2017年12月8日， 由中國人工智慧學會承辦的2017世界智慧製造大會---製造業+人工智慧技術論壇順利召開， 來自全球知名專家、學者、業界精英彙集于此， 展開一場製造業＋人工智慧技術主題論壇， 帶領參會聽眾們共同開啟全新視角， 展示中國製造向中國“智造”邁步的重要轉變。
本文根據論壇嘉賓IBM電子行業全球工業4.0及智慧製造總經理鄧欽帶來的名為《人工智慧在智慧製造當中的應用》的主題演講整理。
在生產流水線上的質檢員， 他們需要每天花10個小時以上的時間去判斷品質。 很多工廠這個工作崗位兩三個月就要輪一次崗， 因為肉眼確實受不了。
現在大家都在搞智慧製造、智慧工廠， 工廠前端的自動化程度非常高， 很多的工作崗位完全由機器人來代替。 但是大家沒看到的是工廠的後端， 需要給工廠做產品質檢那一段。 很多這種類型的工廠， 後端的人黑壓壓一片。
為什麼之前沒用技術的手段幫助解決質檢的問題呢？主要原因是誤判率比較高。 大概是有百分之二十， 甚至三十的誤判率。 這也就是為什麼工廠沒有辦法大規模的推廣和使用這種技術。
而現在人工智慧介入了以後， 工廠的這種誤判率會在上線時達到3%-4%的水準， 並且會逐步減少到最低。
人工智慧的質檢員怎麼判斷出劃痕呢？
在生產中一個劃痕會有很多種不同類型的定義。 比如：這個劃痕的位置， 它的長度、它的深度， 這都需要預先做好一些判斷。
在傳統的工具中， 它會以類似一個九宮格的方式去給它畫這種不同類型的缺陷， 然後類似一種算術的方法去作對比， 然後定義它的各種缺陷類型。
實際生產過程中，
但是人工智慧最重要的一個能力， 它具備學習能力。 比如說， 同樣一個劃痕， 它會和傳統系統一樣， 第一次都犯錯誤。 但是人工智慧第二次、第三次， 它不會犯一樣的錯誤， 它具備一個學習能力。 同樣的問題或者類似的問題， 下次它會做出非常精准的判斷。 而傳統的系統除非你改程式， 同樣的問題， 下次它一樣會犯錯誤。
基於人工智慧的系統可以自主的、自動的去學習， 從過去的一些判斷失誤中學習。 從一些有經驗的質檢員那兒學習， 這是完全自動的方式， 不需要人工干預的， 生產線可以正常的運行下去。
認知質檢員需要不斷地被訓練
很多人把IBM的認知系統理解成一個套裝軟體， 隨插即用， 裝好立馬就可以做。
其實任何一個認知系統， 都跟傳統的軟體有非常大的區別， 它需要一些開發的過程。 拿認知質檢員做例子來說就是， 它有三個主要的一些開發過程。
第一個階段， IBM已經做出來了， 就是開發了一套具有學習能力的圖像識別系統， 用數百萬GB的相片， 日常工作中或者生活中的相片， 手機、蘋果、梨子、火車， 這種相片去培訓出來一個有圖片識別能力的基礎模型。 這個過程用的基本上不會是工廠的圖片去培訓它， 這就是日常生活中的圖片。 這樣的一個基礎模型， 它的認知能力基本上類似於一個七八歲的孩子。
第二個階段， 需要工廠產品特定的照片來， 去培訓這個模型。 一般會需要數萬張照片， 讓這個模型接受培訓。 基本上通過這個階段， 這個模型的能力相當於一個技校畢業的學生的水準。
也就是說， 基本上有一些生產工經驗知識了， 但是放到工廠上立馬讓他工作， 可能還有一點難度。 這也是為什麼會需要第三個階段。
第三個階段， 就是用比較有經驗的質檢員來培訓這個模型。 就像老師傅帶學徒一樣。 因為每一個模型， 讓它去做一次判斷， 它總會有一些失誤存在。 一旦這些失誤產生， 就會讓老師傅去跟它說：“我為什麼判斷錯了， 主要原因是哪些？”
這樣， 這一套模型或者說系統， 就具備了老師傅剛才傳授的經驗， 下一次遇到類似的問題，就不用再找老師傅了。
因此，第三階段培訓結束後，認知質檢員基本就具備上崗能力了。
並不是所有的人工質檢員都會被取代
認知質檢員來了，會不會一個質檢員都不需要了呢？
不是的。
其實就是認知質檢員的上崗也是需要一個過程的，就跟新的學徒上崗一樣，您可能不敢100%的放手讓他去幹，還是讓一個老員工在他後面去做一些監督、做一些觀察工作。所以說我們在實際生產的過程中，一個認知質檢員系統上崗，通常還會有一個人工在旁邊去幫它做一些監督檢查。但是經過一段時間之後，這一部分需要監督或者檢查的人工就會逐步的節省下來。
另外一個非常關鍵的點，是這一套人工智慧系統每一次判斷，它會給一個“自信度”。所謂“自信度”就是“我有多大的信心，這個判斷是對的，但是我可以量化它”，比如：我看到這個劃痕，基於它的長度和它的位置，我有99.9%的信心這個劃痕是一個必須檢查到的問題，需要下一步去做處理的。這樣的話，就給到生產線上的同事一個比較清晰的資訊，這一塊東西我不用人再看了。但是會有模棱兩可的問題出來，我們的質檢員也會有信心比較低的時候。
比如：我這個劃痕有80%的信心，它是這裡錯誤。師傅，您能不能幫我再看一下。
