单看这样一个指标是很难解释的，结合业务场景，谈论比较多的是检出率，准去率，过检率和漏检率等，只要还要结合问题的定义和AI能力的边界。

这种模式是可以的，特别是AI中台在很多企业中都在这样使用，当然在AI中台之前，需要有比较好的数据中台，或者这两种角色是一起建设的，AI能力会通过EGX服务器的形式融入到您的中台中，无论是传统的VM资源池，还是相对敏捷的容器化资源池，GPU的加速能力均可以很轻松的支持并融合。...

是的，可以理解成这样的架构，从大的趋势看，5G是一个很好的选择，特别是在环境复杂的工作现场，同时5G具备多连接低延时且工作分片的能力，比较适合云边协同通信的工作场景，当然我们的客户很多也在使用以太网做这样的架构部署。...

要选择好自己的平台，重点从以下几方面考虑：1、功能：功能是否能满足企业需求，才是最重要的，比如：是否支持视频、图像的标注、预训练等；是否支持工业制造的一些预置模型等；是否能支持边缘模型管理与下发、更新等；2、稳定性：稳定性是一个平台至关重要的，如果功能得到了保证，但一直不稳定...

AI质检的应用场景广泛，可涵盖95%以上的工业场景检测需求，目前在多个工业细分领域均有落地，例如 液晶面板，半导体，晶圆加工，芯片加工，汽车制造、 汽车电子 、新能源等场景； 当前工业行业质量控制的主要障碍主要包含：A、 产品迭代周期快， dummy 期短，换型效率与模型精度要求高；B、 细...

举个例子，我们在做车型与车灯物料相关检测时，目前传统人工质检面临质量、特殊场景应对和信息集成的问题:1、质量:人工质检中需要有经验的质检人员基于 20+ 种类型的车清楚知道什么零部件配什么车型，对人的经验要求 高，新员工不熟悉车型会存在漏检问题;2、长时间在强光源场景...

在企业的高危岗位，我们可以通过机器视觉以及其他技术，来实现设备自动化运维及设备联动等功能以实现代替人工的目的。安全生产属于安全巡检范围，它主要包含厂区管理、安全生产、环境监控三个方面内容，以及在这些场景中对于人、车、设备等安全状态的检查，排查异常情况，及时解决问...

高速环境，一般需要功能强的内置图像处理功能的智能工业相机，它输出的实时图像检测结果可直接用于应用处理，此类数据数据量小(<100Byte)，实时性要求相对较高，相机一般支持 TCP/IP、UDP 等通用接口协议用于传输数据。另外如果要将数据送往云端处理的话，则需要使用 5G 技术，它的...

目前工业领域中大量企业的质量检测环节由人工质检实现，即主要依靠人肉眼来进行缺陷识别，除此之外，少量企业使用传统机器视觉技术进行质检，你们公司应该就是这种。这些方式有一些显著痛点，例如人工质检存在的主观因素对判定结果影响较大，难以实现标准化；人工质检存在视觉疲劳，无法...

通过深度学习算法(Deep Learning)实现的人工智能质检，在目前已经能够达到95%以上的判定准确率,通过平衡漏判率和误判率，漏判率可以降到100PPM以下，而误判率降到5 %以下。根据华为和百度联合编著的《智能工业视觉解决方案白皮书V1.0》，在2018年，全球用于工业自动化领域的机器视...