Kompiuterinės vizijos pažanga skatina transporto autonomiją

Regėjimas yra galinga žmogaus jutimo įvestis. Tai leidžia atlikti sudėtingas užduotis ir procesus, kuriuos laikome savaime suprantamais. Didėjant AoT™ (daiktų autonomijai) įvairiose srityse, pradedant transportu ir žemės ūkiu, baigiant robotika ir medicina, fotoaparatų, skaičiavimo ir mašinų mokymosi vaidmuo teikiant žmogui panašų regėjimą ir pažinimą tampa reikšmingas. Kompiuterinė vizija, kaip akademinė disciplina, išpopuliarėjo septintajame dešimtmetyje, visų pirma universitetuose, užsiimančius kylančia dirbtinio intelekto (AI) ir mašininio mokymosi sritimi. Per ateinančius keturis dešimtmečius ji smarkiai pažengė į priekį, nes buvo padaryta didelė puslaidininkių ir skaičiavimo technologijų pažanga. Naujausi giluminio mokymosi ir dirbtinio intelekto pažanga dar labiau paspartino kompiuterinės vizijos taikymą, kad būtų galima realiai suvokti ir pažinti aplinką su mažu delsos laiku, todėl įvairiose programose yra autonomija, saugumas ir efektyvumas. Transportas yra viena iš sričių, kuriai buvo daug naudos.

LiDAR (Šviesos aptikimas ir diapazonas) yra aktyvus optinio vaizdo gavimo metodas, naudojant lazerius, kad būtų galima nustatyti 3D aplinką aplink objektą. Tai viena iš technologijų, kurią bando sutrikdyti kompiuterinio matymo sprendimai (kurie remiasi vien tik aplinkos šviesa ir nenaudoja lazerių 3D suvokimui). Bendra tema yra ta, kad žmonėms vairuotojams nereikia LiDAR, kad suvoktų gylį, todėl nereikia ir mašinoms. Dabartinės komercinės L3 autonominio vairavimo funkcijos (visiška autonomija tam tikrose geografinėse vietovėse ir oro sąlygomis, vairuotojui pasiruošus perimti valdymą per kelias sekundes) produktai šiandien naudoti LiDAR. Grynai vizija pagrįsti metodai vis dar negalėjo pasiūlyti šios galimybės komerciškai.

SKELBIMAI

TeslaTSLA
yra dominuojantis pasyvios kameros kompiuterinės vizijos naudojimo, siekiant užtikrinti keleivinių transporto priemonių autonomiją, šalininkas. Neseniai surengtame AI dienos renginyje Elonas Muskas ir jo inžinieriai pristatė įspūdingą pristatymą savo AI, duomenų valdymo ir skaičiavimo galimybių, kurios, be kitų iniciatyvų, palaiko visiško savarankiško vairavimo (FSD) funkciją keliuose Tesla modeliuose. FSD reikalauja, kad vairuotojas žmogus visą laiką dalyvautų vairavimo užduotyje (tai atitinka L2 autonomiją). Šiuo metu ši parinktis galima 160,000 8 automobilių, kuriuos įsigijo klientai iš JAV ir Kanados. Kiekvienoje transporto priemonėje yra 360 kamerų rinkinys, kuriame pateikiamas 75° užimtumo žemėlapis. Šių transporto priemonių kameros (ir kiti) duomenys naudojami apmokant jo neuroninį tinklą (kuris naudoja automatinį žymėjimą) atpažinti objektus, nubrėžti galimas transporto priemonių trajektorijas, parinkti optimalias ir aktyvuoti atitinkamus valdymo veiksmus. Per pastaruosius 12 mėnesių įvyko ~1 7 neuroninio tinklo atnaujinimų (~4 atnaujinimas kas XNUMX minutes), nes nuolat renkami nauji duomenys ir aptinkamos ženklinimo ar manevravimo klaidos. Išmokytas tinklas atlieka planavimo ir valdymo veiksmus naudodamas integruotą, perteklinę specialiai sukurtos skaičiavimo elektronikos architektūrą. „Tesla“ tikisi, kad FSD ilgainiui sukurs autonomines transporto priemones (AV), kurios užtikrins visišką autonomiją tam tikrose veiklos projektavimo srityse, nereikalaujant žmogaus vairuotojo įsitraukimo (taip pat vadinama LXNUMX autonomija).

