Deep Learning löst herausfordernde Probleme in so unterschiedlichen Branchen wie dem Einzelhandel, der Fertigungsindustrie und der Landwirtschaft. Diese Unternehmen sind führend auf dem Weg dorthin. [...]
Fortschritte im Bereich Deep Learning und neuronale Netze haben enorme Durchbrüche in der Verarbeitung natürlicher Sprache und im Bereich Computer Vision gebracht und haben das Potenzial, große Probleme in der Fertigung, im Einzelhandel, in der Lieferkette, in der Landwirtschaft und in unzähligen anderen Geschäftsbereichen zu lösen. Natürlich stehen Technologie-Startups hinter einigen der wichtigsten Innovationen.
In den letzten Artikeln haben wir uns Startups angesehen, die die Verarbeitung natürlicher Sprache revolutionieren, und Startups, die im Bereich MLops führend sind. Hier werfen wir einen Blick auf „angewandte KI„-Startups. Dabei handelt es sich um Unternehmen, die verschiedene Techniken anwenden – sei es die Verarbeitung von Bildern, Text, Audio, Video, kategorischen oder tabellarischen Daten oder Kombinationen davon – um verschiedene Herausforderungen der Industrie zu bewältigen, von der Erfüllung des Versprechens selbstfahrender Autos bis hin zur Erweiterung der Grenzen der landwirtschaftlichen Produktion.
Argo AI
Sind wir schon so weit? Es scheint, als würden wir schon seit Jahren auf die Versprechen warten, aber die Bemühungen um die selbstfahrende Technologie gehen weiter. Argo AI ist ein Unternehmen, das sich zum Ziel gesetzt hat, die gesamte Plattform für selbstfahrende Fahrzeuge zu werden. Sie umfasst die komplette Software, die Hardware, das Kartenmaterial und die entfernte Infrastruktur, die erforderlich sein wird, um uns in die glorreiche Zukunft zu bringen, in der wir auf dem Weg zur Arbeit nicht mehr im Bus oder im Zug sitzen müssen, um ein Buch zu lesen.
In Zusammenarbeit mit Partnern wie Ford und Volkswagen treibt Argo AI die Grenzen der Forschung voran und hat kürzlich Argo Lidar (Light Detection and Ranging) angekündigt, einen neuen Ansatz zur Abstandsüberprüfung von Objekten in einer Entfernung von bis zu 400 Metern, der auch nachts und bei schlechten Lichtverhältnissen funktioniert und mit Übergängen, wie z.B. dem Verlassen von Tunneln, umgehen kann, die anderen Lidar-Arrays (und, seien wir ehrlich, auch uns armen Menschen) Probleme bereiten können.
Argo AI macht keine wilden Versprechungen über seine aktuelle Technologie, aber es scheint, als ob das Unternehmen alle Bausteine für ein sicheres, assistiertes Fahrerlebnis aufbaut und in sechs Städten in den USA testet.
Ceres Imaging
Vielleicht ist es nicht ganz so innovativ wie das selbstfahrende Auto, aber die Technologie, die Ceres Imaging für den Anbau von Nutzpflanzen einsetzt, könnte Ihnen helfen, Ihre Lebensmittelrechnung zu senken, lange bevor Sie in ein selbstfahrendes Auto steigen und sich zum Supermarkt fahren lassen können.
Ceres Imaging bietet eine gelungene Mischung aus altbewährter und moderner Technologie: Statt Satelliten- oder Drohnenbilder werden hochauflösende Kameras an Starrflügelflugzeugen montiert und diese Bilder als Input für eine Reihe von Modellen verwendet, um Landwirten wichtige Informationen zur Verfügung zu stellen, wie z. B. die Entdeckung von Bewässerungsproblemen zwei bis drei Wochen bevor sie auf dem Feld sichtbar werden, die Korrektur von Über- oder Unterbewässerungsszenarien und die Berechnung, wie sich die Behebung dieser Probleme auf die Erträge auswirkt.
Darüber hinaus kann Ceres Imaging Landwirte von einfachen, arbeitsintensiven Aufgaben wie dem Zählen von Bäumen entlasten, indem es stattdessen Baumzählungen aus Luftbildern generiert. Ceres liefert einen Bericht, der die Anzahl der Bäume nach Sorten aufschlüsselt und die Standorte fehlender und beschädigter Bäume genau angibt, und geht sogar so weit, dass er die Baumschulbestellung für Ersatzbäume erstellt. Dies ist nur ein kleines Beispiel dafür, wie KI-Techniken Fortschritte auch in Bereichen ermöglichen, die einem vielleicht nicht sofort in den Sinn kommen, wenn jemand die Worte „neuronales Netzwerk“ sagt.
