据IBM资料显示，通过深度学习，机器还可以在更多生产领域实现智能制造。
如果说2016年是大数据年，那么2017年可以称得上是深度学习之年。我们可以看到，IT厂商以及BAT等大型互联网企业所关注的焦点已经迅速“转移”到人工智能及深度学习等方面，手机端各种App也都开始转向深度学习，包括翻译、语音识别以及游戏等方面。
其实早在深度学习这个概念提出之前，我们就从科幻电影及小时中听说过神经网络，其史创造于上世纪 60 年代，但近年来大数据和计算能力的增加使得它们在实际上变得有用。于是，一种名为“深度学习”的新的学科出现，它能使用复杂的神经网络架构以前所未有的准确率建模数据中的模式，在自动驾驶领域相信大家早已深有体会。
构建深度学习平台，实现智能化应用
一直以来，IBM都是新技术的推动者，就像当年的大数据一样，在深度学习方面它也在引领着潮流。早在2011年，Watson 在美国最受欢迎的智力问答电视节目《危险边缘》(Jeopardy)中亮相，一举打败了人类智力竞赛的冠军。如今，Watson 已经发展为一个商业化、基于云的认知系统，可以说Watson开启了人工智能的大门。
此外，IBM所研发的PowerAI和BlueMind深度学习平台也是非常强大，能够支持企业级开源机器学习和深度学习架构，以构建相应的认知应用。人工智能/深度学习平台能够减少企业在Power体系结构上部署开源架构时的复杂性和风险。因此，基于IBM Power的人工智能平台应用范围更广，目前制造行业已经有了相关解决方案。
深度学习加速智能制造
深度学习与人工智能到底能够给制造行业带来哪些便利呢？从实战角度讲，意义重大!
我们先来看看如今热门的智能制造，早期的智能制造是上个世纪90年的形成的“智能制造系统”的概念：智能制造系统(Intelligent Manufacturing System，IMS)是一种由智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。智能制造通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。
谈到取代人类劳动，现在很多生产型企业已经部分实现，无非是利用机器人生产线代替普通工人，不过在智能制造即将普及的今天，深度学习还可以辅助零部件和材料缺陷检测。
深度学习开启大数据时代的工业革命
检测，一直都是制造行业的难点，人工检测的话首先是效率不高，毕竟人眼的工作能力有限，其次是很多细小的瑕疵难以察觉，而零部件及材料中的各种缺陷会直接影响成品质量，造成大量次品、废品，影响企业效益及声誉。
据了解，在深度学习出现之前，很多企业采用传统的影像分析方法，但问题是对于各种复杂的缺陷特征需要人工建模，适应性较差，也会造成大量误检、漏检。
通过IBM深度神经网络系统，则可以从历史样本中自动提取各种缺陷特征，从图片中自动识别可能的缺陷并加以标识，能够让工作人员快速发现并且纠正，从而提升产品质量和工作效率。
其实这种应用非常类似于之前Watson的医疗诊断应用，都是通过图片信息来识别问题所在，这方面机器的效率要远远高于普通工人。几万张图片深度学习的机器可以在一秒之内完成识别和标注，如果人为的话至少需要两个小时。
据IBM资料显示，通过深度学习，机器还可以在更多生产领域实现智能制造。在工件定位，也就是工件在机械臂上的位置情况;工件表面缺陷识别及标注;工件精度测量、不良品分拣以及工件装配检查等等方面，深度学习都能实现。
通过对检测对象建立精确的视觉模型，结合人工智能芯片超强的计算能力，对于肉眼无法检测到的微小瑕疵，都能够实现毫秒级的实时检测。
在企业数字化应用中，我们看到基于IBM Power平台上的深度学习技术越来越强大了，它能够让制造企业生产效率迅速提升数倍，这一点在以前是难以想象的。IBM CEO罗睿兰曾经提到过，IBM做AI的目的不是为了做算法和技术，而是为了改变世界，真正地让人工智能应用到实际行业领域里去。从制造、医疗、金融、汽车自动驾驶、公共安全等等领域来看，IBM正在引领着行业转型、进步。
声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。
