Az AAEON-nal közösen szervezett webinárium minden bizonnyal Önt is meggyőzte. Marlo Banganga az AAEON vezető üzletfejlesztési vezetője. A webinárium során számos érdekes információt árult el a gépi látásról és a mesterséges intelligenciáról. Manapság már nem kérdés, hogy be kell-e vezetni a gépi látást és az MI-t a munkafolyamatokba, sokkal inkább égetőbb az a kérdés, hogy milyen gyorsan és milyen mértékben történjen a változás, és milyen területeken lehet a leginkább kihasználni a technológia előnyeit.
Globális szinten a gépi látás használata évről évre növekszik (1. kép). Míg a 2015-ös bevételek milliós szinten mozogtak, a 2022-re becsült bevételek megközelítik az 50 milliárd dollárt.
(1. kép) Computer Vision Revenue
A gépi látás leggyakoribb feladatai a gyártásban:
- azonosítás
- pontos és gyors érintésmentes mérés
- teljességellenőrzés
- helyes elhelyezés és minőségellenőrzés
- térbeli robotirányítás
Az egyes feladatok különféle követelményeket támasztanak a beágyazott rendszerekkel szemben a gépi látáshoz. Az AAEON a kompakt rendszerektől kezdve a legegyszerűbb feladatokig minden területet lefed, legyen szó objektumérzékelésről vagy az Intel Xeon processzor-alapú rendszerekről GPU, VPU vagy FPGA alapú képfeldolgozó gyorsítókkal.
A webináriumról készült felvételből az is kiderül, hogy milyen hasznos tanácsokkal látta el Marlo a résztvevőket.
A prezentáció második része a neurális hálózatok alapelveivel és a legjellemzőbb alkalmazási modellek bemutatásával foglalkozott:
- képek osztályozása
- tárgyak észlelése
- arcfelismerés/megkülönböztetés
- videóbesorolás
- képszegmentálás (image segmentation)
- beszédfelismerés
A neurális hálózatok működése nagyban hasonlít az emberi agyéhoz, ezért gyakran „mesterséges intelligenciaként” is emlegetik őket.
Az első lépés a modell tanítása (training). Ebben a szakaszban bemeneti adatokat és helyes kimeneti adatokat mutatnak a neurális hálózatnak. A képzés során a neurális hálózatok oly módon változtatják meg belső paramétereiket, hogy a szükségesnél kevesebb hibával dolgozzanak. A modell betanítása rendkívüli méretű számítási teljesítményt igényel, tehát általában adatközpontokban bérelt hardveren fut.
A folyamatosan növekvő CPU és GPU számítási teljesítménynek, valamint a kifejezetten a neurális hálózatokhoz tervezett chipek fogyasztásának csökkenésével, és elérhetőségének növekedésével, a „mesterséges intelligencia” helyben alkalmazható, ott, ahol az adatokat előállítják. Az efféle használathoz a nehezen lefordítható AI@Edge kifejezés társul.
Az AAEON éppen erre a célra használatos hardver gyártására összpontosít, ahogyan arról már korábban szó volt a Mesterséges intelligencia a hálózat szélén című cikkünkben.
A felvétel megtekintéséhez kérjük, adjon meg néhány információt magáról! Köszönjük!
Ne maradjon le a hasonló cikkekről!
Önnek is tetszenek cikkeink? Ne maradjon le egyről sem! Nem kerül erőfeszítésébe, mi eljuttatjuk Önhöz.