Τι είναι η Υπολογιστική Όραση στην Τεχνητή Νοημοσύνη;

Αν έχετε ποτέ ξεκλειδώσει το τηλέφωνό σας με το πρόσωπό σας, έχετε σαρώσει μια απόδειξη ή έχετε κοιτάξει μια κάμερα αυτοεξυπηρέτησης αναρωτώμενοι αν κρίνει το αβοκάντο σας, τότε έχετε αναρωτηθεί για την όραση υπολογιστή. Με απλά λόγια, η όραση υπολογιστή στην τεχνητή νοημοσύνη είναι ο τρόπος με τον οποίο οι μηχανές μαθαίνουν να βλέπουν και να κατανοούν εικόνες και βίντεο αρκετά καλά ώστε να λαμβάνουν αποφάσεις. Χρήσιμο; Απολύτως. Μερικές φορές προκαλεί έκπληξη; Επίσης, ναι. Και περιστασιακά λίγο τρομακτικό για να είμαστε ειλικρινείς. Στην καλύτερη περίπτωση, μετατρέπει τα ακατάστατα pixel σε πρακτικές ενέργειες. Στη χειρότερη, μαντεύει και ταλαντεύεται. Ας εμβαθύνουμε - σωστά.

Άρθρα που ίσως σας ενδιαφέρουν μετά από αυτό:

🔗 Τι είναι η προκατάληψη της Τεχνητής Νοημοσύνης;
Πώς σχηματίζεται η προκατάληψη στα συστήματα Τεχνητής Νοημοσύνης και τρόποι ανίχνευσης και μείωσής της.

🔗 Τι είναι η προγνωστική τεχνητή νοημοσύνη;
Πώς η προγνωστική τεχνητή νοημοσύνη χρησιμοποιεί δεδομένα για την πρόβλεψη τάσεων και αποτελεσμάτων.

🔗 Τι είναι ένας εκπαιδευτής Τεχνητής Νοημοσύνης;
Ευθύνες, δεξιότητες και εργαλεία που χρησιμοποιούνται από επαγγελματίες που εκπαιδεύουν Τεχνητή Νοημοσύνη.

🔗 Τι είναι το Google Vertex AI;
Επισκόπηση της ενοποιημένης πλατφόρμας AI της Google για τη δημιουργία και την ανάπτυξη μοντέλων.

Τι ακριβώς είναι η Υπολογιστική Όραση στην Τεχνητή Νοημοσύνη; 📸

Η Υπολογιστική Όραση στην Τεχνητή Νοημοσύνη είναι ο κλάδος της τεχνητής νοημοσύνης που διδάσκει στους υπολογιστές να ερμηνεύουν και να συλλογίζονται σχετικά με οπτικά δεδομένα. Είναι η διαδικασία από τα ακατέργαστα pixel σε δομημένη έννοια: «αυτό είναι ένα σήμα στοπ», «αυτοί είναι πεζοί», «η συγκόλληση είναι ελαττωματική», «το συνολικό ποσό του τιμολογίου είναι εδώ». Καλύπτει εργασίες όπως η ταξινόμηση, η ανίχνευση, η τμηματοποίηση, η παρακολούθηση, η εκτίμηση βάθους, η οπτική αναγνώριση χαρακτήρων (OCR) και άλλα - συνδυάζονται μεταξύ τους με μοντέλα μάθησης μοτίβων. Ο επίσημος τομέας εκτείνεται από την κλασική γεωμετρία έως τη σύγχρονη βαθιά μάθηση, με πρακτικά εγχειρίδια που μπορείτε να αντιγράψετε και να τροποποιήσετε. [1]

Γρήγορη ιστορία: φανταστείτε μια γραμμή συσκευασίας με μια μέτρια κάμερα 720p. Ένας ελαφρύς ανιχνευτής εντοπίζει τα καπάκια και ένας απλός ιχνηλάτης επιβεβαιώνει ότι είναι ευθυγραμμισμένα για πέντε συνεχόμενα καρέ πριν δώσει το πράσινο φως για τη φιάλη. Δεν είναι φανταχτερό - αλλά φθηνό, γρήγορο και μειώνει την επανεπεξεργασία.

Τι κάνει την Υπολογιστική Όραση στην Τεχνητή Νοημοσύνη χρήσιμη; ✅

• Ροή σήματος προς δράση : Η οπτική είσοδος γίνεται μια αξιοποιήσιμη έξοδος. Λιγότερος πίνακας ελέγχου, περισσότερες αποφάσεις.

