مایکروسافت کیت بینایی هوش مصنوعی را در دسترس عموم قرار داد

در ماه مه سال ۲۰۱۸، مایکروسافت در کنفرانس سالانه خود در سیاتل تحت عنوان «Build» از همکاری با کوالکام خبر داد. هدف از این همکاری، ساخت کیت توسعه‌دهنده بینایی با استفاده از کامپیوتر بود.

این کیت بینایی هوش مصنوعی مایکروسافت، یک پایه سخت‌افزاری ساخته شده بر روی بستر اطلاعاتی ویژوال کوالکام است؛ که برای اجرای مدل‌های هوش مصنوعی بصورت لوکال و ادغام در سرویس‌های ابری مایکروسافت Azure ML و Azure IoT Edge طراحی و ساخته شده است؛ لازم به ذکر می‌باشد که Azure ML و Azure IoT Edge در ماه اکتبر گذشته در دسترس عموم قرار گرفتند.

مایکروسافت و کوالکام مدتی پیش اعلام کردند که کیت بینایی هوش مصنوعی ساخته شده توسط eInfochips اکنون با قیمت ۲۴۹ دلار از طریق توزیع کننده Arrow Electronics به صورت انبوه در دسترس عموم می‌باشد.

این کیت نرم‌افزار دارای کدهای ویژوال استودیو با ماژول‌های پایتون، یک ترکیب پیش‌ساز گسترش یافته Azure IoT و یک افزونه کیت بینایی هوش مصنوعی مایکروسافت برای ویژوال استودیو در Github است. یک ماژول پیش‌فرض هم دارد که بیش از ۱۸۳ شیء مختلف را تشخیص می دهد. باید به این نکته اشاره کرد که Github یک کمپانی امریکایی ارائه‌دهنده سرویس های هاستینگ است.

«آنه یانگ» مدیر پروژه مایکروسافت اظهار داشت که کیت توسعه‌دهنده بینایی ماشین هوش مصنوعی می‌تواند برای ساخت آن دسته از نرم‌افزارهایی مورد استفاده قرار بگیرد که این اطمینان را بدهد که همه افراد محل‌های ساخت‌وساز از کلاه ایمنی استفاده می‌کنند.این کیت یک ابزار کاملا کاربردی است.

وی در وبلاگ خود نوشت:

«در پروسه هوش مصنوعی از میلیاردها مگابایت اطلاعات و میلیاردها محاسبات استفاده می‌شود. اکنون با این سخت‌افزار می‌توان پروژه‌ها و کارهایی را در زمان کم تحویل داد. افزون بر این، امکان ارسال خروجی برای نرم‌افزارهای پایین‌دستی با سرویس ابری نیز وجود دارد.»

کیت بینایی هوش مصنوعی مایکروسافت

توسعه دهندگانی که با این کیت سر و کار دارند می توانند از سرویس Azure برای ساخت مدل، نظارت بر آن و همچنین از ابزارهای تخصصی برای سرویس Edge هم بهره ببرند. این کیت ها برای ساخت مدل های هوش مصنوعی مبتنی بر بینایی ماشین، ابتدا عکس های برچسب خورده را به فضای ذخیره سازی Azure آپلود می کنند، سپس بقیه کار را به صورت سفارشی به سرویس یادگیری ماشین Azure (AML) می سپارند.

مدل های ساخته شده به فرمت DLC تبدیل می شوند و در نهایت به صورت بسته بندی شده به ماژول IOT Edge تحویل داده می شوند.

کیت بهبود بینایی هوش مصنوعی مایکروسافت که با سیستم عامل Yocto Linux کار می کند دارای یک Qualcom Snapdragon 603 در هسته خود می‌باشد که با ۴ گیگابایت LDDR4X و ۶۴ گیگابایت حافظه پردازنده عمل می‌کند. حسگر دوربین ۸ مگاپیکسلیِ آن قادر به ضبط فیلم با کیفیت ۴K UHD است. چهار میکروفون مخصوص نیز صداها و دستورات را ضبط می‌کند.

