Seit der Erfindung von Computern haben die Menschen versucht, sie weniger sperrig, transportabler und immer leistungsfähiger zu machen, mit dem Ziel, dass die Maschinen eines Tages so intelligent und funktionell arbeiten wie Menschen. Künstliche Intelligenz (KI), eine Technologie, die einst als die Zukunft der Computertechnik bezeichnet wurde, hält immer mehr Einzug in unseren Alltag: digitale persönliche Assistenz, Musikempfehlungsdienste, Algorithmen zur Kaufvorhersage, selbstfahrende Autos und vieles mehr.
Anwendung von NLP-Techniken zur effizienten Durchführung von Interaktionen zwischen Mensch und Computer, wie z.B. Fehlersuche, Datenauswertung und Spracherkennung.
Entwicklung von Lösungen, die in der Lage sind, schädliche Handlungen in Videostreams vorherzusagen, unter Verwendung einer hybriden Architektur aus CNN- und RNN-Neuronalnetzwerken.
Einsatz von leistungsstarken Deep Learning-Tools beim Modell-Training zur Entwicklung von Lösungen, die mit Bilderkennungstechnologien verbessert wurden.
Erweiterung von HMI-Lösungen mit intelligenten Algorithmen, die den Fahrer bei einem Spurwechsel und beim Schließen der Augen warnen.
Sammeln und reichern Sie Kundendaten an oder nutzen Sie geeignete Datenquellen von Dritten.
Definieren Sie Standard-KI/ML-Aufgaben und identifizieren Sie moderne Modelle, um sie zu lösen.
Trainieren Sie Modelle mit Kundendaten.
Validieren Sie das Modell mit Datenuntergruppen.
Erweitern Sie die Kundendaten und passen Sie die technischen Parameter des Modells an.
Der führende US-Hersteller und Vermarkter von Angelkisten, Bogenschießausrüstung, Wildkameras, Schutzhüllen und anderer Ausrüstung für Jäger
Als sie mit der Digitalisierung ihrer Produkte begannen, um weiterhin führend in ihrer Branche zu sein, wählten sie Orion, um einen KI-gestützten Bildverarbeitungsdienst aufzubauen, der Alarm schlägt, wenn ein Tier oder ein Vogel von einer Trail-Kamera entdeckt wird. Der Dienst musste bestimmte Elch- und Hirscharten erkennen.
Lösung & Technologien
Wir haben die KI-Komponente als Cloud-Dienst bereitgestellt, der vor Ort eingesetzt werden kann, da er nicht von Cloud-Diensten Dritter abhängt, und haben die Detectron2-Bibliothek von Facebook als Hauptframework zur Erkennung von Tieren und Vögeln verwendet. Für die Erkennungsfunktion wurde die FasterRCNN-Architektur implementiert. Für die Bewertung des Modells wurden sowohl die Bounding Box als auch die Klassifizierungsgenauigkeit herangezogen, wobei die durchschnittliche Präzision (AP) gebildet wurde. Die Trainingsdaten wurden vom Kunden zur Verfügung gestellt und stammten aus offenen Quellen wie OpenImage Dataset, iWildCam Dataset und Google Images.
