Mouser German Blog

Verbraucher wollen ihre Produkte sofort. Auch größere Unternehmen möchten nach der Kaufentscheidung so schnell wie möglich die erwarteten Leistungen erhalten. Durch die Entwicklung von Transportmanagementsystemen (TMS) konnten Softwareentwickler die Erwartungen der Verbraucher in Bezug auf die Lieferzeiten von Produkten deutlich verbessern.

Rechenzentren in der digitalen Welt sind vergleichbar mit verkehrsreichen Großstädten, in denen riesige Datenströme nahtlos verwaltet werden. Geschwindigkeit, Genauigkeit und Wirkungsgrad sind hier von entscheidender Bedeutung. Die KI mit ihren Machine-Learning-Modellen erfüllt diese Anforderungen perfekt.

Die künstliche Intelligenz (KI) gewinnt in der modernen Gesellschaft immer mehr an Bedeutung. Von der Verbesserung wissenschaftlicher Analysen und Bildgebungsfähigkeiten über die vorausschauende Wartung und Überwachung von Abläufen in der Industrie bis hin zum beliebten KI-Chatbot ChatGPT fasst KI allmählich in vielen Bereichen der Gesellschaft Fuß; und ihre Möglichkeiten sind nur durch die verfügbare Hardware und Rechenleistung für die Softwarealgorithmen begrenzt. Da die Rechenleistung und die technologischen Anforderungen an KI-Technologien in allen Bereichen der Gesellschaft zunehmen, muss auch die Hardware mithalten können. Die Nanotechnologie hat bereits Auswirkungen auf die Optimierung in allen Bereichen des Computersektors, und dies gilt auch für die Hardware, die für den Betrieb und die Unterstützung von KI-Algorithmen verwendet wird.

Die Sicherheit unserer Smartphones, Tablets, PCs, Laptops und Wearables ist nur so gut wie die schwächste Authentifizierungsmethode, die wir einsetzen. Eine der am häufigsten verwendeten Methoden zur Identifizierung oder Authentifizierung der Identität einer Person anhand einzigartiger physischer oder verhaltensbezogener Merkmale ist die Biometrie. Erfahren Sie in diesem Beitrag mehr über biometrische Lösungen für Verbrauchergeräte.

FPGAs (Field Programmable Gate Arrays) sind für die Beschleunigung von Anwendungen der künstlichen Intelligenz und des Machine Learning bekannt. Aber wie wird dies in FPGAs implementiert und welche unterschiedlichen Ansätze gibt es? In diesem Beitrag stellen wir Ihnen die verschiedenen Möglichkeiten vor, die Ingenieure beim Designprozess haben.

Die künstliche Intelligenz hat großes Potenzial, um den Herstellungsprozess von Nanomaterialien zu beschleunigen und die Sicherheit von Nanomaterialien (und auf Nanomaterialien basierenden Produkten) zu verbessern.

Die Künstliche Intelligenz (KI) gewinnt weltweit immer mehr an Bedeutung. Auch in den chemischen und pharmazeutischen Wissenschaften wird sie zu einem festen Bestandteil. Algorithmen des Machine Learning können dazu beitragen, Krebszellen in einem Patienten mit viel höherer Genauigkeit zu erkennen. Wie das funktioniert, erfahren Sie in diesem Beitrag.

Wir Menschen haben außergewöhnliche biologische Sensoren, wie z. B. unsere Augen und Ohren, die mit einem einzigartigen Prozessor (nämlich unserem Gehirn) gekoppelt sind. Die Entwickler von Systemen für maschinelles Sehen (Machine Vision) versuchten zunächst, unsere menschlichen Fähigkeiten nachzubilden, indem sie bildgebende Sensoren im visuellen Spektrum mit Verfahren aus den Bereichen künstliche Intelligenz (KI) und Machine Learning (ML) kombinierten, um die Erkennung von Objekten zu ermöglichen. Die Fähigkeiten dieser Systeme lassen sich durch den Einsatz von Doppelsensoren für binokulares Sehen und Tiefenerkennung weiter verbessern.

Analytik, KI und ML werden typischerweise als zentralisierte Funktionen in Netzwerken implementiert, die oftmals in der Cloud angesiedelt sind. Es gibt einen zunehmenden Trend, diese Lern- und Inferenzfunktionen zwischen Cloud-, Edge- und Endpunkt-Computerfunktionen zu verteilen. Im Anschluss erörtern wir einige der damit verbundenen Kompromisse.