امکان اتصال به کیت بهبود بینایی هوش مصنوعی مایکروسافت باWi-Fi وجود دارد که مشخصات آن به شرح زیر است:

(۸۰۲.۱۱b/g/n 2.4Ghz/5Ghz). اما دارای درگاه HDMI خروجی، درگاه‌های صوتی داخل و خارج و پورتUSB-C برای انتقال داده و کارت Micro SD برای افزایش فضای ذخیره‌سازی است.

موتور پردازش عصبی snapdragon در سامانه موسوم به Qualcomm’s Vision Intelligence 300 توسط سرویس‌های Azureمورد پشتیبانی قرار می‌گیرد. این سامانه، کیت تقویت بینایی هوش مصنوعی را به اولین سامانه فوق‌سریع تبدیل می‌کند که توسط Azure پشتیبانی می‌شود.

«آنه یانگ» مدیر پروژه مایکروسافت در ادامه بیان کرد:

«با استفاده از کیت تقویت بینایی هوش مصنوعی، می‌توانید بدون در نظر گرفتن سطح مهارت فعلی یادگیری ماشین خود، مدل‌های بینایی را در عرض چند دقیقه توسعه دهید.»

کیت تقویت بینایی هوش مصنوعی رقیبی به نام «AWS DeepLens» در آمازون دارد که این فرصت را در اختیار توسعه‌دهندگان قرار می‌دهد تا مدل‌های یادگیری عمیق را به صورت محلی در دوربین‌های سفارشی به اجرا در بیاورند.

لذا بر اساس آنچه این دوربین می‌بیند و ذخیره می‌کند، امکان تجزیه و تحلیل و اقدام وجود دارد. شرکت گوگل نیز که نمی‌خواست از قافله عقب بماند، «Coral Dev Board» را چندی پیش روانه بازار کرد؛ یک کیت سخت‌افزاری برای محاسبات هوش مصنوعی که به دوربین USB ‌خور مجهز می‌باشد.

منبع: hooshio.com

ابزارهای بینایی ماشین و کتابخانه‌‍‌ها

آیا تا به حال به این موضوع فکر کرده‌اید که ماشین یا ربات چگونه می‌تواند تصاویر را شناسایی کند؟ این کار به لطف یک حوزه تحقیقاتی بین رشته‌ای تحت عنوان «بینایی رایانه » امکان‌پذیر شده است. ابزارهای بینایی ماشین چیست؟ به همان شیوه‌ای که چشم در مشاهده و ارائه واکنش نسبت به محیط پیرامون به انسان کمک می‌کند، الگوریتم‌های یادگیری ماشین و یادگیری عمیق و همچنین قطعات سخت‌افزاری از قبیل دوربین و حسگر با یکدیگر در رایانه فعالیت می‌کنند تا این هدف محقق شود. بینایی ماشینقدرت ادراک، دسته‌بندی، شناسایی و ارائه واکنش به اجسام پیرامون را به ماشین اعطا می‌کند.

محققان طیف وسیعی از ابزارها و کتابخانه‌های نرم‌افزاری ساخته‌اند تا پروژه‌ها و نرم‌افزارهای گوناگون را با بینایی ماشین تقویت کنند. مقاله حاضر بر آن است تا خوانندگان را با برخی از این ابزارها و کتابخانه‌های مشهور و پرکاربرد آشنا کند. پس تمرکز اصلی مقاله، آشناسازی و آگاهی‌بخشی به خوانندگان در خصوص این فناوری‌ها است. انتظار می‌رود افراد پس از مطالعه دقیق این مقاله به اطلاعات خوبی در خصوص چگونگی استفاده از ابزارها و کتابخانه‌ها در نرم‌افزارهایشان دست پیدا کنند.
اکنون به معرفی این لیست می‌پردازیم:

