創新工廠的李開復在《AI.未來》一書中提到未來會被人工智慧技術替代的工作列表當中，質量檢測人員位列其中。
創新工廠的李開復在《AI.未來》一書中提到未來會被人工智慧技術替代的工作列表當中，質量檢測人員位列其中。視覺檢測技術作為一項在製造業質量檢測領域應用多年的技術，近兩年隨著AI人工智慧的熱度再度被推上前臺。
對於注塑領域而言，在非AI時代，自動化集成公司靠著提前建模等方法設定視覺檢測樣本，在注塑車間實現模具視覺監控（主要是為了保護模具）和產品監控（主要是為了自動檢測不良注塑件）。但是，限制於建模水平和視覺技術等核心技術，往往誤判率比較高，限制了這項技術的大規模推廣。
隨著AI技術的發展，近年來通過機器學習、深度學習等技術，結合大量的生產數據來訓練模板和算法取代提前建模的方法成為視覺檢測技術的最新應用熱點。AI界的大牛級人物吳恩達（前百度人工智慧首席科學家）在《Landing AI Whitepaper》中提到了人工智慧視覺檢測技術在製造業應用的四大障礙及解決方案，相信能夠給AI技術在製造業的應用帶來新的研究方向。
障礙之一：小數據
人工智慧的基礎是海量的數據。相對於Google, Baidu和騰訊這種面向消費者的公司，製造業在生產過程中能夠獲取的數據要少的多，獲取的成本和難度也要高得多。AI Landing公司針對製造業展開的調查顯示，58%的調查對象表示部署人工智慧解決方案的最大障礙是缺乏數據資源。製造業客戶可能有100張，10張，甚至更少的參考圖片作為不良產品資料庫。例如，在汽車製造業，精益生產推行的結果使得，大多數汽車製造商和一級供應商在爭取每百萬個零件少於三到四個缺陷的合格率。這會使得不良品的樣本會非常之少。
當不良品的樣本很少的時候，人工智慧模型將會很難訓練。這會使得公司無法推廣使用或分辨由環境的自然差異所帶來的不良。
解決方案
製造企業需要一系列技術來克服小數據的挑戰，包括合成數據、遷移學習和自監督學習。在合成數據中，GAN數據生成工具會檢查檢查員認為「正常」的圖像，併合成缺陷圖像。因此，一個罕見缺陷圖像的小數據集可以被放大成更大的數據集來訓練人工智慧模型。
GAN數據生成是一種前沿的人工智慧技術，但它並不是解決小數據問題的靈丹妙藥。相反，製造商需要集成一系列工具的能力，包括遷移學習到自我監督學習，以解決特定問題。隨著時間的推移，系統會積累更多的數據，其算法變得更加精確，從而會降低檢測的誤判率。研究表明，通過使用這些工具，汽車表面劃痕檢測模型可以使用比標準模型少13倍的數據來獲得與標準模型相同的性能。
障礙之二：模糊檢測
和公司質量部門的人打過交道的人都知道，質量檢測人員對於有些不良的判斷有時是不一樣的，因為識別一個缺陷可能是主觀的，兩個檢查員在不良判定上存在分歧是很常見的。一個檢查員可能認為劃痕是有問題的，而另一個檢查員則認為相同的劃痕很小，可以忽略不計。即使是專家也會有不同意見，我們怎麼能指望人工訓練的人工智慧能夠發揮預期的作用呢？相關研究表明，通過人工的方式質檢會存在20%~30%的誤判率。
與軟體行業這樣的大數據環境不同，在軟體行業中，用戶可以平均得到數百萬檢查員的響應（告訴AI某項東西好還是不好），而製造業可能只有兩到三個專家的來告訴你某項東西好還是不好。通常，製造企業會選擇使用傳統機器視覺的自動化方式（預先建模）來彌補人工檢測的不足，但這也有其自身的利弊。由於其精度較低，傳統的機器視覺會迫使用戶採用過高的誤判率（寧可錯殺，也不誤放）。某些應用的誤判率可能會高達40%，這迫使必須檢查員在傳統的機器視覺之後再人工檢測一道，增加了檢測成本。
解決方案
製造企業需要更為實用和客觀工具，系統地幫助人類檢查員識別清晰的缺陷產品，減少其模糊性。繼續依賴人工檢查員的工廠通常會遵從質量標準手冊或「缺陷手冊」，來判斷產品是否合格。而人工智慧平臺應該能夠支持缺陷手冊的數字版本，該版本可以實時更新，以適應更短的產品周期和頻繁的變化。
此外，數字缺陷手冊應自動標記歧義和不一致的地方。例如，色差不一致可能表明色差的定義不明確，必須予以糾正，降低模糊性，量化不良品的指標。
除了構建人工智慧模型，為了部署人工智慧檢測系統，製造商需要一長串定製功能和工具。
障礙之三：持續變化的環境和需求
