摘要
智能设备在我们周围随处可见，帮助和发展我们完成不同的任务（模型），它们已经被编程、训练了。与现实世界的智能系统场景一起工作，主要用于智能工厂、交通和机器人等。基于视觉和学习思想，既需要收集与任务相关的信息，也需要帮助解决任务的知识。不同的任务根据不同的要求、目标、情况和需求而有所不同，以共享一些结构，主要用于多任务。将深度学习模型用于智能工厂应用就是其中之一，我们的主要重点是使用更少的资源和在本地完成原始数据生成的工作，以帮助中小企业应对工业评估4.0。同时，对具有解释地位的智能系统的常识和信任仍然取决于系统性、模型结构和资源等不同的问题，这使得人工智能模型限制了它们做可能改变游戏规则的事情的能力为人类创新。但是，DL模型将帮助我们处理它，并且在这里我们认为，问题和解决方案不仅是在探索智能系统未来能力时要牢记的主要问题，同时在现实世界中成长和发生。在这项工作中，我们探索和调查处理这些类型的问题，这些问题不仅可以提高人工智能能力或寻找更多机会，还可以增加研究人员和开发人员跳出框框思考的愿望。
NETL