OPENVINO

بینایی ماشین

حدود ۸۰ درصد از رایانه‌های شخصی به پردازنده اینتل مجهز هستند. پس اصلاً جای تعجب نیست که ماشین‌هایِ مورد استفاده‌ی شما نیز به احتمال ۸۰ درصد مجهز به پردازنده اینتل باشد. حال سوال این است که چرا اینتل؟ توسعه‌دهندگان کارشان را به خوبی بلد هستند و قابلیت ساخت بهترین پردازنده‌ها را دارند. اما این تنها دستاورد اینتل نیست. اینتل با ساخت تول‌کیتی برای طیف کثیری از نرم‌افزارهای هوش مصنوعی، در عرصه مدل‌های تقاضامحور پیشگام است. این نرم‌افزارها عمدتاً بر پایه بینایی ماشین قرار دارند.
اینتل تول‌کیت OpenVINO خود را در روز ۱۶ مِه ۲۰۱۸ روانه بازار کرد. این تول‌کیت با زبان برنامه‌نویسی C++ و پایتون نوشته شده است. VINO خلاصه شدۀ عبارت «استنتاج بصری و بهینه‌سازی شبکه عصبی» است. شاید این عبارت برایتان بیگانه باشد، اما واقعیت این است که اگر با آن عبارات آشنایی داشته باشید، در همان نگاه اول تشخیص می‌دهید که این تول‌کیت چه کاربردی دارد. پس بگذارید کار را شروع کنیم. استنتاج . این اصطلاح به معنای استفاده از مدل است و تا حد زیادی به استفاده از مدل آموزش دیده برای پیش‌بینی اشاره می‌کند. در استنتاج بصری، از مدل آموزش دیده برای پیش‌بینی مسائل در مرجع بصری استفاده می‌شود؛ رویکردی که در بینایی ماشین هم به کار برده می‌شود. عبارت بعدی، «بهینه‌سازی شبکه عصبی» است و به بهینه‌سازی شبکه عصبی در آموزشِ شبکه اشاره می‌کند. همین قدر کافی است! این اطلاعات مختصر برای پی بردن به کارکرد OpenVINO کفایت می‌کند. این تول‌کیت به بهینه‌سازیِ مدلِ آموزش دیده پرداخته و می‌تواند بطور مستقیم ابزارهایی را برای استفاده از آن مدل فراهم نماید تا استنتاج بصری به سرعت انجام پذیرد. به همین سادگی!

این تول‌کیت در چه جاهایی کاربرد دارد؟
OpenVINO همیشه از شما می‌خواهد که یک مدلِ از پیش آموزش دیده در اختیارش قرار دهید. این تول‌کیت هیچ ابزاری ارائه نمی‌کند تا با آن مدل‌ مورد نظرتان را توسعه دهید یا به کدنویسی آن بپردازید. امکانات این تول‌کیت می‌تواند در مراحل بعدی به کار بیاید. تول‌کیت OpenVINO از چندین مدلِ از پیش آموزش داده شده تشکیل یافته است و تحت مولفه تول‌کیت «Model Zoo» ارائه شده است که امکان استفاده مستقیم از این مولفه وجود دارد. باید این نکته را به خاطر داشته باشید که «Model Zoo» تول‌کیتِ مخصوص توسعه مدل نیست. از دید نرم‌افزاری، این تول‌کیت برای بهینه‌سازی و استقرار مدل به کار برده می‌شود.

موارد کاربرد این تول‌کیت در بخش زیر خلاصه می‌شود:
• بهینه‌سازی الگوریتم‌ها
• استفاده آسان از الگوریتم‌ها در هر پلتفرمی
• استفاده از «Model Zoo» با هدف بکارگیریِ مدلی که بهترین عملکرد را در مسئله مورد نظر کاربر داشته باشد.
• استفاده از موتور استنتاج
• بهینه‌سازی قابلیت‌های پردازش تصویر با استفاده از OpenCV
مطمئنم هیجان زیادی دارید که خودتان این تول‌کیت را امتحان کنید. خب توصیه می‌کنیم به این لینک مراجعه کنید

OpenCV

دور از انصاف است که درباره کتابخانه‌های بینایی ماشین حرف بزنید، اما اشاره‌ای به OpenCV نکنید. OpenCV کتابخانه پردازش تصویری است که سه شرکت به نام اینتل، Itseez و Willow Garage در طراحی و ساخت آن ایفای نقش کرده‌اند. این کتابخانه از سال ۲۰۰۰ در دسترس کاربران قرار گرفته است. کتابخانه OpenCV عمدتاً با زبان برنامه‌نویسی C++ نوشته شده، اما برخی از ماژول‌ها با C نوشته شده‌اند. این کتابخانه برخلاف OpeNvino کاربردهای بسیار زیادی دارد. این کتابخانه قادر است مراحل پیش‌آموزش مدل و پیش‌استقرار را با تاکید بیشتر بر پردازش تصویر انجام دهد.

