התקדמות בראייה ממוחשבת מניעה אוטונומיה של תחבורה

הראייה היא קלט חושי אנושי רב עוצמה. זה מאפשר משימות ותהליכים מורכבים שאנו לוקחים כמובנים מאליהם. עם עלייה ב-AoT™ (אוטונומיה של דברים) ביישומים מגוונים, החל מתחבורה וחקלאות ועד רובוטיקה ורפואה, התפקיד של מצלמות, מחשוב ולמידת מכונה במתן ראייה וקוגניציה דמויי אדם הופך להיות משמעותי. ראיית המחשב כדיסציפלינה אקדמית התעוררה בשנות ה-1960, בעיקר באוניברסיטאות העוסקות בתחום המתפתח של בינה מלאכותית (AI) ולמידת מכונה. זה התקדם בצורה דרמטית בארבעת העשורים הבאים עם התקדמות משמעותית בטכנולוגיות מוליכים למחצה ומחשוב. ההתקדמות האחרונה בתחום הלמידה העמוקה והבינה המלאכותית האיצה עוד יותר את היישום של ראייה ממוחשבת כדי לספק בזמן אמת תפיסה וקוגניציה של השהייה נמוכה בזמן אמת, המאפשרות אוטונומיה, בטיחות ויעילות ביישומים שונים. תחבורה היא תחום אחד שהרוויח משמעותית.

LiDAR (Light Detection and Ranging) היא גישת הדמיה אופטית פעילה המשתמשת בלייזרים כדי לקבוע את הסביבה התלת-ממדית סביב אובייקט. זוהי אחת הטכנולוגיות שפתרונות ראייה ממוחשבת (שמסתמכים אך ורק על אור הסביבה ואינם משתמשים בלייזרים לתפיסה תלת מימדית) מנסים לשבש. הנושא הנפוץ הוא שנהגים אנושיים אינם זקוקים ל-LiDAR לתפיסת עומק, כך שגם למכונות לא צריך. תכונות נהיגה אוטונומיות מסחריות נוכחיות של L3 (אוטונומיה מלאה במקומות גיאוגרפיים ותנאי מזג אוויר ספציפיים, כשהנהג מוכן להשתלט תוך שניות) מוצרים היום השתמש ב-LiDAR. טכניקות מבוססות חזון גרידא עדיין לא הצליחו להציע יכולת זו באופן מסחרי.

פרסומת

טסלהTSLA
הוא תומך דומיננטי בשימוש בראייה ממוחשבת מבוססת מצלמה פסיבית כדי לספק אוטונומיה לרכב נוסעים. במהלך אירוע AI Day האחרון של החברה, אילון מאסק והמהנדסים שלו סיפקו מצגת מרשימה של יכולות הבינה המלאכותית שלה, ניהול נתונים ומחשוב שתומכות, בין היתר, בתכונת נהיגה עצמית מלאה (FSD) במספר דגמי טסלה. FSD מחייב את הנהג האנושי להיות מעורב במשימת הנהיגה בכל עת (מה שעולה בקנה אחד עם אוטונומיה L2). נכון לעכשיו, אפשרות זו זמינה ב-160,000 כלי רכב שנרכשו על ידי לקוחות בארה"ב וקנדה. חבילה של 8 מצלמות בכל רכב מספקת מפת תפוסה של 360°. נתוני מצלמה (ואחרים) מכלי רכב אלה משמשים לאימון הרשת העצבית שלה (המשתמשת בתיוג אוטומטי) לזהות אובייקטים, לשרטט מסלולי רכב פוטנציאליים, לבחור מסלולים אופטימליים ולהפעיל את פעולות הבקרה המתאימות. ~75K עדכונים של הרשת העצבית התרחשו במהלך 12 החודשים האחרונים (עדכונים בערך כל 1 דקות) מכיוון שמידע חדש נאסף ללא הרף ומתגלות שגיאות תיוג או שגיאות תמרון. הרשת המאומנת מבצעת פעולות תכנון ובקרה באמצעות ארכיטקטורה מיותרת מובנית של אלקטרוניקת מחשוב נבנית במיוחד. טסלה מצפה ש-FSD יוביל בסופו של דבר לרכבים אוטונומיים (AVs), המספקים אוטונומיה מלאה בתחומי עיצוב תפעוליים מסוימים ללא צורך במעורבות של נהג אנושי (המכונה גם אוטונומיה L7).

