Deze blogpost is oorspronkelijk gepubliceerd door Opteran Technologies. Het is hier herdrukt met toestemming van Opteran Technologies.
Het was weer een moeilijk jaar voor iedereen die virtuele hightechconferenties organiseert. Zelden vangen deze evenementen de sfeer en het geroezemoes van een echte face-to-face bijeenkomst. Dus voor ons allemaal die betrokken zijn bij de computervisie-industrie, kunnen we de Edge AI Vision Alliance, onder leiding van de briljante @Jeff Bier, echt dankbaar zijn voor het stevig plaatsen van de Embedded Vision-top 2021 in de categorie “zeer goed georganiseerde conferentie” . En dat zeggen we natuurlijk niet alleen omdat Opteran het geluk had om tot winnaar gekroond te zijn in de Vision Tank start-up competitie van dit jaar. Inderdaad niet! We zijn eerder allemaal een beetje nerd en houden er gewoon van om het nieuwste op het gebied van computer vision-technologie te zien en stevige debatten te horen van marktleiders en concurrenten.
Dus terwijl onze CEO David Rajan zich een weg baande door meerdere rondes van interviews en start-up pitches naar de technische draken, maakte de rest van ons van de gelegenheid gebruik om deel te nemen aan de vele interessante sessies en virtuele demonstraties om te zien wat er aan het koken was. Ik wilde niet alleen de nieuwste ontwikkelingen op Edge-gebaseerde AI-apparaten zien, maar ik was ook erg geïntrigeerd toen ik de keynote hoorde van Covariant's mede-oprichter @Pieter Abbeel (als je niet verslaafd bent aan zijn podcast “The Robot Brains”, dan zou moeten zijn). Pieter stelde niet teleur en bood meer gedachten en inzicht in Convariant's benadering van Reinforcement Learning en de toepassing ervan op een aantal moeilijke robotica-problemen.
De 3 dagen zaten ook vol met geweldige sessies en virtuele demonstraties, en natuurlijk was het geen verrassing na een decennium van technische innovatie in de toepassing van neurale netwerken voor computervisie, dat de conferentie opnieuw zwaar werd gedomineerd door deep learning-problemen en -oplossingen.
Dus tijdens onze vieringen na de conferentie en het opruimen van 'wat we hebben geleerd' hadden een paar van ons dezelfde notitie van Jeff gemaakt tijdens een van de gesprekken bij het haardvuur, waar hij zei:
“Ik heb ook een voorkeur voor het gebruik van deep learning wanneer een probleem goedkoper kan worden opgelost met behulp van conventionele ML/CV-methoden. Het is als het schillen van een appel met een zwaard. Helaas lijkt er een golf van AI-ingenieurs te zijn die alleen diepgaand leren kennen!”
We zijn het met Jeff eens, en de bijen ook!
Hoewel deep learning enorm succesvol is geweest bij het aanpakken van veel commerciële en consumentenuitdagingen, is het duidelijk dat er een groeiend probleem is. Het probleem van “gegevens”; En als je dacht dat data nog niet te groot was voor zijn eigen laarzen, denk dan nog eens goed na … er werden oplossingen getoond voor het vastleggen van datasets, datasetbeheer, datacuratie, datasynthese … data…data … veel data … ;omdat gegevens erg groot zijn.
OK, dus we worden een beetje snarky over het 'data'-ding, maar met een goede reden. Simpel gezegd, wij als mensen leren niet door te trainen op miljoenen afbeeldingen. We hoeven geen randgevallensituaties te synthetiseren om meer te weten te komen over die gevaarlijke 'zwarte zwaan'-gebeurtenissen. Wij mensen met onze 86 miljard neuronen niet, en bijen en insecten ook niet met hun veel eenvoudiger sub-miljoen neuron hersenstructuren.
Dus aan het einde van een decennium van diepgaande innovatie kunnen we nadenken over wat het enige paard op de baan lijkt te zijn en vraag:
Q. Zal deep learning het komende decennium blijven bestaan?
A. Natuurlijk zal het. Maar het kan bijna geen stoom meer hebben… of hooi.
V. Is deep learning echt het enige paard op de baan voor het komende decennium?
A. Natuurlijk niet! Daarom zijn we hier.
Ons antwoord op de uitdagingen waarmee deep learning wordt geconfronteerd en een alternatief voor het steeds meer nodig hebben van steeds meer gegevens, wordt aangedreven door ons uitgebreide onderzoek naar hoe de natuur veel problemen echt oplost door middel van eenvoudige besluitvorming , tot complexe navigatie, het detecteren en vermijden van obstakels.
Neem het navigatieprobleem. Als mensen, als we van de ene kamer naar de andere navigeren, hoeven we geen gedetailleerde metrische SLAM-kaart te bouwen om onderweg veilig door obstakels te navigeren. In plaats daarvan hebben onze hersenen een kaart van verbonden ruimtes, wat betekent dat we het kunnen doen zonder er bewust over na te denken.
Hoewel een bij veel eenvoudiger is dan het menselijk brein, laat het onderzoeken van de werking van een insectenbrein zien hoe de natuur elegante, ultra-ultra-lage stroomoplossingen heeft gevonden voor deze problemen… die zonder de noodzaak van een datacenter. Bij Opteran hebben we deze mogelijkheid kunnen reverse-engineeren in algoritmen en in silicium, die een orde van grootte minder stroom vereisen dan vergelijkbare deep learning-oplossingen en geen uitgebreide training vereisen. Het potentieel voor deze lichtgewicht, effectieve oplossingen is groter dan groot… enorm. We geloven dat onze natuurlijke-intelligentiebenadering een breed scala aan nieuwe mogelijkheden zal creëren om machines te helpen zien, voelen, handelen en beslissingen nemen.
Dus met veel slim onderzoek, onderzoekers en natuurlijk 600 miljoen jaar ervaring evolutie achter de rug we hebben er alle vertrouwen in dat we bij Opteran de doorbraak hebben die een groot aantal problemen zal aanpakken waarmee deep learning-oplossingen vandaag worden geconfronteerd en die duidelijk zichtbaar waren op de Embedded Vision Summit.
Dus wat doet het volgende decennium van innovatie voor ons allemaal? Welnu, de natuur heeft altijd veel efficiëntere oplossingen gevonden die, wanneer ze effectief worden vertaald in technologie, een heel andere toekomst voor machine-autonomie zullen creëren. Bekijk deze ruimte voor meer gedachten over de toekomst van computervisie en autonomie aan de rand…
Dave Murray
Chief Product Officer, Opteran Technologies
