Amerikkalaistutkijat UCLA:n Samueli School of Engineeringissä ja Stanfordin yliopistossa ovat demonstroineet tietokonejärjestelmää, joka pystyy löytämään ja tunnistamaan todelliset esineet, joita se ”näkee” vastaavanlaisella visuaalisen oppimisen menetelmällä kuin ihmiset. Järjestelmä on edistys konenäön sektorilla sekä tärkeä askel kohti yleisiä keinotekoisia älykkäitä järjestelmiä.
Tällaiset tietokoneet oppivat itse, ovat intuitiivisia, tekevät päätöksiä perustelujen perusteella ja ovat vuorovaikutuksessa ihmisten kanssa inhimillisemmällä tavalla.
Vaikka nykyiset konenäön järjestelmät ovat yhä tehokkaampia ne ovat tehtäväkohtaisesti rajattuja. Ne eivät ole suunniteltu omatoimiseen oppimiseen. Ne on koulutettava tarkalleen, mitä oppia, yleensä tarkastelemalla tuhansia kuvia, joissa tunnistettava kohde on niille merkitty.
Ne eivät myöskään osaa luoda kuvaa kohteesta, jos vain osa kohteesta näkyvissä. Tietokoneet eivät myöskään osaa selittää perusteluja valokuvan esineen määrittämiseksi: Tekoälypohjaiset järjestelmät eivät rakenna sisäistä kuvaa tai opittujen esineiden mallia, kuten ihmiset tekevät.
Uusi lähestymistapa koostuu kolmesta laajasta vaiheesta. Ensin järjestelmä hajottaa kuvan pieniksi paloiksi, joita tutkijat kutsuvat nimellä viewlets eli ”vilkaisuiksi". Toiseksi tietokone oppii, miten nämä vilkaisunäkymät sopivat yhteen muodostamaan kyseessä olevan kohteen. Lopuksi järjestelmä tarkastelee, mitä muita kohteita ympäröivällä alueella on ja onko kyseisten esineiden informaatio olennaista ensisijaisen kohteen kuvaamiseen ja tunnistamiseen.
Auttaakseen uutta järjestelmää ”oppimaan” aivan kuten ihmiset, tutkijat päättivät upottaa sen ympäristöön, jossa ihmiset ”elävät” eli internetiin. Internetissä on runsaasti kuvia ja videoita, jotka kuvaavat saman tyyppisiä esineitä. Lisäksi nämä esineet näkyvät monista näkökulmista - peitettynä, lintuperspektiivissä ja erilaisiin ympäristöihin upotettuina. Kehitystyöhön tutkijat saivat myös oivalluksia kognitiivisesta psykologiasta ja neurotieteestä.
- Lapsista alkaen opimme, mitä jokin on, koska näemme monia esimerkkejä niistä monissa yhteyksissä. Tämä kontekstuaalinen oppiminen on aivojemme keskeinen piirre, ja se auttaa meitä rakentamaan vahvoja malleja objekteista, jotka ovat osa toiminnallisesti integroitua maailmankuvaa, kuvaa professori Vwani Roychowdhury UCLA:sta.
Tutkijat testasivat järjestelmää noin 9000 kuvalla, joista kukin esitti ihmisiä ja muita kohteita. Alusta pystyi rakentamaan yksityiskohtaisen mallin ihmiskehosta ilman ulkoista ohjausta ja ilman kuvien merkitsemistä.
Insinöörit tekivät testejä myös moottoripyörien, autojen ja lentokoneiden kuvilla. Kaikissa tapauksissa heidän järjestelmä suoriutui paremmin tai ainakin vastaavasti kuin perinteiset konenäköjärjestelmät, jotka on kehitetty monien vuosien koulutuksella.
Veijo Hänninen
Nanobittejä 8.1.2019
Autoteollisuus on siirtymässä yhä monimutkaisempiin ohjelmistopohjaisiin järjestelmiin, joissa virheetön ohjelmisto on elintärkeää turvallisuuden ja suorituskyvyn varmistamiseksi. Ohjelmiston laatu ja luotettavuus eivät ole enää vain valinnaisia ominaisuuksia, vaan kriittisiä vaatimuksia erityisesti autonomisessa ajamisessa, kehittyneissä kuljettajaa avustavissa järjestelmissä (ADAS) ja yhdistetyissä ajoneuvojärjestelmissä.
Kestävä digitaalinen infrastruktuuri on kriittinen, jotta tietoliikenneverkot voidaan tehokkaasti valjastaa tekoälyinnovaatioiden ja pilvipohjaisten palveluiden tarpeisiin. Tekoälyyn liittyvien datarikkaiden sovellusten lisääntyvä kysyntä edellyttää tietoliikenneverkkoa, joka kykenee käsittelemään suuria tietomääriä alhaisella viiveellä, kirjoittaa Orange Businessin kumppaniratkaisuista vastaava Carl Hansson.
Euroopan unioni ottaa merkittävän askeleen avaruusteknologian kehittämisessä allekirjoittamalla sopimuksen uuden IRIS²-satelliittijärjestelmän toteuttamisesta. Tämä 290 satelliitin verkko on suunniteltu vahvistamaan Euroopan itsenäisyyttä ja turvallista yhteydenpitoa.
Jotta voidaan vastata uuden teknologian vaatimuksiin ja pitää järjestelmät toimimassa ”kellon tavoin”, on aika harkita ajoitusratkaisuja uudelleen. Tässä kaksiosaisessa "Precision Timing" -artikkelissa opit, miksi mikroelektromekaanisiin järjestelmiin eli MEMS-komponentteihin perustuvat piiajoituslaitteet päihittävät kvartsin elektroniikkasuunnittelun uudella aikakaudella. 
Matalatehoisten langattomien ratkaisujen asiantuntija Nordic Semiconductor ja eSIM-ratkaisuja kehittävä Kigen ovat julkistaneet yhteistyön, joka sujuvoittaa massiivisten IoT-verkkojen käyttöönottoa. Yhdessä he esittelevät CES 2025 -messuilla ratkaisun, joka yhdistää Nordic Semiconductorin nRF9151-moduulin ja Kigenin SGP.32 IoT eSIM-teknologian sekä laitteiden hallinta-alustan.
