Generatived（Beta）｜生成AIの最新ニュースとトレンドを提供

近年の開発では、コンピュータービジョンシステムが視覚言語モデル（VLM）の統合によって強化され、視覚コンテンツのより深い理解が可能になっています。これらのモデルは、テキスト記述子と時空間情報を結び付けることができ、日々収集される膨大な量の視覚データから貴重な洞察をチームに提供します。VLMを適用することで、組織はレガシーシステムを変革し、高密度キャプションによる視覚コンテンツの検索性向上、詳細なコンテキストによるアラートの拡張、AI推論を用いた複雑なシナリオの要約などが可能になります。

この技術の応用例の一つとして、UVeyeの自動車両検査システムが挙げられます。このシステムは、数百万枚の高解像度画像を処理して高精度に欠陥を検出します。このVLMアプリケーションは、視覚データを構造化されたレポートに変換することで、検索機能を強化し、欠陥検出率を大幅に向上させます。同様に、Relo Metricsはスポーツマーケティング測定にVLMを活用し、ブランドにメディア投資の価値に関するリアルタイムの洞察を提供することで、戦略的な最適化と大幅なコスト削減を実現しています。

さらに、VLMはCNNベースのコンピュータービジョンシステムを拡張するために使用されており、単なるバイナリアラート以上の機能を提供しています。VLMは、インシデントの詳細を説明するコンテキスト理解のレイヤーを追加します。これは、Linker Visionによるスマートシティ交通管理などのアプリケーションで特に有用です。このアプローチは、数千台のカメラストリームにわたるイベント分析を自動化することで、誤検知を削減し、自治体の対応時間を短縮します。

最後に、VLMを他のモデルやテクノロジーと組み合わせたエージェントAIシステムは、複雑なクエリを処理および推論することができます。例えば、Levatasは、詳細な検査レポートを作成するためにVLMを活用した視覚検査ソリューションを開発し、かつては手作業だったプロセスを効率化しました。エージェントAIのこれらの進歩は、主にNVIDIAテクノロジーによって支えられています。NVIDIAは、開発者がメタデータが豊富なインデックスを構築し、VLMをさまざまなアプリケーションに統合するために必要なツールを提供し、運用のスケールアップとビデオ分析機能の強化に貢献しています。