Die Rapid-Development-Plattform Seeed StudioSipeed Maixduino Kit for RISC-V AI + IoT unterstützt Entwickler bei der schnellen Entwicklung von Anwendungen für KI und IoT mit einer Dual-Core-64-Bit-RISC-V-CPU in Kombination mit einem 400-MHz-Prozessor für neuronale Netzwerke. Der neuronale Netzwerkprozessor ermöglicht KI-Anwendungen unter Verwendung von ladbaren neuronalen Netzwerken, die entweder vorkonfiguriert verfügbar sind oder mit verschiedenen Deep-Learning-Toolsets individuell entwickelt werden können. Ein integriertes ESP32 Wi-Fi + Bluetooth®-Modul sorgt für drahtlose Konnektivität, und Anschlüsse für Kamera und LCD-Display ermöglichen die Integration der mitgelieferten Digitalkamera sowie eines LCD-Displays für Anwendungen der industriellen Bildverarbeitung („Machine Vision“). Das integrierte digitale Mikrofon unterstützt Spracherkennungs- und Tonverarbeitungsanwendungen, und über einen Audioausgang lässt sich ein Lautsprecher zur Sound-Ausgabe anschließen. Die Stromversorgung erfolgt entweder über ein USB-Typ-C-Kabel oder einen Gleichstrom-Anschluss.

Während die Gesellschaft über die Vorteile und die Ethik dieser Technologie debattiert, geht die Entwicklung der Gesichtserkennung ungebrochen weiter. Ist der Nutzen für die Sicherheit höher zu bewerten als die Bedrohung der Privatsphäre?

Künstliche Intelligenz (KI) kann Menschen mit körperlichen Einschränkungen wie z. B. Sehbehinderungen, Sprachbehinderungen oder fehlenden bzw. beschädigten Gliedmaßen unterstützen und ihnen zum Teil völlig neue Möglichkeiten eröffnen. Allerdings gibt es noch einige Probleme und Herausforderungen auf dem Weg dahin, mehr Menschen davon profitieren zu lassen.

Die künstliche Intelligenz kann verwendet werden, um eine in allen Bereichen smarte Stadt mit einem smarten Verkehrssystem, einer nachhaltigen Stadtentwicklung und einem E-Government-System mit intelligenten Wohnvierteln aufzubauen. Dieser Artikel zeigt konkrete Beispiele von Anwendungen künstlicher Intelligenz in einer smarten Stadt auf. Die Stadtverwaltung muss ihr Planungsdenken ändern, um den „Bottom-up“-Aufbau smarter Städte zu fördern. Die smarte Stadt wird in vielerlei Hinsicht wirtschaftliche und soziale Veränderungen bewirken.

Ist Ihnen aufgefallen, dass Recommendation Engines nicht wirklich smart sind? Rotten Tomatoes macht eine großartige Arbeit, wenn es darum geht, Ihnen mitzuteilen, was Kritiker und Publikum denken, aber ein Film mit einer Bewertung von 90+ ist nicht zwangsläufig mein Fall. Und man kann einen Film mit einer Bewertung unter 30 Punkten durchaus unterhaltsam finden. Könnte KI die Chancen verbessern? Sehen wir uns dieses einfache Designsystem für KI-basierte Recommendation Engines an.

Das 5G-Netz ist der Trendsetter für ein Zeitalter des Internets aller Dinge, wobei die Kommunikation zwischen den Geräten eine große Menge von Cloud-Daten generiert. Dabei ist die künstliche Intelligenz die Basis für das Internet der Dinge, und die künstliche Intelligenz ist auf enorm große Datenmengen angewiesen. Daneben machen es die hohe Geschwindigkeit des 5G-Netzes und seine geringen Latenzzeiten extrem einfach, künstliche Intelligenz auf Basisstationen einzusetzen, und es erlaubt zudem eine erhebliche Steigerung der Leistung und der Genauigkeit. In diesem Artikel wird anhand von unterschiedlichen Anwendungsbeispielen erläutert, inwieweit das 5G-Netz dem Bereich der künstlichen Intelligenz starken Auftrieb geben kann.

