វឌ្ឍនភាពនៅក្នុងចក្ខុវិស័យកុំព្យូទ័រជំរុញស្វ័យភាពនៃការដឹកជញ្ជូន

ការមើលឃើញគឺជាការបញ្ចូលអារម្មណ៍របស់មនុស្សដ៏មានឥទ្ធិពល។ វាអនុញ្ញាតឱ្យមានកិច្ចការស្មុគស្មាញ និងដំណើរការដែលយើងទទួលយកបាន។ ជាមួយនឹងការកើនឡើងនៃ AoT™ (Autonomy of Things) នៅក្នុងកម្មវិធីចម្រុះរាប់ចាប់ពីការដឹកជញ្ជូន និងកសិកម្ម រហូតដល់មនុស្សយន្ត និងថ្នាំ តួនាទីរបស់កាមេរ៉ា កុំព្យូទ័រ និងការរៀនម៉ាស៊ីនក្នុងការផ្តល់នូវចក្ខុវិស័យ និងការយល់ដឹងដូចមនុស្សកំពុងក្លាយជាមានសារៈសំខាន់។ ចក្ខុវិស័យកុំព្យូទ័រជាវិន័យសិក្សាបានចាប់ផ្ដើមនៅក្នុងទសវត្សរ៍ឆ្នាំ 1960 ជាចម្បងនៅសាកលវិទ្យាល័យដែលចូលរួមក្នុងវិស័យដែលកំពុងរីកចម្រើននៃបញ្ញាសិប្បនិម្មិត (AI) និងការរៀនម៉ាស៊ីន។ វាបានរីកចម្រើនយ៉ាងខ្លាំងក្នុងរយៈពេល XNUMX ទស្សវត្សខាងមុខ ដោយសារការជឿនលឿនយ៉ាងសំខាន់នៅក្នុងបច្ចេកវិទ្យា semiconductor និងកុំព្យូទ័រត្រូវបានបង្កើតឡើង។ ភាពជឿនលឿននាពេលថ្មីៗនេះ ក្នុងការរៀនជ្រៅជ្រះ និងបញ្ញាសិប្បនិម្មិតបានពន្លឿនការអនុវត្តនៃចក្ខុវិស័យកុំព្យូទ័រ ដើម្បីផ្តល់នូវពេលវេលាជាក់ស្តែង ការយល់ឃើញ និងការយល់ដឹងអំពីបរិស្ថានក្នុងពេលវេលាជាក់ស្តែង អនុញ្ញាតឱ្យមានស្វ័យភាព សុវត្ថិភាព និងប្រសិទ្ធភាពក្នុងកម្មវិធីផ្សេងៗ។ ការ​ដឹក​ជញ្ជូន​គឺ​ជា​តំបន់​មួយ​ដែល​ទទួល​បាន​អត្ថប្រយោជន៍​យ៉ាង​ខ្លាំង។

LiDAR (Light Detection and Ranging) គឺជាវិធីសាស្រ្តរូបភាពអុបទិកសកម្មដែលប្រើឡាស៊ែរដើម្បីកំណត់បរិយាកាស 3D ជុំវិញវត្ថុមួយ។ វាគឺជាបច្ចេកវិទ្យាមួយក្នុងចំណោមបច្ចេកវិទ្យាដែលដំណោះស្រាយចក្ខុវិស័យកុំព្យូទ័រ (ដែលពឹងផ្អែកទាំងស្រុងលើពន្លឺព័ទ្ធជុំវិញ និងមិនប្រើឡាស៊ែរសម្រាប់ការយល់ឃើញ 3D) កំពុងព្យាយាមរំខាន។ ប្រធានបទទូទៅគឺថា អ្នកបើកបរមនុស្សមិនត្រូវការ LiDAR សម្រាប់ការយល់ឃើញយ៉ាងស៊ីជម្រៅ ដូច្នេះក៏មិនគួរម៉ាស៊ីនដែរ។ លក្ខណៈពិសេសនៃការបើកបរស្វ័យភាព L3 ពាណិជ្ជកម្មបច្ចុប្បន្ន (ស្វ័យភាពពេញលេញនៅក្នុងភូមិសាស្ត្រជាក់លាក់ និងលក្ខខណ្ឌអាកាសធាតុ ដោយអ្នកបើកបរត្រៀមខ្លួនជាស្រេចដើម្បីគ្រប់គ្រងក្នុងរយៈពេលប៉ុន្មានវិនាទី) ផលិតផលថ្ងៃនេះ ប្រើ LiDAR. បច្ចេកទេសផ្អែកលើចក្ខុវិស័យសុទ្ធសាធនៅតែមិនអាចផ្តល់នូវសមត្ថភាពនេះក្នុងលក្ខណៈពាណិជ្ជកម្មបានទេ។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

