Haben Sie Probleme mit der Analyse von Diagrammen und Grafiken? Computer Vision kann helfen! Erfahren Sie in unserem Blogbeitrag, wie es schnell und präzise Erkenntnisse aus Diagrammen extrahieren kann.
Die Verwendung von Algorithmen für maschinelles Sehen oder künstliche Intelligenz (KI) zur Interpretation von Diagrammen ist ein ziemlich komplexes Problem. Genau aus diesem Grund ist der KI-Arbeitsmarkt fast immer auf der Suche nach Talenten, die neben den Grundlagen der Informatik nicht nur ein tiefes Verständnis von maschinellem Lernen, Deep Learning, natürlicher Sprachverarbeitung, Datenstrukturen und neuronalen Graphennetzen haben.
Die Automobil- und Transportbranche wird im Prognosezeitraum von 2021 bis 2028 aufgrund der steigenden Nachfrage nach autonomen Fahrzeugen und fortschrittlichen Fahrerassistenzsystemen voraussichtlich das größte Endverbrauchersegment für Computer Vision sein. (Quelle: Grand View Research)
Zurück zur Tabelle!
Wir glauben, Sie stimmen zu, dass dies ein zweistufiger Prozess ist — das Lesen des Diagramms und das Interpretieren der Werte —, die beide sehr komplex sind.
Lassen Sie uns das anhand eines Beispiels erklären. Schauen Sie sich dieses Diagramm an:
Für Computer Vision Um an diesem Diagramm zu arbeiten, muss es Folgendes tun:
Erkenne, dass das ein Diagramm ist, und das ist kein großes Problem. Das können Sie ganz einfach tun, indem Sie Ihren Algorithmus mit Diagrammen verschiedener Typen als Trainingsdaten trainieren. Durch den Einsatz grundlegender Techniken des maschinellen Lernens erfahren Sie sogar, um welche Art von Diagramm es sich handelt — vielleicht um ein Zeitreihendiagramm.
Beachten Sie, dass es für dieses Diagramm zwei Achsen gibt, deren Werte für die Y-Achse von 0 bis 100 und für die X-Achse von Dezember 2007 bis Oktober 2008 variieren. Das ist ziemlich komplex. Zunächst müssen Sie OCR in gewissem Umfang einsetzen, um das Data Mining effizient durchzuführen und herauszufinden, welche Daten an welcher Achse ausgerichtet sind.
Verstehen Sie, dass es zwei Städte gibt, deren Werte in der Grafik dargestellt sind: New York (NY) und San Francisco (SF). Möglicherweise müssen Sie auf externe Quellen zurückgreifen, um herauszufinden, ob NY New York und SF San Francisco ist, aber das ist auch ziemlich einfach.
Nun, das komplexeste Bit: Sehen und berechnen Sie die Werte aller Variablen an einem bestimmten Punkt in einem Diagramm. Zum Beispiel muss es in dem angegebenen Kreis herausfinden, dass:
-1.webp)
Im August 2008 lag die Durchschnittstemperatur in New York bei 80 Grad und in San Francisco bei 60 Grad. Das ist nicht trivial, auch nicht für einen Menschen. Das ist ein relativ einfaches Diagramm, hier ist ein etwas komplexeres Diagramm:
Hier kommen all Ihre grundlegenden Bildverarbeitungsalgorithmen ins Spiel — Pixelinterpretation, Rand-, Kantenerkennung usw. Angenommen, Sie können das tun, dann besteht die zweite Hälfte des Problems darin, Fragen zu beantworten, die auf der Interpretation dieser Daten basieren. Sie können sehr leicht abstrakt werden. Hier ist ein Beispielsatz von Fragen in aufsteigender Reihenfolge ihrer Komplexität für das Temperaturdiagramm:
In welcher Stadt ist es von Mai bis Juni heißer?
Das ist relativ einfach, wenn Sie das Lesen des Diagramms gelöst haben
War das ein harter Winter für New York?
Der Algorithmus kann diese Frage ohne Zugriff auf externe Daten nicht beantworten. Er muss herausfinden, welche Temperaturen New York in den letzten 10, 20 Jahren hatte, und dann diese Werte abgleichen, um eine Antwort zu erhalten
Wann ist die angenehmste Zeit, um New York zu besuchen?