Künstliche Intelligenz, maschinelles Lernen und Algorithmen sind Begriffe, die oft vertauscht verwendet werden. Aber das sollten sie nicht. Lassen Sie uns einen Blick auf die Unterschiede werfen, warum diese Begriffe geschaffen wurden und wie und wann sie verwendet werden.

Durch Einbettung von Sprachsteuerungstechnologie in Haushaltsgeräte werden verbale Befehle gegeben, deren Bedeutung das System anhand von Modellen analysiert, um die Absicht des Benutzers zu erkennen und entsprechend zu antworten. In diesem Beitrag dient ein smartes, sprachgesteuertes Hygrometer mit Cloud-Anbindung zur Demonstration der technischen Details von Spracherzeugung und -verarbeitung. Als Cloud-Architektur wurde die Microsoft-Azure-Cloud-Plattform gewählt, die in den letzten Jahren in den Bereichen KI & IoT große Entwicklungen und Innovationen erfahren hat.

Rafik Mitry von Mouser Electronics im Interview mit Professor Alois Knoll

Können wir für KI-Systeme ein menschliches situatives Bewusstsein entwickeln? Fortschritte im Bereich der neuronalen Netze zeigen uns sowohl Möglichkeiten als auch Grenzen auf.

Mit dem Aufkommen der Künstlichen Intelligenz sind auch Programmiersprachen entstanden, die sich seither stetig weiterentwickeln, um den wachsenden Anforderungen von KI-Anwendungen nachzukommen. Mit der Weiterentwicklung der KI-Algorithmen haben sich sowohl diese Sprachen verbessert, um neue statistische Methoden unterstützen zu können, als auch die Toolkits, mit denen die Machine-Learning-Fähigkeiten der Sprachen erweitert werden.

Dank Fortschritten im Bereich des maschinellen Lernens und der Prozessortechnologie ist es möglich, die KI von den großen Datenzentren weg und deutlich näher an ihren Anwendungsort zu verlagern, also an die Network Edge. In diesem Blog erkunden wir, welche neuen Anwendungsfälle der KI dieser Ansatz ermöglicht.

Die Welt entwickelt sich stetig weiter – und mit ihr auch das Gesundheitswesen. Die Zukunft des Gesundheitssektors wird von Künstlicher Intelligenz bestimmt: von Anwendungen im Bereich Televisite über Krebsfrüherkennung bis hin zu Roboter-assistierten Operationssystemen. Es ist davon auszugehen, dass die KI im Gesundheitswesen zunehmend Verbreitung findet – und das vielleicht schon eher als erwartet.

Die Künstliche Intelligenz (KI) steht kurz vor einem neuen Durchbruch, bei dem Maschinen nicht länger nur Instrumente sein werden, die sich der Mensch zunutze macht. Vielmehr werden sie sich zu intelligenten, autonom Handelnden entwickeln, die sich eigene Ziele setzen, entscheiden, was und wie sie lernen wollen, und vieles mehr. Hochintelligente Systeme verfügen über das Potenzial, die Welt auf ähnliche Weise zu verändern, wie industrielle Revolutionen in der Vergangenheit. Es geht nicht um die Frage, ob intelligente Systeme unser Leben auch künftig verändern werden – die Frage ist vielmehr, auf welche Weise und in welchem Umfang sie dies tun werden.

Maschinelles Lernen ist typischerweise prozessorintensiv; ML-Algorithmen erfordern eine große Anzahl paralleler Operationen. Dementsprechend laufen die Modelle in der Regel in Datenzentren im Core des Netzwerks. Dies hat jedoch direkte Auswirkungen auf Latenz, Sicherheit und Kosten. In diesem Blog erkunden wir, warum sich AI an die Network Edge bewegt, und wir schauen uns die Technologie an, die dies ermöglicht.

Egal wie tief man in die Technologie zur Fahrzeugerkennung einsteigen will, ist es lohnenswert, die Technologie in ihrer Breite zu erkunden. Dieser Artikel nimmt den Leser mit auf eine Entdeckungsreise. Er verwendet eine fachliche, aber leicht verständliche Sprache, um Computerprogramme zur Fahrzeugerkennung vorzustellen, einschließlich den Merkmalsalgorithmen und -prozessen und Klassifizierungsalgorithmen und -prozessen von Histogram of oriented gradients (HOG) und Support Vector Machine (SVM).