• Γενίκευση : Με τα σωστά δεδομένα, ένα μοντέλο χειρίζεται μια τεράστια ποικιλία εικόνων. Όχι τέλεια - μερικές φορές συγκλονιστικά καλά.

• Αξιοποίηση δεδομένων : Οι κάμερες είναι φθηνές και υπάρχουν παντού. Η όραση μετατρέπει αυτόν τον ωκεανό από pixel σε διορατικότητα.

• Ταχύτητα : Τα μοντέλα μπορούν να επεξεργάζονται καρέ σε πραγματικό χρόνο με μέτριο υλικό ή σχεδόν πραγματικό χρόνο, ανάλογα με την εργασία και την ανάλυση.

• Συνθετότητα : Αλυσιδωτή σύνδεση απλών βημάτων σε αξιόπιστα συστήματα: ανίχνευση → παρακολούθηση → έλεγχος ποιότητας.

• Οικοσύστημα : Εργαλεία, προ-εκπαιδευμένα μοντέλα, σημεία αναφοράς και υποστήριξη από την κοινότητα - ένα απέραντο παζάρι κώδικα.

Ας είμαστε ειλικρινείς, η μυστική συνταγή δεν είναι μυστικό: καλά δεδομένα, πειθαρχημένη αξιολόγηση, προσεκτική ανάπτυξη. Τα υπόλοιπα είναι εξάσκηση... και ίσως καφές. ☕

Πώς η Υπολογιστική Όραση στην Τεχνητή Νοημοσύνη , σε ένα λογικό αγωγό 🧪

1. Λήψη εικόνας
   Κάμερες, σαρωτές, drones, τηλέφωνα. Επιλέξτε προσεκτικά τον τύπο αισθητήρα, την έκθεση, τον φακό και τον ρυθμό καρέ. Σκουπίδια, κ.λπ.

2. Προεπεξεργασία
   Αλλαγή μεγέθους, περικοπή, ομαλοποίηση, αφαίρεση θολώματος ή αποθορυβοποίησης, εάν χρειάζεται. Μερικές φορές, μια μικρή τροποποίηση της αντίθεσης μετακινεί βουνά. [4]

3. Ετικέτες & σύνολα δεδομένων
   Πλαίσια οριοθέτησης, πολύγωνα, σημεία-κλειδιά, διαστήματα κειμένου. Ισορροπημένες, αντιπροσωπευτικές ετικέτες - ή το μοντέλο σας μαθαίνει μονόπλευρες συνήθειες.

4. Πρίπλασμα

   • Ταξινόμηση : «Ποια κατηγορία;»

   • Ανίχνευση : «Πού βρίσκονται τα αντικείμενα;»

   • Τμηματοποίηση : «Ποια pixel ανήκουν σε ποιο πράγμα;»

   • Βασικά σημεία & πόζα : «Πού βρίσκονται οι αρμοί ή τα ορόσημα;»

   • OCR : «Ποιο κείμενο υπάρχει στην εικόνα;»

   • Βάθος & 3D : «Πόσο μακριά είναι τα πάντα;»
     Οι αρχιτεκτονικές ποικίλλουν, αλλά κυριαρχούν τα συνελικτικά δίκτυα και τα μοντέλα τύπου μετασχηματιστή. [1]

5. Εκπαίδευση:
   Διαχωρισμός δεδομένων, ρύθμιση υπερπαραμέτρων, κανονικοποίηση, αύξηση. Πρόωρη διακοπή πριν την απομνημόνευση της ταπετσαρίας.

6. Αξιολόγηση
   Χρησιμοποιήστε μετρήσεις κατάλληλες για την εργασία, όπως mAP, IoU, F1, CER/WER για OCR. Μην επιλέγετε με κόπο. Συγκρίνετε δίκαια. [3]

7. ανάπτυξης
   για τον στόχο: εργασίες δέσμης cloud, συμπερασματολογία στη συσκευή, διακομιστές edge. Παρακολούθηση μετατόπισης. Επανεκπαίδευση όταν αλλάζει ο κόσμος.

