製造業人工智慧詞彙:術語詞彙

deep learning glossary brain

您不必是博士,也能自在討論人工智慧,雖說那確實有幫助。但知曉一些有關人工智慧的基本術語與概念,可以更容易理解工廠自動化方面的最新技術與檢測進步。

以下是人工智慧用於工廠自動化時的相關對話與文章中最常出現的術語。

演算法:協助客戶達成目標的一組指令與計算。用於工廠自動化時,演算法可查看並分類整理來自感測器、掃描器及數位相機的大量資料集,揭露效率不彰、提高品質並建議改善處。「學習」演算法使用反覆試驗和從實例學習的方法,讓生產流程在沒人工介入的情況下達到最佳化。

人工智慧 (AI):嘗試模仿人類決策的運算技術,使用自動化來執行人類難以完成的工作。AI 演算法是工廠自動化核心,因其使用圖像識別與自然語言處理等技術,可減少人為疏失並預先考量到生產難題。

大數據:彙集多個來源的龐大資料集,再使用分析工具產生獨特深入解析的技術。大數據奠定 AI 基礎,因為學習演算法需要巨量資訊,才能模擬人類決策過程和產生準確的預測。自動化工廠使用大數據分析,告知其 AI 舉措。

分類:將資料分成可改善 AI 效用的不同類別。用於工廠自動化時,資料收集裝置會掃描生產環境,並識別機器組件與電子元件等特定物件。AI 演算法可協助將這些物件分類,然後發送到其在生產線上的適當目的地。

聚類:將大量資料點區分成不同群集,判斷當中的相似與相異者。學習演算法會掃描群集,解譯其意義並預測適當的行動步驟。例如,聚類算法會處理來自光學掃描裝置的資料,判斷當掃描探測到產品瑕疵時所要採取的行動。

資料清理/清除:移除瑕疵資料以提高學習演算法的效用。AI 仰賴的複雜資料模型必須要有精準、可靠且一致的資料來源。遺憾的是資料收集經常產生重複、不精準、過時或無用的資訊。因此,清理 (或清除) 資料可降低風險並提升 AI 精準度

深度學習:AI 方法使用神經網路與從實例學習的演算法,可在沒有人類的協助下,隨時間提升自己的能力。深度學習演算法處理的資料越多,會變得越有效,不像基於規則的演算法,其資料處理能力嚴重受限。用於工廠自動化時,深度學習演算法能以可反映人類認知的方式標示產品缺陷,只不過速度更快。

下載免費資源:比較深度學習與機器視覺電子書

圖像識別:使用 AI 分析數位圖像內容。圖像識別演算法會掃描無數的圖元並應用深度學習,以區分人、地、物。這些技術能夠掃描條碼和將檢測自動化,大幅提升自動化工廠的生產力。另請參閱:機器視覺。

物聯網 (IoT):感測器網路與網際網路連線,以收集機器與人類行為的即時情報。裝置包括行動電話、穿戴式裝置、攝影機、交通路況監視器及機械與生產線內的感測器。IoT 感測器可產生機器學習所需的大量資料。

機器學習:不需要人類設計程式,就能改善結果的運算流程。機器學習演算法會訓練電腦尋求成功並避免失敗數百萬次,以產生學習成果。例如,圖像識別會分析數百萬個圖像,以辨別數位圖像中的不同物件。另請參閱:訓練資料。

機器視覺:基於規則的演算法,可識別物件的特定特徵。機器視覺技術使用來自光學掃描器與數位相機的資料,檢測生產線上的組件和掃描配送中心裡的條碼。雖然機器視覺工具的處理速度比肉眼更快,但深度學習可大幅提升這類工具的精準度與效用。

神經網路:演算法與資料節點受人類神經系統的神經傳導路徑啟發。神經網路模擬神經細胞如何接收並處理資訊,然後傳輸給其他神經。神經網路中的數千個處理節點會找出資料中的圖案,例如圖像、文字以及所說的話語。這些圖案可協助演算法決定接下來要採取的行動,並在每次成功完成一項工作後自我學習,以有更好的表現。

光學字元辨識 (OCR):將列印的數字、字母及字元轉譯為有意義的數位資料。雖然 OCR 技術已問世數十年,但對於工廠自動化與產品配送仍是至關重要。此外,AI 技術大幅提升 OCR 精準度,能夠掃描彎曲、遭扯破、受損和外覆塑料的標籤。

機器人流程自動化 (RPA):可將生產流程自動化的裝置、軟體及流程,改善生產力並讓人員擺脫繁瑣與重複的工作。RPA 裝置包括機器人手臂,其可進行像是焊接汽車組件或裝配微處理器的工作。RPA 軟體可包括演算法與應用,其可將先前需要人類輸入的流程自動化。

比較結構化與非結構化資料:不同的架構可幫助機器瞭解資料的意義並精確地加以處理。結構化資料是以一致的格式儲存,大多像是試算表的列、欄及儲存格。非結構化資料就像文書處理檔案中的文字,或影片中的圖元。AI 演算法可讓工廠自動化系統從這兩類資料中擷取知識。

群體智慧:一系列演算法齊力合作,產生的智慧超越在群體內各自單打獨鬥。模仿蜜蜂、魚類、鳥類及其他社會有機體的行為,群體智慧系統會將特定的簡單工作指派給個別的機器學習演算法。讓這些演算法共同合作,能比單一演算法產生更精密複雜的學習結果。另請參閱:神經網路。

訓練資料:可促進 AI 演算法學習的數位資訊。深度學習與神經網路演算法都必須瞭解合格與不合格資料之間的差異。訓練資料可讓上述兩者理解。例如,在自動化工廠中,數位圖像提供訓練資料,協助演算法學習識別有瑕疵的機器組件,並使其不會進入成品中。

瞭解如何運用 AI 與深度學習檢測技術,請參閱免費的VisionPro深度學習軟體資料表

其他文章

取得產品支援與訓練等等

加入 MyCognex