“借助 AI，大海撈針不再是夢”

在訪談中， 勞易測首席技術官 (CTO) Henning Grönzin 博士解釋了利用人工智能 (AI) 條碼技術識別貨物的優勢。在與一家汽車制造商的合作中，勞易測開發出了適合工業用途的解決方案。

Grönzin 博士，勞易測首席技術官一職的職責是什么？

我負責與業務發展相關的所有技術問題。當然也包括：傳統產品管理；所開發設備的批量生產；設備售后技術服務。

作為部件制造商，勞易測如何利用 AI 技術？

我們一直主動創造變革。因此，我們一直不斷探索新技術及其與主要行業之間的關聯。例如，我們首先開發出能夠通過 OPC UA 與云直接通信的傳感器。我們認為，人工智能將在我們的傳感器以及客戶應用中發揮重要作用。因此我們不斷探索該技術并與客戶一直交流該問題。

勞易測目前正在研究哪些項目？

目前我們正在與一家汽車制造商試用該技術。我們將AI技術與條碼閱讀器結合使用。條碼閱讀器可以捕獲標簽，并將相關 ID 提供給更高級的系統。該傳感器可以實現自我監控。也就是說，傳感器可以了解自身狀態，并與系統進行通信。該技術已應用數十年之久，唯一的問題是：傳感器只能從自身角度了解有限的狀態信息。例如，傳感器可以發出 “正在讀取”、“讀取質量很好”或“讀取質量很差”的信號，但單個設備無法確定相應的原因。我們的 AI 項目旨在解決該問題：讀取質量差的原因是設備或條碼標簽問題，還是環境中的干擾因素？

AI 如何發揮作用？

首先必須了解的是，任何特定系統中都有無數的部件。在物流流程中，不同的安裝位置通常有多達 1,000 部條碼閱讀器，且有成千上萬的托盤或貨箱標簽通過該條碼閱讀器。借助 AI，我們能夠處理和分析數據量。設想一下：在一個過程中，標簽通過許多條碼閱讀器, 同時它也會在不同的安裝位置讀取�？傮w而言，這提供了一個包含許多未知數的方程式：無數的條碼閱讀器、更多的標簽以及不同的安裝位置。針對各個物流站和標簽，我會得到不同的結果。以讀取質量為例：有時質量是 90%，下次是 80%，而在一些閾值時則不再讀取標簽�，F在借助 AI，我可以追溯和查找原因，從而解決這個復雜的問題。條碼閱讀器讀取質量差的問題，是否只發生在一個標簽，一類標簽或者特定安裝位置？

該技術采用哪種機器學習方法？是神經網絡發展的深度學習嗎？

對。我們使用通常所說的推薦機制。流媒體服務中通常使用這種方法，可用于評估用戶行為，并使用該信息推薦電影或劇集。類比一下，設想條碼為電影，而條碼閱讀器為流媒體服務用戶。因此條碼相對于不同條碼閱讀器的“吸引力”是不同的。

這對客戶有何幫助？

需要考慮兩種情形：調試和持續運行。在調試過程中，系統制造商面臨很大壓力，一切任務必須快速完成。設想在一個大型倉庫里，物料必須運輸到 40 公里以外的遙遠地方。如果 1,000 部條碼閱讀器中有一部校準不當，但您不清楚是哪一部傳感器，因此必須全部檢查一遍。這就像大海撈針一樣，但時間是有限的。如果我能夠直接定位故障條碼閱讀器，這就會帶來巨大的附加價值。此外：有時不只是一部條碼閱讀器出現故障，而是多部閱讀器。其他比較棘手的臨界情況是，條碼閱讀器以校準且大部分時間都能正常讀取，但標簽仍頻繁丟失，發生這種現象的原因包括：閱讀器稍微傾斜、讀取邊緣區域、系統發生振動、觀察窗口有霧、或者標簽損壞嚴重。而借助 AI 技術，我們能夠快速過濾并找到原因。

這在運行中對生產運營商有何幫助？

對于生產運營商而言，最糟糕的情況莫過于意外停機。這同時浪費時間和金錢。而計劃停機則更為適宜：例如，機器運營商可以提前計劃生產或外包，維持較高的客戶交付性能，并在后續生產中進行彌補。我們的方法還能夠實現預測維護。有時我們利用多年的運營數據來優化早期檢測工作，系統也能保持不斷學習。

最后一個問題：該解決方案何時發布？

這還需要一些時間，新的底層技術的建立需要一點時間。以 OPC UA 為例，我們在 2016 年推出第一款采用 OPC UA 技術的傳感器，第一個基于這項技術的大型裝置目前即將投入使用。采用新技術時，總是還有其他一些問題間接影響到應用。例如，目前我們正在探索 IT 安全問題，這涉及到各個位置所發送的數據。特別值得一提的是，該問題涉及到工業環境中的大型系統，在該系統中數據需要通過云進行傳輸，或者通常還可以使用邊緣設備，從而將數據保留在客戶本地。

圖 1：勞易測首席技術官 (CTO) Henning Grönzin 博士