Deep Learning將改變工業生產的格局。機器將負責需要發揮人類智慧的任務。隨著企業各項流程與資料採集的數位化進程不斷推進，同樣將越來越多使用Deep Learning，幫助實現更有效的人機協作。這將為自動化與生產帶來革新，打造更加高效且精確的決策流程，提高生產效率，同時大幅降低研發成本。
在我們的「SICKnificant」播客中，我們訪問了數位服務與解決方案戰略產品經理Christoph Eichhorn博士，與之探討Deep Learning如何減輕人類從事繁瑣任務的負擔並提高品質。
近年來，工業界的數位化方案取得了長足進步。在數位化進程中，對感測器的資料及其他之前主要用於間接流程控制的來源的資料進行儲存，因此這些資料可以在更為抽象的層次上使用。僅僅採集資料並不夠。如果要從這些資料中提取能夠帶來進一步優化的精髓，則需要充分依靠人工智慧。
以木材行業的一項應用為例：用數個GB的訓練資料對神經網路進行訓練，使其所做的決策比人眼能夠達到的程度更為精確、快速、持久。而此網路的大小不足1個MB，卻擁有巨大的經驗寶庫。此方案可靈活用於任意數量的應用實例。
不過並不是每次都需要這麽大的資料數量才能使人工智慧發揮作用。Deep Learning專案的實施情況可能大相徑庭，需視具體的客戶要求而定。將客戶的要求與期望表述出來並不是件容易的事，卻是成功運用人工智慧的先決條件。「簡單説來：只有我們清楚自己需要什麽，才能運用人工智慧獲得所需的結果。明白這一點以後，所有客戶都將獲得解決其問題的簡單而靈活的方案。」Eichhorn說。
「過去有一些任務很難實現自動化，現在我們的客戶運用人工智慧就能自行解決這一難題。對反射性零件的品質與安裝檢查、焊點的檢查或天然產品的分揀就是這方面的實證。這些工作往往耗費人力，需要占用專業人員的大量寶貴時間，因此只能以抽樣形式進行。」
隨著Deep Learning的使用，自動化經歷了一場範式轉移。此時並不是要搞清楚進行決策、規定一系列具體規則所需的重要詳細資訊，而是運用諸多範例。其演算法可自主學習如何做出決策。「我們不是對解決方案進行程式設計，而是對其進行訓練，這樣做要快得多，效率也高得多。但是有一點需要強調：Deep Learning並不是人類專業知識的替代品。要想充分發掘技術的潛力，仍然必須依靠人的智慧。Deep Learning是對人類能力的輔助與擴充。」Eichhorn介紹說，並最後總結道：「我們的Deep Learning工具操作非常方便，因此使用者只需要知道自己面臨的問題所在，無需深入瞭解程式設計的知識，即可自行解決問題。因為只有使用者才知道對於解決方案而言，哪些重要，哪些不重要，他比其他任何人都要善於搜尋合適的訓練範例。使用者運用我們的工具，能夠非常直觀地開始人工智慧的訓練，從而解決非常特別而又具體的任務。」
