Manish Garg je spoluzakladatel a hlavní produktový ředitel ve společnosti Skan.ai, platformě procesní inteligence založené na počítačovém vidění.< /em>
Počítačové vidění mnohým z nás vyvolává myšlenky na autonomní vozidla a rozpoznávání obličeje. Do výzkumu a vývoje takových systémů byly skutečně vynaloženy miliardy dolarů. Přestože je zde značný příslib a pokrok, tyto oblasti jsou také plné technických problémů a morálních problémů.
Počítačové vidění však přesahuje tyto vysoce profilované případy použití a má praktické aplikace v celém hodnotovém řetězci podniku. Korporace mohou využít sílu počítačového vidění k vyřešení některých základních problémů – v měřítku a přesnosti, která byla dosud nepoznaná.
Co je počítačové vidění?
Počítačové vidění je odvětví umělé inteligence, které se zabývá tím, jak počítače „vidí a chápou“ digitální vizuální média (obrázky, videa atd.). Zatímco počítačové vidění bylo oborem studia na univerzitách, pokroky v oblasti výpočetní techniky v posledních letech tento obor ohromně zrychlily.
V posledních několika desetiletích zaznamenala vizuální média a formáty nebývalý růst – ať už jde o videa na YouTube nebo TikTok, fotografie na Instagramu nebo o spousty dalších sociálních médií. Vzhledem k objemu, rychlosti a rozmanitosti vizuálních dat není divu, že trh aplikací počítačového vidění je rostoucí oblastí.
VÍCE FROMFORBES ADVISORNejlepší cestovní pojišťovny
ByAmy DaniseEditorNejlepší plány cestovního pojištění Covid-19
ByAmy DaniseEditorI když existují způsoby, jak může počítačové vidění firmám pomoci v jejich snaze o digitální transformaci , bylo by také užitečné rozlišovat mezi počítačovým viděním a strojovým viděním (i když obojí spolu souvisí). Strojové vidění spoléhá na hardwarové komponenty, které usnadňují průmyslové inženýrství a výrobní případy použití. Počítačové vidění je oborem analýzy obrazu a porozumění, který je agnostický k metodám vstupů a primárně závisí na softwaru kategorizace, klasifikace, porozumění a začleňování různých forem a formátů vizuálů do obchodních procesů.
Existují stovky potenciálních případů použití pro počítačové vidění, ale zde jsou některé případy podnikového použití, které vám pomohou začít.
• Detekce defektů a shoda s kvalitou. Modely s podporou počítačového vidění se mohou dozvědět o vzhledu produktů a označovat jakékoli odchylky a abnormality, aby je lidský operátor mohl podrobněji prozkoumat. V rychle se rozvíjejících výrobních prostředích, kde jsou přijatelné míry vad extrémně malé, může schopnost algoritmů počítačového vidění pomoci zvýšit úroveň kontroly kvality.
• Identifikace a lokalizace vnitřní polohy. Úložiště existujících snímků se může stát referenčním bodem pro identifikaci polohy jednotlivce a potenciálního nasměrování na jiná místa. Například selfie může kupujícímu pomoci na správném místě ve velkém obchodním domě, včetně snímku zboží. (Nebo někdo ztracený v muzeu může najít cestu pomocí identifikace polohy.)
• Živé sledování dodavatelského řetězce. Senzory, satelitní snímky a algoritmy počítačového vidění mohou korporacím pomoci sledovat celý životní cyklus logistiky a přepravy, a umožnit tak přesnější plánování materiálu a plánování výroby.
• Deepfakes. Deepfakes a falešné/zavádějící zprávy se staly významnou výzvou. Počítačové vidění může pomoci zmírnit tuto pohromu analýzou obrázků na úrovni pixelů a prováděním kontextové analýzy původu a potenciálních zkreslení.
• Monitorování obchodních procesů. Znalostní pracovníci komunikují převážně s digitálními systémy při plnění pracovních úkolů, kde informace a pracovní toky z pracovní stanice na pracovní stanici pokrývají různé geografické oblasti a časová pásma. Počítačové vidění může sledovat práci tak, jak se děje, a pomocí zákona velkých čísel zakreslit referenční obchodní procesy a variace. Tento vizuální důkaz práce může pomoci optimalizovat a transformovat obchodní procesy.
Než se pustí do velkých projektů a přidělují značné rozpočtové prostředky, měly by společnosti zvážit následující kritické faktory úspěchu.
• Výběr problému. Někdy se společnosti honí za zbrusu novými technologiemi a v takových případech to končí jako případ technologie při hledání obchodních případů použití. Zásadní je pracovat na problémech s dlouhodobou potřebou a měřitelnou návratností investice. Společnosti by měly omezit vědecké experimenty na inkubační centrum nebo centrum excelence před implementací modelů do výroby.
• Definování výsledků. Zatímco schopnost počítače identifikovat kočku nebo psa je monumentální úspěch, jaký je obchodní výsledek, který řídí případ použití počítačového vidění? Pokud vaše společnost není technologickým gigantem, který posouvá pokrok v oblasti počítačového vidění, je základním předpokladem znalost výsledků a toho, co úspěch pro podnikání znamená.
• Dostupnost dat. Data (v případě počítačového vidění vizuální data) jsou jádrem problému i řešení. Kromě dostupnosti jsou rozhodujícími faktory úspěchu kvalita dat a úroveň kategorizace a anotací.
• Dostupnost předtrénovaných modelů. Přenos učení z předtrénovaných komerčních nebo open source modelů může zkrátit dobu výzkumu a vývoje. Pokud vaše společnost nemá zdroje a potřebu vyvíjet modely od základů, cestou nejmenšího odporu je využití předtrénovaných modelů a výsledné přenosové učení.
• Schopnosti a kapacita. V oblastech umělé inteligence je nedostatek talentů, a proto existuje obrovská konkurence o přilákání a udržení vysoce kvalitních talentů. Před významnými projekty počítačového vidění je prvořadé provést inventuru kvocientu talentů a poté vybudovat schopnosti, kalibr a kapacitu pro úspěšné řízení projektů počítačového vidění.
S tím, jak světový obsah a znalosti rostou ve své podstatě vizuálně, očekávejte exponenciální nárůst případů použití počítačového vidění. To bude pravda, protože technologie počítačového vidění, včetně těch na okraji, budou stále výkonnější.
Forbes Technology Council je komunita určená pouze pro pozvání pro špičkové CIO, CTO a technologické manažery. Splňuji podmínky?