OpenCV می‌تواند در موارد زیر به کار برده شود:
• کارهای پیش‌پردازش مثل مقیاس‌دهی، حذف نویز و سایر کارهای فرمتینگ در تصویر یا ویدئو.
• این کتابخانه می‌تواند برای اجرای ۲۵۰۰ مدل بهینه‌سازی شده استفاده گردد؛ مدل‌هایی که در این کتابخانه گنجانده شده‌اند.
• این کتابخانه می‌تواند برای توسعه جدیدترین مدل‌ها در بینایی ماشین و یادگیری ماشین به کار برده شود.
• OpenCV برای توسعه مدل‌ها از دسته‌های مختلف نیز کاربرد دارد؛ از جمله این دسته‌ها می‌توان به تشخیص و بازشناسی چهره، تشخیص اشیاء، استخراج مدل سه‌بعدی و هر کاربرد دیگری که به ذهن‌تان می‌رسد، اشاره کرد.

OpenCV کتابخانه‌ای فوق‌العاده است که جامعه کاربران وسیعی دارد و بیش از ۴۷۰۰۰ توسعه‌دهنده در این جامعه عضویت دارند. این توسعه‌دهندگان برای هر مسئله‌ای که با آن مواجه می‌شوید، جواب دارند. نه تنها برخی از استارت‌آپ‌های بزرگ از این کتابخانه استفاده می‌کنند، بلکه غول‌های حوزه فناوری از قبیل گوگل، یاهو و مایکروسافت نیز به استفاده از OpenCV می‌پردازند. یکی از موارد استفادۀ کتابخانه OpenCV، تشخیص چهره است. OpenCV این امکان را در اختیار کاربر می‌گذارد تا فعالیت‌های پردازش تصویر و الگوریتم‌های پیش‌بینی را به نحو احسن انجام دهد. نه تنها می‌توانید از الگوریتم شناسایی اشیاء استفاده کنید، بلکه این فرصت را دارید تا از ابزار «ردیابی اشیاء» برای ردیابی چهره به صورت فریم به فریم در ویدئو نیز استفاده نمائید. افزون بر این، OpenCV امکان آزمایش مدل را در ویدئوی زنده و حتی ویدئوی از پیش ضبط شده نیز فراهم می‌کند. حاضرید که کار رو شروع کنید؟ به این لینک مراجعه کنید و اولین مدل‌تون رو با این کتابخانه امتحان کنید.

