因此 ， 面对当前几大技术落地难题 ， 贾佳亚教授认为 ， 工业AI企业需要寻找新的方式进行“破局” 。
以数据紧缺为例 ， 可靠的AI模型离不开大量数据的训练 ， 尤其在工业场景下 ， 对AI的准确率要求极高 ， 然而目前工业生产的有效数据非常稀缺 ， 可供训练的样本极小 。 通过传统的AI训练/检测方法 ， 当训练样本不足的情况下 ， 很难成功检测出非常见的产品缺陷 。 传统的AI训练往往通过给计算机提供大量图片 ， 让计算机记住“细节” ， 但思谋科技通过自研的区域感知异常检测器（RADD） ， 对目标区域各个细节进行捕捉 ， 并与标准参考数据进行比对 ， 记住图像的“规则” ， 从而能够进行原理推导 ， 从而实现即使是非常见缺陷 ， 也能准确进行判断识别 。
此外 ， 工业生产对验收要求极高 ， 想要成品良率至少达到99.9%以上 ， 每个零件的良率至少需达到99.999%；因此当前能够满足工业生产场景需求的 ， 往往是高度定制化算法和训练方式 。 然而 ， 仅训练一个神经网络就有超过百万种不同方式 ， 长期下的定制路线 ， 显然无法满足技术落地的需求 。 因此 ， 思谋科技结合学术界与产业界的最新成果 ， 研发出了最合适工业场景的全栈式AutoML算法 ， 可用于分割、检测、关键点等多种不同任务中；已在几十个工业场景、近百万工业数据中得到验证 。 传统调参下完成一个模型（算法开发+部署）需要10人月 ， 在AutoML下仅需0.3人月 。
此外 ， 在被检产品形态多样化核心难题中 ， 思谋科技通过对被检对象采取“零件化模型”处理 ， 进行“拆分——再整合”模式 ， 高效率理解同品类物体的内在结构一致性 ， 从而实现面对新形态的产品时也可快速交付；以及在缺陷类型难区分的核心难题中 ， 思谋科技通过“前后背景对比学习”方案 ， 使用类比学习 ， 能让计算机更好理解哪些是目标异物 。
因此 ， 贾佳亚教授表示 ， 只有当计算机系统可以突破工业落地中的几大难题 ， 实现自动算法组合和部署 ， 人类仅需参与少量定制化算法设计时 ， AI的跨领域规模产业化才具备实现的可能 。 他表示 ， 基于此前提 ， 思谋科技也在致力于打造其工业级AI系统 ， 构建以智慧为核心的新一代工业AI架构 ， 涵盖了工业AI算法平台、工业AI训练平台、工业AI工具平台 ， 以及超过30种全球领先的新型工业AI生产设备 。
据介绍 ， 已具备了智能制造跨行业快速落地能力的思谋科技 ， 目前可赋能超过1000个细分领域 ， 并成功与芯片、半导体、精密制造、汽车、航空、新能源等多个行业的头部企业实现合作 ， 完成了多个新型工业AI设备产品的落地 ， 如镜片分拣、轴承检测、特种条码设计与识别、偏光弯膜、隐形二维码识别、模具检测、AVI检测等 。
推荐阅读
- 产品|泰晶科技与紫光展锐联合实验室揭牌
- 空间|（科技）科普：詹姆斯·韦布空间望远镜——探索宇宙历史的“深空巨镜”
- 相关|科思科技：无人机地面控制站相关设备产品开始逐步发力
- 机身重量|黑科技眼控对焦23年后回归，升级！ 江一白解读EOS R3
- 公司|科思科技：正在加速推进智能无线电基带处理芯片的研发
- 项目|常德市二中2021青少年科技创新大赛再获佳绩
- 视点·观察|科技巨头纷纷发力元宇宙：这是否是所有人的未来？
- 技术|聚光科技旗下临床质谱仪获批医疗器械注册证
- 视点·观察|科技股连年上涨势头难以持续：或已透支未来涨幅
- 视点·观察|科技行业都在谈论“元宇宙”，可是它还不存在