Drei Fragen zum Schluss

Andreas Waldl: Deep Learning ist eine faszinierende Technologie, die in den vergangenen Jahren große Fortschritte gemacht hat. Neuronale Netzwerke werden laufend weiterentwickelt und liefern immer bessere Ergebnisse. Zudem kommen fortlaufend leistungsfähigere Inference-Bausteine auf den Markt. Mit Deep Learning werden sich in Zukunft viele neue Aufgabenstellungen lösen lassen – sowohl in der Cloud als auch in Echtzeit direkt auf einem Edge-Gerät.

Waldl: Deep Learning ist zwar hervorragend geeignet, wenn es darum geht, Dinge zu erkennen, die vorher nicht bekannt sind. Ein klassisches Beispiel dafür ist die Erkennung von Anomalien. Aber: Wenn es um eine mathematisch beschreibbare Aufgabe geht, also zum Beispiel um die Frage, ob ein Objekt exakt 5,3 cm lang ist, dann sind klassische Algorithmen zuverlässiger. Beide Ansätze werden zukünftig also nebeneinander existieren und müssen häufig auch kombiniert werden, um Bildverarbeitungsaufgaben zuverlässig zu lösen.

Waldl: Da wird noch einiges kommen. Es gibt zum Beispiel erste Lösungsansätze, neuronale Netze zur Laufzeit weiter zu optimieren. Sehr spannend ist auch die multimodale Kombination von Daten, beziehungsweise Algorithmen. Wir haben dabei auf der einen Seite unterschiedliche zwei- und mehrdimensionale Sensordaten – die auch Spektren außerhalb des sichtbaren Bereichs abdecken können – und auf der anderen Seite regelbasierte Auswertungen sowie multidimensionale neuronale Netzwerke. Wenn wir alle diese Daten und Auswertungsmöglichkeiten intelligent miteinander kombinieren, können wir die Einsatzmöglichkeiten der industriellen Bildverarbeitung in Zukunft stark ausweiten.