Array,Array|从实验室跃进产业,腾讯 AI 是如何向 to B 进化的?( 三 )


在液晶面板行业 , 传统的检测方式是AOI扫描基板图片 , 然后用人工检测方式检测基板图片 。随着工业检测越发需要精准 , 传统的视觉缺陷检测和分拣设备很难满足要求 。而实际产线上 , 人工肉眼复检也很难降本提效 。
华星光电的产线每天会产生一两百万张图片 , 每个质检员要看1万多张图片 , 对每张产品图进行缺陷分类平均需要2秒 。而现在基于优图CV技术 , 腾讯云推出了AI自动缺陷分类系统 。识别单张图片只需500-600毫秒 。对比人工判片 , AI识别速度提升了5-10倍 , 每年可以为华星光电节省超千万元的成本 。
对于这种传统产业 , 腾讯并不能提炼C端经验 , "走进产业"便成为重要课题 。
在华星光电的案例里 , 光从当前图像的特征无法正确判断缺陷分类 , 不仅要借鉴前一个工艺环节的图片一起判断 , 甚至还要结合业务上的知识 。在这些问题上算法可能是有局限的 , 不了解背景未必能解决这些问题 。同时算法也不能像产线工人一样随时跟其他人沟通寻求帮助 。因此 , AI项目落地不是最简单的训练和推理过程 , 需要持续结合实际业务知识 , 通过行业专家系统结合机器学习 , 才能给企业提供有价值的服务 。黄飞跃向钛媒体解释道 。
除优图外 , "腾讯觅影"背后的技术提供方之一、专注医疗的天衍实验室也在加速技术产业融合 。
疫情期间 , 腾讯觅影推出了AI辅助诊断新冠肺炎的方案 , 于武汉大学中南医院落地 。该方案能在患者CT检查后最快2秒内完成AI模式识别 , 1分钟内为医生提供辅助诊断参考 , 2个月内为湖北多家医院共2万4000多名患者进行了肺部CT诊断 。
此前 , 有观点认为腾讯缺乏toB基因 , 黄飞跃向钛媒体说道 , "如果大家相信基因 , 也会相信进化 , 作为企业最重要的就是学习、以及适应市场的能力 。"


推荐阅读