Na nový rok, a to přesně první únorový den, jsme se dočkali dalšího technického večera. Tentokrát jsme probrali do hloubky umělou inteligenci a její užití v automotive sektoru.
Jako první se svou prezentací vystoupila Sara Polak.
Své vystoupení nazvala: Od pyramid po roboty.
Žijeme v udržitelné sociální struktuře? Existuje něco jako kolaps civilizací, nebo pouze procházíme konstantní transformací doprovázenou čím dál tím lepšími technologiemi? Je možné, že naše evoluční přirozenost netkví ve velkých, komplexních sociálních uskupeních, ale v decentralizovaných kmenech, a toto činí jakoukoliv civilizaci dlouhodobě neudržitelnou? Pojďte na výlet časem od pyramid až po roboty a pojďte se ponořit do výzkumu o simulaci komplexních společenských systémů, abyste lépe porozuměli anatomii civilizace, ve které žijeme, a uměli se lépe obrnit před budoucností.
Dalším prezentujícím se stal Antonín Vobecký. Je to jeden z mála lidí zabývající se umělou inteligencí a jejím učením ve společnosti Valeo v rámci Valeo.ai.
Antonín nám vysvětlil práci, kterou prezentoval společně s týmem na ECCV v Izraeli, zabývající se částečnou automatizací anotačního procesu. Právě ten je pro strojové učení systémů do aut stěžejní a jeho automatizace se jeví jako velká úspora času i financí. Ve své práci zkoumal, zda je možné naučit neuronovou síť sémantickou segmentaci obrazu, což je úloha, která přiřazuje typ objektu příslušící každému pixelu. Jedná se o anotaci městských scén bez nutnosti jakéhokoli ručního zásahu, pouze ze surových neupravovaných dat shromážděných auty vybavenými kamerami a senzory LiDAR při jízdě ve městě.
Posledním, avšak neméně důležitým řečníkem, se prezentoval Petr Cezner. Ten se po pěti letech jako výzkumný softwarový inženýr rozhodl profilovat do Machine Learningu. Při té příležitosti změnil i zaměstnavatele, od roku 2022 pracuje ve společnosti DataSentics jako Machine Learning Engineer.
Jeho prezentace nás provedla algoritmem počítačového vidění pro kontrolu kvality. Kontrola kvality je nezbytnou součástí každého výrobního procesu a historicky musela být vždy prováděna ručně s kvalifikovaným personálem. Deep learning přineslo v posledních letech obrovské zlepšení v automatizaci tohoto úkolu, což vedlo k rychlejší výrobě a úspoře nákladů. Pověděl nám něco o neuronových sítích pro 2D senzory, 3D data, termokamery a senzory IoT nebo o tom, jak si vybrat mezi klasifikací, segmentací nebo detekcí anomálií. Probrali jsme také také, jak je to aktuálně řešeno, jaká cloudová či on-prem řešení se používají a jak se očekává, že se tato oblast v budoucnu změní.
