采风全网
达观天下

把人工智能塞进一台旧机床,难的不是算法

车间的角落里有一台用了十几年的机床,操作面板上的字都磨掉了。旁边新加了一个巴掌大的推理盒子,连着两盏补光灯和一个摄像头。厂里的人管它叫“那个看料的”,没人说这是人工智能,虽然它确实是。

这个细节值得琢磨:技术真正落地的样子,往往和发布会上展示的样子差得很远。

演示现场和日常班次之间,隔着的不只是算法

在演示环境里,光照稳定、物料摆放规整,操作员也知道镜头在哪。到了正常班次,早上八点和下午四点的自然光不一样,切削液溅到镜头上,工人换了手套颜色,上一批料还剩两个没清走。模型本身没什么问题,问题出在模型之外。

所以很多项目真正的工程量,花在了把“世界”整理成模型能接受的样子上:固定光源、加挡板、重新安排上料位置,把几种例外情况写成规则,交给程序处理,而不是交给模型处理。这些活儿不出彩,也不会出现在技术方案的第一页,但它们决定了系统明天早上还能不能正常运转。

三件容易被低估的事

  • 数据从哪来。不是“收集一批图片”这么简单,而要覆盖足够多的异常:反光、遮挡、半成品、误放。这些样本在正常生产里恰恰最少,得靠人一点点攒。
  • 谁来标注。标注标准和验收标准如果不一致,返工成本比重新采一遍还高。实际做法常常是先定一份写得足够详细的标注手册。
  • 坏了谁修。模型不会突然崩溃,但会慢慢失准。产线换了一批料、镜头脏了、相机位置被人碰了一下,准确率就悄悄掉下去。没有值班的人盯着,这件事要等到出了批量问题才会被发现。

这三件事都不算出彩,却占据了大半的投入。

信任是一点点积累起来的,消失得却很快

一线的人对系统的态度,往往不取决于它有多准,而取决于它出错的时候有多难收拾。一次误判导致的停线,会让人把阈值调得极保守,宁可漏检也不误报,然后系统就变成了一个昂贵的摆设。反过来,如果一个系统能老老实实地说“这张我看不准,请人来看”,它反而更容易被接受。

这也是我在看人工智能项目时比较看重的一点:它有没有为“不确定”留出出口。会承认自己不知道的系统,比假装什么都知道的系统更经得起日常使用。

把它当设备看,而不是当项目看

项目有验收,设备有寿命。验收那天跑通,只说明它在那一批料、那一个班次上成立。后面还有换型、保养、备件、人员流动。企业里真正跑得久的那些系统,通常背后有一个具体的人,他知道模型是什么时候上线的,也知道上一次重新采样是因为什么。

我倾向于认为,等这类工作变得和修机床、换传感器一样平常,人们就不会再特意提“人工智能”这四个字了。这算不上技术的失败,恰恰说明它真正进入了日常。到那时,车间里的人还是会说“那个看料的”,只是没人会记得,它曾经是个新词。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:把人工智能塞进一台旧机床,难的不是算法
文章链接:https://tech.cfdanews.com/ai/2200.html