人工智能——尤其是它的机器学习应用——已经吸引了大大小小的工业公司的注意。然而，如果你一直在关注有关机器学习的新闻，你可能已经听说过，尽管这项技术已经非常先进，但它离行业的“黄金时代”还有很长的路要走。虽然这是事实，但这并不意味着这项技术还没有准备好以有意义的方式应用。
Shahmeer Mirza，百事公司高级研发工程师。他在百事公司(PepsiCo)旗下的菲多利公司(Frito-Lay)对机器学习概念的研究，证明了机器学习在当今世界有很多实际用途。
在最近与Mirza的交谈中，他解释说，百事公司从20世纪90年代末开始就将统计过程控制的自适应过程控制应用到传统的制造控制过程中。虽然这些项目可以被视为人工智能(AI)，但至少在某种程度上，该公司在这些项目中并没有在很大程度上使用算法机器学习。
“我的第一个项目之一涉及可以感知芯片纹理而不会摧毁它们的建筑系统，”米尔扎说。对于这个项目，他正在捕获声学数据并手动处理它。
“这是一个用激光击中芯片的系统，侦听关闭它们的声音，然后使用该数据将声音与纹理相关联，”Mirza说。该系统可以为公司的芯片处理系统提供自动化质量检查。
为这个项目编写自动化传感器数据处理的代码，使Mirza意识到编程处理工业应用程序中收集的大量数据的潜在影响。
“我意识到我可以将机器学习原理与计算机视觉技术结合起来，开发更先进的传感器和过程控制方案，”他说。
这一认识和随后的工作导致了专利的光声传感器用于纹理传感器．Mirza说:“这项专利让我意识到，由于我编写的程序能够进行大规模的数据分析，我们能够在项目开发过程中迅速取得进展。”
根据这一经验，Mirza开始开发一种机器学习模型，用于视觉系统计算正在加工的土豆的重量。在菲多利的一个网站上，该公司使用视觉系统来收集正在处理的土豆的大小和数量的数据。该站点还使用了输送机上的称量元件来称量生产运行中使用的所有土豆。
基于他对这些独立的视觉和称量系统的理解，Mirza想出了一个想法，“建立一个可以观察土豆图像的模型，也可以预测实际土豆的重量。”这种机器学习模型可以仅使用摄像机捕捉到的视觉信息来估计经过处理系统的土豆的质量流量。
在解释这一机器学习应用的基本影响时，Mirza表示，试验系统中使用的称重元件每条生产线的成本约为30万美元。他说，使用质量流量估计器(本质上是一种软传感器)，重量数据现在可以作为“我们从现有视觉系统中获得的额外数据点，无需额外收费”。考虑到他们仅在美国就有35条这样的生产线，这对该公司来说是一笔可观的节省。
Mirza正在进行的其他项目包括“开发深度学习模型，用于使用多种机器学习算法的机器视觉系统，包括随机森林分类器和其他集成方法，”他说。“例如，我们有一个视觉系统，可以观察每一个经过削皮过程的土豆，也就是我们磨土豆皮的过程。我写了一个算法可以告诉我们果皮的百分比;也就是说，一个土豆剥皮后的情况和未剥皮的情况。有了这些信息，我们可以优化我们的剥皮，这样我们就不会过度剥皮，削掉一些果肉。”
Mirza说，这个仍在进行中的项目，仅在美国就能优化土豆剥皮过程，预计每年能为公司节省100多万美元。在全球部署的情况下，预计还会有更多的节省。
强调价值百事可乐在机器学习中看到，该公司拥有Mirza在先进的机器学习和计算机视觉上与他的研发联系人教导内部课程。他说，在美国的秋天教授了一个介绍性课程，该公司现在计划在2019年在国际上举行国际上，随着今年晚些时候的一卷滚动。
“百事可乐已经看到，工业的未来是数据，他们希望以新的和有效的方式使用它来改善我们的流程和产品，”Mirza说。“了解机器学习的重要性是为什么他们给了我一个平台，以将此教授该公司的其他人。”