Kitos įmonės, tokios kaip Phiar, Helm.ai ir NODAR taip pat siekia kompiuterinio matymo būdų. NODAR siekia žymiai išplėsti stereo kamerų sistemų vaizdo diapazoną ir 3D suvokimą, mokydamasi prisitaikyti prie fotoaparato nesutapimo ir vibracijos efektų, naudojant patentuotus mašininio mokymosi algoritmus. Neseniai ji surinko 12 mln už savo pavyzdinio produkto „Hammerhead™“, kuriame naudojamos „parduotuvės“ automobiliams skirtos kameros ir standartinės skaičiavimo platformos, gamybai.

Be kainos ir dydžio, dažnas argumentas prieš LiDAR naudojimą yra tas, kad jo diapazonas ir skiriamoji geba yra ribota, palyginti su fotoaparatais. Pavyzdžiui, šiandien galima įsigyti LiDAR su 200 m diapazonu ir 5–10 M taškų per sekundę (PPS panašus į skiriamąją gebą). 200 m atstumu mažos kliūtys, pvz., plytos ar padangų nuolaužos, užfiksuos labai mažai taškų (galbūt 2–3 vertikaliai ir 3–5 horizontaliai), todėl objektą atpažinti bus sunku. Daiktai tampa dar šiurkštesni ilgesniu atstumu. Palyginimui, standartinės megapikselių kameros, veikiančios 30 Hz dažniu, gali generuoti 30M pikselių per sekundę, o tai leidžia puikiai atpažinti objektus net dideliais atstumais. Pažangesnės kameros (12 M pikselių) gali tai dar labiau padidinti. Problema yra ta, kaip panaudoti šiuos didžiulius duomenis ir sukurti veiksmingą suvokimą su milisekundžių lygmens delsa, mažu energijos suvartojimu ir pablogėjusiomis apšvietimo sąlygomis.

SKELBIMAI

Atpažinti, Kalifornijoje įsikūrusi įmonė, bando išspręsti šią problemą. Pasak generalinio direktoriaus Marko Bolitho, jo misija yra „suteikia antžmogišką vizualinį suvokimą visiškai autonominėms transporto priemonėms. Įmonė buvo įkurta 2017 m., iki šiol surinko 75 mln. USD ir joje dirba 70 darbuotojų. RK Anand, Juniper Networks alumnas, yra vienas iš įkūrėjų ir vyriausiasis produktų pareigūnas. Jis mano, kad naudojant didesnės raiškos kameras, kurių dinaminis diapazonas > 120 dB, veikiančias dideliu kadrų dažniu (pavyzdžiui, „OnSemi“, „Sony“ ir „Omnivision“), gaunami duomenys, reikalingi didelės raiškos 3D informacijai sukurti, o tai labai svarbu kuriant AV. Įgalintojai yra šie:

1. Individualiai sukurti ASIC efektyviai apdoroti duomenis ir sukurti tikslius bei didelės raiškos 3D automobilio aplinkos žemėlapius. Jie gaminami naudojant TSMC 7 nm procesą, 100 mm² lusto dydis ir veikia 1 GHz dažniu.
2. Patentuoti mašininio mokymosi algoritmai, skirti milijonams duomenų taškų apdoroti neprisijungus, kad būtų sukurtas išlavintas neuroninis tinklas, kuris galėtų efektyviai veikti ir nuolat mokytis. Šis tinklas suteikia suvokimą ir apima objektų klasifikavimą ir aptikimą, semantinį segmentavimą, eismo juostų aptikimą, eismo ženklus ir šviesoforo atpažinimą.
3. Sumažinti ne lusto saugojimo ir daugybos operacijas, kurios reikalauja daug energijos ir sukuria didelę delsą. „Recogni“ ASIC dizainas yra optimizuotas logaritminei matematikai ir naudoja sudėjimą. Tolesnis efektyvumas pasiekiamas optimaliai sugrupuojant svorius treniruotame neuroniniame tinkle.

Mokymo fazėje komercinis LiDAR naudojamas kaip pagrindinė tiesa, kad būtų mokomi didelės raiškos, didelio dinaminio diapazono stereo kameros duomenys, kad būtų galima išgauti informaciją apie gylį ir apsaugoti nuo nesutapimų bei vibracijos efektų. Pasak p. Anand, jų mašininio mokymosi įgyvendinimas yra toks efektyvus, kad jis gali ekstrapoliuoti gylio įvertinimus už treniruočių diapazonų, kuriuos suteikia kalibravimo LiDAR (kuris suteikia pagrindinę tiesą iki 100 m diapazono).

