在传统的“基于规则”的检查中，行业专家决定哪些特征（例如在图像中，常见特征包括边缘、角、轮廓、补丁等）与检测相关，然后创建一套基于规则的检测标准。

随着机器学习，尤其是深度学习网络的进步，这种格局即将发生根本性的变化。用户不再依赖专家来设计特征和创建规则，而是收集各种样本，并训练深度学习网络，然后快速地部署网络以供立即使用。

比起多数关于人工智能的描绘，现实情况更为复杂。真正的工业检测应用有许多艰巨的挑战，即使对于 AI 也是如此。例如，会经常缺乏训练数据，样本比例高度不平衡（没有足够的缺陷样本）。检测准确率固然重要，但减少漏检率和过杀率更是重中之重。另外还要减少训练时间。现实当中，为了满足生产速度通常需要极其轻量的网络，但这可能会限制神经网络的性能。最后，AI还需要帮助企业以最少的人力成本来部署解决方案。

赛视的理念是专注于数据。数据——无论是 RGB 图像、X 射线、CT、MRI，还是时间序列数据，如电气或声学测量信号或振动模式—— 都应该决定一切。但现实生活中的数据总是不足、有嘈杂、不完整、充满错误。赛视开发的用于清理、扩充和标记数据的先进工具拥有强大的优势；即使在存在嘈杂和有限数据的情况下，它们也可以稳定的执行任务。

赛视的理念的第二个关键要素是优化。我们的模型缩减和网络压缩算法是满足现实检测任务严格速度要求的关键。与传统方法相比，我们的最佳转移和定向注意力学习技术可以将训练速度提高几个数量级。我们的团队全力投入以跟上机器学习的最新进展，以及如何将这些进展适当地应用于应用程序领域。

最后，训练、部署和维护深度学习解决方案所需的人力成本应该最小，并且该解决方案应该是可扩展的并且可以轻松集成到任何现有的遗留系统或基础设施中。部署 AI 解决方案的投资回报率至关重要。

凭借多年来与设备制造商、供应商，尤其是我们的客户密切合作的经验，赛视了解什么有效，什么无效，如何诚实地评估客户在 AI 上的投资回报，以及如何提供正确的解决方案以最低的成本。