پلتفرم‌های سرویس ابری

بینایی ماشین

اگر بحث از چارچوب‌های بینایی ماشین باشد و نامی از غول‌های فناوری در آن نباشد، شاید این تصور در ذهن ایجاد شود که گوگل این مقاله را در موتور جستجویش ندارد. گوگل محصول خود را «Vision AI» نامگذاری کرده است که اساساً دو محصولِ AutoML Vision و Vision API را دربرمی‌گیرد. این محصول به قدری GUI ساده ای دارد که هر شخصی می‌تواند برای آموزش الگوریتم‌های بینایی از آن بهره ببرد. خب برای به کارگیری آن باید چه کار کنیم؟  فقط کافی است تصاویر را بارگذاری کنید و مدلی انتخاب کنید تا فرایند آموزش بر روی آن پیاده‌سازی شود. تمام! به همین سادگی! آمازون هم ابزاری تحت عنوان Amazon Rekognition دارد که این فرصت را به کاربران می‌دهد تا مدل‌های یادگیری عمیق‌ شان را به راحتی استفاده کنند. مایکروسافت نیز خدمات ابری Azure را عرضه کرده است و از این طریق API بینایی رایانه را اجرا می‌کند تا مدل‌های بینایی رایانه را در ابر پردازش و تحلیل کرده و توسعه‌شان دهد. شرکت IBM دو موتور بینایی رایانه فوق‌العاده موسوم به Watson Visual Recognition و PowerAI Vision دارد.
امکان استفاده از Watson Visual Recognition برای تجزیه و تحلیل تصاویر و ویدئوها وجود دارد. هدف از این کار، دسته‌بندی و سایر امور مرتبط با یادگیری ماشین است. PowerAI Vision زمینه را برای آموزش مدل‌های بسیار دقیق فراهم می‌کند و نیازی به تخصص در یادگیری عمیق ندارد. همه راه‌حل‌های ابری به این جهت ایجاد شده‌اند که کاربران بتوانند به راحتی مدل‌های بینایی ماشین را توسعه داده و به کار گیرند؛ بدون اینکه تخصص فنی بالایی در این زمینه داشته باشند. البته باید برای استفاده از این خدمات مبلغی را پرداخت کنید. میلیون‌ها کاربر از این خدمات برای توسعه نرم‌افزارهای گوناگون استفاده می‌کنند؛ محصولات خود شرکت‌ها نیز با بهره‌گیری از این فناوری‌ها توسعه داده شده است. گویا هیچ یک از غول‌های فناوری قصد ندارند به راحتی از رقابت برای ارائه خدمات بینایی رایانه پا پس بکشند.

میز کار بینایی ناسا

شاید این موضوع اصلاً به ذهن‌مان خطور نکند، اما ناسا نیاز زیادی به کتابخانه‌های پردازش تصویر دارد و شاید در این راستا به استفاده از کتابخانه خاص خودش روی آورد. بنابراین، بخش «سیستم‌های هوشمند مرکز تحقیقات Ames» طراحی و توسعه کتابخانه «میز کار بینایی» را بر عهده داشت. این کتابخانه به زبان C++ نوشته شده است. برخلاف سایر کتابخانه‌ها، VWB توان بالایی برای ارائه مدل‌هایی با عملکرد نوین ندارد. VWB به منظور تجزیه و تحلیل تصاویر فضایی ساخته شده است. این کتابخانه در پیشبرد اهداف تحقیقاتی و رباتیک نقش بسزایی خواهد داشت.

کتابخانه VWB در امور زیر کاربرد دارد:
• تحلیل تصاویر
• افزایش کیفیت تصاویر
• تبدیلات هندسی و فضایی برای تجسم تصاویر
• ایجاد مدل‌های مختصر و فشرده برای بکارگیری در موتورهای رباتیک فضایی

NVIDIA VISIONWORKS

همه به این موضوع واقف‌اند که Nvidia بهترین کارت‌های گرافیک را برای آموزش سریع مدل‌های بینایی ماشین عرضه می‌کند. اما Nvidia کتابخانه مخصوص خود را برای توسعه مدل‌های بینایی ماشین توسعه داده که VisionWorks نام دارد. افراد می‌توانند با استفاده از VisionWorks خطوط لوله بینایی ماشین خود را با استفاده از ماژول‌‍‌های ساده و فوق‌العادۀ این تول‌کیت بسازند. VisionWorks این فرصت را به کاربران می‌دهد تا کارهای زیر را انجام دهند:
• کارهای رباتیک، توسعه الگوریتم‌های محلی‌سازی و ردیاب‌های تصویری سریع
• نرم‌افزارهای مبتنی بر واقعیت افزوده؛ گرفتن خروجی سریع‌تر از کارهای گرافیکی
• تحلیل هوشمند ویدئو

