Proč zavést strojové vidění a AI do pracovního postupu?

Žádný stroj zcela nenahradí lidskou práci, dokáže ovšem zbavit lidi nudné, monotónní, namáhavé nebo nebezpečné práce.

I náš webinář, organizovaný se společností AAEON, vás o tom určitě přesvědčil. Marlo Banganga je Senior Business Development Manager ve společnosti AAEON. Během webináře nám vysvětlil některé podstatné informace z oblasti strojového vidění a umělé inteligence. Dnes se již ve světě neřeší otázka, zda zavést strojové vidění nebo AI do pracovního postupu, ale jak rychle jej zavést, do jaké míry a kde všude se benefity z těchto technologií dají využít.

Ve světovém měřítku využití strojového vidění z roku na rok roste (obr. 1). Zatímco v roce 2015 se tržby počítaly v milionech, předpokládané tržby v roce 2022 se blíží k 50 miliardám USD.

obr2401_pec1a6c99f422.jpg


obr.1 Computer Vision Revenue


Nejčastěji úkoly pro strojové vidění v oblasti výroby jsou:

  • identifikace
  • přesné a rychlé bezkontaktní měření -
  • inspekce kompletnosti -
  • kontrola správného umístění a kvality -
  • navigování robotů v prostoru

Každý typ úloh klade specifické požadavky na embedded systémy pro strojové vidění. Společnost AAEON pokrývá celou oblast, od kompaktních systémů pro řešení nenáročných úloh, jako např. detekce přítomnosti objektů, až po systémy s procesorem Intel Xeon a sloty pro akcelerátory zpracování obrazu založené na GPU, VPU nebo FPGA. V nahrávce z webináře se dozvíte, jaké rady v této oblasti dal Marlo přítomným účastníkům.

Druhá část prezentace se stručně věnovala principům fungování neuronových sítí a modelům pro typické aplikace:

  • klasifikace obrázků - detekce objektů 
  • rozeznávání/detekce tváře
  • klasifikace videa
  • rozpoznávání objektů na obrázku (image segmentation)
  • rozeznávání řeči

Neuronové sítě napodobují fungování lidského mozku, proto se při jejich nasazení často používá termín „umělá inteligence“.

Prvním krokem je trénování (training) modelu. V této fázi jsou neuronové síti prezentována vstupní data a správná výstupní data. V průběhu tréninku neuronová síť mění své interní parametry tak, aby generovala výstupní data s chybou menší, než je požadovaná. Trénování modelu je úkol velmi náročný na výpočetní výkon, proto typicky běží na pronajatém hardwaru v datacentrech.

Díky neustálému zvyšování výpočetního výkonu CPU a GPU při stále nižší spotřebě a dostupnosti čipů speciálně navržených pro neuronové sítě je možné nasazení (inference) „umělé inteligence " již i lokálně, přímo tam, kde jsou produkována data. Pro takové použití se ujal těžce přeložitelný termín AI@Edge.

Společnost AAEON se zaměřuje na výrobu hardwaru právě pro takové využití, psali jsme o tom v našem článku Umělá inteligence na okraji i vaší sítě“. Jak to vypadá v praxi a co k tomu potřebujete? Dozvíte se v našem záznamu z webináře.


Než vám záznam z webináře zpřístupníme, vyplňte prosím několik údajů o sobě. Děkujeme



Nezmeškejte takové články!

Líbí se Vám naše články? Nezmeškejte už ani jeden z nich! Nemusíte se o nic starat, my zajistíme doručení až k Vám.

Soubory cookie nám pomáhají poskytovat služby. Používáním našich služeb vyjadřujete souhlas s používáním souborů cookie.
OK Více informací