ក្រុមហ៊ុន teslaTSLA
គឺជាអ្នកគាំទ្រដ៏លេចធ្លោនៃការប្រើប្រាស់ចក្ខុវិស័យកុំព្យូទ័រដែលផ្អែកលើកាមេរ៉ាអកម្ម ដើម្បីផ្តល់នូវស្វ័យភាពរបស់រថយន្តដឹកអ្នកដំណើរ។ ក្នុងអំឡុងពេលព្រឹត្តិការណ៍ AI Day ថ្មីៗនេះរបស់ក្រុមហ៊ុន Elon Musk និងវិស្វកររបស់គាត់បានផ្តល់បទបង្ហាញដ៏គួរអោយចាប់អារម្មណ៍មួយ។ នៃ AI របស់ខ្លួន ការគ្រប់គ្រងទិន្នន័យ និងសមត្ថភាពកុំព្យូទ័រដែលគាំទ្រ ក្នុងចំណោមគំនិតផ្តួចផ្តើមផ្សេងទៀត មុខងារ Full Self Driving (FSD) នៅលើម៉ូដែល Tesla ជាច្រើន។ FSD តម្រូវ​ឱ្យ​អ្នកបើកបរ​មនុស្ស​ចូលរួម​ក្នុង​កិច្ចការ​បើកបរ​គ្រប់ពេលវេលា (ដែល​ស្រប​នឹង​ស្វ័យភាព L2)។ បច្ចុប្បន្ន ជម្រើសនេះមាននៅលើយានយន្តចំនួន 160,000 គ្រឿងដែលអតិថិជនទិញនៅសហរដ្ឋអាមេរិក និងកាណាដា។ ឈុតកាមេរ៉ាចំនួន 8 នៅលើយានជំនិះនីមួយៗ ផ្តល់នូវផែនទីនៃការកាន់កាប់ 360°។ ទិន្នន័យកាមេរ៉ា (និងផ្សេងទៀត) ពីយានជំនិះទាំងនេះត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទរបស់វា (ដែលប្រើការដាក់ស្លាកដោយស្វ័យប្រវត្តិ) ដើម្បីសម្គាល់វត្ថុ គ្រោងគន្លងយានដែលមានសក្តានុពល ជ្រើសរើសជម្រើសដ៏ល្អបំផុត និងធ្វើឱ្យសកម្មភាពត្រួតពិនិត្យសមស្រប។ ការអាប់ដេត ~ 75K នៃបណ្តាញសរសៃប្រសាទបានកើតឡើងក្នុងរយៈពេល 12 ខែចុងក្រោយនេះ (~ 1 ការធ្វើបច្ចុប្បន្នភាពរៀងរាល់ 7 នាទីម្តង) ដោយសារទិន្នន័យថ្មីត្រូវបានប្រមូលជាបន្តបន្ទាប់ ហើយកំហុសក្នុងការដាក់ស្លាក ឬកំហុសឆ្គងក្នុងការបង្ខិតបង្ខំត្រូវបានរកឃើញ។ បណ្តាញដែលបានទទួលការបណ្តុះបណ្តាលអនុវត្តផែនការ និងសកម្មភាពត្រួតពិនិត្យតាមរយៈស្ថាបត្យកម្មនៅលើយន្តហោះ ដែលមិនមានភាពស្មុគស្មាញនៃគ្រឿងអេឡិចត្រូនិចកុំព្យូទ័រដែលមានគោលបំណង។ Tesla រំពឹងថា FSD នៅទីបំផុតនឹងនាំទៅរកយានជំនិះស្វយ័ត (AVs) ដែលផ្តល់នូវស្វ័យភាពពេញលេញនៅក្នុងផ្នែករចនាប្រតិបត្តិការជាក់លាក់ ដោយមិនចាំបាច់មានការចូលរួមពីអ្នកបើកបរមនុស្សទេ (ហៅផងដែរថាស្វ័យភាព L4)។

