Algorithmen, die in der Lage sind, Bilder - sowohl Bilder als auch bewegte Videos - zu verstehen, sind eine wichtige technologische Grundlage für viele Innovationen, von autonomen, selbstfahrenden Fahrzeugen über intelligente Industriemaschinen bis hin zu den Filtern auf Ihrem Handy, die die Bilder, die Sie auf Instagram hochladen, hübscher aussehen lassen.
Zusammen mit der Sprachverarbeitung (Natural Language Processing, NLP) sind sie von grundlegender Bedeutung für unsere Bemühungen, Maschinen zu bauen, die in der Lage sind, die Welt um sie herum zu verstehen und zu lernen, so wie wir es tun. In der Regel handelt es sich dabei um Anwendungen, die auf Deep Learning basieren - neuronale Netze, die mit Tausenden, Millionen oder Milliarden von Bildern trainiert werden, bis sie Experten für die Klassifizierung dessen werden, was sie "sehen" können.
Werfen wir also einen Blick auf einige der wichtigsten Trends, die wir im Zusammenhang mit dieser faszinierenden Technologie verfolgen werden:
Die datenzentrierte künstliche Intelligenz basiert auf der Idee, dass die Qualität der Daten, die zum Trainieren der Algorithmen verwendet werden, genauso optimiert werden sollte wie die Entwicklung der Modelle und Algorithmen selbst. Dieses von Andrew Ng - dem bekannten Pionier des Deep Learning - propagierte neue Paradigma ist für alle KI-Disziplinen von Bedeutung, insbesondere aber für den Bereich der Computer Vision.
Einige der ersten auf Deep Learning basierenden Bilderkennungsmodelle wurden von Dr. Ng bei Google entwickelt, um Computer für die Erkennung von Katzenbildern zu trainieren.
Diese Modelle sind besonders von der Qualität der Daten abhängig, mit denen sie gefüttert werden, und nicht nur von der Quantität. Diese Konzentration auf die iterative Verbesserung der Qualität der Beschriftung - unter Verwendung automatisierter Techniken zur Extraktion und Beschriftung von Daten - wird es ermöglichen, die Computer-Vision-Technologie auf Probleme anzuwenden, für die weit weniger Daten zur Verfügung stehen, was die Kosten, sowohl in Bezug auf Geld als auch auf Rechenressourcen, senken und viele neue potenzielle Anwendungsfälle eröffnen kann.
Ein wichtiger Anwendungsfall für Computer Vision ist das Erkennen von Gefahren und das Auslösen von Alarmen, wenn etwas schiefläuft. Es wurden Methoden entwickelt, die es Computern ermöglichen, unsicheres Verhalten auf Baustellen zu erkennen - z. B. Arbeiter ohne Schutzhelm oder Sicherheitsgurte - und Umgebungen zu überwachen, in denen schwere Maschinen wie Gabelstapler in der Nähe von Menschen arbeiten, so dass sie automatisch abgeschaltet werden können, wenn jemand in ihren Weg tritt.
Angesichts von Millionen Verletzungen, die jedes Jahr durch Arbeitsunfälle verursacht werden, ist dies ein Bereich, in den die Unternehmen zunehmend investieren, um die menschlichen und finanziellen Kosten zu verringern, die durch Unachtsamkeit verursacht werden.
Natürlich ist auch die Verhinderung der Ausbreitung von Krankheiten, die durch Viren verursacht werden, heutzutage ein wichtiger Anwendungsfall, und hier werden Bildverarbeitungstechnologien zunehmend eingesetzt, um die Einhaltung der Anforderungen an die soziale Distanzierung und das Tragen von Masken zu überwachen. Während der aktuellen Pandemie wurden auch Bildverarbeitungsalgorithmen entwickelt, um die Diagnose von Infektionen anhand von Röntgenbildern des Brustkorbs zu unterstützen, indem auf Bildern der Lunge nach Anzeichen von Infektionen und Schäden gesucht wird.
