用于食品检验的有监督和无监督的人工智能之间的区别

这篇文章最初出现在 英国食品和饮料制造业。

不可否认，人工智能驱动的检查令人兴奋。但是，食品加工商必须认识到，并非所有的人工智能技术都是平等的。

人工智能食品检测技术如何 “学习”？

尽管有许多细微差别，但训练人工智能食品生产检验系统的方法有两种。第一种方法称为 “监督训练”。在监督式人工智能中，系统会显示几张可接受且不可接受的产品图像，以创建人工智能模型。从土豆上的瘀伤到牛肉修剪线上的纸，任何东西都可以成为人工智能模型。

借助受监督的人工智能应用程序，人类 AI 培训专家可以持续指导或纠正人工智能的决策。随着时间的推移，人工智能开始独立进行质量保证或异物检验决定，但人为因素对系统仍然至关重要。

由于受监督的人工智能技术是根据用于训练模型的数据做出决策的，因此它们可能很难检测出训练数据集中未包含的异常或异物。熟练的数据科学家可以训练模型来检测意外情况，但准确度较低。

另一种人工智能训练方法是 “无监督训练”。没有明确的示例或指导，无人监督的人工智能只能对产品特征、异常或异物做出自己的决定。无监督的人工智能系统可以自主学习其标准，这意味着它们可以随着时间的推移适应过程变化或异物变化。尽管如此，他们的结果可能是不可预测的和有风险的。

尽管人们很少能在食品检测中找到真正不受监督的人工智能应用程序，但处理器可能在操作员未接受适当培训的情况下部署其人工智能系统，无法在人工智能精度偏差时对其进行校正。未被发现的异物可能会导致代价高昂的产品召回。

在某些情况下，无监督的模型可能更有能力检测出不可预见的异常，但是它带来的误报越来越多，这会造成代价高昂的产品浪费。

向您的 AI 技术提供商提出正确的问题

警惕提供即插即用、现成的人工智能平台的技术供应商。训练人工智能检测系统是一个迭代过程，可能需要时间，具体取决于操作员希望检测的产品特征或异物的复杂性。每条加工线，即使在同一个设施内，都是独一无二的。如果没有由人工智能专家管理的强有力的培训计划，部署人工智能系统并期望它立即了解操作员想要检查或检测的产品和各种材料，可能会产生不想要的结果。

人工智能检测技术是帮助食品加工商最大限度地提高产能和解决劳动力问题的关键，但它们的作用取决于他们获得的支持和培训。

‍