Deep Learning 将改变工业。机器将能够完成那些需要人类智慧的工作。伴随着企业流程数字化和数据收集的发展，Deep Learning 的应用也将增加，使人类和机器之间的合作更加高效。这将彻底改变自动化和生产，实现更高效且更正确的决策流程以及更高的生产力，同时显著降低开发成本。

　　在我们的播客“SICKnificant”中，我们与数字服务和解决方案战略产品经理 Christoph Eichhorn 博士探讨了 Deep Learning 如何帮助人们完成繁琐的任务以及提高流程质量。

　　Christoph Eichhorn 博士，SICK 数字服务和解决方案的战略产品经理。

　　近年来，Deep Learning 作为人工智能和机器学习的一个子领域，随着数据和计算能力的不断增加而愈发重要。该技术将为生产自动化和其他领域带来变革，使机器能够完成以前需要人类智慧才能完成的任务。SICK 的 AI 解决方案负责人 Christoph Eichhorn 博士这样解释：“Deep Learning 是机器学习的一个子领域。为此需要使用能够处理复杂情况的人工神经网络，即所谓的‘deep neural networks’。人工神经网络可以完成例如质量控制领域的复杂决策，帮助企业将越来越多的流程自动化和数字化，从而将生产效率提高到一个新的水平。”

　　数字化和人工智能

　　 

　　近年来，工业中的数字化方案发展迅猛。来自传感器以及其他来源的数据（过去主要用于直接的流程控制）在数字化过程中被储存起来，从而可以在更抽象的层面得到应用。但仅仅收集数据是不够的。当涉及到提取数据的核心信息以进行进一步的优化时，人工智能发挥了重要作用。

　　以木材加工业的某个应用为例：该应用借助数千兆字节的数据训练一个神经网络，其决策比人类的眼睛更高效、更快速、更持久。这个神经网络的大小不到一兆字节，却用到了大量的经验。这个方案可以转化到任意数量的应用中。

　　从基于人工智能的自动化中受益

　　当然，并不总是需要如此巨量的数据才能从人工智能中受益。根据客户的个性化需求，Deep Learning 项目的实施具有很大的差异。拟定这些需求和期望目标并不轻松，但这是成功使用人工智能的先决条件。“简单来说：只有当你明确了自己的需求时，才能通过人工智能得到想要的结果。一旦清楚了这一点，所有客户都希望通过一个简单而灵活的解决方案来解决他们的问题。”Eichhorn 说。

　　“在人工智能的帮助下，我们的客户可以自己实现过去难以实现的自动化任务。典型示例包括利用反光零件进行质量检查和装配检查、焊点检查或对天然产品进行分拣。这些工作往往非常繁琐，需要占用熟练工人的大量宝贵时间，因此通常只能以抽检的方式进行。”

　　训练人工神经网络

随着 Deep Learning 的广泛使用，自动化正在经历颠覆性的变革。今后不再需要为了制定一套具体的规则而去研究哪些细节与决策相关，而是充分利用现有实例。算法学会了自主决策。“我们训练一个解决方案，而不是对其进行编程，这样做更加快速且更加高效。但必须强调的是，Deep Learning 不能替代人的专业能力。人的智慧对于充分挖掘技术潜力来说仍是必不可少的。Deep Learning 是对人类能力的辅助和扩展。”Eichhorn 解释并总结道：“由于 Deep Learning 工具使用简单，用户只要知道问题所在，即便没有专业的编程知识，也可以自行解决。因为只有用户才知道哪些因素对于解决方案来说是重要的，哪些是不重要的，也只有用户才能找到更合适的训练实例。通过我们的工具，用户可以非常直观地进行人工智能训练，从而解决具体的、个性化的任务。”