رانندگی خودران یکی از بهترین موارد کاربرد است که راهبرد طراحی شده با VisionWorks آن را محقَق ساخته است. این کتابخانه یک رابط برنامه‌نویسی بینایی CUDA مستقیم در اختیار توسعه‌دهنده‌ها گذاشت و توسعه سریعِ شناساگر‌های اشیاء را آسان کرد. شناسایی اشیاء یکی از ویژگی‌های کلیدی در رانندگی خودکار محسوب می‌شود. VisionWorks زمینه را برای ردیابی و تحلیلِ آسان چندین صحنه به صورت توامان فراهم می‌کند. این تول‌کیت باعث می‌شود از حداکثر توان پردازنده Nvidia در موارد بینایی ماشین استفاده کنید. این موضوع را فراموش نکنید که نیازی به دانش سرشار در خصوص چگونگی کارکرد این کتابخانه‌ها ندارید. به محض اینکه بینش خوبی درباره توان این کتابخانه‌ برای ارائه ورودی و خروجی کسب کردید، موارد استفاده عملی از آنها را نیز یاد خواهید گرفت.

منبع: hooshio.com

استارتاپ هوش مصنوعی Tractable در صنعت بیمه

استارتاپ هوش مصنوعی Tractable قادر است میزان آسیب خسارات را در عرض چند دقیقه برآورد کند و هزینه تعمیرات را تخمین بزند. در نتیجه برگشت مطالبات بیمه‌شدگان سریع‌تر انجام می‌شود و زندگی آن‌ها زودتر به روال عادی بر می‌گردد.

معرفی استارتاپ هوش مصنوعی Tractable

Tractable یک استارتاپ هوش مصنوعی در حوزه بینایی ماشین و یادگیری عمیق است. این شرکت با توسعه محصولات مبتنی بر هوش مصنوعی به شرکت های فعال در زمینه بیمه خدمات ارائه می دهد.
با استفاده از تکنولوژی یادگیری عمیق نظارتی و یادگیری نیمه‌نظارتی و دیتاست حاوی میلیون‌ها عکس از تصادفات و سوانح گوناگون، Tractable توانسته است ارزیابی میزان خسارات وارده به اموال مسکونی و کشاورزی و همچنین وسایل نقلیه در تصادفات رانندگی را کاملا اتوماتیک، بدون نیاز به کارشناس و تنها در عرض چند دقیقه انجام دهد.
لذا به کمک هوش مصنوعی، عمل ارزیابی سریع‌تر، ارزان‌تر و دقیق‌تر انجام شده و مطالبات مردمی که روزانه درگیر این مشکلات هستند بسیار سریعتر به آن‌ها برگردانده می‌شود.

ارزشهای پیشنهادی Tractable

این استارتاپ هوش مصنوعی، ارزش پیشنهادی خود را ببهبود سریع‌تر زندگی مردم آسیب دیده از تصادفات و بلایا عنوان کرده است. سالانه میلیون نفر در سراسر جهان از بلایای طبیعی و تصادفات متضرر و آسیب دیده می‌شوند. حداقل کاری که در این حالت برای این افراد می‌توان انجام داد برگشت سریع مطالبات آن‌ها از شرکت‌های بیمه است که بتوان سریع‌تر آن‌ها را به روال عادی زندگی برگرداند.

در کنار این‌ها ارزیابی سریع و دقیق بدون مداخله نیروی انسانی از دیگر ارزش‌های پیشنهادی این استارتاپ هوش مصنوعی است.

مدل کسب و کار، نحوه کسب درآمد و مشتریان Tractable

از آن‌جا که بیمه صنعتی کاملا رقابتی است بکارگیری هر تکنولوژی که بتواند در کاهش هزینه‌ها و تسریع فرآیند مطالبات ایفای نقش کند جزو مزیت‌های رقابتی این صنعت محسوب می‌شود. مفهوماِی پی آی باز، چندین سال است که موجب تحول در صنایع مالی، بورس و بیمه در سراسر دنیا شده است. این APIها بر بستر ابر پیاده‌سازی شده‌اند و به راحتی با سیستم‌های مدیریت مطالبات ادغام می‌شوند. با توسعه این مدل توسعه دهندگان می‌توانند API های خود را در اختیار سایر کسب‌وکارها قرار دهند. Tractable به عنوان استارتاپ توسعه دهنده سرویس‌های هوش مصنوعی خدمات خود را بصورت API در اختیار شرکت‌های بیمه‌ای، تعمیرکاران و یا شرکت‌های کرایه اتومبیل به‌منظور ارزیابی میزان خسارات وارده و تخمین هزینه‌ها قرار می‌دهند. نحوه کسب درآمد در Tractable پرداخت به ازای استفاده است که همین امر موجب کاهش هزینه‌ها می‌شود.

