KI: von Sensordetails bis zur intelligenten Überwachung
Veröffentlicht: 2022-01-18
Die Sensortechnik entwickelt sich weiter und wird viel genauer. Die zusätzlichen Vorteile für Organisationen liegen auf der Hand, zum Beispiel wird eine verbesserte Bodenauflösung weitaus genaueres Wissen schaffen. Allerdings ist der betreffende Sachverhalt eine Herausforderung. So wie das Know-how zunimmt, wächst auch die Menge des geschaffenen Wissens. Diese Daten müssen entsprechend verwaltet werden, um Geschäftsvorgänge zu unterstützen.
Die Lösung für die Navigation in den Details liegt in Automatisierung und künstlicher Intelligenz (KI). Die Automatisierung besteht aus einer Reihe von Algorithmen, die hauptsächlich auf der Grundlage eingegebener Anweisungen mechanisch ausgeführt werden sollen. KI ist ein wichtiger Bestandteil dieses Verfahrens, da es sicherstellt, dass die automatisierten Verfahren weiterhin intuitiv sind. Die Konsequenz ist, dass wissensbasierte Behandlungen ohne menschliche Gespräche angewendet werden können, was den Stress für Unternehmen reduziert, da es einen erheblichen Teil der Zeit freisetzt.
Sinn für Sensorinformationen erzeugen
Sensorisches Know-how wird genutzt, um Objekte zu entdecken. Dies stellt eine Herausforderung dar, da es viele Variablen gibt, die das etablierte Wissen beeinflussen können, sodass der automatisierte Ansatz Probleme haben kann. Die Schwierigkeit besteht darin, dass die Algorithmen nicht für nahezu jede Variable ausgereift werden können.
Es wurden Lösungen für dieses Problem entwickelt, die auf KI-Einheiten angewiesen sind, die entwickelt wurden, um die riesigen Mengen an Informationen, die von Sensortechnologien erzeugt werden, weitaus besser zu verwalten. Zu den ernsthaften Anwendungen gehören Spurverlassenswarnmethoden und die Erkennung von Verkehrszeichen auf Websites.
Es gibt drei Arten von Ergebnissen von KI-Apps bis hin zu Sensoren und den daraus gewonnenen Informationen. Anfänglich gibt es eine Artikelklassifizierung, die bestimmt, ob ein Objekt in einer Impression aktuell ist. Dann gibt es noch die Objekterkennung, bei der ein einzelnes oder mehrere Objekte in einem Bild erkannt und deren Platz bestimmt wird. Und schließlich gibt es eine Objektsegmentierung, die die tatsächlichen Umrisse des Objekts ausfüllt.
Die Komplexität des Systems nimmt jedoch von der Objektklassifizierung bis zur Segmentierung zu. Es müssen viel intuitivere Techniken verwendet werden, die die Auswirkungen vieler Variablen auf die Info-Sets angemessen handhaben.
Der Zweck neuronaler Netze
KI ist ein Überbegriff für die Technik, der es Geräten ermöglicht, ihre Einstellungen zu verstehen und sich an die dort stattfindenden Anpassungen anzupassen. In der KI ist die Gerätestudie eine Teilmenge, die statistische Methoden verwendet, um Geräten zu ermöglichen, ihre allgemeine Leistung zu verbessern, ohne explizit programmiert zu werden. Weitaus intuitiver ist jedoch Deep Learning, das eine Untergruppe von Equipment Studying ist. Deep Mastering kann große Mengen an Details verarbeiten, die mit Deep Neural Networks (DNNs) arbeiten.
Diese neuronalen Netze sind für die Artikelklassifizierung in der Sensortechnologie von entscheidender Bedeutung. Obwohl mehrere neuronale Netze verwendet werden können, haben sie alle bestimmte Eigenschaften, die Einfluss darauf haben, wie sie Sensorinformationen interpretieren und darauf reagieren.
Zunächst müssen alle neuronalen Netze qualifiziert werden. Um Objekte zu klassifizieren, herauszufinden oder zu segmentieren, müssen die Netzwerke angewiesen werden, wie sie mit verschiedenen Item-Lektionen umgehen sollen. Die Netzwerke beherrschen bekannte Abbildungen oder Fotos, wobei die Objekte entsprechend beschriftet werden, bis das Netzwerk alle Objekte richtig klassifizieren, erkennen und zerlegen kann.
Neuronale Netze sind nicht unfehlbar. Die Konsequenz der neuronalen Community-Analyse drückt eine gemeinsame Chance aus, dass ein Objekt genau identifiziert wird. Je höher der Zufallsanteil, desto sicherer ist die KI einer ausgewählten Aussage. Angesichts der Tatsache, dass 100 Prozent fast nie erreicht werden, ist es jedoch wichtig, sich einen Wahrscheinlichkeitsprozentsatz zu überlegen, der höher genug ist, um für Unternehmensprozesse verwendet zu werden.