Einkaufen und Einzelhandel sind weitere Lebensbereiche, in denen wir im Jahr 2022 mit Sicherheit eine zunehmende Verbreitung der Computer-Vision-Technologie feststellen werden. Amazon hat mit seinen Go-Lebensmittelgeschäften, die mit Kameras ausgestattet sind, die einfach erkennen, welche Artikel die Kunden aus den Regalen nehmen, Pionierarbeit für das Konzept der kassenlosen Geschäfte geleistet. Im Laufe des Jahres 2022 werden weitere Filialen eröffnet, und andere Einzelhändler werden auf den Zug aufspringen, darunter Tesco, das den ersten kassenlosen Supermarkt in Großbritannien eröffnen wird.
Neben der Entlastung des Menschen beim Scannen von Einkäufen gibt es noch eine Reihe weiterer Einsatzmöglichkeiten für die Computer Vision im Einzelhandel, z. B. in der Bestandsverwaltung, wo Kameras eingesetzt werden, um die Bestände in Regalen und Lagern zu überprüfen und bei Bedarf automatisch Nachschub zu bestellen. Es wird auch eingesetzt, um die Bewegungsmuster von Kunden in Geschäften zu überwachen und zu verstehen, um die Positionierung von Waren zu optimieren, und natürlich in Sicherheitssystemen, um Ladendiebe abzuschrecken. Ein weiterer, immer beliebter werdender Anwendungsfall ist die Möglichkeit für Kunden, Informationen über Produkte zu erhalten, indem sie Barcodes mit ihren Mobiltelefonen scannen. Im Modeeinzelhandel ist eine besonders unterhaltsame Anwendung der Computer Vision die "virtuelle Umkleidekabine", die es den Kunden ermöglicht, Kleidungsstücke virtuell anzuprobieren, ohne sie zu berühren - die Kameras im Spiegel überlagern einfach die Bilder der Kleidung mit dem Spiegelbild und können sogar die Produkte identifizieren, die die Kunden anprobieren, und passende Accessoires vorschlagen, die dazu passen.
Computervision ist ein integraler Bestandteil der vernetzten Systeme in modernen Autos. Auch wenn wir zunächst an die kommenden autonomen Fahrzeuge denken, gibt es eine Reihe weiterer Einsatzmöglichkeiten in den "vernetzten" Autos, die bereits auf den Straßen unterwegs sind und in unseren Garagen parken. Es wurden Systeme entwickelt, die mit Hilfe von Kameras die Mimik des Fahrers erfassen, um nach Warnzeichen zu suchen, die darauf hindeuten, dass wir müde werden und am Steuer einschlafen könnten. Da dies bei bis zu 25% der tödlichen und schweren Verkehrsunfälle eine Rolle spielen soll, liegt es auf der Hand, dass Maßnahmen wie diese leicht Leben retten können. Diese Technologie wird bereits in Nutzfahrzeugen wie z. B. Lastkraftwagen eingesetzt, und im Jahr 2022 könnte sie auch in Personenkraftwagen Einzug halten. Andere vorgeschlagene Anwendungen für die Computervision in Autos, die es vom Reißbrett in die Realität schaffen könnten, sind die Überwachung des Anlegens der Sicherheitsgurte und sogar die Kontrolle, ob die Fahrgäste beim Verlassen von Taxis und Mitfahrzentralen Schlüssel und Telefone zurücklassen.
Natürlich wird auch die Computer Vision eine große Rolle beim autonomen Fahren spielen - derzeit geht man davon aus, dass sie das wichtigste bordeigene Element der autonomen Navigation sein wird. Tesla kündigte in diesem Jahr an, dass seine Fahrzeuge in erster Linie auf Computervision statt auf Lidar und Radar setzen werden, die Laser- bzw. Radiowellen verwenden, um ein Modell der Fahrzeugumgebung zu erstellen.
Edge Computing beschreibt Systeme, bei denen die Berechnungen so nah wie möglich an der Datenquelle durchgeführt werden. Dieser Begriff wird im Gegensatz zum Paradigma des Cloud Computing verwendet, bei dem Daten über Sensoren gesammelt und zur Speicherung und Verarbeitung an zentrale Server gesendet werden. Im Bereich der Bildverarbeitung ist dies ein zunehmend nützliches Konzept, da Bildverarbeitungssysteme häufig Aufgaben übernehmen, bei denen sofort gehandelt werden muss, und es einfach keine Zeit gibt, Daten in die Cloud zu schicken!
