Marketingové brožury slibují revoluční autonomní řízení, ale realita je omezena na interpretaci matice čísel. Pokud si myslíte, že kamera "vidí" stopku stejně jako vy, mýlíte se. Jsou to jen pixely a statistická pravděpodobnost, která selhává při prvním náznaku šumu.
Když kamera zachytí dopravní značku, algoritmus ji okamžitě rozseká na kanály RGB. Neexistuje žádný koncept "tvaru" v lidském smyslu. Systém hledá shluky čísel, které odpovídají naučeným vzorcům. Pokud je matice poškozena digitálním šumem nebo nízkým rozlišením, pravděpodobnost shody prudce klesá. Tato mechanická povaha je důvodem, proč i banální chyba v datech vede k fatálnímu selhání.
Více o matematice sítí →Většina systémů používá ztrátovou kompresi, aby ušetřila výpočetní výkon. Tím se smazávají jemné detaily, které jsou pro správnou identifikaci klíčové. Pro marketéra je to "optimalizace", pro inženýra je to riskantní hazard s přesností. Jakmile algoritmus ztratí hranu objektu v artefaktech komprese, přestává rozlišovat mezi značkou "Dej přednost v jízdě" a náhodným billboardem.
Proč data lžou →Detekce hran je základním pilířem počítačového vidění. Algoritmy jako Cannyho detektor hledají prudké změny v intenzitě pixelů. Problém nastává v momentě, kdy je scéna vizuálně komplexní. Stíny stromů dopadající na vozovku vytvářejí pro stroj "falešné hrany", které mají stejnou matematickou váhu jako vodorovné dopravní značení.
Proč je to kritické? Protože stroj neví, co je stín a co je fyzický objekt. On pouze počítá gradienty. Pokud je kontrast mezi asfaltem a stínem vyšší než mezi asfaltem a vybledlou čárou, auto se rozhodne následovat stín. To není chyba "inteligence", ale logický důsledek toho, jak je systém navržen. Marketingové sliby o bezchybném vnímání okolí narážejí na fyzikální limity optiky.
"Počítačové vidění není o chápání světa, ale o hledání statisticky nejméně nepravděpodobné interpretace šumu."
Dalším faktorem je tzv. "přetržení hran". Pokud je značka částečně zakrytá větví nebo nálepkou, algoritmus nedokáže logicky doplnit chybějící část jako lidský mozek. Vidí dva nesouvisející objekty. V ten moment systém buď objekt ignoruje, nebo jej klasifikuje jako něco úplně jiného. Je to mechanický proces, který postrádá jakoukoli formu kontextuálního uvažování.
| Světelný scénář | Reakce senzoru | Následek pro systém |
|---|---|---|
| Přímé protisvětlo (slunce) | Saturace pixelů (whiteout) | Úplná slepota v daném sektoru |
| Rychlé střídání světla a stínu | Pomalá adaptace expozice | Zpoždění v detekci objektů o stovky ms |
| Umělé osvětlení (LED) | Flicker efekt (blikání) | Zmatení algoritmu, značky "mizí" |
| Mokrá vozovka v noci | Spekulární odrazy | Detekce neexistujících jízdních pruhů |
Většina lidí si myslí, že HDR (High Dynamic Range) vyřeší vše. V automotive segmentu ale HDR znamená skládání více snímků, což vede k pohybovému rozmazání (motion blur). U auta jedoucího 130 km/h je každý milimetr pohybu během expozice kritický. Výsledkem je sice hezký obrázek pro oko, ale nepoužitelná mazanice pro algoritmus detekce hran.
Posledním krokem je klasifikace – přiřazení štítku k detekovanému shluku pixelů. Zde narážíme na problém "přetrénování". Pokud byl model trénován na 10 000 fotkách čistých německých značek, bude mít problém s jednou zrezivělou značkou u českých silnic. Stroj nemá schopnost abstrakce. Nechápe, že "zrezivělý osmiúhelník" je stále "STOP".
Dokud nebudou systémy schopny pracovat s kontextuální logikou namísto pouhého porovnávání vzorů v matici, zůstane plná autonomie jen marketingovým snem. Počítačové vidění je fascinující nástroj, ale jeho slepá místa jsou mnohem větší, než si většina uživatelů připouští. Více o tom, jak fungují jazykové modely a proč mají podobné limity, se dozvíte v naší další sekci.
Přestaňte věřit magii marketingu a začněte rozumět technické realitě dnešního světa. Naše analýzy jdou k jádru věci.