這時候人類師傅拍板，不簡簡單單是“對”和“錯”這樣的拍板。人工智慧質檢師更需要的是，師傅您得告訴我，這個為什麼對了，這個為什麼錯了？這樣才能學。
具備人工智慧技術的認知質檢員，是不會100%替代現有的人工質檢員的，但是它能夠大大的減少人力在這種有害健康的工種上的投入，對企業來講也會大大的提高它的生產效率。
這一套系統在生產線上是一個逐步反覆運算和提高的過程，一般一開始可能能幫助工廠節省20%-30%的人力，還需要相當一部分人力去做一些比較複雜的判斷。但是隨著時間的推移，這個百分比會逐漸到五十、六十、八十，甚至更高，但是永遠不會100%的取代所有的人，因為還需要企業保留最有經驗的一部分質檢員，幫人工智慧質檢員去做一些最複雜的判斷。這樣的話，這個系統才能不斷的去提高。
人工智慧質檢員效益如何？
這套系統已經開始在一家中國的LCD面板工廠實施了，給他帶來的效益真是按千萬級來計算的。不光是人力的成本減少，更多的是一些生產力的提高，是讓他工廠的生產能力得到了釋放。
只要涉及到外觀檢測的行業，這套系統都有應用。不光是電子行業，這套系統已經開始在汽車行業的一些汽車外觀、噴漆的檢測得到了應用。
製造業之外，其實在建築業方面，也有一些應用。
比如說，一些比較高危的部位的檢測，人爬上去可能比較困難，而且效率也不高。IBM在跟另外一家公司合作，用無人機帶著攝像機上去拍攝，然後再去判斷工程品質的問題。所以說這個應用，真是方方面面都有。只要是需要人去做外觀判斷檢測的，這一套技術都用得上。
簡單的總結一下。只要能拍出來照片，在照片上能識別問題的這一類場景都可以去運用。
無論是食品外觀出現了問題，比如：一個蘋果上出現了斑點，能不能上架；還是服裝上的一個線頭露出來太長，能不能讓它判定為品質合格。
這樣的場景太多了，認知質檢員都可以用起來。
下一次遇到類似的問題，就不用再找老師傅了。因此，第三階段培訓結束後，認知質檢員基本就具備上崗能力了。
並不是所有的人工質檢員都會被取代
認知質檢員來了，會不會一個質檢員都不需要了呢？
不是的。
其實就是認知質檢員的上崗也是需要一個過程的，就跟新的學徒上崗一樣，您可能不敢100%的放手讓他去幹，還是讓一個老員工在他後面去做一些監督、做一些觀察工作。所以說我們在實際生產的過程中，一個認知質檢員系統上崗，通常還會有一個人工在旁邊去幫它做一些監督檢查。但是經過一段時間之後，這一部分需要監督或者檢查的人工就會逐步的節省下來。
另外一個非常關鍵的點，是這一套人工智慧系統每一次判斷，它會給一個“自信度”。所謂“自信度”就是“我有多大的信心，這個判斷是對的，但是我可以量化它”，比如：我看到這個劃痕，基於它的長度和它的位置，我有99.9%的信心這個劃痕是一個必須檢查到的問題，需要下一步去做處理的。這樣的話，就給到生產線上的同事一個比較清晰的資訊，這一塊東西我不用人再看了。但是會有模棱兩可的問題出來，我們的質檢員也會有信心比較低的時候。
比如：我這個劃痕有80%的信心，它是這裡錯誤。師傅，您能不能幫我再看一下。
這時候人類師傅拍板，不簡簡單單是“對”和“錯”這樣的拍板。人工智慧質檢師更需要的是，師傅您得告訴我，這個為什麼對了，這個為什麼錯了？這樣才能學。
具備人工智慧技術的認知質檢員，是不會100%替代現有的人工質檢員的，但是它能夠大大的減少人力在這種有害健康的工種上的投入，對企業來講也會大大的提高它的生產效率。
這一套系統在生產線上是一個逐步反覆運算和提高的過程，一般一開始可能能幫助工廠節省20%-30%的人力，還需要相當一部分人力去做一些比較複雜的判斷。但是隨著時間的推移，這個百分比會逐漸到五十、六十、八十，甚至更高，但是永遠不會100%的取代所有的人，因為還需要企業保留最有經驗的一部分質檢員，幫人工智慧質檢員去做一些最複雜的判斷。這樣的話，這個系統才能不斷的去提高。
人工智慧質檢員效益如何？
這套系統已經開始在一家中國的LCD面板工廠實施了，給他帶來的效益真是按千萬級來計算的。不光是人力的成本減少，更多的是一些生產力的提高，是讓他工廠的生產能力得到了釋放。
只要涉及到外觀檢測的行業，這套系統都有應用。不光是電子行業，這套系統已經開始在汽車行業的一些汽車外觀、噴漆的檢測得到了應用。
製造業之外，其實在建築業方面，也有一些應用。
比如說，一些比較高危的部位的檢測，人爬上去可能比較困難，而且效率也不高。IBM在跟另外一家公司合作，用無人機帶著攝像機上去拍攝，然後再去判斷工程品質的問題。所以說這個應用，真是方方面面都有。只要是需要人去做外觀判斷檢測的，這一套技術都用得上。
簡單的總結一下。只要能拍出來照片，在照片上能識別問題的這一類場景都可以去運用。
無論是食品外觀出現了問題，比如：一個蘋果上出現了斑點，能不能上架；還是服裝上的一個線頭露出來太長，能不能讓它判定為品質合格。
這樣的場景太多了，認知質檢員都可以用起來。