在访谈中， 劳易测首席技术官 (CTO) Henning Grönzin 博士解释了利用人工智能 (AI) 条码技术识别货物的优势。在与一家汽车制造商的合作中，劳易测开发出了适合工业用途的解决方案。
Grönzin 博士，劳易测首席技术官一职的职责是什么？
Nomen est omen：我负责与业务发展相关的所有技术问题。当然也包括：传统产品管理；所开发设备的批量生产；设备售后技术服务。
作为部件制造商，劳易测如何利用 AI 技术？
我们一直主动创造变革。因此，我们一直不断探索新技术及其与主要行业之间的关联。例如，我们首先开发出能够通过 OPC UA 与云直接通信的传感器。我们认为，人工智能将在我们的传感器以及客户应用中发挥重要作用。因此我们不断探索该技术并与客户一直交流该问题。
劳易测目前正在研究哪些项目？
目前我们正在与一家汽车制造商试用该技术。我们将AI技术与条码阅读器结合使用。条码阅读器可以捕获标签，并将相关 ID 提供给更高级的系统。该传感器可以实现自我监控。也就是说，传感器可以了解自身状态，并与系统进行通信。该技术已应用数十年之久，唯一的问题是：传感器只能从自身角度了解有限的状态信息。例如，传感器可以发出 “正在读取”、“读取质量很好”或“读取质量很差”的信号，但单个设备无法确定相应的原因。我们的 AI 项目旨在解决该问题：读取质量差的原因是设备或条码标签问题，还是环境中的干扰因素？
AI 如何发挥作用？
首先必须了解的是，任何特定系统中都有无数的部件。在物流流程中，不同的安装位置通常有多达 1,000 部条码阅读器，且有成千上万的托盘或货箱标签通过该条码阅读器。借助 AI，我们能够处理和分析数据量。设想一下：在一个过程中，标签通过许多条码阅读器, 同时它也会在在不同的安装位置读取。总体而言，这提供了一个包含许多未知数的方程式：无数的条码阅读器、更多的标签以及不同的安装位置。针对各个物流站和标签，我会得到不同的结果。以读取质量为例：有时质量是 90%，下次是 80%，而在一些阈值时则不再读取标签。现在借助 AI，我可以追溯和查找原因，从而解决这个复杂的问题。条码阅读器读取质量差的问题，是否只发生在一个标签，一类标签或者特定安装位置？
劳易测首席技术官 (CTO) Henning Grönzin 博士
该技术采用哪种机器学习方法？是神经网络发展的深度学习吗？
对。我们使用通常所说的推荐机制。流媒体服务中通常使用这种方法，可用于评估用户行为，并使用该信息推荐电影或剧集。类比一下，设想条码为电影，而条码阅读器为流媒体服务用户。因此条码相对于不同条码阅读器的“吸引力”是不同的。
这对客户有何优势？
需要考虑两种情形：调试和持续运行。在调试过程中，系统制造商面临很大压力，一切任务必须快速完成。设想在一个大型仓库里，物料必须运输到 40 公里以外的遥远地方。如果 1,000 部条码阅读器中有一部校准不当，但您不清楚是哪一部传感器，因此必须全部检查一遍。这就像大海捞针一样，但时间是有限的。如果我能够直接定位故障条码阅读器，这就会带来巨大的附加价值。此外：有时不只是一部条码阅读器出现故障，而是多部阅读器。其他比较棘手的临界情况是，条码阅读器以校准且大部分时间都能正常读取，但标签仍频繁丢失，发生这种现象的原因包括：阅读器稍微倾斜、读取边缘区域、系统发生振动、观察窗口有雾、或者标签损坏严重。而借助 AI 技术，我们能够快速过滤并找到原因。
这在运行中对生产运营商有何优势？
对于生产运营商而言，最糟糕的情况莫过于意外停机。这同时浪费时间和金钱。而计划停机则更为适宜：例如，机器运营商可以提前计划生产或外包，维持较高的客户交付性能，并在后续生产中进行弥补。我们的方法还能够实现预测维护。有时我们利用多年的运营数据来优化早期检测工作，系统也能保持不断学习。
最后一个问题：该解决方案何时发布？
这还需要一些时间，新的底层技术的建立需要一点时间。以 OPC UA 为例，我们在 2016 年推出第一款采用 OPC UA 技术的传感器，第一个基于这项技术的大型装置目前即将投入使用。采用新技术时，总是还有其他一些问题间接影响到应用。例如，目前我们正在探索 IT 安全问题，这涉及到各个位置所发送的数据。特别值得一提的是，该问题涉及到工业环境中的大型系统，在该系统中数据需要通过云进行传输。或者通常还可以使用边缘设备，从而将数据保留在客户本地。
