| 一鍵操作 | 從錯誤報告到訓練樣本 在生產過程中，在複檢螢幕上報告。沒有任何資訊會離開機器。 |
在生產過程中，在複檢螢幕上報告。沒有任何資訊會離開機器。
| 80% | 更少的誤報 與基於規則的基線相比，並且每次報告都會持續改進。 |
與基於規則的基線相比，並且每次報告都會持續改進。
| 持續學習 | 透過每一輪反饋改進模型。 在複核誤報後更新，或在生產過程中收集反饋並稍後更新。 |
在複核誤報後更新，或在生產過程中收集反饋並稍後更新。
您提供反饋。AI 從中學習。
步驟 01 · 操作員
標記為 OK 或 NG
將元件標記為 OK 或 NG。您的反饋可應用於同一組中的其他元件。
步驟 02 · 操作員
選擇 AI 學習的內容
開啟訓練以將此反饋納入模型更新。關閉訓練以記錄反饋而不用於訓練。
步驟 03 · AI
更新 AI
執行 AI 更新以從選定的反饋中學習並自動調整檢測參數。
步驟 04 · 機器
重新檢測
再次檢測板並複核更新後的結果。
相同料號，不同供應商。
即使是相同料號，不同供應商也可能意味著不同的本體形狀或標記。將可接受的變體標記為 OK，以便 AI 學習在元件組中識別它。
變體不是缺陷
不同批次之間標記字型不同或本體顏色變化不一定意味著缺陷。您的反饋會教導 AI 哪些變體是可接受的，而引腳翹起、連錫和元件缺失仍然是檢測目標。
更新不會觸及您手動設定的內容。
您的設定保持不變
更新會避開您自行設定的任何內容。
手動設定優先
當您的設定與更新衝突時，您的設定將保留。
生產線優先
更新等待生產線，而不是反過來。
撤銷更新
不是您想要的結果？恢復原狀。
我們如何從替代方案中脫穎而出。
同一種誤報，三種處理方式。
| 調整閾值 | 手動 |
| 通用 AI AOI | 供應商重新模型訓練並交付 |
| DaoAI | 反饋學習和 AI 更新 |
實際變化該參數判斷的所有內容的接受範圍變寬您的機器上沒有變化。請求傳送給供應商，已部署的模型保持不變模型學習它獲得了一個該元件正確外觀的示例對真實缺陷的影響在變寬範圍內的缺陷也被接受直到下一個模型到來才知道，並且它沒有針對您的缺陷進行模型訓練仍然被捕獲分數相近的缺陷仍然超出現在正常的範圍決策所在某人更改的數字，原因未隨之儲存在供應商處，在您不持有的資料集中在您的資料集中產品資料集中的一個帶標籤示例，附帶影像更改範圍該參數管理的所有內容，無論您是否有意他們的重新模型訓練更改了什麼，適用於執行該模型的所有工廠您選擇的組一個位置、一個類別、一個料號或一個封裝誰可以操作任何有權限更改檢測參數的人AI 工程師，通常是供應商的任何操作員無需權限即可報告誤報，無需更改程式長期閾值保持寬鬆，且未記錄原因您需要等待發布週期，並且您的影像可能需要離開工廠才能完成更新永久修復模型多了一個示例，不再報告該元件
我們每次都會遇到的四個問題。
需要報告多少次才能停止報告該元件？
這取決於具體專案以及元件外觀的差異程度。機器會在產品收集到足夠多的資料值得更新時通知您。
報告誤報會更改程式嗎？
不會。報告會新增一個示例。當擁有權限的人執行更新時，程式才會更改，並且該更改可以撤銷。
重新訓練時產線會停止嗎？
不會。更新會等待產線，而不是產線等待更新。
更新會覆蓋我們工程師設定的閾值嗎？
不會。您手動設定的任何內容都會被機器保留。
想要更多控制權？自行調整檢測設定，從單個閾值到每個元件使用的工具。