计算机视觉目前正在发展成为人工智能在生产中的第一个主要应用场景

最重要的是，缺乏人工智能技术一再被证明是实践中的瓶颈。因此，借助 Robotron 实时计算机视觉平台 (RCV)，这家总部位于德累斯顿的公司专注于使用生产经理和生产工程师的语言。目标：易于使用、实用的解决方案，使没有编程经验的工程师能够使用计算机视觉实时解决他们的检测问题。其中包括基于图像处理的非常不同的用例：表面缺陷检测、组件完整性检查、分类和计数任务或机器人夹持臂的“进入盒子”。

为此，Robotron 依赖于强化学习的 AI 方法。“使用经过训练和重新训练的网络的策略带来了许多优势。例如，当您想快速教神经网络新的缺陷类型或产品或零件的不同颜色时，这是正确的。在实践中，这对于快速使 AI 解决方案适应新环境，”Robotron 产品负责人兼实时计算机视觉团队负责人 Deepa Kasinathan 博士解释道。

克服为 AI 选择合适硬件的障碍

该平台支持领域专家寻找最佳解决方案，主要是因为从一开始并不总是清楚哪种神经网络最适合各自的目的。这些接口设计灵活，不仅可以使用一个框架或神经网络，还可以使用许多不同的替代方案，包括 PyTorch、TensorFlow、ONNX、Keras 或 Microsoft CNTK。

但还有第二个主要挑战：如果一家公司开始自己研究人工智能场景，它首先必须克服硬件选择这一特别复杂的障碍。一方面，必须建立图像数据（通常在云中）的训练级别。另一方面，算法本身应该在高性能边缘硬件上尽可能接近进程运行。通常，选择和采购项目需要几个月的时间。为了缩短这一过程，开发了一个全面的硬件堆栈，涵盖了高达 90% 的所有 AI 场景。

预装软件包的高性能无代码 AI 工作站

运行 RCV 软件的 AI 工作站 KWS 3000-CML 是通用标准产品的核心。它针对在计算能力和图形方面需要高性能的应用程序进行了优化，但同时必须提供最高的可靠性、长期可用性和灵活性。AI 工作站配备功能强大的英特尔^®酷睿™ 处理器（多达 10 个内核）和 NVIDIA RTX 5000 显卡，具有高效的散热能力，可在高达 45 摄氏度的温度下 24/7 连续运行。这允许在毫秒内对捕获的图像进行评估。

实时条件下的灵活人工智能

实时应用人工智能算法是一项特殊的挑战。人工智能平台通过了真正的耐力测试这一事实通过它在 Robotron 的客户宝马中的使用得到了证明——除其他外，直接在时钟印刷机中。在 IX 电动机的启动过程中，RCV 解决方案在一秒钟内完成了六项并行测试，并在生产性推出中进行了测试。在某些情况下，每周使用 3 次新的算法模型。“在正常情况下，这超出了编程能力的范围，”Deepa Kasinathan 回忆道。

首先通过无代码方法可以简单地使用和扩展原本高度复杂的技术，而无需编程技能。新场景不仅可以由数据科学家实施，还可以由最熟悉具体细节的生产工程师和机器操作员实施。为了让车间的专家掌握该应用程序，Robotron 投入了大量精力来学习 YouTube 上提供的视频。来自德累斯顿的计算机视觉专家深信：“人工智能民主化”这一趋势不仅意味着数据科学环境中熟练工人短缺造成的瓶颈将被消除。