Jetzt sprechen wir über Dinge, die nicht einmal in der Tabelle enthalten sind. Der Algorithmus muss zuerst herausfinden, was komfortable Zeit im Kontext dieses Diagramms bedeutet, und dann eine Antwort finden.
Wie Sie sehen, kann es sehr schnell aus dem Ruder laufen.
Wie kann die Effizienz der Dateninterpretation verbessert werden?
Sie können drei Dinge tun, um Ihren Erfolg bei Problemen mit der Diagramminterpretation zu verbessern:
Beginne mit dem Ende
Eine bessere Möglichkeit, dieses Problem zu lösen, besteht darin, es vom anderen Ende aus anzugehen - mit der Frage, dass Sie die Computer Vision Algorithmus, um darauf zu antworten und Ihr Erkennungssystem danach zu modellieren.
Daten- und Interpretationsbeschränkungen
Es ist auch sehr hilfreich, wenn Sie wissen, welche Art von Grafik Sie interpretieren müssen. Es ist viel einfacher, einen relevanten KI-Index und Algorithmen zu erstellen, die Wetterkarten mit den Informationen zweier Städte lesen müssen, als ein generisches Zeitreihendiagramm. Versuchen Sie, eine Lösung mit einigen Einschränkungen zu erstellen, um die Genauigkeit zu verbessern.
Vorverarbeitung externer Daten
Sobald Sie #2 herausgefunden haben, müssen Sie möglicherweise externe Daten abrufen und Ihr System so trainieren, dass es den Kontext der zu interpretierenden Daten kennt. Zum Beispiel eine grundlegende Ausarbeitung oder ein Wörterbuch zum Verständnis von NY=New York & SF=San Francisco, Kenntnis der durchschnittlichen Höchst- und Tiefsttemperaturen in verschiedenen Städten über einen bestimmten Zeitraum usw.
„Computer Vision und maschinelles Lernen werden die wichtigsten Treiber dafür sein, wie wir in Zukunft Technologien entwickeln und implementieren.“ - Sundar Pichai, CEO von Google.
Die gute Nachricht ist, dass die KI schnell voranschreitet und es nur eine Frage der Zeit ist, bis Computer-Vision-Algorithmen beginnen, komplexe Diagramme mühelos zu interpretieren.
Über diesen Blog
KI kann das Spiel verändern, aber nur, wenn Sie wissen, wie man das Spiel spielt, etwas, worin globale private Investmentfirmen langsam aber stetig besser werden!
Wenn überhaupt, haben wir alle in den letzten zehn Jahren gelernt, wie wichtig maschinelles Lernen und künstliche Intelligenz sind.
Dieser Blog ist ein praktischer Leitfaden, um KI in echten Geschäftswert umzuwandeln. Zum Beispiel die Vorhersage zukünftiger Wachstumsaussichten auf der Grundlage der durchschnittlichen jährlichen Wachstumsrate der letzten Jahre. Erfahren Sie, wie Sie:
- Verschaffen Sie sich einen Sinn für komplexe Dokumente und Bilder.
- Extrahieren Sie die Daten, die Sie für die intelligente Prozessautomatisierung benötigen.
- Wenden Sie KI an, um Erkenntnisse und Wissen aus Ihren Geschäftsdokumenten zu gewinnen.
Häufig gestellte Fragen zu Computer Vision
Wie sieht die Zukunft von Computer Vision aus?
Die Zukunft der Computervision ist vielversprechend mit Fortschritten in den Bereichen Deep Learning, Echtzeit- und Edge-Computing sowie 3D-Vision. Diese Technologien verbessern die Objekterkennung, das Szenenverständnis und die Bildklassifizierung. Echtzeit- und Edge-Computing ermöglichen eine schnellere Verarbeitung und Analyse visueller Daten. 3D-Vision verbessert die Tiefenwahrnehmung. Diese Fortschritte finden Anwendung in autonomen Fahrzeugen, Robotik, Gesundheitswesen, erweiterter Realität und industrieller Automatisierung und sorgen für eine intelligentere und intuitivere visuelle Welt.
Wie wird Computer Vision in der virtuellen Realität eingesetzt?