Unterschiedliche neuronale Netzwerkdesigns haben unterschiedliche Häuser. Zur Veranschaulichung können einige Community-Stile sehr schnell erlernt werden, bieten jedoch geringere Wahrscheinlichkeitsprozentsätze, wenn es um die Objektbewertung geht. In der Regel gilt: Je aufwändiger und zeitintensiver die Instruktion einer neuronalen Gemeinschaft ist, desto vertrauenswürdiger ist sie wahrscheinlich. Aus diesem Grund müssen sich Organisationen, die das Know-how anwenden, entscheiden, ob sie Geschwindigkeit oder Zuverlässigkeit priorisieren möchten.
Akquise zur Bühne (Cloud)
Auch unterschiedliche Modelle von neuronalen Netzen werden gefordert, je nachdem ob Visuals, Videoclips oder Positionswolken vom Sensor verwendet werden. Eine Problemwolke ist eine Reihe von Detailpunkten im Haus, die einen 3D-Zustand oder ein 3D-Objekt darstellen. Zur Entwicklung einer Problemwolke wird das Know-how des Laserscannings genutzt. Nahezu jede Ausgabe enthält eine große Menge an Informationen, die in andere Wissensquellen integriert oder zur Erstellung von 3D-Stilen verwendet werden können.
Es gibt spezielle neuronale Community-Versionen für Issue Clouds, die auf die unterschiedlichen Anforderungen des Informationsinhalts eingehen. Beispielsweise wurde für ein Studienvorhaben der United Kingdom Network Rail eine Etappenwolke eines rund 90 km langen Streckenabschnitts entwickelt, die die Erkennung von 18 Objektklassen vorsah.
Das größte Hindernis bei diesem Job war die Registrierung von Details, da mehrere Scan-Reisen verbunden werden mussten, um brauchbare Dinge zu erhalten. Die Exzellenz der Objektklassifizierung durch das neuronale Netzwerk variierte für einzelne Objektlektionen entsprechend den geometrischen Eigenschaften des Objekts. Beispielsweise wurden Energiemasten und Überführungen vom neuronalen Netzwerk schnell identifiziert, aber Unterscheidungen zwischen Oberflächen, beispielsweise Wandformen, waren unzuverlässig.
Issue Clouds können auch in einem hybriden Prozess verwendet werden, in dem das technologische Know-how mit anderen Methoden wie CAD-Geräten (PC-Aided Style) und anderen Arten von Mapping kombiniert wird. Dies ist besonders wertvoll, wenn es in Kombination mit neuronalen Netzwerken verwendet wird, um die zuvor erwähnte automatisierte Vermessung und Entscheidung über die Landnutzung zu unterstützen. Für Aufgaben wie das Erkennen von Oberflächen sind hybride Systeme mehr zuständig als eigenes Punktwolken-Know-how.
Abschlusshilfe für viel bessere Ergebnisse
Alle diese meist KI-basierten Technologien haben einzigartige Zusatznutzen, die hauptsächlich auf den Aufgaben basieren, die sie lösen. Andererseits haben Objektklassifikation, Bühnenwolken und hybride Modelle gemeinsam, dass ihnen der unterstützende Zweck von KI zugrunde liegt.
KI hilft Menschen dabei, wichtige Entscheidungen schneller und mit mehr Wahrnehmung zu treffen. In der Praxis ist dies das Beste aus beiden Welten, da es menschliches Denken in Richtung von Themen zulässt, die möglicherweise einen sozialen, politischen oder geschäftlichen Kontext haben, aber die Entscheidungsbildungsmethode erweitert, indem Daten gepusht werden Schlussfolgerungen basierend auf dem, was vom Sensor aufgenommen wird.
Sensoren liefern breite Informationen. In diesen Fakten liegen umsetzbare Erkenntnisse, die branchenübergreifend genutzt werden können, um die Unternehmensabläufe zu verbessern. Allerdings werden auch viele Daten generiert, um diese Erkenntnisse zeitnah von Einzelpersonen bereitzustellen – die Erschließung dieser Erkenntnisse besteht aus einer KI-Methode mithilfe neuronaler Netze, um menschliche Entscheidungsfindungsprozesse zu erweitern. Einmal durchgeführt, wird diese Technologie Verbesserungen in Organisationen und Regierungen bewirken, wobei Pioniere die maximale Chance ihrer Sensorinvestitionen sichern.
Dean McCormick, Head of Wise Checking Options, Hexagons Abteilung Basic Safety, Infrastructure & Geospatial