韩国科学技术院 (KAIST) 教授 Lee Jae-gil 领导的研究团队开发了一种新的人工智能技术 TA4LS。
这是一种“时间序列域适应”技术，即使制造过程发生变化，例如在智能工厂中，也可以在不重新训练AI模型的情况下检测缺陷。
在使用四种基准数据集的实验中，与现有方法相比，准确率提高了高达 9.42%。该技术可以作为插件模块添加到现有的人工智能系统中。
从： 
即使条件发生变化，人工智能也能自动检测智能工厂制造流程中的缺陷
【编辑部评论】
我们将介绍韩国科学技术院（KAIST）开发的新人工智能技术“TA4LS”，该技术有可能极大改变制造业的未来。随着智能工厂的引入不断取得进展，它们作为解决工作场所面临的“某些重大问题”的一种方式吸引了世界各地的关注。
智能工厂中运行的人工智能根据迄今为止学到的数据检测异常情况。然而，当生产线上的机器更换时，或者当工厂的温度和湿度因季节或天气而发生变化时，AI会判断为“未知情况”，缺陷检测的准确性会大幅下降。为了解决这个问题，每次都需要对AI进行“重新训练”，这需要大量的成本和时间。
韩国科学技术院的这项研究具有开创性，因为它从根本上解决了这个“再培训问题”。研究团队开发的技术被称为“时间序列域适应”，使人工智能能够适应新的情况，即使制造过程或环境发生变化，也能保持高精度。研究团队将传感器数据分解为“趋势”、“非趋势”、“频率”等多个要素进行分析，使人工智能能够像人类一样从多个角度把握变化。
这项技术的最大优势在于它可以作为“插件”轻松添加到现有的人工智能系统中。换句话说，不需要更换工厂当前运行的整个系统，并且可以以相对较低的成本引入它。这大大降低了引入人工智能的障碍，甚至为生产多品种、小批量生产的中小型工厂打开了大门，让他们能够切实考虑引入人工智能。
该技术的应用范围不仅限于智能工厂。例如，我们可以期待未来“抗变化人工智能”将在我们生活的各个方面发挥积极作用，例如可实时适应佩戴者身体状况变化的可穿戴设备，以及自动响应不可预测事件的智能城市交通系统。
当然，要实现实际应用还存在挑战。实验环境中显示的高达 9.42% 的性能改进可能无法在每个制造现场重现。此外，过度依赖人工智能可能会降低出现意外问题时的响应能力。然而，毫无疑问，人工智能自行适应变化的结果是人工智能进化为更加自主和通用的实体的非常重要的一步。
【术语解释】
智能工厂：下一代工厂利用物联网和人工智能等尖端技术，通过自动化制造流程和基于数据做出决策来提高生产力和质量。
时间序列域适应：一种允许人工智能模型在不同于其学习环境（领域）的环境中适应时间序列数据（随时间变化的数据）的技术。这使得即使在环境发生变化后也无需重新训练即可保持性能。
标签分布：显示每个类别（标签）在 AI 训练数据中出现的频率的分布。在本文中，它指的是各种类型的缺陷（例如“环缺陷”和“划痕缺陷”）的发生率。
[参考链接]
KAIST（韩国科学技术院）（外部）
它成立于1971年，是韩国领先的国立研究型科技大学，在工程和自然科学领域享有盛誉。
[参考文章]
KAIST 开发的人工智能即使在条件发生变化时也能自动检测智能工厂制造过程中的缺陷（外部）
官方公告文章详细解释了 KAIST 研究团队开发的 AI 技术“TA4LS”。
用于智能工厂缺陷检测的自适应人工智能（外部）
文章详细分析了自适应AI“TA4LS”的技术特点及其对制造业的影响。
韩国科学技术院推出人工智能系统，能够在不断变化的条件下检测智能工厂中的制造缺陷（外部）
它解释了即使在不断变化的环境中也能发挥作用的人工智能系统的技术创新和实用性。
[编者后记]
在研究这次介绍的KAIST的“TA4LS”技术时，我也被迫再次思考“适应变化”。我们日常生活中使用的智能手机会自动优化电池寿命，并根据每个用户的行为模式推荐应用程序。
如果这项技术投入实际应用，我们可以看到未来工厂工人将不再需要重新配置设置的麻烦。此外，我们认为医疗环境中的人工智能诊断系统可以灵活地响应患者体质的变化，自动驾驶汽车可以更智能地响应天气和交通状况的变化，让我们的生活更加丰富。
你有没有想过，“我希望这个人工智能能够更灵活地应对情况”？这些小不便也许会随着科技的进步而一一解决。