Τα βαθιά δίκτυα κατέλυσαν ένα ποιοτικό άλμα μόλις μεγάλα σύνολα δεδομένων και υπολογισμοί έφτασαν στην κρίσιμη μάζα. Σημεία αναφοράς όπως η πρόκληση ImageNet έκαναν αυτή την πρόοδο ορατή - και αδιάκοπη. [2]

Βασικές εργασίες που θα χρησιμοποιήσετε στην πραγματικότητα (και πότε) 🧩

• Ταξινόμηση εικόνας : Μία ετικέτα ανά εικόνα. Χρησιμοποιήστε την για γρήγορα φίλτρα, διαλογή ή πύλες ποιότητας.

• Ανίχνευση αντικειμένων : Κουτιά γύρω από πράγματα. Πρόληψη ζημιών από λιανική πώληση, ανίχνευση οχημάτων, καταμέτρηση άγριας ζωής.

• Τμηματοποίηση περιπτώσεων : Σιλουέτες ανά αντικείμενο με ακρίβεια pixel. Κατασκευαστικά ελαττώματα, χειρουργικά εργαλεία, αγροτεχνολογία.

• Σημασιολογική τμηματοποίηση : Κλάση ανά εικονοστοιχείο χωρίς διαχωρισμό στιγμιότυπων. Σκηνές αστικών δρόμων, κάλυψη γης.

• Ανίχνευση και στάση κλειδιών : Αρθρώσεις, ορόσημα, χαρακτηριστικά προσώπου. Αθλητική ανάλυση, εργονομία, AR.

• Παρακολούθηση : Παρακολούθηση αντικειμένων με την πάροδο του χρόνου. Logistics, κυκλοφορία, ασφάλεια.

• OCR & Τεχνητή Νοημοσύνη εγγράφων : Εξαγωγή κειμένου και ανάλυση διάταξης. Τιμολόγια, αποδείξεις, φόρμες.

• Βάθος & 3D : Ανακατασκευή από πολλαπλές όψεις ή μονοφθάλμια σήματα. Ρομποτική, AR, χαρτογράφηση.

• Οπτικοί υπότιτλοι : Συνοψίστε σκηνές σε φυσική γλώσσα. Προσβασιμότητα, αναζήτηση.

• Μοντέλα οπτικής-γλώσσας : Πολυτροπική συλλογιστική, όραση επαυξημένη με ανάκτηση, γειωμένη διασφάλιση ποιότητας.

Μικροσκοπική ατμόσφαιρα θήκης: στα καταστήματα, ένας ανιχνευτής επισημαίνει τυχόν ελλείπουσες επιφάνειες στα ράφια. Ένας ιχνηλάτης αποτρέπει τη διπλή καταμέτρηση κατά την ανανέωση του προσωπικού. Ένας απλός κανόνας δρομολογεί τα πλαίσια χαμηλής αξιοπιστίας σε ανθρώπινη αναθεώρηση. Είναι μια μικρή ορχήστρα που ως επί το πλείστον παραμένει συντονισμένη.

Συγκριτικός πίνακας: εργαλεία για ταχύτερη αποστολή 🧰

Ελαφρώς ιδιόρρυθμο επίτηδες. Ναι, η απόσταση είναι περίεργη - το ξέρω.

Τι οδηγεί στην ποιότητα στην Υπολογιστική Όραση στην Τεχνητή Νοημοσύνη 🔧

• Κάλυψη δεδομένων : Αλλαγές φωτισμού, γωνίες, φόντα, περιγράμματα. Εάν είναι δυνατόν, συμπεριλάβετε το.

• Ποιότητα ετικέτας : Τα ασυνεπή πλαίσια ή τα πρόχειρα πολύγωνα σαμποτάρουν το mAP. Λίγη διασφάλιση ποιότητας κάνει πολλά.

• Έξυπνες επαυξήσεις : Περικοπή, περιστροφή, μείωση φωτεινότητας, προσθήκη συνθετικού θορύβου. Να είστε ρεαλιστές, όχι τυχαίο χάος.

• Προσαρμογή επιλογής μοντέλου : Χρησιμοποιήστε ανίχνευση όπου χρειάζεται ανίχνευση - μην αναγκάζετε έναν ταξινομητή να μαντέψει τοποθεσίες.

• Μετρήσεις που αντιστοιχούν στον αντίκτυπο : Εάν τα ψευδώς αρνητικά αποτελέσματα βλάπτουν περισσότερο, βελτιστοποιήστε την ανάκληση. Εάν τα ψευδώς θετικά αποτελέσματα βλάπτουν περισσότερο, η ακρίβεια είναι η πρώτη προτεραιότητα.