SKELBIMAI

Aukščiau pateikti mokymo duomenys buvo atlikti dienos metu naudojant stereofoninę 8.3 megapikselių kamerų porą, veikiančią 30 Hz kadrų dažniu (~ 0.5 milijardo pikselių per sekundę). Tai parodo apmokyto tinklo gebėjimą išgauti 3D informaciją scenoje už 100 m diapazono, kuriame jis buvo mokomas. „Recogni“ sprendimas taip pat gali ekstrapoliuoti mokymąsi iš dienos duomenų į našumą naktį (2 pav.).

SKELBIMAI

Pasak p. Anand, diapazono duomenys yra tikslūs iki 5% (ilguose diapazonuose) ir beveik 2% (trumpesniuose diapazonuose). Sprendimas suteikia 1000 TOPS (trilijonų operacijų per sekundę) su 6 ms delsa ir 25 W energijos suvartojimu (40 TOPS/W), o tai pirmauja pramonėje. Konkurentai, naudojantys sveikųjų skaičių matematiką, yra > 10 kartų mažesni pagal šią metriką. „Recogni“ sprendimas šiuo metu yra bandomas keliuose 1 lygio automobilių tiekėjus.

Pranašauju („numatyti ir pamatyti, kur vyksta veiksmas“)Prancūzijoje, savo įvykiais pagrįstas kameras naudoja AV, pažangiosioms vairuotojo pagalbos sistemoms (ADAS), pramonės automatizavimui, vartotojų programoms ir sveikatos priežiūrai. Įkurta 2014 m bendrovė neseniai uždarė savo C etapo finansavimą 50 mln, iki šiol iš viso surinkta 127 mln. USD. „Xiaomi“, pirmaujanti mobiliųjų telefonų gamintoja, yra vienas iš investuotojų. Prophesee tikslas yra imituoti žmogaus regėjimą, kuriame tinklainės receptoriai reaguoja į dinamišką informaciją. Žmogaus smegenys sutelkia dėmesį į scenos pokyčių apdorojimą (ypač vairuojant). Pagrindinė idėja yra naudoti kameros ir pikselių architektūras, kurios aptinka šviesos intensyvumo pokyčius, viršijančius slenkstį (įvykį), ir pateikia tik šiuos duomenis į skaičiavimo krūvą tolesniam apdorojimui. Pikseliai veikia asinchroniškai (neįrėminti kaip įprastose CMOS kamerose) ir daug didesniu greičiu, nes jiems nereikia integruoti fotonų kaip įprastoje kadro pagrindu veikiančioje kameroje ir laukti, kol visas kadras tai užbaigs prieš nuskaitant duomenis. Privalumai yra reikšmingi – mažesnis duomenų pralaidumas, sprendimo delsa, saugykla ir energijos suvartojimas. Pirmasis bendrovės komercinės klasės VGA įvykių regėjimo jutiklis pasižymėjo dideliu dinaminiu diapazonu (>120 dB), mažu energijos suvartojimu (26 mW jutiklio lygiu arba 3 nW vienam įvykiui). Taip pat buvo išleista HD (didelės raiškos) versija (kurta kartu su Sony), kurios pikselių dydis yra pirmaujantis (< 5 μm).

SKELBIMAI

Šie jutikliai sudaro „Metavision®“ jutimo platformos, kuri naudoja AI, siekiant užtikrinti protingą ir efektyvų autonomijos programų suvokimą, branduolį. Jį vertina kelios transporto erdvės įmonės. Be į priekį nukreipto AV ir ADAS suvokimo, „Prophesee“ aktyviai bendradarbiauja su klientais, kad galėtų stebėti L2 ir L3 programų vairuotoją salone, žr.

Automobilių galimybės yra pelningos, tačiau projektavimo ciklas yra ilgas. Per pastaruosius dvejus metus „Prophesee“ sulaukė didelio susidomėjimo ir traukos mašinų matymo erdve, skirta pramonei. Tai apima greitą skaičiavimą, paviršiaus patikrinimą ir vibracijos stebėjimą.

