KI Fit für die Zukunft!
Das Grundgerüst eines KI-Projekts besteht normalerweise aus drei Komponenten. Digitalisierung, Training und Testen. Zu Beginn legen Sie das Ziel fest. Was möchten Sie erreichen? Was soll automatisiert erkannt bzw. klassifiziert werden. Oft sind die Erwartungen entweder viel zu hoch oder zu niedrig angesetzt. Erfahrungsmäßig wird die Technologie und der Nutzen stark unterschätzt. Künstliche Intelligenz ist elementar für jeden zukunftsorientierten Betrieb. Wir empfehlen sich folgende Fragen zu stellen:
Unter KI verstehen wir die Schaffung intelligenter Maschinen bzw. Programme die „mit“ Menschen arbeiten und reagieren. Unsere Vision ist es, das Leben der Menschen von Routinetätigkeiten zu befreien und Ihnen damit mehr Zeit für den kreativen Bereich der Wertschöpfungskette zu gewähren.
Deep Learning oder auch Maschinelles Lernen ist Teil der künstlichen Intelligenz und verwendet Neurale Netzwerke (Convolutional Neural Networks „CNN“) um z.B. Objekte zu klassifizieren und zu erkennen.
„AI at the edge“ gewinnt immer stärker an Bedeutung. Wir verstehen darunter die Klassifizierung auf einen lokale PC ohne Auslagerung in die Cloud. Besonders bei Echtzeitanwendungen, langsameren Internetverbindungen oder Sicherheitsbedenken hat „AI at the edge“ enormes Zukunftspotential.
Die Datenkennzeichnung (Labeling) ist ein elementarer Bestandteil des Deep-Learning-Prozesses. Die korrekt beschrifteten Daten (Bilder) bilden die Lerngrundlage für die zukünftige Deep Learning Modelle. Der größte Zeitaufwand steckt oft in dieser Phase und der Erfolg jedes KI-Projekts wird durch die Qualität der Trainingsdaten am stärksten beeinflusst.
Deep-Learning-Modelle verwenden neuronale Netze, die mit Hilfe von Trainingsdaten trainiert werden. Diese Modelle können mit den unterschiedlichsten Frameworks (Pytorch, TensorFlow …) erzeugt bzw. erstellt werden. Die richtige Wahl ist ein Schlüsselfaktor und erfordert viel Expertise und KnowHow.
Die Gesichtserkennung wird zur automatisierten Identifizierung von Personen anhand von Gesichtsmerkmalen verwendet. Die Anwendungsbereiche sind vielfältig. Zutrittssysteme, Maskenerkennung bzw. Schutzhelmerkennung sind nur einige mögliche Beispiele in diesem Bereich.
Bei der Personenerkennung liegt der Schwerpunkt im Gegensatz zur Gesichtserkennung nicht auf der Identität der Person, sondern auf der Frage: „Ist es überhaupt eine Person und wo oder wie viele Personen befinden sich in einem bestimmten Bereich?“
Die Bilderkennung oder „Image classification“ (Bildklassifikation) dient dazu einem gesamten Bild ein Label zuzuweisen. Es wird damit kategorisiert und beschriftet. Es eignet sich am besten für Situationen, in denen nur ein interessantes Objekt das Gesamtverständnis des Bildes bestimmt.
Wenn sich in einem Bild mehrere Objekte befinden, die Sie kategorisieren wollen, dann ist die Objekterkennung (Object detection) genau das Richtige. Jedes erkannte Objekt wird mittels „Bounding Box“ (farbiger Rahmen) gekennzeichnet und klassifiziert. Es kann somit ermittelt werden, was befindet sich wo im Bild bzw. Livestream.
Geschwindigkeit und Effizienz sind entscheidend für KI-basierte Lösungen. Intel OpenVino beschleunigt die Entwicklung leistungsfähiger Deep-Learning-Lösungen und ermöglich schnell Erkennungsraten. OpenVino ist sehr flexibel und kann lokal auf einem PC, Laptop, aber auch auf einem Raspberry Pi ausgeführt werden. OpenVino legt den Grundstein für die Entwicklung hochwertiger und erschwinglicher Anwendungen.
Kontaktieren Sie uns oder vereinbaren Sie gleich ein kostenloses Beratungsgespräch!
Artificial Intelligent, Deep Learning and Computer Vision
Wir unterstützt Sie bei der Entwicklung von Anwendungen basierend auf Künstlicher Intelligenz (KI), Deep Learning (DL) und Computer Vision (CV). Wir haben uns besonders auf das Digitalisieren, Visualisieren und Klassifizieren von Objekten spezialisiert.
Powered by buridans.