ក្រុមហ៊ុនផ្សេងទៀតដូចជា Phiar, Helm.ai និង NODAR ក៏កំពុងបន្តការសិក្សាលើវិថីកុំព្យូទ័រ។ NODAR មានគោលបំណងពង្រីកយ៉ាងសំខាន់នូវជួររូបភាព និងការយល់ឃើញ 3D នៃប្រព័ន្ធកាមេរ៉ាស្តេរ៉េអូ ដោយការរៀនកែសំរួលការតម្រឹមកាមេរ៉ាខុស និងឥទ្ធិពលរំញ័រតាមរយៈក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលមានប៉ាតង់។ ថ្មីៗនេះវាបានរៃអង្គាសប្រាក់បាន 12 លានដុល្លារ សម្រាប់ការផលិតផលិតផលដ៏ល្បីរបស់ខ្លួន Hammerhead™ ដែលប្រើប្រាស់កាមេរ៉ារថយន្តកម្រិត "off-the-shelf" និងវេទិកាគណនាស្តង់ដារ។

ក្រៅពីតម្លៃ និងទំហំ អំណះអំណាងញឹកញាប់ប្រឆាំងនឹងការប្រើប្រាស់ LiDAR គឺថាវាមានកម្រិត និងកម្រិតភាពច្បាស់បើប្រៀបធៀបទៅនឹងកាមេរ៉ា។ ឧទាហរណ៍ LiDARs ដែលមានជួរ 200 m និង 5-10 M ពិន្ទុ/វិនាទី (PPS ស្រដៀងនឹងដំណោះស្រាយ) មានថ្ងៃនេះ។ នៅចម្ងាយ 200 ម៉ែត្រ ឧបសគ្គតូចៗដូចជាឥដ្ឋ ឬកម្ទេចកម្ទីសំបកកង់នឹងចុះបញ្ជីចំណុចតិចតួចណាស់ (ប្រហែលជា 2-3 ក្នុងបញ្ឈរ និង 3-5 ក្នុងទិសផ្ដេក) ធ្វើឱ្យការសម្គាល់វត្ថុពិបាក។ អ្វី​ៗ​កាន់​តែ​ស្វិតស្វាញ​ក្នុង​រយៈ​ចម្ងាយ​វែង។ តាមការប្រៀបធៀប កាមេរ៉ាមេហ្គាភិចសែលស្ដង់ដារដែលដំណើរការនៅ 30 Hz អាចបង្កើតបាន 30M ភីកសែល/វិនាទី ដែលអនុញ្ញាតឱ្យមានការទទួលស្គាល់វត្ថុល្អជាង ទោះបីជានៅចម្ងាយឆ្ងាយក៏ដោយ។ កាមេរ៉ាទំនើបបន្ថែមទៀត (12 M ភីកសែល) អាចបង្កើនវាបន្ថែមទៀត។ បញ្ហាគឺរបៀបប្រើប្រាស់ទិន្នន័យដ៏ធំនេះ និងបង្កើតការយល់ឃើញដែលអាចធ្វើសកម្មភាពបានជាមួយនឹងភាពយឺតនៃកម្រិតមីលីវិនាទី ការប្រើប្រាស់ថាមពលទាប និងលក្ខខណ្ឌភ្លើងដែលខូច។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

