一种不同类型的人工智能

“许多人将人工智能与大型语言模型（LLM）的聊天机器人联系在一起，这些聊天机器人似乎每次给出的答案都不一样。这种行为在文本生成方面或许没问题，但对于我们食品行业所使用的应用——例如机器学习——来说，这是不可接受的，”辛德里·奥拉夫松表示。

“我们的重点不在于大型语言模型（LLMs），而在于能够预测和衡量性能的特定任务型人工智能。我们不开发此类大型人工智能模型，而是部署规模较小的模型，这些模型是我们部署在机器中的软件链中不可或缺的一部分。” 

“一旦我们的AI模型安装完毕，就不会出现任何意外情况，因为我们完全清楚它的运行方式——它已经针对预期应用场景进行了全面测试。这种方法有助于我们更快、更可靠地为客户提供更高质量的解决方案。”

这不是猜谜游戏

辛德里·奥拉夫松接着说道：“在我们这个追求高生产效率的世界里，可重复性至关重要。如果同一件产品在相同条件下经过同一传感器，系统必须针对相同的数据点每次都给出相同的结果。无论结果正确与否，都必须是可预测的。”

“与许多旨在根据用户需求调整回复内容的大型语言模型（LLM）应用不同，我们的人工智能模型致力于保持一致性。对于我们来说，那些让人感觉像是在猜谜的结果并不能带来任何益处。我们的业务依赖于稳定、可衡量的行为，而这些行为正是客户所信赖的。” 

毫无意外的人工智能

“从客户的角度来看，人工智能绝不能随意行事，而我们的AI模型正是如此。它不会反复无常。它通过以一致且可量化的方式解读传感器数据，为机器提供支持。我们负责开发并提供智能解决方案，而客户则能在每日运营中受益于其一致的行为表现。”

“我们利用能够大规模进行训练的工具，对人工智能模型进行训练，使其能够执行具有明确要求的特定任务。我们会仔细追踪所使用的数据、数据标注方式，以及模型在不同测试集上的表现。这使我们能够像对待其他软件组件一样，准确且自信地提交报告，确保客户不会遇到任何意外情况。”

从理论层面来看，JBT Marel 主要采用卷积神经网络（CNN），并结合视觉变压器，同时还使用多层感知器（MLP）神经网络。

教学机器 

传统上，质量决策在很大程度上依赖于人的经验。不同操作员对同一情况的判断可能略有不同。人工智能有助于消除这种差异。

辛德里·奥拉夫松接着说道：“在开发新设备时，我们会利用数万张展示各种变体的图像来训练人工智能模型。每张图像都由专家仔细标注，因此这仍然是一项需要人工完成的工作。 模型一点一点地学习该关注什么，就像一名新入职的人工检查员通过研究大量实例来掌握这门手艺一样。”

模型训练完成后，我们会将其固定，并进行全面测试。我们会衡量其准确性和可靠性，并能明确报告测试结果，例如在既定条件下能检测出99%的特定特征。只有在性能得到验证后，我们才会将该型号部署到机器上。”

图像解读

例如，在 VC-i 机器中，视觉传感器的图像会通过一种跟踪算法进行处理，该算法将每张图像与特定的吊环 ID 建立关联。一旦与相应的吊环建立关联，图像就会被发送至一个 AI 模型，该模型会识别重要特征和相关区域，并判断以下状况：

• 挂钩里有只鸡吗？
• 泄殖腔在哪里？
• 鸡的病变部位在哪里？
• 它在吊钩上固定得怎么样？
• 是两条腿还是单条腿挂在吊钩上的？

AI模型本身并不做决策；其唯一目的是根据预训练数据集对图像进行解读，并提供结构化信息。 在机器的开发过程中，AI模型会将（视觉）传感器输入转换为机器软件能够理解的形式。随后，这些信息连同原始图像一起被传递给后处理系统，并存储在数据库中。 

“此外，我们采用一套完善的系统来评估人工智能模型的预期质量和准确性。例如，通过使用一个包含50,000张图像的经过验证的数据集，我们在VC-i中实现了接近100%的泄殖腔检测准确率，”辛德里·奥拉夫松补充道。

“冻结智能”意味着可预测的性能

JBT Marel 的人工智能模型在机器内的整个生命周期内都是静态的，即“冻结”状态。这意味着该模型一旦安装到机器上并投入生产，就不会再进行任何学习、演进或改变行为。这听起来似乎有所局限，但实际上却是一大优势。 “冻结”型号能确保其行为在长期内保持稳定且可预测。机器明天的运行表现将与今天完全一致。

“在设备安装之前，JBT Marel 会与客户进行详细讨论，以确认人工智能模型符合客户的所有要求。所有设备只会表现出预期行为。无论我们在何处部署这些机器，人工智能模型的行为都不会发生任何变化。” 

在能够真正创造值的地方应用人工智能

JBT Marel 并非在所有环节都使用人工智能，这是有意为之。有些任务通过物理原理、校准或经典算法来解决效果更好。例如在 SensorX 中，基于 X 射线的脂肪或骨骼检测依赖于物理特性，无需借助人工智能。

如果只是要查找简单的异常情况，一个基础算法就足够了——例如，对红线进行阈值处理并识别其最高点。如果仅此而已，就不需要使用人工智能模型。

然而，如果想要检测更复杂或不寻常的模式，人工智能便派上了用场。人工智能真正大显身手之处在于数据解读。它在读取传感器数据、识别模式、发现异常以及理解复杂的视觉信息方面表现尤为出色。 在这些情况下，卷积神经网络特别有效，因为它们能够分析数据序列中的模式，并从中提取更有意义的洞察。

依赖程度较低

人工智能有助于机器更好地“观察”和解读视觉信息，从而减少对人类判断的依赖。这意味着：

• 减少对持续人工监督的需求
• 各班次和各生产基地的质量更加稳定
• 能在问题恶化前更快地发现隐患

VC-i 等系统得益于基于人工智能的视觉技术，这种质量提升也惠及下游环节。即使是未直接搭载人工智能技术的机器，也能从所接收的更详细、更一致的输入中获益，例如 Nuova-i，其性能如今也得到了提升。

“我们的AI技术提高了在这些机器之间流转的产品安全性与质量，因此整个去内脏生产线都受到了VC-i所提供的人工智能的影响。我们开发的新机器是否都会集成AI？当然不会。AI是否会影响所有这些机器？当然会。” 

专为可扩展性和一致性而设计

JBT Marel 在人工智能领域的优势之一在于可扩展性。同一套人工智能平台可支持家禽、肉类、水产及深加工行业中的多台机器和多种应用。这确保了整个产品组合中质量标准的一致性，并加快了创新步伐。 “我们能够以更高的精度更快地解决更复杂的任务。而且成本更低，因为我们无需像以前那样投入大量工程小时。”

对于JBT Marel而言，人工智能不仅仅是一项“跟风”举措。它是一项经过精心管控的能力，仅在能够带来可量化效益的情况下才会加以应用。”

展望未来

未来，并非所有机器都会依赖人工智能，但随着时间的推移，将有更多生产线从中受益。JBT Marel 通过人工智能提升机器性能，帮助客户实现更高质量、更高稳定性，并减少对个人专业技能的依赖。

归根结底，人工智能的目的并非取代人类，而是赋予机器更敏锐的感知能力，从而让人类能够充满信心地专注于操作工作。