חברות אחרות כמו פיאר, Helm.ai ו-NODAR הם גם רודפים אחר שדרת הראייה הממוחשבת. NODAR שואפת להרחיב באופן משמעותי את טווח ההדמיה ותפיסת התלת-ממד של מערכות מצלמות סטריאו על ידי לימוד התאמה לאי-יישור המצלמה והשפעות הרטט באמצעות אלגוריתמים מוגנים בפטנט של למידת מכונה. לאחרונה גייסה 12 מיליון דולר להפקת מוצר הדגל שלה, Hammerhead™, המשתמש במצלמות "מהמדף" בדרגת רכב ופלטפורמות מחשוב סטנדרטיות.

מלבד עלות וגודל, טיעון תכוף נגד השימוש ב-LiDAR הוא שיש לו טווח ורזולוציה מוגבלים בהשוואה למצלמות. לדוגמה, LiDAR עם טווח של 200 מ' ו-5-10 מ' נקודות/שנייה (PPS בדומה לרזולוציה) זמינים היום. ב-200 מ', מכשולים קטנים כמו לבנים או פסולת צמיגים ירשמו מעט מאוד נקודות (אולי 2-3 באנכי ו-3-5 בכיוון האופקי), מה שמקשה על זיהוי האובייקט. הדברים נעשים גסים עוד יותר בטווחים ארוכים יותר. לשם השוואה, מצלמות מגה פיקסל סטנדרטיות הפועלות במהירות 30 הרץ יכולות לייצר 30M פיקסלים/שנייה, מה שמאפשר זיהוי עצמים מעולה גם בטווחים ארוכים. מצלמות מתקדמות יותר (12 M פיקסלים) יכולות להגדיל זאת עוד יותר. הבעיה היא כיצד לנצל את הנתונים האדירים הללו ולייצר תפיסה ניתנת לפעולה עם זמן השהייה ברמת אלפיות השנייה, צריכת חשמל נמוכה ותנאי תאורה מושפלים.

פרסומת

הכרה חוזרת, חברה שבסיסה בקליפורניה, מנסה לפתור את הבעיה הזו. לדברי המנכ"ל מארק בוליתו, המשימה שלה היא "לספק תפיסה חזותית על אנושית עבור כלי רכב אוטונומיים לחלוטין." החברה נוסדה ב-2017, גייסה עד היום 75 ​​מיליון דולר ויש לה 70 עובדים. RK Anand, בוגר ג'וניפר נטוורקס, הוא אחד המייסדים השותפים ומנהל המוצר הראשי. הוא מאמין ששימוש במצלמות ברזולוציה גבוהה יותר, עם טווח דינמי של מעל 120 dB, הפועלות בקצבי פריימים גבוהים (לדוגמה, OnSemi, Sony ו- Omnivision) מספקת את הנתונים הנדרשים ליצירת מידע תלת מימדי ברזולוציה גבוהה, שהוא קריטי למימוש AVs. המאפשרים לכך הם:

1. ASICs מעוצבים בהתאמה אישית לעיבוד הנתונים ביעילות ולייצר מפות תלת מימד מדויקות וברזולוציה גבוהה של סביבת המכונית. אלה מיוצרים בתהליך TSMC 3 ננומטר, עם גודל שבב של 7 מ"מ, הפועלים בתדר 100 GHz.
2. אלגוריתמים קנייניים של למידת מכונה לעיבוד מיליוני נקודות נתונים במצב לא מקוון כדי ליצור את הרשת העצבית המאומנת, אשר תוכל לפעול ביעילות וללמוד ברציפות. רשת זו מספקת את התפיסה וכוללת סיווג וזיהוי אובייקטים, פילוח סמנטי, זיהוי נתיבים, תמרורים וזיהוי רמזורים
3. מזעור פעולות אחסון והכפל מחוץ לשבב שהן אינטנסיביות בצריכת חשמל ויוצרות חביון גבוה. עיצוב ה-ASIC של Recogni מותאם למתמטיקה לוגריתמית ומשתמש בהוספה. יעילות נוספת מושגת על ידי קיבוץ משקלים בצורה אופטימלית ברשת העצבית המאומנת.

