在智慧生产场景，生产制造商可以在生产线上利用深度学习，尤其是图像识别，将产品的质量检验自动化。比如自动检验测试产品表面有没有划伤、有没有零部件的缺失、有没标签的错位。研究表明，相比人工检测，智慧检测可以大幅度提高生产效率，并且大幅度的降低生产所带来的成本。但是智慧检测只有深度学习是远远不足的，它需要一条完整的“数据分析流水线”才能落地。

　　第一步，从生产线上收集大量的原始数据。这一些数据可能来自于生产线上的摄像头或者来自于生产设备、连接器、探测器、传感器等等，这一些数据有些是实时收集、有些是批量收集，有些数据是结构化、半结构化，也有些数据是非结构化，比如图像图形等等。第二步，对原始数据进行大量的清理和预处理。

　　比如数据收集可以用Kafka、Spark Streaming；数据存储可以用HBASE、HDFS、KUOU；数据分析可以用Spark SQL、Spark ML Lib；深度学习可以用TensorFlow、BigDL等等。因此，人工智能要走出实验室、实现落地，需要一个完整的数据分析流水线%可能是在做深度学习，但是80%都是在做数据收集、数据存储、数据管理、数据清理、数据预处理等等，这也是为什么早前英特尔就开源了BigDL的重要原因。

　　为此英特尔开源了Analytics Zoo。Analytics Zoo最大的优势就能在完整的、成熟的Spark数据平台之上支持不同的深度学习框架，比如说TensorFlow、Keras、BigDL等等。除此之外它还提供深度学习预训练过的模型，比如图像分析模型，文本处理文本匹配模型，异常检测模型等等，它也提供格外的简单易用的API。因为Analytics Zoo是构建在Spark这样的集群之上，所以它能够直接进行分布式的模型训练和推理。

　　英特尔公司架构图形与软件集团副总裁和数据分析首席技术官马子雅表示，人工智能业务的需求牢牢地根植于数据，利用大规模数据来获取更多的洞察需要一个完整而全面的数据战略，要充分的利用以数据为中心的基础架构，充分的利用将数据分析和AI无缝衔接起来的软件创新技术。

　　英特尔通过BigDL和Analytics Zoo构建统一的大数据分析和AI平台，帮助用户开发部署行业应用，与众多合作伙伴共同推进人工智能落地。

　　为进一步加快集成数据分析和AI的大规模创新与部署，英特尔正式公开宣布在中国成立大数据分析和AI创新院。该创新院整合了英特尔多个部门的技术资源，集中了多位分析专家、人工智能专家和技术工程师，共同帮助合作伙伴在各垂直行业开发、优化和扩展新的AI应用，并让用户及时了解到英特尔的创新产品组合和相关优化的库、软件与工具组合。

　　戴金权表示，我们在开源社区和很多研究院，国内外的学校都有很多合作，我们大家都希望能够提供这样的技术和平台，让我们的用户、客户和合作伙伴在上面做更多的应用，通过英特尔的软硬件技术来支持他们，让人工智能从实验室到最终落地。

　　写在最后，英特尔始终致力于提供端到端、全栈式人工智能解决方案。在基于英特尔至强服务器的大规模集群上和现有的数据架构基础设施，可完全使用英特尔开发并开源的BigDL、Analytics Zoo的技术，在现有的大数据平台上构建新的大数据分析和人工智能的应用，提高资源利用率和端到端的开发效率，部署效率。

　　平台声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。