人工智能 - 特别是其机器学习应用 - 一直吸引了大小的工业公司的注意。但是，如果您一直关注机器学习的任何消息，那么您可能听说过，正如这项技术已成为先进的那样，它仍然是“在工业中准备好奖金时期”的方式。虽然这是真的，但这并不意味着该技术尚未以有意义的方式申请。
Shahmeer Mirza，Pepsico的高级研发工程师，在证明机器学习今天通过与Pepsico的子公司Frito-Lay的概念一起工作，通过他的工作，他今天有充足的现实世界。
他最近与Mirza发言时，他解释说，自20世纪90年代后期以来，百事可乐一直在统计过程控制与其传统制造管制流程。虽然这些项目可能被视为人工智能（AI），但至少在某种程度上，该公司在很大程度上没有在这些项目中使用算法机器学习。
Mirza说:“我在公司的第一个项目是建造能够感知芯片纹理而不破坏它们的系统。”在这个项目中，他捕获了声波数据并手工处理。
Mirza说:“这是一个用激光撞击芯片的系统，聆听芯片发出的声音，然后利用这些数据将声音与纹理关联起来。”该系统可以为该公司的芯片处理系统提供自动质量检测。
编写本项目的代码以自动处理传感器数据LED Mirza，以实现编程的潜在影响处理工业应用中收集的大量数据。
他说:“我意识到，我可以将机器学习原理与计算机视觉技术相结合，开发出更先进的传感器和过程控制方案。”
这种实现和随后的工作导致了一个光声传感器的专利，用作纹理传感器。“专利让我意识到我们在项目开发方面有多速度进展，因为我写道的程序已经启用了大规模的数据分析，”Mirza说。
从这种体验来看，Miza然后开始开发一种机器学习模型，以便与视觉系统一起使用，以计算正在处理的土豆的重量。在一家Quit-Lay网站上，公司就业愿景系统，以收集有关正在处理的土豆的大小和数量的数据。该网站还使用输送机上的称重元素来称量生产运行中使用的所有土豆。
基于他对这些单独的视觉和称重系统的理解，Miza提出了一个想法，建立“一个看起来可能预测实际土豆的重量的土豆图像的模型”。该机器学习模型将使土豆的质量估计仅使用摄像机捕获的视觉信息来移动通过处理系统。
解释本机学习应用的底线影响，Miza表示，飞行员系统输送机上使用的重量元件每行约300,000美元。他说，使用质量流量估算器 - 这基本上是一个软源传感器 - 现在可以作为“我们从我们现有的视觉系统中获得的附加数据点，”重量数据无需额外收费。“这对公司表示了相当大的储蓄，考虑到美国在美国拥有35条这些行。
他说，其他项目Mirza一直致力于涉及“开发使用机器视觉系统的深度学习模型，包括随机森林分类器和其他集合方法，”他说。“例如，我们有一个视觉系统，看着每一块土豆透过我们的剥皮过程 - 我们在哪里剥离我们的土豆。我写了一种可以告诉我们剥离百分比的算法;也就是说，剥离了马铃薯在经历过程之后，而且如何解开它。有了这些信息，我们可以优化我们的剥皮，所以我们不会过度租用土豆并剥掉一些肉体。“
Mirza表示，这一项目仍在过程中，据估计，每年储存该公司超过一年多百万美元，基于其优化美国的土豆剥皮过程。通过全球部署，预计额外的储蓄。
为了强调百事公司在机器学习方面的价值，公司让米尔扎和他的研发团队一起教授一门关于高级机器学习和计算机视觉的内部课程。他说，去年秋天在美国开设了一门入门课程，该公司现在计划在2019年在国际上开设这门课程，并在今年晚些时候推出一门更高级的课程。
Mirza说:“百事公司已经看到了工业的未来是数据，他们正在寻求以新的、有效的方式使用数据来改进我们的流程和产品。”“理解机器学习的重要性，就是他们为什么给我一个平台，让我在公司里向其他人传授这一点。”
