在用戶方面，已經形成了一個基于 ML 的質量控制和過程監測/優化的解決方案集群。一個完全自動化和控制器集成的質量控制系統，它可以基于如電機電流、轉速和跟隨誤差等現有的機器數據對生產的貨物進行全檢測。它可以 7 天 24 小時工作不休息，不會感到疲倦，而且能夠實現遠遠超過人類所能做到的周期時間。過程監測和優化是兩個連續的步驟。如果用訓練好的模型來進行過程監測，機器可以通知其操作員，而操作員又可以即時調整過程，以保持產品質量的穩定性。下一步是向這名有經驗的機器操作員學習，并以這樣的方式訓練模型，讓模型能夠自主地進行所需的參數調整，或在中間步驟中作為“智能助手”發揮作用，給出參數設置建議。
除了控制系統中用于 ML 的基礎組件外，我們越來越關注倍福產品在圖像處理和運動控制領域的應用，目標是為用戶提供硬件和軟件方面經過優化的組件，無需事先掌握 ML 知識即可使用這些組件。
實時機器學習尤其是對需要高處理性能同時快速運行各種工藝過程的工廠車間提出了挑戰。然而，如何將 ML 用于實時控制的應用，如運動控制應用？
Fabian Bause 博士：首先，我們必須認識到，訓練基于 ML 的模型要比執行（即推理）訓練好的模型花費更多的時間。在硬件方面，推理在我們的工業 PC 上運行。它能夠在 CPU 中高效執行的一個重要原因是持續使用 SIMD 命令擴展，并結合高度優化的緩存管理。此外，目前 CPU 中的處理器內核越來越多地支持神經網絡的加速執行，因為它們可以非常高效地并行執行。仔細觀察訓練好的模型也非常重要，它就像“手工編寫”的源代碼一樣。執行一個龐大、低效的源代碼要比執行一個精簡、優化的源代碼需要的時間長很多。必須根據特定的任務對訓練好的 ML 模型進行調整和優化。現在，可以非常輕松地實現微秒級神經網絡執行速度。例如我們有一個展覽就是由 250 個神經元組成的多層感知神經網絡。通過我們高度優化的推理引擎，它在 Intel Core i3 CPU 上的執行時間僅需幾微秒。因此，我們可以確信，在圖像處理和運動應用中使用 ML 時，在算力方面不會有任何障礙。
