NET 3 2022

46 www.net-im-web.de 3/22 Kirin 990 und 980 leisteten beachtliches. Der Kirin 990 hatte 2019 als erster Mo- bilprozessor ein 5G-Modem integriert. Von den üblichen Features wie WLAN, Bluetooth, NFC, mehreren Kamerasteue- rungen, GPS, Spracherkennung und wei- teren Funktionen ganz zu schweigen. In manchen Smartphones sind auch eigene KI-Chips neben demMobilfunkprozessor verbaut. Inzwischen arbeiten Huawei, Samsung, Apple, Google und weitere Firmen wie das für seine effektiven Pro- zessoren bekannte Unternehmen ARMan der nächsten Generation von KI-Chips. Ein Beispiel ist das ARM-Projekt Trillium. Das Unternehmen ist bereits seit Jahren ein einflussreicher KI-Spe- zialist. 2018 basierten 90 % aller mit KI ausgestatteten Chips auf der ARM-Pro- zessortechnik. Im Rahmen von Trillium hat ARM Prozessoren mit noch besserer KI-Technik entwickelt. Dazu bietet die Firma Open Source Software Develop- ment Kits an, mit denen die Anwendun- gen basierend auf den ARM-Prozessoren vom Kunden entwickelt werden können. Beispiele von Anwendungen sind das von dem indischen Unternehmen Ignitarium herausgebrachte intelligente Rauschre- duktionssystem für Audioanwendungen wie z.B. Headsets oder die vom Wiener Unternehmen Emotion3D entwickelte Software, die den Zustand und die Be- wegungen von Passagieren z.B. in einem Auto analysieren und so zur Unfallver- meidung beitragen kann. Mit derartigen Möglichkeiten sind auch Anwendungen auf Smartphones möglich. So hat Google auch einenKI-Chip für Smartphones unter der Bezeichnung Tensor Processing Unit (TPU) entwickelt und setzt ihn in seinen neuesten Smartphones ein. Perfekte Assistenten Wie wertet die integrierte Intelligenz Bilder und Videos auf? Da ist die Motiverken- nung, die je nach Motiv Korrekturen wie Farbanpassung der Haut oder eine Ver- zerrungskorrektur bei Text vornimmt. In den Huawei-Geräten sind dafür mehrere hundert Szenen einprogrammiert. Die begrenzten Rechen- und Speicherkapazi- täten auf dem Smartphone eignen sich noch nicht für komplexere Lernaufgaben, so dass deren Ergebnisse auf stationären Rechnern erarbeitet und nur diese auf dem Smartphone gespeichert werden. Bei Porträtaufnahmen kann ein anderer Algorithmus die Bestandteile des Gesichts identifizieren und beispielsweise Falten oder Pickel wegretuschieren. Langzeit- belichtungen sind dank Bildstabilisierung bei Belichtungen bis zu 6 s kein Problem mehr. Auch die Autofokusfunktion nutzt automatische Assistenten. Bei bewegten Motiven versucht das System automatisch die Bewegungsrichtung zu erkennen. Wo aufgrund dieser Daten das Motiv erwartet wird, stellt die Kamera scharf. Das sind nur einige der nützlichenHilfsfunktionen. KI werkelt aber nicht nur bei der Fotografie und Videoaufnahmen im Hintergrund. Die meisten Smartphones lassen sich heute über persönlicheMerkmale wie den Fingerabdruck oder über Gesichts- erkennung aktivieren. Auch hier kommt das maschinelle Lernen zum Einsatz, wenn das Gesicht oder der Fingerabdruck des Nutzers eintrainiert wird. Seit ein paar Jahren kann man auchmit demSmartphone per Sprache kommunizieren, z.B. Abfragen bei Google stellen. Die nächste Generation KI-Chips wird noch mehr bieten. So sollen anhand der unbewussten Art, wie der Nutzer mit dem Gerät spricht, Emotionen erkannt (siehe die Emotion3D-Lösung) oder, und da wird es fast unheimlich, bestimmte Erkran- kungen diagnostiziert werden. Die Palette der heutigen und künftigen Funktionen ist damit sicher noch nicht vollständig. Mobile Geschäftsmodelle 4.0 Spätestens seit Corona sind Smartphones und Tablets fester Bestandteil mobilen Noch smarter mit KI Ein Beispiel für eine KI-Anwendung ist das von Ignitarium entwickelte intelligente Rauschreduktionssystem für Audio- anwendungen, das mit einem KI-Chip von ARM arbeitet (Bild: Ignitarium) Was ist ein neuronales Netz? Künstliche neuronale Netze (KNN) vernetzen künstliche Neuronen, die biologischen Neuronen eines Lebe- wesens elektronisch oder softwaretechnisch nachempfunden sind. Sie müssen für die Erfüllung von Aufgaben trainiert werden. Das geschieht im Allgemeinen durch Veränderung der Gewichtung der Signale zwischen den Neuronen. Ein einfaches Beispiel ist die Gesichtserkennung als Zugangscode. Durch mehrmaliges Einlesen einer oder verschiedener Kameraaufnahmen bildet sich im Netz ein Muster, das später immer wieder erkannt wird. Es gibt inzwischen aber auch Netze, die durch ständiges Lernen ihre Leistung und Erkennungsgenauigkeit für vorbestimmte Aufgaben immer weiter verbessern.