במהלך שלב האימון, LiDAR מסחרי משמש כאמת קרקע לאימון נתוני מצלמות סטריאו ברזולוציה גבוהה וטווח דינמי גבוה כדי לחלץ מידע עומק ולהפוך אותו לעמיד בפני השפעות מוטעות ורטט. לדברי מר אנאנד, יישום למידת המכונה שלהם כל כך יעיל שהוא יכול להוציא הערכות עומק מעבר לטווחי האימון שמסופקים על ידי ה-LiDAR הכיול (המספק את האמת הקרקעית לטווח של 100 מ').

פרסומת

נתוני האימון לעיל בוצעו בשעות היום עם זוג סטריאו של מצלמות 8.3 מגה-פיקסל הפועלות בקצבי פריימים של 30 הרץ (~0.5B פיקסלים לשנייה). זה מדגים את יכולתה של הרשת המאומנת לחלץ מידע תלת-ממדי בסצנה מעבר לטווח של 3 מ' איתו אומנה. הפתרון של Recogni יכול גם לבצע אקסטרפולציה של הלמידה שלו עם נתוני יום לביצועי לילה (איור 100).

פרסומת

לדברי מר אנאנד, נתוני הטווח מדויקים עד ל-5% (בטווחים ארוכים) וקרוב ל-2% (בטווחים קצרים יותר). הפתרון מספק 1000 TOPS (טריליון פעולות בשנייה) עם השהייה של 6 אלפיות השנייה וצריכת חשמל של 25W (40 TOPS/W), מה שמוביל בתעשייה. מתחרים המשתמשים במתמטיקה של מספרים שלמים נמוכים יותר פי 10 במדד זה. הפתרון של Recogni נמצא כעת בניסויים אצל מספר רב של ספקי רכב מסוג Tier 1.

נבוא ("לחזות ולראות היכן נמצאת הפעולה"), שבסיסה בצרפת, משתמשת במצלמות המבוססות על אירועים עבור AVs, מערכות סיוע לנהג מתקדמות (ADAS), אוטומציה תעשייתית, יישומי צרכנים ושירותי בריאות. נוסדה בשנת 2014, ה החברה סגרה לאחרונה את גיוס סבב ה-C שלה בסך 50 מיליון דולר, עם סך של 127 מיליון דולר שגויסו עד היום. Xiaomi, יצרנית מובילה של טלפונים ניידים, היא אחת המשקיעות. מטרתו של פרופסי היא לחקות את הראייה האנושית שבה הקולטנים ברשתית מגיבים למידע דינמי. המוח האנושי מתמקד בעיבוד שינויים בסצנה (במיוחד לנהיגה). הרעיון הבסיסי הוא להשתמש בארכיטקטורות של מצלמה ופיקסלים שמזהות שינויים בעוצמת האור מעל סף (אירוע) ומספקות רק את הנתונים הללו לערימת המחשוב להמשך עיבוד. הפיקסלים פועלים באופן אסינכרוני (לא ממוסגר כמו במצלמות CMOS רגילות) ובמהירויות גבוהות בהרבה מאחר והם לא צריכים לשלב פוטונים כמו במצלמה מבוססת פריים קונבנציונלית ולהמתין עד שכל הפריים יסיים זאת לפני קריאת הנתונים. היתרונות משמעותיים - רוחב פס נמוך יותר של נתונים, זמן השהיית החלטה, אחסון וצריכת חשמל. חיישן הראייה הראשון של החברה בדרגה מסחרית VGA מבוסס אירועים הציג טווח דינמי גבוה (>120 dB), צריכת חשמל נמוכה (26 mW ברמת החיישן או 3 nW/אירוע). כמו כן הושקה גרסת HD (High Definition) (פותחה במשותף עם סוני), עם גודל פיקסלים מוביל בתעשייה (<5 מיקרומטר).

פרסומת

חיישנים אלו מהווים את הליבה של פלטפורמת החישה Metavision®, המשתמשת בבינה מלאכותית כדי לספק תפיסה חכמה ויעילה ליישומי אוטונומיה ונמצאת בהערכה של מספר חברות בתחום התחבורה. מלבד תפיסה הפונה קדימה עבור AVs ו-ADAS, Prophesee מעורב באופן פעיל עם לקוחות לניטור בתא הנוסעים של הנהג עבור יישומי L2 ו-L3, ראה איור 4:

הזדמנויות לרכב הן משתלמות, אבל מחזורי התכנון ארוכים. במהלך השנתיים האחרונות, Prophesee ראה עניין ומשיכה משמעותיים בתחום ראיית המכונה עבור יישומים תעשייתיים. אלה כוללים ספירה במהירות גבוהה, בדיקת משטח וניטור רעידות.

