安娜-卡特里娜·谢德茨基(Anna-Katrina Shedletsky)在苹果公司(Apple)担任工程师时，她经常出差海外花几个星期在工厂解决电子产品装配线上的一个问题。寻找异常的根本原因就像大海捞针。这是一个高度手动的故障分析过程，可能会导致计划的严重延迟。
而且，当涉及到生产产品时，时间就是金钱。更不用说一旦产品进入市场，机会之窗也很小。例如，苹果的AirPods无线耳机是在没有耳机插孔的iPhone 7发布几个月后才上市的。这是一个代价高昂且有点尴尬的问题。
幸运的是，Apple Watch的产品设计主管安娜没有参与AirPods的崩溃。事实上，她当时根本不是苹果的一员;她当时正忙着创办自己的公司，创建一个系统，帮助电子公司更快地识别和解决组装问题。她和她的同事曾在负责数百万款苹果产品的制造商工作了数百天，她和她的团队深刻理解新产品开发过程中的低效率，以及不必远离家乡的价值。为此，谢德斯基设计的产品可以远程分析线路上的异常情况。
谢德莱斯基是仪器．这家加州初创公司成立于2015年5月，目前已获得Eclipse Ventures、First Round Capital和Root Ventures的1030万美元投资。这里的独特之处在于，硬件/软件产品利用机器学习来快速识别问题。
该系统包括检测站和软件工具，使工程师能够远程查看任何设备的图像，同时虚拟拆卸设备以了解问题所在，进行测量，与全球团队沟通，并在启动前进行修复或更改规格以防止延迟。
它是这样工作的:首先，检查系统在装配线上拍摄大量产品图像。然后，它使这些图像可以远程搜索和比较。最后，它将学习和反应应用于装配线数据，以便工程师可以防止进一步的问题。
这项名为“检测”(Detect)的机器学习功能于本月推出，它能突出显示出现缺陷的产品，让客户在解决产品问题方面拥有显著优势。
Shedletsky说:“Detect使用卷积神经网络(一种机器学习技术)来处理数百个单元，并在几秒钟内识别出最有趣的单元。”“检测不需要预见可能出错的地方，不需要培训，也不需要黄金单元。它适用于小型和大型数据集。”
当与其他仪器软件工具结合使用时，工程师可以识别问题，然后采取下一步，通过虚拟拆卸有关单元，甚至进行测量，以了解哪里出了问题。这些远程和按需的首次通过故障分析工具节省了大量的时间和公司和制造他们产品的工厂之间的沟通。
此外，虽然instrument Detect可以自动处理数百个单元，并在几秒钟内识别出最有趣的问题，但在不久的将来，该公司将开始在发现异常单元时直接向工程师发出警报。
使用工具系统，团队可以:
•自动分类缺陷单元
•在数小时或数天内重新启动停机线路
•在几分钟内找出根本原因
•在不建造更多单位的情况下测试假设
•远程监控和设置化妆品规格
•保持全球团队的一致
目前，该公司在电子制造方面投入了大量精力，但他们正在迅速扩展到任何品牌建设系列化单元。据该公司称，包括《财富》500强公司在内的instrument客户已经使用该系统虚拟拆卸了16,000个单元，并进行了超过40,000次测量，所有这些都是远程的。该公司表示，通过使用Instrumental响应问题，多个客户在前几个月节省了超过35万美元。
“没有回头路;机器人和自动化已经改变了制造业。像我们在Instrumental公司所建立的那种智能将再次改变它，”谢德茨基说。“我们可以从根本上改善如今的企业生产产品的方式，并希望很快从根本上改变整个制造业。”