SKELBIMAI

Prophesee neseniai paskelbė apie bendradarbiavimą su pirmaujančiais mašininio matymo sistemų kūrėjais, kad išnaudotų galimybes pramonės automatizavimo, robotikos, automobilių ir daiktų interneto (daiktų interneto) srityse. Kitos tiesioginės galimybės yra vaizdo susiliejimo korekcija mobiliuosiuose telefonuose ir AR/VR programoms. Jie naudoja mažesnio formato jutiklius nei tie, kurie naudojami ilgalaikėms ADAS/AV galimybėms, sunaudoja dar mažiau energijos ir veikia su žymiai mažesniu delsimu.

Izraelis yra pirmaujantis aukštųjų technologijų novatorius, turintis didelių rizikos investicijų ir aktyvią startuolių aplinką. Nuo 2015 m. į technologijų sektorių buvo investuota apie 70 mlrd. USD rizikos valdomų investicijų. Dalis to yra kompiuterinio matymo srityje. Mobileye vadovavo šiai revoliucijai 1999 m., kai Amnonas Shashua, pirmaujantis AI tyrinėtojas iš Hebrajų universiteto, įkūrė įmonę, siekdamas sutelkti dėmesį į fotoaparatu pagrįstą ADAS ir AV suvokimą. 2014 m. bendrovė pateikė paraišką dėl IPO ir ją įsigijo „Intel“.INTC
2017 m. už 15 mlrd. Šiandien ji lengvai tapo pirmaujančia kompiuterinės vizijos ir AV srities žaidėja ir pastaruoju metu paskelbė apie ketinimą pateikti IPO ir tapti nepriklausomu subjektu. Mobileye uždirbo 1.4 mlrd. USD per metus ir patyrė nedidelius nuostolius (75 mln. USD). Jis suteikia kompiuterinio matymo galimybes 50 automobilių originalios įrangos gamintojų, kurie taiko 800 automobilių modelių ADAS funkcijoms. Ateityje jie ketina pirmauti L4 transporto priemonių autonomijos srityje (nereikia vairuotojo), naudodamos šią kompiuterinio matymo patirtį ir LiDAR galimybes, pagrįstas „Intel“ silicio fotonikos platforma. Apskaičiuota, kad Mobileye įvertinimas yra ~ 50 mlrd. USD, kai jie pagaliau pasirodys viešai.

SKELBIMAI

Champel sostinė, įsikūrusi Jeruzalėje, pirmauja investuodama į įmones, kuriančias kompiuterine vizija pagrįstus produktus įvairioms reikmėms – nuo ​​transporto ir žemės ūkio iki saugumo ir saugos. Amiras Weitmanas yra vienas iš įkūrėjų ir vadovaujantis partneris, savo rizikos įmonę įkūrė 2017 m. Pirmasis fondas investavo 20 mln. USD į 14 įmonių. Viena iš jų investicijų buvo į „Innoviz“, kuri 2018 m. pateko į viešumą per SPAC susijungimą ir tapo LiDAR vienaragiu. Vadovaujamas Omer Keilaf (kuris kilęs iš Izraelio gynybos pajėgų žvalgybos korpuso technologijų padalinio), Šiandien bendrovė yra lyderė LiDAR diegimo srityje ADAS ir AV, daug kartų laimėjusi BMW ir Volkswagen.

Antrasis „Champel Capital“ fondas („Impact Deep Tech Fund II“) buvo įkurtas 2022 m. sausio mėn. ir iki šiol surinko 30 mln. USD (tikslas – 100 mln. USD iki 2022 m. pabaigos). Dominuojantis dėmesys skiriamas kompiuterinei vizijai, penkiose įmonėse yra skirta 12 mln. USD. Trys iš jų naudoja kompiuterinę viziją transportui ir robotams.