פרסומת

Prophesee הכריז לאחרונה על שיתופי פעולה עם מפתחים מובילים של מערכות ראיית מכונה כדי לנצל הזדמנויות באוטומציה תעשייתית, רובוטיקה, רכב ו-IoT (Internet of Things). הזדמנויות מיידיות נוספות הן תיקון טשטוש תמונה עבור טלפונים ניידים ויישומי AR/VR. אלה משתמשים בחיישני פורמט נמוך יותר מאלה המשמשים להזדמנויות ADAS/AV לטווח ארוך יותר, צורכים הספק נמוך עוד יותר ופועלים עם זמן אחזור נמוך משמעותית.

ישראל היא חדשנית מובילה בתחום הטכנולוגיה העילית, עם השקעות סיכון משמעותיות וסביבת סטארט-אפים פעילה. מאז 2015, התרחשו כ-70 מיליארד דולר בהשקעות בהובלת סיכון במגזר הטכנולוגיה. חלק מזה הוא בתחום הראייה הממוחשבת. Mobileye הובילה את המהפכה הזו בשנת 1999 כאשר אמנון שעשוע, חוקר בינה מלאכותית מובילה באוניברסיטה העברית, הקים את החברה כדי להתמקד בתפיסה מבוססת מצלמה עבור ADAS ו-AVs. החברה הגישה בקשה להנפקה ב-2014 ונרכשה על ידי אינטלINTC
ב-2017 תמורת 15 מיליארד דולר. כיום, הוא בקלות השחקן המוביל בתחום הראייה הממוחשבת וה-AV ולאחרונה הודיעה על כוונתה להגיש בקשה להנפקה ולהפוך לישות עצמאית. למובילאיי היו הכנסות של 1.4 מיליארד דולר בשנה והפסדים צנועים (75 מיליון דולר). הוא מספק יכולות ראייה ממוחשבת ל-50 יצרני ציוד מקורי לרכב אשר פורסים אותו על פני 800 דגמי מכוניות עבור יכולות ADAS. בעתיד, הם מתכוונים להוביל באוטונומיה של רכב L4 (אין צורך בנהג) תוך שימוש במומחיות זו בראייה ממוחשבת ויכולות LiDAR המבוססות על פלטפורמת הסיליקון פוטוניקת של אינטל. הערכת השווי של מובילאיי מוערכת בכ-50 מיליארד דולר כשהם סוף סוף יציגו לבורסה.

פרסומת

שאמפל קפיטל, שבסיסה בירושלים, עומדת בחזית ההשקעות בחברות המפתחות מוצרים המבוססים על ראייה ממוחשבת ליישומים מגוונים מתחבורה וחקלאות ועד ביטחון ובטיחות. אמיר וייטמן הוא מייסד שותף ושותף מנהל והקים את חברת הסיכון שלו בשנת 2017. הקרן הראשונה השקיעה 20 מיליון דולר ב-14 חברות. אחת ההשקעות שלהם הייתה ב-Innoviz, שהפכה לציבורית באמצעות מיזוג SPAC ב-2018 והפכה לחד קרן LiDAR. בראשותו של עומר כילף (שהגיע מהיחידה הטכנולוגית של חיל המודיעין של צבא ההגנה לישראל), החברה כיום היא מובילה בפריסות LiDAR עבור ADAS ו-AVs, עם ניצחונות עיצוב מרובים ב-BMW ופולקסווגן.

הקרן השנייה של Champel Capital (Impact Deep Tech Fund II) הושקה בינואר 2022 וגייסה עד היום 30 מיליון דולר (היעד הוא 100 מיליון דולר עד סוף 2022). ההתמקדות הדומיננטית היא בראייה ממוחשבת, כאשר 12 מיליון דולר פרוסים בחמש חברות. שלושה מהם משתמשים בראייה ממוחשבת לתחבורה ורובוטיקה.

