SICK的英国影像，测量与测距产品经理Neil Sandhu认为，人工智能/深度学习机器视觉将带来更大的生产灵活性，因为它具有重新训练机器，适应工艺变化并对多种多样的产品做出反应的潜力。产品–当然，所有这些都是工业4.0的关键要素。他说：“深度学习技术应该对最终用户特别有吸引力，因为它们可以省去冗长而冗长的编程时间和成本，尤其是对于更复杂的任务。”“这提供了自动化机器视觉任务的潜力，这些任务以前很难，太昂贵或很耗时。”
但是，Sandhu继续警告说，不应将深度学习视为每种应用程序的灵丹妙药。他认为，这种方法适用于难于解决的检查，在这种情况下，与标准相比会有更多自然变化，这将很费力甚至一次也无法解决。
康耐视深度学习现场产品营销经理Ruben Ferraz指出，与任何新技术一样，需要考虑和权衡取舍，因此建议应就深度学习可以为任何项目带来的价值设定适当的期望。“从一开始就了解这些权衡很重要。”
对于任何深度学习项目，资源计划都需要四个核心工作角色。这些包括：
1)实施解决方案并优化照明和图像形成的视觉开发人员;
2)对图像进行分析和分级的质量专家;
3)图像贴标机;和
4)数据收集器，负责记录和组织所有信息，包括图像，等级，标签和元数据。
虽然一位员工可以担任多个职位，但了解所需的专业知识类型有助于提前做好准备。值得一提的是，任何深度学习计划都需要一台装有图形处理单元(GPU)的功能强大的基于Windows的PC。
Ferraz建议，最好的方法是采用合理的分阶段方法试点小型可管理项目，以使自动化团队能够通过深度学习图像分析为长期成功做好准备。“选择一个具有明确回报的项目，用传统的基于规则的愿景很难解决，但是这并不困难，因此永远不会投入生产。关注核心需求并发展核心能力，并了解深度学习在工厂自动化环境中可以做什么和不能做什么。深度学习试点项目应有两个主要目标：评估其更广泛的实用性以制定更全面的自动化策略，以及使根本不执行或手动完成的检查或验证过程自动化。”