خدمات استارتاپ هوش مصنوعی Tractable

۱. تشخیص میزان خسارات وارده به اتومبیل ها از طریق هوش مصنوعی

در هر تصادف رانندگی، پای بیمه به حادثه باز می‌شود. کارشناس ارزیابی به محل مراجعه و میزان خسارات وارده به ماشین را ارزیابی می‌کنند. فکر می‌کنید در شیوه سنتی و در شهری پر ترافیک مثل تهران خودمان و یا نیویورک آن‌ها رسیدن کارشناس به محل حادثه چقدر طول می‌کشد؟!!
هوش مصنوعی Tractable با یک دیتاست حاوی میلیون‌ها عکس از تصادفات رانندگی آموزش دیده است و با دقتی بسیار نزدیک به دقت انسان می‌تواند میزان خسارات وارده را ارزیابی نماید و هزینه تعمیرات را بدون مداخله نیروی انسانی تخمین بزند.
کارشناسان این شرکت ادعا می‌کنند با این کار سرعت کار ارزیابی و استرداد وجه از بیمه به مردم ۱۰ برابر شده و میزان خطاهای انسانی جهت ارزیابی و تخمین هزینه‌ها کاهش می‌یابد. این سرویس برای هر وسیله نقلیه‌ای در هر جا قابل استفاده است.

۲. تشخیص میزان خسارات بلای طبیعی از طریق هوش مصنوعی

بلایای طبیعی حتی اگر جانمان را نگیرند، ممکن است آسیب‌هایی به خانه‌ها و یا مزارع کشاورزی وارد کنند و زندگی ما را دچار تحت تاثیر قرار می‌دهند. سالانه میلیون نفر در سراسر دنیا  حدود ۱ تریلیون دلار خسارت متحمل می‌شوند.
در این مواقع ارزیابی سریع خسارات و تخمین هزینه از طریق هوش مصنوعی Tractable قابل انجام است. در این حالت تصاویر از طریق ماهواره، پهبادها و گوشی‌های هوشمندی به صورت کلی و همه جانبه گرفته می‌شود.

۳. تشخیص اشیای موجود در صحنه از طریق هوش مصنوعی

هوش مصنوعی در Tractable این قابلیت را دارد که اشیای موجود در عکس را تشخیص دهد. این سرویس تشخیص اشیاء   می‌تواند صنایعی را که به تحلیل تصاویر متکی هستند متحول کند.

کافی ست کاربر عکسی از محل خسارات، یا تصویری هوایی از اموال مسکونی و کشاورزی را در پلتفرم مربوطه بارگذاری کند، هوش مصنوعی میزان خسارت را برآورد و هزینه تعمیرات را تخمین می‌زند و پاسخ را در عرض چند دقیقه ارسال می‌کند.

نکته جالب اینکه این سرویس ضریب اطمینانی از برآورد و تخمین انجام شده خود به کاربر ارائه می‌کند. در صورتی که این ضریب اطمینان پایین باشد، سیستم از کاربر نمونه عکس‌های بیشتری از محل خسارت با زوایای مختلف درخواست می‌کند تا ارزیابی به بالاترین سطح اطمینان برای تصمیم‌گیری برسد.

جذب سرمایه در استارتاپ هوش مصنوعی Tractable

این شرکت در سال ۲۰۱۴ تاسیس شد و به سرعت توانست نظر سرمایه‌گذاران را به خود جلب کند. تاکنون با جذب سرمایه‌ای نزدیک به ۶۰ میلیون دلار، این شرکت در سه قاره توسعه یافته است و هم اکنون بیش از ۱۰۰ پرسنل در شهرهای لندن، نیویورک، توکیو، مادرید، پاریس و مونیخ دارد.

منبع: hooshio.com