TankU, מבוסס בחיפה, החל את פעילותו ב-2018 וגייס מימון של 10 מיליון דולר. דן ולדהורן הוא המנכ"ל והוא בוגר יחידה 8200, קבוצת הייטק מובחרת בצבא ההגנה הישראלי האחראית על מודיעין אותות ופענוח קוד. מוצרי ה-SaaS (Software as a Service) של TankU עושים אוטומציה ומאובטחת תהליכים בסביבות חיצוניות מורכבות המעניקות שירות לכלי רכב ונהגים. מוצרים אלו משמשים בעלי ציי רכב, מכוניות פרטיות, עמדות תדלוק וטעינה חשמליות למניעת גניבה והונאה בעסקאות פיננסיות אוטומטיות. שירותי דלק לרכב מניבים הכנסות של 2T דולר בשנה, מהן בעלי ציי רכב פרטיים ומסחריים צורכים 40% או 800 מיליארד דולר. קמעונאים ובעלי צי מפסידים כ-100 מיליארד דולר בשנה עקב גניבה והונאה (לדוגמה, שימוש בכרטיס דלק של צי עבור כלי רכב פרטיים לא מורשים). הונאה ב-CNP (Card not Present) ושיבוש/גניבת דלק הם מקורות נוספים לאובדן, במיוחד בעת שימוש בפרטי כרטיס גנובים באפליקציות לנייד לצורך תשלומים.

פרסומת

מוצר TUfuel של החברה מאפשר תשלום מאובטח בלחיצה אחת, חוסם את רוב סוגי ההונאות ומתריע בפני לקוחות כאשר הוא חושד בהונאה. הוא עושה זאת בהתבסס על מנוע בינה מלאכותית מאומן על נתונים מטלוויזיות במעגל סגור קיימות במתקנים אלה ונתוני עסקאות דיגיטליות (כולל POS ונתוני עורפי אחרים). פרמטרים כמו מסלול ודינמיקה של הרכב, מזהה רכב, זמן נסיעה, קילומטראז', זמן תדלוק, כמות דלק, היסטוריית דלק והתנהגות נהג הם כמה מאפיינים המנוטרים כדי לזהות הונאה. נתונים אלה גם עוזרים לקמעונאים לייעל את תפעול האתר, לשפר את נאמנות הלקוחות ולפרוס כלים שיווקיים מבוססי חזון. לדברי המנכ"ל דן ולדהורן, הפתרון שלהם מזהה 70% מהצי, 90% מאירועי ההונאה הקשורים לכרטיס אשראי ו-70% מאירועי ההונאה.

סונול הינה חברת שירותי אנרגיה המחזיקה ומפעילה רשת של 240 תחנות וחנויות נוחות ברחבי ישראל. TUfuel נפרסת באתרים שלהם והוכיחה אבטחה משופרת, מניעת הונאה ונאמנות לקוחות. ניסויי מוצר נערכים בארה"ב בשיתוף פעולה עם ספק עולמי מוביל של תחנות דלק וציוד לחנויות נוחות. יוזמות דומות מתנהלות גם באפריקה ובאירופה.

פרסומת

מתל אביב ITC נוסדה בשנת 2019 על ידי אקדמאים למידת מכונה מאוניברסיטת בן-גוריון. ITC יוצר מוצרי SaaS כי "למדוד את זרימת התנועה, לחזות עומס ולהפחית אותו באמצעות מניפולציה חכמה של רמזורים - לפני שהפקקים מתחילים להיווצר." בדומה ל-TankU, הוא משתמש בנתונים ממצלמות מדף (כבר מותקנות בצמתים רבים) כדי לקבל נתוני תנועה חיים. נתונים מאלפי מצלמות ברחבי העיר מנותחים, ופרמטרים כמו סוג רכב, מהירות, כיוון תנועה ורצף סוגי הרכב (משאיות לעומת מכוניות) נשלפים באמצעות יישום אלגוריתמים קנייניים של AI. סימולציות מנבאות זרימת תנועה ומצבי פקקים אפשריים עד 30 דקות מראש. הרמזורים מותאמים באמצעות תוצאות אלה כדי להחליק את זרימת התנועה ולמנוע פקקים.

