Aj SOS webinár, organizovaný so spoločnosťou AAEON, vás o tom určite presvedčil. Marlo Banganga je Senior Business Development Manager v spoločnosti AAEON. Počas webinára nám vysvetlil niektoré podstatné informácie z oblasti strojového videnia a umelej inteligencie. Dnes sa už vo svete nerieši otázka či zaviesť strojové videnie alebo AI do pracovného postupu, ale ako rýchlo ho zaviesť, do akej miery, a kde všade sa benefity z týchto technológií dajú využiť.
Vo svetovom meradle využitie strojového videnia z roka na rok rastie, (obr. 1). Kým v roku 2015 sa tržby počítali v miliónoch, predpokladané tržby v roku 2022 sa blížia k 50 miliardám USD.
obr.1 Computer Vision Revenue
Najčastejšie úlohy pre strojové videnie v oblasti výroby sú:
- identifikácia
- presné a rýchle bezkontaktné meranie
- inšpekcia kompletnosti
- kontrola správneho umiestnenia a kvality
- navigovanie robotov v priestore
Každý typ úloh kladie špecifické požiadavky na embedded systémy pre strojové videnie. Spoločnosť AAEON pokrýva celú oblasť, od kompaktných systémov pre riešenie nenáročných úloh, ako napr. detekcia prítomnosti objektov, až po systémy s procesorom Intel Xeon a slotmi pre akcelerátory spracovania obrazu založené na GPU, VPU alebo FPGA. Aké rady v tejto oblasti dal Marlo prítomným účastníkom, dozviete sa v nahrávke z webinára.
Druhá časť prezentácie sa stručne venovala princípom fungovania neurónových sietí a modelom pre typické aplikácie:
- klasifikácia obrázkov
- detekcia objektov
- rozoznávanie/detekcia tváre
- klasifikácia videa
- rozpoznávanie objektov na obrázku (image segmentation)
- rozoznávanie reči
Neurónové siete napodobňujú fungovanie ľudského mozgu, preto sa pri ich nasadení často používa termín „umelá inteligencia“.
Prvým krokom je trénovanie (training) modelu. V tejto fáze sú neurónovej sieti prezentované vstupné dáta a správne výstupné dáta. V priebehu tréningu neurónová sieť mení svoje interné parametre tak, aby generovala výstupné dáta s chybou menšou, ako je požadovaná. Trénovanie modelu je úloha veľmi náročná na výpočtový výkon, preto typicky beží na prenajatom hardvéri v datacentrách.
Vďaka neustálemu zvyšovaniu výpočtového výkonu CPU a GPU pri čoraz nižšej spotrebe a dostupnosti čipov špeciálne navrhnutých pre neurónové siete je možné nasadenie (inference) „umelej inteligencie“ už aj lokálne, priamo tam, kde sú produkované dáta. Pre takéto použitie sa ujal ťažko preložiteľný termím AI@Edge.
Spoločnosť AAEON sa zameriava na výrobu hardvéru práve pre takéto využitie, písali sme o tom v našom článku „Umelá inteligencia na okraji aj vašej siete“ . Ako to vyzerá v praxi a čo k tomu potrebujete? Dozviete sa v našom zázname z webinára.
Než vám záznam z webinára sprístupníme, prosím, vyplňte niekoľko údajov o sebe. Ďakujeme
Nezmeškajte takéto články!
Páčia sa Vám naše články? Nezmeškajte už ani jeden z nich!
Nemusíte sa o nič starať, my zabezpečíme doručenie až k Vám.