↩Artificial IntelligenceTraining neural networks is costly and often they’re used where they don’t make sense. Sometimes it seems slapping the term AI on things is done to increase attention. However, there are areas where their usage does make sense, because they can do one thing better than any other technology: sieving though large amounts of loose data at high speeds, looking for patterns.Das Training neuronaler Netze ist kostspielig und häufig werden sie dort eingesetzt, wo es keinen Sinn ergibt. Manchmal scheint es so, als würde der Begriff AI nur gebraucht, um die Aufmerksamkeit für ein Produkt zu erhöhen. Es gibt jedoch Bereiche, in denen ihre Verwendung sinnvoll ist, da sie eines besser als jede andere Technologie können: Sie können grosse Mengen loser Daten mit unglaublicher Geschwindigkeit durchsuchen und dabei Muster finden.This neural network, made with ml5.js, looks for visual similarity inside the area marked by the user and replaces it with the closest find.Dieses mit ml5.js erstellte neuronale Netzwerk sucht nach visueller Ähnlichkeit innerhalb des vom Benutzer markierten Bereichs und ersetzt ihn durch die naheliegenste Alternative.For example, if there are terabytes of historic weather data and correlations need to be found. Or when a robot needs to understand its spatial environment, artificial intelligence can accurately and on the fly analyse camera data to determine where an object is placed in relation to the robot and what kind of object it might be. Should it grab it with strength or handle it gently? These were questions that were impossible to answer from simple camera data before the latest advancements in machine learning.
And notably there are many creative applications for neural
networks. For example finding surprising visual matches in a huge pile
of photographs, like in the video above. A similar algorithm we applied
to find similar the images used in the following print publication. Who
said AI can’t have a sense of humour?Wenn beispielsweise Terabytes historischer Wetterdaten vorhanden sind und Korrelationen gefunden werden müssen. Oder wenn ein Roboter seine räumliche Umgebung verstehen muss, kann künstliche Intelligenz Kameradaten genau und in Echtzeit analysieren. Wo befindet sich ein Objekt in Bezug auf den Roboter und um welche Art von Objekt handelt es sich? Sollte er mit Kraft zugreifen oder sanft damit umgehen? Dies waren Fragen, die mit einfachen Kameradaten vor den neuesten Fortschritten im maschinellen Lernen nicht zu beantworten waren.