Landing AI
Gegründet von Andrew Ng, Mitbegründer von Google Brain und ehemaliger Leiter des Bereichs Data Science bei Baidu, ist Landing AI ein Versuch, die Macht der KI in Bereiche zu bringen, die noch nicht die Fortschritte erlebt haben, die sie bringen kann. Das erste Produkt des Unternehmens, LandingLens, ist eine integrierte Plattform, die es Herstellern ermöglicht, ihr Fachwissen mit dem von Landing AI zu verbinden, um eine sich ständig verbessernde visuelle Inspektionsplattform zu schaffen. Neben der Fertigung arbeitet Landing AI auch an visuellen Inspektionssystemen für die Landwirtschaft und die Automobilbranche.
Ein interessanter Aspekt des Ansatzes von Landing AI ist, dass er die Daten der Anwender in den Mittelpunkt der Lösung stellt. Der Umgang mit Eingabedaten ist oft der am wenigsten aufregende Teil der Arbeit eines Datenwissenschaftlers, aber trotz der großen Fortschritte, die in den letzten Jahren im Bereich der selbstüberwachten Lösungen gemacht wurden, sind die Eingabedaten der Bereich, in dem Sie den größten Einfluss auf Ihre Anwendung haben können.
Es spielt keine Rolle, wie ausgeklügelt Ihr Modell ist; wenn Sie es mit Müll füttern, werden Sie auch Müll herausbekommen. Daher konzentriert sich Landing AI auf effiziente und einfach zu bedienende Beschriftungssysteme, die sicherstellen, dass Daten kontinuierlich gesammelt werden, einfaches Retraining und Validierung von Modellen und natürlich die Möglichkeit, schnell Alarm zu schlagen, wenn die Schlussfolgerungen plötzlich abweichen (z. B., wenn eine Kamera einen Farbkanal verliert).
Sentinel
Eher früher als später werden wir einen Weg brauchen, um Deepfakes zu erkennen. Obwohl Deepfaking – die Verwendung von KI-Techniken zur Generierung von gefälschten Audio- und Videodateien von echten Personen – noch nicht ganz im Mainstream angekommen ist, werden die Kosten und das Wissen, das zur Generierung solcher Medien benötigt wird, wöchentlich geringer. Vielleicht haben Sie kürzlich in den Nachrichten über den bemerkenswert überzeugenden Tom Cruise Deepfake TikTok gesehen. Noch überzeugendere Fake-Tom-Cruises liegen in unserer Zukunft.
Sentinel hat seinen Hauptsitz in Estland und strebt danach, einer der führenden Anbieter in diesem Bereich zu sein. Mit beeindruckenden Referenzen aus der NATO-Cybersecurity und der Unterstützung des ehemaligen Präsidenten von Estland bietet das Unternehmen eine API an, die auf verschiedene Deep-Learning-Ansätze sowie eine riesige Datenbank mit bestehenden Fälschungen zu Vergleichszwecken zurückgreift, um festzustellen, ob hochgeladene Medien gefälscht sind oder nicht. Das Sentinel-System erstellt im Falle eines positiven Ergebnisses sogar einen Bericht darüber, was getan wurde, um die Fälschung zu erzeugen.
Standard
Ähnlich wie die Amazon Go Stores, die in einigen großen US-Städten zu finden sind, bietet Standard das Versprechen eines stationären Einkaufs ohne Warteschlangen. Man meldet sich mit einer mobilen App an, wenn man den Laden betritt, schlendert umher, nimmt sich, was man will, und verlässt ihn wieder. Die Computer-Vision-Technologie von Standard verfolgt alles, womit Sie das Gebäude verlassen, und belastet Ihr Konto. Das Erlebnis ist sogar noch reibungsloser als bei Amazon Go, da es keine Drehkreuze oder Schranken gibt.
Standard würde gerne das Unternehmen sein, das diese Technologie bei Einzelhändlern allgegenwärtig macht, indem es sich in deren Lieferketten einklinkt, um detaillierte Analysen und ein reibungsloses Kassiererlebnis zu ermöglichen. Derzeit hat Standard einen Flagship-Store in San Francisco (aber natürlich!) und hat einen Vertrag mit Circle K für einige Pilotversuche in Arizona abgeschlossen, bei denen vier Filialen mit autonomer Kassentechnologie nachgerüstet werden. Wenn alles gut läuft, könnte sich die Shopping-KI von Standard schnell über das ganze Land ausbreiten.
Wie geht es weiter?
Was wir bei diesem kurzen Rundgang durch die Startups sehen können, ist, dass die Bandbreite der Vertikalen, in denen die hochmodernen Techniken des maschinellen Sehens, der Verarbeitung natürlicher Sprache und anderer Deep-Learning-Ansätze zum Einsatz kommen, riesig ist und höchstwahrscheinlich unterschätzt wird. Die neuronalen Netze lernen immer mehr dazu. Sie sind bereits in unseren Telefonen, und sie kommen in unsere Geschäfte, Autos, Lieferketten, Fertigungsanlagen und Farmen. Wer weiß, wo sie im Jahr 2030 noch zu finden sein werden?
*Ian Pointer ist ein Senior Big Data- und Deep Learning-Architekt, der mit Apache Spark und PyTorch arbeitet. Er hat mehr als 15 Jahre Erfahrung in der Entwicklung und im Betrieb.
Be the first to comment