• Στενός βρόχος ανατροφοδότησης : Καταγραφή βλαβών, αλλαγή ετικέτας, επανεκπαίδευση. Ξεβγάλματα, επανάληψη. Ελαφρώς βαρετό - εξαιρετικά αποτελεσματικό.

Για την ανίχνευση/τμηματοποίηση, το πρότυπο της κοινότητας είναι η Μέση Ακρίβεια που υπολογίζεται κατά μέσο όρο σε όλα τα όρια IoU - γνωστό και ως mAP τύπου COCO . Γνωρίζοντας πώς υπολογίζονται τα IoU και AP@{0.5:0.95}, οι ισχυρισμοί στον πίνακα κατάταξης δεν θα σας τυφλώσουν με δεκαδικά ψηφία. [3]

Πραγματικές περιπτώσεις χρήσης που δεν είναι υποθετικές 🌍

• Λιανική πώληση : Ανάλυση ραφιών, πρόληψη απωλειών, παρακολούθηση ουρών, συμμόρφωση με το πλανογράφημα.

• Κατασκευή : Ανίχνευση επιφανειακών ελαττωμάτων, επαλήθευση συναρμολόγησης, καθοδήγηση από ρομπότ.

• Υγειονομική περίθαλψη : Ακτινολογική διαλογή, ανίχνευση με όργανα, τμηματοποίηση κυττάρων.

• Κινητικότητα : ADAS, κάμερες κυκλοφορίας, πληρότητα στάθμευσης, παρακολούθηση μικροκινητικότητας.

• Γεωργία : Καταμέτρηση καλλιεργειών, εντοπισμός ασθενειών, ετοιμότητα συγκομιδής.

• Ασφάλειες & Χρηματοδότηση : Εκτίμηση ζημιών, έλεγχοι KYC, σημάνσεις απάτης.

• Κατασκευές & Ενέργεια : Συμμόρφωση με τους κανονισμούς ασφαλείας, ανίχνευση διαρροών, παρακολούθηση διάβρωσης.

• Περιεχόμενο & Προσβασιμότητα : Αυτόματοι υπότιτλοι, εποπτεία, οπτική αναζήτηση.

Μοτίβο που θα παρατηρήσετε: αντικαταστήστε τη χειροκίνητη σάρωση με αυτόματη διαλογή και, στη συνέχεια, κλιμακώστε την σε ανθρώπους όταν η αυτοπεποίθηση μειωθεί. Δεν είναι εντυπωσιακό - αλλά κλιμακώνεται.

Δεδομένα, ετικέτες και οι μετρήσεις που έχουν σημασία 📊

• Ταξινόμηση : Ακρίβεια, F1 για ανισορροπία.

• Ανίχνευση : mAP σε όλα τα όρια IoU· επιθεώρηση ανά κλάση AP και κάδους μεγέθους. [3]

• Τμηματοποίηση : mIoU, Dice· ελέγξτε και τα σφάλματα σε επίπεδο παρουσίας.

• Παρακολούθηση : MOTA, IDF1. Η ποιότητα επαναπροσδιορισμού είναι ο σιωπηλός ήρωας.

• OCR : Ποσοστό σφαλμάτων χαρακτήρων (CER) και Ποσοστό σφαλμάτων λέξεων (WER). Οι αστοχίες διάταξης συχνά κυριαρχούν.

• Εργασίες παλινδρόμησης : Το βάθος ή η στάση χρησιμοποιούν απόλυτα/σχετικά σφάλματα (συχνά σε λογαριθμικές κλίμακες).

Καταγράψτε το πρωτόκολλο αξιολόγησής σας, ώστε να μπορούν να το αναπαράγουν και άλλοι. Δεν είναι σέξι, αλλά σας κρατάει ειλικρινείς.

Κατασκευή vs αγορά - και πού να το εκτελέσετε 🏗️

• Cloud : Πιο εύκολο στην εκκίνηση, ιδανικό για μαζικά φόρτα εργασίας. Παρακολουθήστε το κόστος εξόδου.

• Συσκευές Edge : Χαμηλότερη καθυστέρηση και καλύτερο απόρρητο. Θα σας ενδιαφέρει η κβαντοποίηση, το κλάδεμα και οι επιταχυντές.

