Supersoftware finder den bedste løsning
Dataopsamling, maskinlæring og kunstig intelligens er på alles læber i de her år. Men det er ikke lige nemt at implementere teknologierne for danske SMV’er.
Dataopsamling, maskinlæring og kunstig intelligens er på alles læber i de her år. Men det er ikke lige nemt at implementere teknologierne for danske SMV’er.
Mængden af information, som en kunstig intelligens kan rumme og regne på, er uden sammenligning med den beskedne mængde, vi mennesker kan overskue. Det ved de fleste, og især dem der har taget AI i brug.
Facebook har for nyligt udviklet DETR, et objektgenkendelsesnetværk baseret på en deep learning-algoritme kendt som ‘transformer’. DETR, som står for DEtection TRansformer, er et skridt i den rigtige retning, idet det reducerer mængden af domænekendskab, udvikleren skal have. Det simplificerer resultaterne og beregningsprocessen, og præsenterer et stærkt resultat i både hastighed og præcision.
For mange SMV’er kan det opleves, som om at muligheden for at udnytte de nyeste teknologiske fremskridt er forbeholdt de store virksomheder. De store virksomheder har råd til at prøve teknologierne af, til at ansætte eksperter i teknologierne og sætte fokus på en innovativ udvikling. Ofte resulterer det i fremskridt – men de har haft råd til at fejle, hvis det skulle komme dertil.
Når vi taler om forklarlig kunstig intelligens, så er omdrejningspunktet tit, hvordan vi får forklaret computerens beslutningsproces, så alle kan forstå det. Det er dog ikke kun i teknologiens møde med slutbrugeren, at forklaringer har værdi. Når vi udvikler ny teknologi, kan forklaringer illustrere, hvordan en model vægter data i sin beslutning, og herunder hvad der måske vægtes uhensigtsmæssigt. Den information kan så bruges til at justere sammensætningen af den data, vi træner på og selve træningsprocessen, så vi kan forbedre vores model.
For at estimere et givent objekts orientering i forhold til et kamera skal man først og fremmest kende, og genkende, objektets form og størrelse. Neurale netværk klarer disse opgaver godt, da de med nok data kan lære abstrakte koncepter. Dog er dataannotering, specielt til at estimere orientering og position, en lang, tidskrævende proces. Derfor har vi udviklet en motor til at generere syntetisk data til netop denne slags opgaver. Resultatet kan ses nedenfor.
Digital løsning til projektstyring i byggeriet binder 3D-bygningsmodeller sammen med tids- og økonomistyring.
Hotelbranchen har fået ny viden til at gennemgå grøn omstilling.
Region Midtjylland fik hurtigt en løsning til overvågning af Covid-19-patienters iltmætning. Løsningen støtter op om regionens strategi om agil udvikling af sundheds-it.
Brugerstudier styrker Aguardios nudging-løsning, der skal få os til at spare på vandet.