Computer Vision spielt eine entscheidende Rolle bei der Verbesserung des Virtual-Reality-Erlebnisses (VR) durch verschiedene Anwendungen. Die Gestenerkennung ermöglicht es Benutzern, mithilfe von Handgesten mit der virtuellen Umgebung zu interagieren, wodurch das Eintauchen und die Benutzerinteraktion verbessert werden. Techniken zur Rekonstruktion von Umgebungen verwenden Computer-Vision-Algorithmen, um realistische virtuelle Umgebungen zu erstellen, indem reale Szenen erfasst und analysiert werden. Objekterkennung und -verfolgung ermöglichen es der virtuellen Umgebung, mit realen Objekten zu interagieren, sodass Benutzer virtuelle Objekte auf natürlichere und intuitivere Weise manipulieren und mit ihnen interagieren können. Diese Anwendungen im Bereich Computer Vision tragen zu einem immersiveren und realistischeren VR-Erlebnis bei und eröffnen Möglichkeiten für Unterhaltung, Training, Simulationen und verschiedene andere Bereiche.
In welchen Branchen und Bereichen wird Computer Vision eingesetzt?
Computer Vision wird in einer Vielzahl von Branchen und Bereichen angewendet.
Gesundheitswesen: Diagnose und Behandlungsplanung
Landwirtschaft: Pflanzenüberwachung, Ertragsschätzung, Erkennung von Krankheiten
Fertigung: Qualitätskontrolle und Prozessoptimierung
Einzelhandel: Bestandsverwaltung, Kundenanalysen, Augmented-Reality-Einkaufserlebnisse
Was sind die Herausforderungen bei der Verwendung von Computer Vision zum Lesen von Diagrammen?
Zu den Herausforderungen bei der Verwendung von Computer Vision zum Lesen von Diagrammen gehören:
- Komplexität des Diagramms: Einige Diagramme können eine große Anzahl von Datenpunkten oder mehrere Datenreihen enthalten, was es schwierig macht, Muster und Trends zu identifizieren
- Datenqualität: Diagramme können unvollständige oder ungenaue Daten enthalten, was die Genauigkeit der Analyse beeinträchtigen kann
- Diagrammtyp: Verschiedene Diagrammtypen erfordern möglicherweise unterschiedliche Analysetechniken und einige Diagrammtypen sind möglicherweise schwieriger zu analysieren als andere
- Interpretation: Selbst bei genauer Analyse ist der Computer möglicherweise nicht in der Lage, die Daten auf die gleiche Weise zu interpretieren wie ein Mensch. Möglicherweise ist eine menschliche Interpretation erforderlich, um die vom Computer bereitgestellten Erkenntnisse vollständig zu verstehen.
Häufig gestellte Fragen
Software zur Überprüfung und Prüfung von Hypotheken ist ein Sammelbegriff für Tools zur Automatisierung und Rationalisierung des Prozesses der Kreditbewertung. Es hilft Finanzinstituten dabei, die Qualität, die Einhaltung der Vorschriften und das Risiko von Krediten zu beurteilen, indem sie Kreditdaten, Dokumente und Kreditnehmerinformationen analysiert. Diese Software stellt sicher, dass Kredite den regulatorischen Standards entsprechen, reduziert das Fehlerrisiko und beschleunigt den Überprüfungsprozess, wodurch er effizienter und genauer wird.
Eine QC-Checkliste vor der Finanzierung besteht aus einer Reihe von Richtlinien und Kriterien, anhand derer die Richtigkeit, Einhaltung und Vollständigkeit eines Hypothekendarlehens überprüft und verifiziert werden, bevor Mittel ausgezahlt werden. Sie stellt sicher, dass das Darlehen den regulatorischen Anforderungen und internen Standards entspricht, wodurch das Risiko von Fehlern und Betrug verringert wird.
IDP verarbeitet effizient sowohl strukturierte als auch unstrukturierte Daten, sodass Unternehmen relevante Informationen aus verschiedenen Dokumenttypen nahtlos extrahieren können.
KI verwendet Mustererkennung und Natural Language Processing (NLP), um Dokumente genauer zu klassifizieren, selbst bei unstrukturierten oder halbstrukturierten Daten.
Ja, IDP kann Dokumenten-Workflows vollständig automatisieren, vom Scannen über die Datenextraktion und Validierung bis hin zur Integration mit anderen Geschäftssystemen.
IDP nutzt KI-gestützte Validierungstechniken, um sicherzustellen, dass die extrahierten Daten korrekt sind, wodurch menschliche Fehler reduziert und die allgemeine Datenqualität verbessert wird.