• Σε φορητή συσκευή : Καταπληκτικό όταν ταιριάζει. Βελτιστοποιήστε τα μοντέλα και προσέξτε την μπαταρία.

• Υβριδικό : Προφίλτρο στην άκρη, βαριά δουλειά στο cloud. Ένας καλός συμβιβασμός.

Μια βαρετά αξιόπιστη στοίβα: πρωτότυπο με PyTorch, εκπαίδευση ενός τυπικού ανιχνευτή, εξαγωγή σε ONNX, επιτάχυνση με το OpenVINO/ONNX Runtime και χρήση OpenCV για προεπεξεργασία και γεωμετρία (βαθμονόμηση, ομογραφία, μορφολογία). [4]

Κίνδυνοι, ηθική και τα δύσκολα σημεία για τα οποία πρέπει να μιλήσουμε ⚖️

Τα συστήματα όρασης μπορούν να κληρονομήσουν μεροληψίες συνόλου δεδομένων ή λειτουργικά τυφλά σημεία. Ανεξάρτητες αξιολογήσεις (π.χ., NIST FRVT) έχουν μετρήσει δημογραφικές διαφορές στα ποσοστά σφαλμάτων αναγνώρισης προσώπου σε διάφορους αλγόριθμους και συνθήκες. Αυτός δεν είναι λόγος για πανικό, αλλά είναι ένας λόγος για προσεκτικές δοκιμές, καταγραφή περιορισμών και συνεχή παρακολούθηση στην παραγωγή. Εάν αναπτύσσετε περιπτώσεις χρήσης που σχετίζονται με την ταυτότητα ή την ασφάλεια, συμπεριλάβετε μηχανισμούς ανθρώπινης αναθεώρησης και προσφυγής. Το απόρρητο, η συγκατάθεση και η διαφάνεια δεν είναι προαιρετικά πρόσθετα. [5]

Ένας γρήγορος χάρτης πορείας που μπορείτε πραγματικά να ακολουθήσετε 🗺️

1. Ορίστε την απόφαση.
   Ποια ενέργεια πρέπει να κάνει το σύστημα αφού δει μια εικόνα; Αυτό σας εμποδίζει να βελτιστοποιήσετε τις μετρήσεις αυταπάρνησης.

2. Συλλέξτε ένα αποσπασματικό σύνολο δεδομένων.
   Ξεκινήστε με μερικές εκατοντάδες εικόνες που αντικατοπτρίζουν το πραγματικό σας περιβάλλον. Ετικέτες προσεκτικά - ακόμα κι αν πρόκειται για εσάς και τρία αυτοκόλλητα σημειώματα.

3. Επιλέξτε ένα βασικό μοντέλο.
   Επιλέξτε ένα απλό βασικό σύστημα με προ-εκπαιδευμένα βάρη. Μην κυνηγάτε ακόμα εξωτικές αρχιτεκτονικές. [1]

4. Εκπαιδεύστε, καταγράψτε, αξιολογήστε. Παρακολουθήστε
   μετρήσεις, σημεία σύγχυσης και τρόπους αστοχίας. Κρατήστε ένα σημειωματάριο με «περίεργες περιπτώσεις» - χιόνι, λάμψη, αντανακλάσεις, περίεργες γραμματοσειρές.

5. Σφίξτε τον βρόχο.
   Προσθέστε σκληρά αρνητικά, διορθώστε την απόκλιση των ετικετών, προσαρμόστε τις επαυξήσεις και επαναρρυθμίστε τα όρια. Μικρές τροποποιήσεις αθροίζονται. [3]

6. Αναπτύξτε μια λεπτή έκδοση
   . Κβαντίστε και εξαγάγετε. Μετρήστε την καθυστέρηση/την απόδοση στο πραγματικό περιβάλλον, όχι σε ένα παιχνίδι-benchmark.

7. Παρακολούθηση και επανάληψη.
   Συλλογή αστοχιών, αλλαγή ετικέτας, επανεκπαίδευση. Προγραμματισμός περιοδικών αξιολογήσεων, ώστε το μοντέλο σας να μην απολιθωθεί.

Συμβουλή από ειδικό: σχολιάστε ένα μικροσκοπικό σετ αντιπάλων από τον πιο κυνικό συμπαίκτη σας. Αν δεν μπορεί να κάνει τρύπες σε αυτό, πιθανότατα είστε έτοιμοι.