Neben den Geschwindigkeitssteigerungen, die erreicht werden können, hat Edge Computing im Zusammenhang mit Computer Vision wichtige Auswirkungen auf die Sicherheit - ein wichtiger Faktor, der berücksichtigt werden muss, da Unternehmen und Privatpersonen einer strengeren Kontrolle und Regulierung hinsichtlich der Art und Weise der Erfassung und Verwendung von Videodaten ausgesetzt sind. Mit Edge-Geräten, wie z. B. mit Computer Vision ausgestatteten Sicherheitskameras, können Daten im laufenden Betrieb analysiert und verworfen werden, wenn es keinen Grund gibt, sie aufzubewahren, z. B. wenn keine verdächtigen Aktivitäten festgestellt wurden.
Wir erweitern ständig unser Beratungsportfolio. Über 300 Beratungsleistungen haben wir für Sie im Programm. Selbstverständlich lassen sich die einzelnen Themen kombinieren. So erhalten Sie genau die Beratung, die Sie wünschen und brauchen
Mehr IT-, Online-, Digital-Beratungsleistungen anzeigen >>Entfesseln Sie die Kraft von NoSQL: Tauchen Sie ein in die Welt der nicht-relationalen Datenbanken und erwecken Sie Ihre Datenanalyse-Fähigkeiten zum Leben – ein unverzichtbarer Kurs für zukunftsorientierte Data Scientists & Analysten!
Wenn es ein Schlagwort gibt, das mehr als jedes andere in aller Munde ist, dann sind es Daten. Aber was macht man damit, wenn man sie hat? Entdecken Sie die Denkweise eines Analysten und beginnen Sie Ihre persönliche Reise zur Datenanalyse.
Python ist eine sehr beliebte Programmiersprache, die häufig in der Datenwissenschaft verwendet wird. Erfahren Sie, wie Sie mit Python in Microsoft SQL Server schnell und sicher Daten verarbeiten und analysieren können.
Nutzen Sie die Leistungsfähigkeit von NumPy und beginnen Sie mit NumPy Ihre Reise in die Welt der numerischen Datenverarbeitung. Eignen Sie sich das Wissen und die Fähigkeiten an, um Daten effizient zu analysieren und wissenschaftliche Herausforderungen zu meistern.
Machen Sie sich bereit, die nächste Generation von plattformübergreifenden Anwendungen zu erstellen, die sowohl auf dem Client als auch in der Cloud mit Python laufen.
Entdecken Sie die Tools für die Integration von Excel mit Python und tauchen Sie ein in die faszinierende Welt der Datenverarbeitung und Automatisierung mit Excel und Python.
Wenn Sie sich jetzt die Zeit nehmen, Data Science zu lernen, können Sie sich Türen öffnen und Möglichkeiten erschließen.
Die Fähigkeit, Dokumente zu indizieren und im Klartext zu suchen, ist eine leistungsstarke Fähigkeit, von Elasticsearch. Entdecken Sie die Architektur und das Innenleben von Elasticsearch in Kombination mit Kibana.
Wenn Sie die Vorteile der Datenrevolution nutzen wollen, müssen Sie wissen, wie man mit Daten arbeitet. Und eine der besten Möglichkeiten, das zu tun, ist R.
Bildverarbeitung ist die treibende Kraft hinter Gesichtserkennung, fahrerlosen Autos und sogar KI-generierten Bildern. Mit OpenCV haben Sie diese Spitzentechnologien immer zur Hand. Lernen Sie professionelle Bildverarbeitung mit OpenCV und Python.
Data Science boomt und Python spielt dabei eine ganz entscheidende Rolle. Lernen Sie die grundlegenden Werkzeuge und Konzepte kennen, um Data Science mit Python effektiv auf Basis von NumPy, pandas, scikit-learn, Matplotlib und co. durchzuführen.
Elasticsearch und Elastic Stack sind De-facto-Standard für zentralisierte Protokollierung und Big Data-bezogene Anwendungsfälle. Entwickeln Sie moderne End-to-End-Lösungen auf Basis des Elastic Stack.