TankU, įsikūrusi Haifoje, veiklą pradėjo 2018 m. ir surinko 10 mln. USD finansavimą. Danas Valdhornas yra generalinis direktorius ir yra baigęs 8200 padalinį – elitinę aukštųjų technologijų grupę Izraelio gynybos pajėgose, atsakingą už signalų žvalgybą ir kodo iššifravimą. TankU SaaS (Software as a Service) produktai automatizuoja ir apsaugo procesus sudėtingose ​​lauko aplinkose, aptarnaujančiose transporto priemones ir vairuotojus. Šiuos gaminius naudoja transporto priemonių parkų, asmeninių automobilių, degalų ir elektros įkrovimo stotelių savininkai, kad išvengtų vagysčių ir sukčiavimo automatizuotų finansinių operacijų metu. Transporto priemonių degalų paslaugos kasmet generuoja ~ 2 T USD pasaulinių pajamų, iš kurių privačių ir komercinių transporto priemonių parko savininkai sunaudoja 40 % arba 800 mlrd. Mažmenininkai ir automobilių parkų savininkai kasmet praranda ~ 100 mlrd. USD dėl vagysčių ir sukčiavimo (pavyzdžiui, naudodamiesi automobilių parko degalų kortele neteisėtoms privačioms transporto priemonėms). CNP (kortelės nėra) sukčiavimas ir kuro klastojimas / vagystė yra papildomi nuostolių šaltiniai, ypač kai atsiskaitymui naudojate pavogtus kortelės duomenis mobiliosiose programėlėse.

SKELBIMAI

Bendrovės „TUfuel“ produktas palengvina saugų mokėjimą vienu paspaudimu, blokuoja daugumą sukčiavimo rūšių ir įspėja klientus, kai įtaria sukčiavimą. Tai daroma remiantis dirbtinio intelekto varikliu, parengtu remiantis šiose patalpose esančių CCTV duomenimis ir skaitmeninių operacijų duomenimis (įskaitant POS ir kitus galinius duomenis). Tokie parametrai kaip transporto priemonės trajektorija ir dinamika, transporto priemonės ID, kelionės laikas, rida, degalų pildymo laikas, degalų kiekis, degalų istorija ir vairuotojo elgsena yra kai kurie atributai, stebimi siekiant nustatyti sukčiavimą. Šie duomenys taip pat padeda mažmenininkams optimizuoti svetainės veikimą, padidinti klientų lojalumą ir diegti vizija pagrįstus rinkodaros įrankius. Pasak generalinio direktoriaus Dano Valdhorno, jų sprendimas aptinka 70 % automobilių parko, 90 % kredito kortelių ir 70 % su klastojimu susijusių sukčiavimo įvykių.

Sonol yra energetikos paslaugų įmonė, kuriai priklauso ir valdo 240 stočių ir savitarnos parduotuvių tinklą visame Izraelyje. TUfuel yra dislokuotas jų svetainėse ir parodė didesnį saugumą, sukčiavimo prevenciją ir klientų lojalumą. Produkto bandymai vyksta JAV, bendradarbiaujant su pirmaujančiu pasauliniu degalinių ir parduotuvių įrangos tiekėju. Panašios iniciatyvos taip pat vykdomos Afrikoje ir Europoje.

SKELBIMAI

Tel Avive ITC 2019 m. įkūrė mašininio mokymosi akademikai iš Ben-Guriono universiteto. ITC kuria SaaS produktus, kurie „Išmatuokite eismo srautus, numatykite spūstis ir sumažinkite jas sumaniai valdydami šviesoforus – prieš formuojant spūstis“. Panašiai kaip „TankU“, jis naudoja duomenis iš paruoštų kamerų (jau įdiegtų daugelyje eismo sankryžų), kad gautų tiesioginius eismo duomenis. Analizuojami duomenys iš tūkstančių miesto kamerų, o tokie parametrai kaip transporto priemonės tipas, greitis, judėjimo kryptis ir transporto priemonių tipų seka (sunkvežimiai ir automobiliai) išgaunami naudojant patentuotus AI algoritmus. Modeliavimas numato eismo srautus ir galimas kamščių situacijas iki 30 minučių iš anksto. Šviesoforai koreguojami naudojant šiuos rezultatus, kad būtų išlygintas eismo srautas ir išvengta spūsčių.

