03.04.2022
Von Peter Hecker, Inhaber von HECKER CONSULTINGDatenzentrierte Computer Vision, Einsatz in Gesundheit, Sicherheit und Einzelhandel, autonome Fahrzeuge und Edge Computing: Trends des maschinellen Sehens 2022.
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 war auch die Verhinderung der Ausbreitung von Krankheiten, die durch Viren verursacht werden, während der COVID-19-Pandemie ein wichtiger Anwendungsfall, und hier wurden Bildverarbeitungstechnologien eingesetzt, um die Einhaltung der Anforderungen an die soziale Distanzierung und das Tragen von Masken zu überwachen. Während der 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 600 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 >>Ihr Einstieg in Apache Airflow 3: Sie automatisieren und orchestrieren Datenpipelines als DAGs in Python, verknüpfen Python- und SQL-Schritte, steuern sie zeit- oder datengetrieben über Assets und holen ausgefallene Tage per Backfill nach.
Sie legen Indizes mit passenden Mappings an, finden per Query DSL oder ES|QL genau die richtigen Dokumente, werten sie mit Aggregationen aus und visualisieren die Ergebnisse in Kibana.
Sie bauen Datenpipelines mit PostgreSQL: Dateien und Fremdsysteme mit COPY und Foreign Data Wrappers anbinden, in Staging-Schemas bereinigen, mit MERGE und Upserts übernehmen und Ladeläufe wiederholbar und inkrementell gestalten.
Sie bauen den Elastic Stack vom Cluster bis zur Lösung auf: Daten mit Elastic Agent, Beats und Logstash einsammeln, in Elasticsearch verwalten, in Kibana auswerten und für Observability und Security nutzen.
Sie ordnen Data Science, maschinelles Lernen und KI im Unternehmen richtig ein, stellen Ihrem Datenteam die entscheidenden Fragen und erkennen, welches Analyseergebnis eine Maßnahme trägt – ganz ohne selbst zu programmieren.
Sie betreiben einen Kafka-Cluster im KRaft-Modus, arbeiten sicher mit Topics, Partitionen und Consumer Groups auf der Kommandozeile und schreiben verlässliche Producer und Consumer in Java.
Sie verstehen, wie Daten aus Quellsystemen verlässlich in Auswertungen gelangen, und bauen selbst eine geplante ETL/ELT-Pipeline mit Python, SQL, Spark und Airflow – inklusive Datenqualitätsprüfungen.
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 ist Big Data? Die Grundlagen von Volumen bis Wert, wie verteilte Speicherung, Lakehouse und Streaming funktionieren, wofür Unternehmen große Datenmengen nutzen und was bei KI und Datenschutz zählt.
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.