אימון מערכת הבינה המלאכותית לוקח חודש אחד של נתונים חזותיים ברחבי עיר טיפוסית וכולל שילוב של למידה מפוקחת ובלתי מפוקחת. הפתרון של ITC כבר פרוס בתל אביב (מקום 25 בערים הצפופות בעולם בשנת 2020), עם אלפי מצלמות פרוסות במאות צמתים הנשלטות על ידי רמזורים. המערכת של ITC מנהלת כיום 75K רכבים, שצפויים להמשיך ולגדול. החברה מתקינה את א יכולת דומה ב לוקסמבורג ומתחילה ניסויים בערים הגדולות בארה"ב. בעולם, הפתרון שלה מנהל 300,000 כלי רכב עם אתרי פעילות בישראל, ארה"ב, ברזיל ואוסטרליה. דביר קניג, ה-CTO, נלהב לפתור את הבעיה הזו - להחזיר לאנשים את הזמן האישי, להפחית גזי חממה, לשפר את הפרודוקטיביות הכוללת ובעיקר, להפחית תאונות בצמתים פקוקים. לדברי מר קניג, "הפריסה שלנו מדגימה הפחתה של 30% בפקקים, הפחתת זמן נהיגה לא פרודוקטיבי, מתח, צריכת דלק וזיהום."

פרסומת

רובוטיקה פנימית היה שנוסדה ב 2018 ו לאחרונה גייס מימון של 18 מיליון דולר. החברה, שבסיסה ליד תל אביב, ישראל, מפתחת ומוכרת פתרונות רחפנים אוטונומיים לניטור אבטחה, בטיחות ותחזוקה בתוך הבית. למנכ"ל ומייסד שותף, דורון בן דוד, ניסיון רב ברובוטיקה ואווירונאוטיקה שנצבר בתעשייה האוויריתתעשייה אווירית
(קבלן ראשי ביטחוני מרכזי) ו-MAFAT (ארגון מחקר מתקדם במשרד הביטחון הישראלי), הדומה ל-DARPA בארצות הברית. ההשקעות ההולכות וגוברות בבניינים חכמים ובשוקי אבטחה מסחריים מעוררות את הצורך במערכות אוטונומיות שיכולות להשתמש בראייה ממוחשבת ובתשומות חושיות אחרות בחללים מסחריים פנימיים קטנים וגדולים (משרדים, מרכזי נתונים, מחסנים ושטחי מסחר). Indoor Robotics מכוונת לשוק זה על ידי שימוש ברחפנים פנימיים המצוידים במצלמות מדף וחיישני טווח תרמי ואינפרא אדום.

אופיר בר לבב הוא מנהל העסקים הראשי. הוא מסביר שהמחסור ב-GPS הפריע לרחפנים פנימיים להתמקם בתוך מבנים (בדרך כלל מוכחש או לא מדויק של GPS). בנוסף, חסרו פתרונות עגינה והפעלה נוחים ויעילים. Indoor Robotics מטפלת בכך באמצעות ארבע מצלמות מותקנות ברחפן (למעלה, למטה, שמאל, ימין) וחיישני טווח פשוטים הממפים במדויק חלל פנימי ותכולתו. נתוני המצלמה (המצלמות מספקות נתוני לוקליזציה ומיפוי) והחיישנים התרמיים (המורכבים גם על הרחפן) מנותחים על ידי מערכת AI כדי לזהות בעיות אבטחה, בטיחות ותחזוקה פוטנציאליות ולהזהיר את הלקוח. המל"טים מפעילים את עצמם באמצעות "אריח עגינה" צמוד תקרה, החוסך שטח רצפה יקר ומאפשר איסוף נתונים בזמן הטעינה. ניכרים היתרונות הכספיים של אוטומציה של תהליכים ארציים אלה שבהם העבודה האנושית מורכבת ויקרה במונחים של גיוס, שימור והכשרה. לשימוש במזל"טים אוויריים לעומת רובוטים קרקעיים יש גם יתרונות משמעותיים מבחינת עלויות הון ותפעול, ניצול טוב יותר של שטח הרצפה, חופש תנועה מבלי להיתקל במכשולים ויעילות לכידת נתוני המצלמה. לדברי מר בר-לבב, ה-TAM (Total Addressable Market) של Indoor Robotics במערכות אבטחה חכמות פנימיות יעמוד על 80 מיליארד דולר עד 2026. מיקומי הלקוחות המרכזיים כיום כוללים מחסנים, מרכזי נתונים וקמפוסים משרדיים של תאגידים גלובליים מובילים.

פרסומת

ראייה ממוחשבת מחוללת מהפכה במשחק האוטונומיה - באוטומציה של תנועה, אבטחה, ניטור בניינים חכמים, זיהוי הונאה וניהול תעבורה. הכוח של מוליכים למחצה ובינה מלאכותית הם מאפשרים חזקים. ברגע שמחשבים שולטים במודאליות החושית המדהימה הזו בצורה ניתנת להרחבה, האפשרויות הן אינסופיות.