Intuition in a box?

Jeff Bier’s Embedded Vision Column

Since reading Malcolm Gladwell’s ‚Blink‘ a decade ago, I’ve been intrigued by how the mind works – particularly how judgements and decisions are made. I’ve been inspired to take an armchair tour of research on this topic, and have encountered fascinating insights from the likes of David Eagleman and Daniel Kahneman.
Reading the work of these talented researchers and writers has led me to the inescapable conclusion that most of our judgements and decision-making take place in our subconscious minds. I consider myself a hyper-rational engineering type, so the idea that my subconscious is calling the shots – based not on deliberation and calculation but rather on intuition – was initially uncomfortable. Lately, though, I’ve come to appreciate the value of intuition – the way it can alert me to a dangerous situation before I comprehend the nature of the danger, for example, or warn me that someone’s being untruthful before I’m able to identify the actual lie. And that has started me wondering: What if our devices, systems and applications could gain this type of intuitive insight? For example, what if a device could warn you that there’s been a change in your elderly parent’s posture or gait that might indicate an increased risk of falls? Or that your teenager’s distracted driving indicates a higher risk of an accident? Because our subconscious processes are by definition hidden from us, it might seem futile to try to create programs to emulate them. But I think that deep neural networks (the kind that have recently been beating humans at image classification tasks) offer an elegant solution. Creating a deep neural network to distinguish between classes of objects or events (for example, a genuine smile vs. a faked one) does not require devising an algorithm to mechanically emulate the mechanisms that enable humans to distinguish between these cases. Instead, the neural network acts as a generalized learning machine, and the developer trains it to recognize meaningful differences via large numbers of examples. One factor that’s held back the use of deep neural networks is processing power. It takes a humungous amount of processing power to train deep neural networks, and quite a lot to run them once trained. Only very recently has this type of processing power become available at practical prices – including in embedded processors suitable for high-volume, cost-sensitive products. Because deep neural networks are massively parallel structures, they are very suitable for acceleration using massively parallel architectures. And because they have simple, highly repetitive structures, they’re also amenable to acceleration via specialized architectures. As result, I think we can expect rapid improvements in cost-performance and energy-efficiency of processors for neural network applications – far outstripping the modest gains enabled by advances in chip manufacturing. This means that, very soon, developers of many types of systems, applications and devices will have the possibility of incorporating new types of intelligence into their products. But to do so, they’ll need to understand how deep neural networks work, how to design them, and how to train them. I believe that the combination of deep learning and computer vision will create world-changing products and bring vast opportunities, and I’m eager to harness it. If you’re interested in learning about deep neural networks and other computer vision topics, I invite you to join me at the Embedded Vision Summit on May 2-4 in Santa Clara, California. This event, an educational forum for product creators interested in incorporating visual intelligence into electronic systems and software, is organized by the Embedded Vision Alliance. For details about this unique conference, and to register, please visit our website.

Das könnte Sie auch interessieren

Vertriebskooperation zwischen Tattile und Framos

Die beiden Unternehmen Tattile und Framos haben eine gemeinsame Zusammenarbeit bekannt gegeben. Die Vertriebskooperation umfasst die gesamte Palette an Hardware- und Softwareprodukten (Vision Controller, Industriekameras etc.) des Unternehmens Tattile, die zukünftig über das Framos-Vertriebsnetz in Europa und Nordamerika erhältlich sein wird.

Robotics & Automation 2017

Die neue ‚Robotics & Automation‘-Messe findet vom 11. bis 12. Oktober in der Arena MK in Milton Keynes, Großbritannien, statt. Die Messe richtet sich vor allem an Kunden aus den Bereichen Manufacturing, Automotive, Distribution, Warehouse, Einzelhandel sowie an pharmazeutische Kunden und beinhaltet neben Messe-Ständen auch Vorträge und Live-Applikationen.

Schneider-Kreuznach mit neuem Vertriebsleiter

Seit 1. Mai ist Dr. Raimund Lassak neuer Vertriebsleiter der Jos. Schneider Optische Werke GmbH. Der 52-jährige gelernte Ingenieur bringt weitreichende Erfahrungen aus verschiedenen Managementpositionen bei Technologie-Unternehmen mit sich. Er verantwortet bei Schneider-Kreuznach nun sämtliche globalen Vertriebsaktivitäten.

VDMA: Deutsche Bildverarbeitung mit +9%

Die deutsche industrielle Bildverarbeitung hat im Jahr 2016 ein Umsatzplus von 9% gegenüber dem Vorjahr erwirtschaftet. Dabei stieg das Inlandsgeschäft um 3%, das Auslandsgeschäft um 14%. Laut Prognose des VDMA Robotik + Automation rechnet man für 2017 mit einem Umsatzplus von 10% auf dann 2,4Mrd. Euro.

3. Fachkonferenz ML4CPS

Die dritte Fachkonferenz ‚Maschinelles Lernen in der Produktion‘ findet vom 25. bis 26. Oktober in der SmartFactoryOWL in Lemgo statt. An beiden Konferenztagen geben verschiedene Vorträge und Networking-Veranstaltungen Einblick in das Thema ‚Machine Learning for Cyber Phisical Systems‘ (ML4PCS). Die Konferenz ist eine Kooperation zwischen dem Fraunhofer IOSB-INA und SV-Veranstaltungen.

80% Zeitersparnis dank Deep learning

Das IBM Cognitive Visual Inspection (CVI) Systen macht über Ultra-HD-Kameras Videoaufnahmen von Werkstücken in der Fabrik. Die intelligente Lösung lernt dabei ständig dazu, basierend auf der Klassifikation der gefundenen Qualitätsmängel durch die sie bedienenden Mitarbeiter. Die integrierte künstliche Intelligenz Watson hilft Fehler schneller zu erkennen und zu klassifizieren. Tests ergaben, dass bei einem acht Tage dauernden Produktionszyklus bis zu 80% der ursprünglich für die Prüfung veranschlagten Zeit eingespart werden konnte.