)到(dao)一(yi)個(ge)新(xin)的(de)水(shui)平(ping)。”

　　數字化和人工智能

　　近年來
，工業中的數字化方案發展迅猛。來自傳感器以及其他來源的數據（過去主要用於直接的流程控製）在(zai)數(shu)字(zi)化(hua)過(guo)程(cheng)中(zhong)被(bei)儲(chu)存(cun)起(qi)來(lai)，從(cong)而(er)可(ke)以(yi)在(zai)更(geng)抽(chou)象(xiang)的(de)層(ceng)麵(mian)得(de)到(dao)應(ying)用(yong)。但(dan)僅(jin)僅(jin)收(shou)集(ji)數(shu)據(ju)是(shi)不(bu)夠(gou)的(de)。當(dang)涉(she)及(ji)到(dao)提(ti)取(qu)數(shu)據(ju)的(de)核(he)心(xin)信(xin)息(xi)以(yi)進(jin)行(xing)進(jin)一(yi)步(bu)的(de)優(you)化(hua)時(shi)，人(ren)工(gong)智(zhi)能(neng)發(fa)揮(hui)了(le)重(zhong)要(yao)作(zuo)用(yong)。

　　以木材加工業的某個應用為例：該應用借助數千兆字節的數據訓練一個神經網絡
，其決策比人類的眼睛更高效、更快速
、更持久。這個神經網絡的大小不到一兆字節，卻用到了大量的經驗。這個方案可以轉化到任意數量的應用中。

　　從基於人工智能的自動化中受益

　　當然，並不總是需要如此巨量的數據才能從人工智能中受益。根據客戶的個性化需求

，Deep Learning 項目的實施具有很大的差異。擬定這些需求和期望目標並不輕鬆
，但這是成功使用人工智能的先決條件。“簡單來說：隻zhi有you當dang你ni明ming確que了le自zi己ji的de需xu求qiu時shi，才cai能neng通tong過guo人ren工gong智zhi能neng得de到dao想xiang要yao的de結jie果guo。一yi旦dan清qing楚chu了le這zhe一yi點dian，所suo有you客ke戶hu都dou希xi望wang通tong過guo一yi個ge簡jian單dan而er靈ling活huo的de解jie決jue方fang案an來lai解jie決jue他ta們men的de問wen題ti。”Eichhorn 說。

　　“在人工智能的幫助下
，我們的客戶可以自己實現過去難以實現的自動化任務。典型示例包括利用反光零件進行質量檢查和裝配檢查
、焊點檢查或對天然產品進行分揀。這些工作往往非常繁瑣，需要占用熟練工人的大量寶貴時間，因此通常隻能以抽檢的方式進行。”

　　訓練人工神經網絡

　　隨著 Deep Learning deguangfanshiyong

，zidonghuazhengzaijinglidianfuxingdebiange。jinhoubuzaixuyaoweilezhidingyitaojutideguizeerquyanjiunaxiexijieyujuecexiangguan，ershichongfenliyongxianyoushili。suanfaxuehuilezizhujuece。“我們訓練一個解決方案，而不是對其進行編程，這樣做更加快速且更加高效。但必須強調的是，Deep Learning 不能替代人的專業能力。人的智慧對於充分挖掘技術潛力來說仍是必不可少的。Deep Learning 是對人類能力的輔助和擴展。”Eichhorn 解釋並總結道：“由於 Deep Learning 工gong具ju使shi用yong簡jian單dan，用yong戶hu隻zhi要yao知zhi道dao問wen題ti所suo在zai，即ji便bian沒mei有you專zhuan業ye的de編bian程cheng知zhi識shi，也ye可ke以yi自zi行xing解jie決jue。因yin為wei隻zhi有you用yong戶hu才cai知zhi道dao哪na些xie因yin素su對dui於yu解jie決jue方fang案an來lai說shuo是shi重zhong要yao的de，哪na些xie是shi不bu重zhong要yao的de，也ye隻zhi有you用yong戶hu才cai能neng找zhao到dao更geng合he適shi的de訓xun練lian實shi例li。通tong過guo我wo們men的de工gong具ju
，用yong戶hu可ke以yi非fei常chang直zhi觀guan地di進jin行xing人ren工gong智zhi能neng訓xun練lian，從cong而er解jie決jue具ju體ti的de
、個性化的任務。”