Data Science ist der Schlüssel der Digitalen Transformation. Entdecken Sie Möglichkeiten, Ideen und Anwendungen der Data Science.
Wie lernt eine Maschine? Erhalten Sie auf verständliche Art und Weise eine Einführung in das maschinelle Lernen und werden Sie Schritt für Schritt in das maschinelle Lernen mit Hilfe der derzeit gefragtesten Sprache Python eingeführt.
Python macht gute Laune und Data Mining mit Python macht richtig gute Laune!
Java und Data Science passt gut zusammen! Lernen Sie die verschiedenen Methoden, mit denen Sie Daten in Informationen umwandeln können.
Apache Kafka ist die führende Open-Source-Technologie für Message-Queuing und -Verteilung. Verstehen und Nutzen Sie die Möglichkeiten von Apache Kafka.
NoSQL wurde für das Web und die wahnsinnigen Mengen an gleichzeitigen Benutzern und riesigen Datenmengen entwickelt. Lernen Sie die richtige NoSQL-Lösung für Ihre Bedürfnisse auszuwählen.
Data Engineering macht das Leben von Data Scientists einfacher. Der Data Engineer ist eine der wichtigsten Personen in einer datengesteuerten Organisation.
Sie haben so viele Daten zur Verfügung und es kommen noch viel mehr hinzu, aber Sie wissen nicht, was Sie damit anfangen sollen. Data Mining wird Ihnen dabei helfen Antworten zu finden.
Excel ist ein mächtiges Werkzeug für die Statistik, aber es hat seine Grenzen. R ist ein spezielles Statistikpaket, das ständig wächst und neue Funktionen hinzufügt.
Lernen Sie, wie Sie Daten schnell und sicher mit R in SQL Server verarbeiten können um komplexer Data Science-Analysen in einer sicheren Umgebung durchzuführen.
Werfen Sie einen Blick auf die verschiedenen Aspekte von NoSQL-Datenbanken und Datenbanktypen, wie Key-Value und Document und verstehen der Nutzen sowie Anwendung in der Praxis.
Big Data bildet die Grundlage für Künstliche Intelligenz (KI), maschinelles Lernen und Data Science
Aktuelle und interessante Themen und Beiträge für Sie zusammengetragen und aufbereitet.
Aus der Data Science ging die KI hervor, die Fähigkeit von Maschinen, zu "lernen" und auf der Grundlage der ihnen zur Verfügung stehenden Daten immer bessere Vorhersagen zu treffen. Die aufregendsten Trends im Bereich Daten drehen sich heute um diese kognitiven Entscheidungsfähigkeiten.
Da sich Unternehmen schnell an veränderte Umstände anpassen müssen, ist es wichtiger denn je, zur richtigen Zeit und am richtigen Ort Zugriff auf die richtigen Daten zu haben. Es ist keine Übertreibung zu sagen, dass viele Unternehmen in Daten ertrinken. Wir brauchen Struktur und Disziplin, um zu verstehen, was - im Moment - eine Erkenntnis ist und was einfach nur Rauschen ist.
Sind Daten wirklich das neue Öl? In den letzten zwei Jahren hat die effektive Nutzung von Daten viele Unternehmen in ihrer Geschäftstätigkeit verändert. Es geht nicht darum, was wir wissen. Es geht darum, was wir mit dem tun, was wir wissen.
Was bedeutet Big Data für Ihr Unternehmen - Big Data ist ein Begriff, der die riesige Menge an Daten beschreibt, die sowohl strukturiert als auch unstrukturiert sein können und ein Unternehmen tagtäglich überschwemmen. Aber es ist nicht die Menge der Daten, die wichtig ist. Entscheidend ist, was Unternehmen mit den Daten machen.
Führende Unternehmen wissen, dass sie über den Tellerrand hinausschauen müssen, wenn es darum geht, in der digitalisierten Wirtschaft die Nase vorn zu haben und zu bleiben. Und sie setzen neue Tools ein, um die Stärke von Big Data zu erschließen und immer größere und ausgefeiltere Fähigkeiten im gesamten Unternehmen zu nutzen, die sie zu neuen Erfolgen führen können.