Συνηθισμένες ατέλειες που πρέπει να αποφύγετε 🧨

• Εκπαίδευση σε καθαρές εικόνες στούντιο, με εφαρμογή στον πραγματικό κόσμο με βροχή στον φακό.

• Βελτιστοποίηση για συνολικό mAP όταν πραγματικά ενδιαφέρεστε για μία κρίσιμη κλάση. [3]

• Αγνοώντας την ανισορροπία των τάξεων και στη συνέχεια αναρωτώμενοι γιατί εξαφανίζονται σπάνια γεγονότα.

• Υπερβολική αύξηση μέχρι το μοντέλο να μάθει τεχνητά αντικείμενα.

• Παρακάμπτοντας τη βαθμονόμηση της κάμερας και στη συνέχεια καταπολεμώντας τα σφάλματα προοπτικής για πάντα. [4]

• Πιστοί αριθμοί στον πίνακα κατάταξης χωρίς να αναπαράγουν την ακριβή ρύθμιση αξιολόγησης. [2][3]

Πηγές που αξίζει να προσθέσετε στους σελιδοδείκτες σας 🔗

Αν σας αρέσουν τα βασικά υλικά και οι σημειώσεις μαθημάτων, αυτά είναι χρυσά για βασικές αρχές, πρακτική και σημεία αναφοράς. Δείτε την Αναφορές για συνδέσμους: σημειώσεις CS231n, την εργασία πρόκλησης ImageNet, τα έγγραφα συνόλου δεδομένων/αξιολόγησης COCO, έγγραφα OpenCV και αναφορές NIST FRVT. [1][2][3][4][5]

Τελικές παρατηρήσεις - ή το "Πολύ μεγάλο, δεν το διάβασα" 🍃

Η Υπολογιστική Όραση στην Τεχνητή Νοημοσύνη μετατρέπει τα pixel σε αποφάσεις. Λάμπει όταν συνδυάζετε τη σωστή εργασία με τα σωστά δεδομένα, μετράτε τα σωστά πράγματα και επαναλαμβάνετε με ασυνήθιστη πειθαρχία. Τα εργαλεία είναι γενναιόδωρα, τα benchmarks είναι δημόσια και η διαδρομή από το πρωτότυπο στην παραγωγή είναι εκπληκτικά σύντομη αν επικεντρωθείτε στην τελική απόφαση. Ορίστε τις ετικέτες σας, επιλέξτε μετρήσεις που ταιριάζουν με τον αντίκτυπο και αφήστε τα μοντέλα να κάνουν τη δύσκολη δουλειά. Και αν βοηθάει μια μεταφορά - σκεφτείτε το σαν να διδάσκετε σε έναν πολύ γρήγορο αλλά κυριολεκτικό ασκούμενο να εντοπίζει τι έχει σημασία. Δείχνετε παραδείγματα, διορθώνετε λάθη και σταδιακά το εμπιστεύεστε με πραγματική δουλειά. Όχι τέλειο, αλλά αρκετά κοντά για να είναι μετασχηματιστικό. 🌟

Αναφορές

1. CS231n: Βαθιά Μάθηση για την Υπολογιστική Όραση (σημειώσεις μαθήματος) - Πανεπιστήμιο Στάνφορντ.
   διαβάστε περισσότερα

2. Πρόκληση Οπτικής Αναγνώρισης Μεγάλης Κλίμακας ImageNet (δημοσίευση) - Russakovsky et al.
   διαβάστε περισσότερα

3. Σύνολο Δεδομένων & Αξιολόγηση COCO - Επίσημος ιστότοπος (ορισμοί εργασιών και συμβάσεις mAP/IoU).
   διαβάστε περισσότερα

4. Τεκμηρίωση OpenCV (v4.x) - Ενότητες για προεπεξεργασία, βαθμονόμηση, μορφολογία κ.λπ.
   διαβάστε περισσότερα

5. NIST FRVT Μέρος 3: Δημογραφικά Εφέ (NISTIR 8280) - Ανεξάρτητη αξιολόγηση της ακρίβειας αναγνώρισης προσώπου σε όλα τα δημογραφικά στοιχεία.
   διαβάστε περισσότερα

Βρείτε την τελευταία λέξη της Τεχνητής Νοημοσύνης στο επίσημο κατάστημα βοηθών τεχνητής νοημοσύνης

Σχετικά με εμάς