製造業生產線所處的環境非常複雜，並不是在真空中進行的，但許多傳統的視覺模型都把視覺檢查當作在真空環境來處理，認為環境條件保持不變。當外部或內部環境發生變化時，人工智慧系統的性能就會下降。假設一個人工智慧系統正在檢查智慧型手機是否有劃痕。該系統必須能夠快速響應變化，包括：季節性變化導致工廠的照明水平發生變化；以前是銀色的劃痕，但新的製造工藝會導致較暗的劃痕出現；或相機鏡頭被汙染導致獲取的圖像突然模糊等等。
製造商也會定期改變產品外觀的要求，通常是在檢查小組按照原始要求標記數據之後。例如，一個工廠以前可能認為1毫米的劃痕是可以接受的，但是現在新的要求只接受0.8毫米以下的劃痕。這些都會給AI算法帶來很多的挑戰。
解決方案
在過去，傳統採用預建模的方式的機器視覺系統來處理這些類型的變化是不可能的，否則需要集成數千行代碼。智能化人工智慧系統在不斷變化的環境中會更加寬容和靈活，一個穩健的人工智慧平臺可以簡化並克服這些關鍵挑戰。製造商需要確保內部和外部的環境的變化、質量要求變化、產品變化等不會損害檢驗操作流程和結果。為此，人工智慧視覺檢測平臺需要執行以下幾個關鍵任務：
監控並跟蹤緩慢的變化，以便在變化加劇時及時提醒操作員。
持續收集數據，然後系統地組織數據，以確保人工審計和人工智慧再培訓的可訪問性。
啟用簡單再訓練，這樣操作員就可以輕鬆觸發人工智慧系統根據最新數據重新學習，並確保其按照新規範執行。
在重新部署之前驗證新模型，以減少擴展過程中失敗的可能性。
檢測任何突然的變化，並提醒相應的團隊。例如，如果相機突然傾斜，產品的一部分不再可見，等等。
障礙之四：複雜性
為了充分發揮目視檢查的潛力，製造商需要能夠在許多不同的工廠和項目中部署解決方案。在擴展的過程中，項目的複雜性會帶來很多的挑戰。當試圖將一個已經很複雜的人工智慧項目應用於許多工作站、裝配線和工廠時，複雜性會相互影響。例如，一家製造公司可能決定在100家工廠中實施人工智慧視覺檢測解決方案，以檢查數百種產品，每個工廠可能有100個潛在缺陷。這很容易產生數千個獨特的人工智慧軟體模型，每一個模型需要在10-1000個特定缺陷的圖像上訓練。
沒有一個團隊有足夠的帶寬來不斷更新軟體模型以適應新的協議和定義，更不用說持續跟蹤如此巨大的變化了。
解決方案
建立人工智慧軟體平臺有助於公司擴大規模，允許系統地開發、部署、跟蹤、維護和監控每一個數據和每個軟體組件。平臺消除了工廠操作員在數十條生產線之間運行以發現問題的需要，使操作員能夠匯總統計數據。這將使一家大型跨國公司的製造主管能夠在辦公桌上非常快捷地查看到全球所有部署的概況。
它還允許工程團隊深入研究工廠、產品、生產線甚至缺陷級別的細節。例如，質量工程師必須能夠看到某個特定的缺陷是否正在成為整個工廠的共同標準，然後採取適當的糾正措施。
登陸人工智慧平臺使客戶能夠創建、部署、管理和擴展工業人工智慧解決方案。該平臺能夠以200%到300%的速度交付人工智慧項目，在前兩周內顯著提高人工智慧的準確率高達17%，並比當前的客戶解決方案減少5倍的過度操作。
結論
製造業現代化意味著在不損害員工重要性的前提下，通過使用新工具來提高效率。創建能夠準確檢測缺陷的人工智慧模型，讓工人有更多的時間來解決缺陷的根本原因，從而使他們更有能力。在這裡，工人增加了更多的價值，而公司則節省了成本，提高了效率。
人工智慧已經以勢不可擋的趨勢和速度給製造業帶來變革和提升：智能製造領域基於深度學習的機器視覺技術將在2017年至2023年間實現20%的複合年增長率，到2023年收入將達到340億美元。
雖然一個能夠實現更好質量控制的端到端人工智慧平臺聽起來好像解決了所有問題，但是，永遠不要為了跟上潮流而實施人工智慧。在沒有完成必要的研究和準備的情況下加速數位化轉型，往往會導致項目失敗。人工智慧並不能解決所有的質量問題；傳統的機器視覺仍然是很多場合下的正確選擇，而人工智慧在外觀檢查、零件定位和裝配驗證方面表現更加出色。
定製的端到端平臺是實現人工智慧視覺檢測項目的最佳解決方案。它能夠解決所有問題，實現了加速和規模化，並提供了一個持續的學習基礎設施。製造商需要像數字缺陷書、數據標記工具和數據生成軟體這樣的工具來協調工作。
當製造商回答了關鍵問題並正確地採用正確的工具以後，人工智慧才能使工人和工廠更加有效和強大。