Beamr kündigt an, dass es an einer neuen Front vorankommt und zeigt, dass es in der Lage ist, maschinelles Lernen für Videos zu fördern. Maschinelles Lernen und künstliche Intelligenz für Video haben immense Erfolge gezeigt und haben ein noch größeres Potenzial. Dieses heiße Feld expandiert schnell als Teil des Computer Vision Marktes, der bereits auf mehr als 20 Milliarden Dollar geschätzt wird und in den kommenden Jahren exponentiell wachsen soll.

Eines der größten Probleme, das den Fortschritt bremst, ist jedoch die Verwaltung extrem großer Dateien und Bibliotheken. Das liegt daran, dass Videodateien relativ groß sind. Um Computernetzwerke für die Erkennung von sich bewegenden Objekten zu trainieren, werden viele, viele Dateien benötigt. Denken Sie daran, wie man ein Auto oder einen Menschen erkennt.

Für uns ist das eine leichte Aufgabe, aber nicht für einen Computer, weder in einem einzelnen Bild und schon gar nicht in einem Video. Jede Bewegung verändert das Aussehen des Objekts, seine Form, seine Größe und seinen Winkel. Deshalb müssen Computernetzwerke unzählige Videos scannen und analysieren, um zu lernen, wie sie erkennen können, ob ein Mensch, ein Auto, eine Katze oder etwas anderes darin zu sehen ist.

Die Akteure im Bereich des maschinellen Lernens haben es mit großen Mengen an Videodateien zu tun, die extrem schwierig zu verwalten, zu speichern und zu übertragen sind, um nicht zu sagen, sie stecken darin fest. All diese technischen Details führen zu einem sehr klaren Ergebnis für die vielen Unternehmen und Start-ups in diesem Bereich: hohe Kosten, die ihr Wachstum behindern. Die Tests wurden mit NVIDIA DeepStream SDK durchgeführt - einem Tool für KI-basierte Multisensor-Verarbeitung, Video-, Audio- und Bildverständnis, das für Beamr als NVIDIA Metropolis Partner eine natürliche Wahl war.