视觉人工智能实现了许多复杂、单调和危险任务的自动化，但大多数视觉人工智能驱动的机器人细胞的可靠性长期以来一直令人失望。早期的迭代提供了低于合理可用性阈值的暗淡性能，错误率过高。将受监督的机器学习引入视觉人工智能提高了性能，但依赖这项技术的大多数细胞在处理包裹感应或订单履行等任务时，仍然会在每100次尝试中做出大约6次错误的选择。即使是世界上最大的电子商务市场，在挑选透明塑料袋和处理其他高度复杂的任务时，仍然会出现更多的失误。
虽然一些早期采用者学会了忍受这些缺点，但其他人则在等待更可接受的性能，从而抑制了行业对可变件拣选的视觉AI的采用。级联学习已经改变了游戏，获得了长期期望的可靠性，在物品挑选方面的成功率接近100%。
视觉AI帮助了自动化；仍有改进的余地
杂乱的环境和充满变化的任务要求机器人能够快速准确地观察和处理；视觉人工智能吹捧了许多现在可以自动化的复杂任务的成熟例子:
- 近十年来，电子商务、服装和杂货中的商品/订单拣选已经部分自动化。
- 混合SKU(彩虹)卸货，包括卸下重达100磅(45公斤)的混合重袋和箱子的最具挑战性的任务。
- 托运人、运输公司、配送中心和其他人利用视觉人工智能进行更有组织的堆叠，以减少装运或储存期间的空间。
在这项创新的前沿，散装货拖车和集装箱卸载代表着下一个前沿。散装货物为供应链和物流专业人士提供了一个更绿色的解决方案，可以减少碳排放，因为散装货物可以装满拖车的96%，而托盘化货物只能装满拖车的大约60%。
然而，较老的机器人细胞通常依赖于传统的计算机视觉，成功率高达70-80%。尽管有所改进，但集成了监督机器学习的较新装置仍在难以接受的错误率中挣扎。
这导致目标只能部分实现。例如，目标可能是让10个机器人独立完成10项工作，但更常见的是，这10个机器人将需要几个人类主管来干预和处理遗漏和重复选取的项目。在每一种情况下，自动化都没有发挥其真正的潜力。
级联学习缩小了剩下的差距
级联学习(Cascade learning)教会vision AI根据一系列级联考虑来处理来自图像的数据，并将监督机器学习带到了新的高度，消除了困扰计算机视觉的错误率。在使用级联学习的成熟应用中，成功率可以达到99.99%，将机器人的错误限制在万分之一。
随着操作员控制机器人学习什么、如何学习以及何时学习，包括考虑哪些变量以及以什么顺序学习，通过级联学习的性能改善变得巨大而迅速，消除了机器人忘记不正确行为的需要。在无监督的情况下，去学习和重新学习对大多数视觉人工智能来说都是一个问题。识别错误行为的错误信息来源是一个巨大的挑战；这些信息必须删除，机器人必须重新训练。指导机器人学习的方式、内容和时间的能力提供了极大简化这一过程所需的宝贵控制。