De mire is jó?
Az eszköz- és rendszerchip gyártók számára persze a nagy kérdés az, hogy milyen gyakorlati, a felhasználókat is lelkesítő megoldásokkal demonstrálják, hogy az AI nem csak, hogy hasznos, hanem kvázi jobb annál, mintha nem lenne a készülékben ilyen modul és szoftver. Nyilván a gépi tanulást amúgy ipari környezetben rengeteg dologra használják (főleg historikus adatokon alapuló becslések, jóslások kapcsán, de rengeteg hatékonyságnövelő, vagy éppen gazdaságossági szempontok alapján javaslatokat készítő algoritmus működik), ám eljött az az idő, amikor már ténylegesen tudnak olyan, gépi tanuláson alapuló okosságokat nyújtani a végfelhasználói ketyerék is, amelyek miatt a vásárlók is azt érzik, hogy mennyire jó nekik, hogy “AI-képes” telefon van a kezükben.
[+]
A jelenlegi megoldások zöme arra épül, hogy a képi (grafikus) információkat egy megfelelő neuronhálóval megtámogatott, NPU-val segített gépi tanulási algoritmus lényegesen gyorsabban dolgozza fel és analizálja, mintha ezt a CPU-ra, vagy a DSP-re bíznánk. És ez tökéletesen összecseng azzal a felhasználói igénnyel, amit manapság mindenféle kutatás alapján a fogyasztói oldal megfogalmaz: jobb kamerát szeretnék és jobb üzemidőt. Előbbire az AI kifejezetten látványos választ ad, de az utóbbi kapcsán is tud segíteni az energiafogyasztás és a töltés optimalizációja kapcsán. A Huawei komplett marketingstratégiát épített az AI kamerához, de láttunk más gyártókat is mindenféle gépi tanulási módszert villantani (az ASUS is egyre-másra talált ki ilyesmit, de azért az AI-csengőhang kifejezésnek volt már némi bullshit-szaga). A különböző asszisztens szolgáltatások és megoldások is elkezdtek gépi tanulás alapján javaslatokat tenni. Egy csomó új telefonnál egy-két hétnyi használat után például javasolja a szoftver, hogy automatikusan bekapcsolja a “ne zavarj” üzemmódot azon időpontok között, amikor általában alszunk. Ezt a kijelzőidőből, a telefonnyomkodásunkból, a töltőre tétel időpontjából és a giroszenzorok adataiból következteti ki többek között, ahogyan arra is rájön már adott esetben a készülék, hogy mikor vagyunk otthon, az milyen GPS-koordinátával feleltethető meg, olyankor milyen WiFi-hálózatokat lát a készülék és nyilván ennek megfelelően állíthat át bizonyos paramétereket, hogy kényelmesebbé tegye a júzer életét és takarékoskodjon az erőforrásokkal.
[+]
A leglátványosabb megoldások viszont a kamerás vonalon keresendők. Mivel az NPU segítségével gyorsan lehet képeket elemezni, ezért adta magát, hogy ezt kihasználva próbálják ne csak hardveres, hanem szoftveres oldalról is fokozni az elkészült képek minőségét. Persze túl lehet ezt is tolni, erre akadt is példa, főleg a szaturáció és a kontraszt masszív használata már-már irreálissá tudta tenni az eredményt, de láthatóan folyamatosan finomodik az algoritmus, egyre jobban ismeri fel a témákat és persze egyre több és több példán keresztül okosodik milliónyi fotó tanulásával.
[+]
Miután a mobilos fotózás eredményeinek túlnyomó többsége a közösségi oldalakra kerül ki és ott a legtöbben azt szeretik, ha a látványosság és a realitás mérlege ez előbbi felé dől el, ezért az átlagfelhasználók azt érzik, hogy remek fényképeket csinálnak, ugyanakkor az AI témafelismerés a legtöbb esetben kikapcsolható, egyáltalán nem kötelező használni. Abban viszont zömmel a fotózást magasabb szinten művelők is egyetértenek, hogy óriási segítséget jelent a mesterséges intelligencia az esti fotózás során, ahol az AI annyira ügyesen rakja össze a hosszú expozíciós idővel készült felvételek adatait egyetlen képpé, hogy ezt az eredményt semmiféle manuális trükkel nem lehet állvány nélkül reprodukálni. És van még egy terület, ami talán még az eddigieknél is komolyabb algoritmikus tudást igényel: a videózás közbeni stabilizáció, ami mostanság kerül egyre inkább előtérbe és a végső cél mindenképpen az, hogy kézben tartott telefonnal sétálva is olyan eredményt tudjon előállítani a mobil, amit korábban csak gimbal segítségével lehetett összehozni.
[+]
Mindezeken felül persze van egy csomó apróság, ami szintén a gépi tanulás számlájára írható, ilyen a háttér ügyesebb elmosása portré esetén (és egy csomó effekttel történő azonnali felturbózása), vagy éppen a galériában található portrék automatikus kategorizálása. Mivel az AI, illetve a gépi tanulás már nevéből eredően is az a terület, amely a használattal együtt fejlődik és lesz egyre ügyesebb, ezért biztosra vehető, hogy egyre jobb és jobb algoritmusok, egyre pontosabb gépi analizálás és egyre hasznosabb megoldások születnek a közeljövőben. Az AI-tól tehát nem hogy nem kell félni, hanem nagyon hamar eljutunk oda, hogy teljesen megszokott lesz, ha a CPU meleltt akad NPU is, nem csak a készülékgyártók és a beszállítók, hanem az alkalmazásfejlesztők is hozzáférnek az NPU erőforrásaihoz, hogy olyan appok szülessenek, amelyek ezt a technológiát ki tudják aknázni, ráadásul az okostelefonos platformok is felkészülnek erre. Úgyhogy bár a mobiltelefonos mesterséges intelligencia története egyelőre igencsak nyúlfarknyi, mégis egy olyan területről van szó, amelyben óriási potenciál bújik meg és egyáltalán nem véletlen, hogy a Huawei-féle Kirin rendszerchip után szinte az összes konkurens is implementálta a dolog hardveres vonatkozását, mert nagyon úgy fest, hogy a gépi tanulás nem csak még évtizedekig velünk lesz, hanem ugyanolyan alapvető összetevőnek számít majd, mint az, hogy a CPU-ban van modem.
Bog feat. Abu
