Konkrét példával illusztráljuk, hogy a HANA XS Advanced (XSA) platform milyen hatékony keretrendszert biztosít mesterségesintelligencia-alapú képfelismerést használó funkciók megvalósítására, és hogy a HANA XSA olyan fejlesztői környezet, amelyen gyakorlatilag bármilyen egyedi fejlesztés rendkívül hatékonyan valósítható meg.
Különösen azokban az esetekben jelentenek előnyt a HANA XSA fejlesztői környezet adottságai, amelyeknél komplex funkciókra, rendszerek közötti integrációra, méretezhetőségre, megbízhatóságra van szükség. A HANA XSA értelemszerűen HANA adatbázishoz, Fiori UI5 frontend-fejlesztési keretrendszerhez integrálható. Jellemző a HANA XSA rugalmasságára, hogy több különböző programozási nyelven, így Java-scriptben, Pythonban stb. is lehet benne fejleszteni a backend alkalmazásokat.
Arc- és rendszámfelismerés
Az alábbiakban ismertetett prototípusban egy HANA XS Advanced fejlesztési környezetben, HANA adatbázison megvalósított, kamerával integrált arc- és rendszámfelismerő alkalmazást fejlesztettünk ki (lásd az ábrát). A fejlesztést on-premise rendszeren valósítottuk meg, de megoldásunk lényegében változtatás nélkül ültethető át a felhőbe (SAP Cloud Platform).
Szállítmányozással, nemzetközi fuvarozással foglalkozó ügyfelünknél kiemelt jelentősége van annak a ténynek, hogy az SAP Transportation Management moduljában nyilvántartott adatok alapján az adott járművet az adott pillanatban a járműben ülő sofőr vezetheti-e. Talán nem kell részletezni ennek az ellenőrzésnek a fontosságát egy olyan vállalat életében, amelynél sok száz jármű és járművezető van úton egy időben, hogy Európa-szerte kiszolgálják a megrendelők igényeit. Ez az ellenőrzés a szervezési folyamat kontrollját vagy akár bűncselekmény megakadályozását teszi lehetővé.
Azért esett a választásunk arc- és rendszámfelismerő alkalmazásokra, mert azok a mesterségesintelligencia-alkalmazások egyfajta szimbólumai. Azt szerettük volna illusztrálni, hogy az SAP a képfeldolgozás területén is fontos szereplővé vált. Különösen ipari és biztonsági területen, például beléptető rendszereknél, selejtes alkatrészek azonosításában számítunk az újgenerációs SAP-s termékek térhódítására.
Gépi tanulással, önállóan
Általában olyankor használják a mesterséges intelligencia eszköztárát, azon belül pedig a gépi tanulást, amikor az adatok komplexitása miatt a probléma nem algoritmizálható emberi elme által tervezett módon a hagyományos szoftveres környezetben. A hagyományos szoftveres megoldásokban az ember megtervezi a program futásának minden részletét. Ezzel szemben a gépi tanulás során a rendszer példák, minták alapján képes önállóan szabályszerűségeket vagy szabályokat felismerni, meghatározni. A rendszer tehát nem csupán betanulja "kívülről" a mintákat, hanem képes ezek alapján olyan általánosításra, amelyek alapján - a tanulási szakasz végeztével - ismeretlen adatokra vonatkozólag is "helyes" döntéseket tud hozni.
Érdemes megjegyezni, hogy az arcfelismerés területén csak nemrégen, 2015-ben történt áttörés, amikor a Google kutatói megalkották a FaceNet rendszerét. A jelen megoldásban a tanítási folyamatot nem implementáltuk, csak felhasználtuk az SAP által biztosított, már betanított funkciókat.
