Vurdere hvordan resultaterne fra AI-billedklassifikationstjenesten skal behandles og vægtes i en samlet vurdering.

Afsøge information omkring Vision AI på forskellige hjemmesider.
Sætte mig ind i hvordan man kan gøre brug af Vision AI og reflektere over, hvordan jeg bedst kan anvende det i projektet.

Vores projekt er et Proof of Concept, hvor Trackunit ønsker at undersøge, om man kan bruge AI til at klassificere maskiner og automatisk hente metadata om en given maskine ud fra et billede.
Det adskiller sig fra fx ChatGPT og Claude, som er Large Language Models (LLM’er), der arbejder med tekst. I stedet ser vi på AI, der er trænet til at hente information direkte fra billeder – det kaldes Vision AI, altså AI der “ser”.

Hvad er Vision AI?
For at en computer kan “se” og forstå billeder kræves der først og fremmest store mængder træningsdata. I dette tilfælde findes der to forskellige teknologier, man kan bruge for at opnå en model, der faktisk kan “se”:

• Convolutional Neural Networks (CNNs)
  Lad os sige, du sender et billede, der skal analyseres. Dette billede bliver oversat til pixeldata. Pixeldataen kan AI bruge til at finde mønstre og visuelle kendetegn. CNN-netværket gennemgår billedet trin for trin. Først identificeres kanter og former, derefter mere komplekse strukturer som hjul, bælter eller karrosseriformer. Til sidst kan modellen klassificere, hvilken type maskine der er tale om.
  
  Kilde: MathWorks – How CNNs Work

• Machine learning / deep learning
  Her bruges algoritmer, der gør, at programmet lærer selv. Det vil sige, at algoritmen lærer at se forskel på billeder ved at blive eksponeret for store mængder data, præcist som et menneske lærer at genkende objekter gennem erfaring.

I praksis betyder dette, at Vision AI kan understøtte vores projekt ved (forhåbentlig) at kunne identificere maskintyper og berige data på en automatiseret måde, som ellers ville kræve en manuel indsats.

Jeg skal også være opmærksom på, at Vision AI kan fejle, hvis billedet er uklart eller taget fra en usædvanlig vinkel. Det giver mig indsigt i, at kvaliteten af input-data bliver afgørende for vores projekt.