Гудбай, "вебмастера"! DesignerGPT пришел вам на смену!

Ты сам писал про ИИ в форде https://searchengines.guru/ru/forum/1091360/page10#comment_16979242  😂

Что? Парк-радар? От датчика? Датчика, который радар?)))

А нейросети откуда берут данные? С другого датчика? Или ты вообще про что хоть пишешь?

Лол. И где же в твоем форде спрятан мощный сервак, чтобы работать с бигдатой?)))

Или он у тебя снимки травы, светофоров и разметки с пешеходами отправляет по 3g/4g на обсчет нейронке, а потом получает обратно?)))

Да если б так было, то ты уже все бы столбы собрал 😂

А как есть? Сможешь обьяснить?

Ты даже не представляешь алгоритм работы но лезешь дискутировать. Если бы твоей целью было установление истины, можно было бы продолжать, но твоя цель - показать себя самым умным, а остальных - дураками. 

Я вот разворачивал сервис, который  может на фотке или видео посчитать количестов обьектов в кадре, причем умеет различать котиков и уточек. Использовались заранее обученные модели, а не каждый раз картинка куда-то отправлялась. Это тебе на заметку. Хотя вряд ли ты поймешь, если не знаешь как пар-крадар работает, точнее термин даже не понимаешь

Ни в коем случае!!! Просто в авто премиального сегмента "автопилот" умудряются воткнуть парой блоков с набором микросхем, а в твоем бюджетном форде сервак на ксеонах ворочает бигдату. Я не спорю. Пусть будет так!

Подключил по api?

Так по api или твоя нейронка? Долго писал нейронку?)))

Как работает пар-крадар не знаю. А парк-радар как? Неужели тот самый эффекет Доплера, про который рассказывают в школе?)))

Ты даже не пытаешься понять о чем речь и как это работает, бросаешься общими словами... Почитай может для примера про Tensorflow и что такое модели натренированные. 

С уроками русского советую идти на какой0то иной форум, если нечего сказать по делу, значит конец дискуссии.

Так я тебя спросил, а ты не ответил.

Напомню. Что такое парк-радар в форде?

И чем он отличается принципиально от мышки с оптическим датчиком?

У тебя мышка с оптическим датчиком тоже наделена ИИ,  как и форд?

Дядь, этим технологиям уже сто лет.

Рассказывай, где в форде инженеры спрятали сервак на ксенонах, который шевелит нейронку, чтобы она закатила телегу на парковку? 😁

Сам себе придумал, потом вопросы задаешь, тяжело тебе, уже и мышку приплел))) Откуда тебе знать разницу между park-assist and line-assist системами))) А почитать не судьба, понятно)))

Так сервак с ИИ в форде где спрятан?

Я у знающего спрашиваю.

отвечаю вопросм? зачем там сервак? сайты хостить?  Для работы интеллектуальных систем помощи он не нужен, хватает электронных модулей, если для тебя это новость. 

А ты похоже думаешь что автопилот в Ауди или тесла чтобы распознать знак светофора, запрос в датацентр каждый раз делает?

совсем беда... 

Я тебе вчера тут объяснял, что там нет никаких ИИ в этих «автопилотах» в машинах, к ты спорил.

Перечитай. Технологии прошлого века))) просто дешевеет электроника, поэтому и до твоего бюджетного форда дошёл парковочный ассистент.

Это по твоей версии там есть нейросеть)))

Ты хоть в интернет на сайтах запчастей посмотри какого размера блоки блоки «автопилота» для автомобиля.

Я тебе даже фото могу прислать блока камеры, которая отвечает за удержание автомобиля в полосе! Ты вообще понимаешь, как это работает? каком образом обрабатываются изображения и что для этого используется. Что такое распознавание обьектов? Для этого используются предварительно обученные модели. Естественно, что развитие электроники привело к тому, что все это возможно разместить в маленьком блоке. Невозможно написать алгоритм без использования ИИ. Но ты просто не понимаешь разницу да и в целом как это все работает. Не стоит задача перед этим блоком написать реферат. Он должен принять решение - полоса это или след от шины или бордюр и отдать команду на управление. Для этого и используются модели.

как минимум следующие компоненты присутствуют -

1. Обработка изображений и компьютерное зрение:

   • Обработка изображений: Используется для анализа данных, полученных от камер и других сенсоров.
   • Компьютерное зрение: Алгоритмы компьютерного зрения могут выявлять и анализировать полосы на дороге, определять их границы и классифицировать окружающую среду.

2. Алгоритмы машинного обучения:

   • Классификация объектов: Методы машинного обучения, такие как классификация изображений, могут использоваться для распознавания дорожной разметки и объектов вокруг автомобиля.
   • Регрессия: Для прогнозирования движения и изменений полосы могут применяться алгоритмы регрессии.