AI sistemos mokymas užtrunka vieną mėnesį vaizdinių duomenų tipiškame mieste ir apima prižiūrimo ir neprižiūrimo mokymosi derinį. ITC sprendimas jau yra įdiegtas Tel Avive (25 m. užėmė 2020 vietą perpildytuose pasaulio miestuose), tūkstančiai kamerų yra įdiegtos šimtuose sankryžų, valdomų šviesoforais. ITC sistema šiuo metu valdo 75 tūkst. transporto priemonių, kurios, kaip tikimasi, ir toliau augs. Įmonė įrengia a panašios galimybės Liuksemburge ir pradeda bandymus didžiuosiuose JAV miestuose. Pasauliniu mastu jo sprendimas valdo 300,000 XNUMX transporto priemonių, veikiančių Izraelyje, JAV, Brazilijoje ir Australijoje. CTO Dviras Kenigas aistringai siekia išspręsti šią problemą – sugrąžinti žmonėms asmeninį laiką, sumažinti šiltnamio efektą sukeliančių dujų kiekį, padidinti bendrą produktyvumą ir, svarbiausia, sumažinti nelaimingų atsitikimų skaičių perpildytose sankryžose. Pasak pono Kenigo, „Mūsų diegimas rodo, kad 30 % sumažėjo eismo spūstys, sumažinamas neproduktyvus vairavimo laikas, stresas, degalų sąnaudos ir tarša.

SKELBIMAI

Robotika patalpose buvo įkurta 2018 ir neseniai surinko 18 mln. Netoli Tel Avivo (Izraelis) įsikūrusi bendrovė kuria ir parduoda autonominius dronų sprendimus patalpų saugumui, saugai ir priežiūros stebėjimui. Generalinis direktorius ir vienas iš įkūrėjų Doronas Ben-Davidas turi didelę robotikos ir aeronautikos patirtį, sukauptą IAI.IAI
(pagrindinis gynybos rangovas) ir MAFAT (pažangi tyrimų organizacija Izraelio gynybos ministerijoje), panaši į DARPA JAV. Augančios investicijos į išmaniuosius pastatus ir komercinės saugos rinkas skatina autonominių sistemų, galinčių naudoti kompiuterinį regėjimą ir kitus jutimo įvestis mažose ir didelėse vidaus komercinėse erdvėse (biuruose, duomenų centruose, sandėliuose ir mažmeninės prekybos patalpose), poreikį. „Indoor Robotics“ taikosi į šią rinką naudodama patalpų dronus, kuriuose įrengtos tiesioginės kameros ir šilumos bei infraraudonųjų spindulių diapazono jutikliai.

Ofir Bar-Levav yra verslo vadovas. Jis paaiškina, kad dėl GPS trūkumo vidaus dronams buvo trukdoma įsikurti pastatų viduje (paprastai GPS atmesta arba netikslūs). Be to, trūko patogių ir efektyvių prijungimo ir maitinimo sprendimų. „Indoor Robotics“ tai sprendžia keturiomis drone sumontuotomis kameromis (viršuje, žemyn, kairėn, dešinėn) ir paprastais nuotolio jutikliais, kurie tiksliai atvaizduoja patalpų erdvę ir jos turinį. Kameros duomenis (kameros pateikia lokalizacijos ir žemėlapių duomenis) ir šilumos jutiklius (taip pat sumontuotus drone) analizuoja AI sistema, kad būtų galima nustatyti galimas saugumo, saugos ir priežiūros problemas bei įspėti klientą. Dronai maitinami per prie lubų pritvirtintą „prijungimo plytelę“, kuri taupo vertingą grindų plotą ir leidžia rinkti duomenis kraunant. Finansiniai privalumai automatizuojant šiuos kasdienius procesus, kai žmonių darbas yra sudėtingas ir brangus, kalbant apie įdarbinimą, išlaikymą ir mokymą, yra akivaizdūs. Bepiločių orlaivių naudojimas, palyginti su antžeminiais robotais, taip pat turi didelių pranašumų, susijusių su kapitalo ir eksploatacinėmis sąnaudomis, geresniu patalpų ploto išnaudojimu, laisve judėti be kliūčių ir fotoaparato duomenų fiksavimo efektyvumu. Pasak J. Bar-Levavo, iki 80 m. Indoor Robotics TAM (Total Addressable Market) vidaus išmaniųjų apsaugos sistemų kainuos 2026 mlrd. USD. Šiandien pagrindinės klientų vietos yra pirmaujančių pasaulinių korporacijų sandėliai, duomenų centrai ir biurų miesteliai.

SKELBIMAI

Kompiuterinė vizija keičia autonomijos žaidimą – judėjimo automatizavimo, saugumo, išmaniųjų pastatų stebėjimo, sukčiavimo aptikimo ir eismo valdymo srityse. Puslaidininkių ir AI galia yra galingi įgalintojai. Kai kompiuteriai įvaldo šį neįtikėtiną jutimo būdą keičiamo mastelio būdu, galimybės yra begalinės.