ទទួលស្គាល់ដែលជាក្រុមហ៊ុនមានមូលដ្ឋាននៅរដ្ឋកាលីហ្វ័រញ៉ា កំពុងព្យាយាមដោះស្រាយបញ្ហានេះ។ យោងតាមនាយកប្រតិបត្តិ Mark Bolitho បេសកកម្មរបស់ខ្លួនគឺ "ផ្តល់នូវការយល់ឃើញដែលមើលឃើញដ៏អស្ចារ្យសម្រាប់រថយន្តដែលមានស្វ័យភាពពេញលេញ” ក្រុមហ៊ុននេះត្រូវបានបង្កើតឡើងក្នុងឆ្នាំ 2017 រៃអង្គាសប្រាក់បាន 75 លានដុល្លាររហូតមកដល់បច្ចុប្បន្ន និងមានបុគ្គលិកចំនួន 70 នាក់។ RK Anand ដែលជាអ្នកតំណាងនៃ Juniper Networks គឺជាសហស្ថាបនិកម្នាក់ និងជាប្រធានផ្នែកផលិតផល។ គាត់ជឿជាក់ថា ការប្រើប្រាស់កាមេរ៉ាដែលមានគុណភាពបង្ហាញខ្ពស់ជាងមុន ជាមួយនឹងជួរថាមវន្ត > 120 dB ដែលដំណើរការក្នុងអត្រាស៊ុមខ្ពស់ (ឧទាហរណ៍ OnSemi, Sony និង Omnivision) ផ្តល់នូវទិន្នន័យដែលត្រូវការដើម្បីបង្កើតព័ត៌មាន 3D កម្រិតច្បាស់ខ្ពស់ ដែលមានសារៈសំខាន់សម្រាប់ការសម្រេចបាននូវ AVs ។ អ្នក​ដែល​អនុញ្ញាត​ឱ្យ​មាន​ដូច​ជា​:

1. ASICs រចនាតាមបំណងដើម្បីដំណើរការទិន្នន័យប្រកបដោយប្រសិទ្ធភាព និងផលិតផែនទី 3D ដែលមានភាពត្រឹមត្រូវ និងគុណភាពបង្ហាញខ្ពស់នៃបរិស្ថានរថយន្ត។ ទាំងនេះត្រូវបានប្រឌិតនៅលើដំណើរការ TSMC 7 nm ដែលមានទំហំបន្ទះឈីប 100 mm² ដែលដំណើរការនៅប្រេកង់ 1 GHz ។
2. ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលមានកម្មសិទ្ធិ ដើម្បីដំណើរការចំណុចទិន្នន័យរាប់លាននៅក្រៅបណ្តាញ ដើម្បីបង្កើតបណ្តាញសរសៃប្រសាទដែលបានបណ្តុះបណ្តាល ដែលបន្ទាប់មកអាចដំណើរការប្រកបដោយប្រសិទ្ធភាព និងរៀនជាបន្តបន្ទាប់។ បណ្តាញនេះផ្តល់នូវការយល់ឃើញ និងរួមបញ្ចូលការចាត់ថ្នាក់ និងការរកឃើញវត្ថុ ការបែងចែកតាមអត្ថន័យ ការរកឃើញគន្លងផ្លូវ ផ្លាកសញ្ញាចរាចរណ៍ និងការសម្គាល់ភ្លើងចរាចរណ៍
3. កាត់បន្ថយទំហំផ្ទុកក្រៅបន្ទះឈីប និងប្រតិបត្តិការគុណដែលពឹងផ្អែកខ្លាំងលើថាមពល និងបង្កើតភាពយឺតយ៉ាវខ្ពស់។ ការរចនា ASIC របស់ Recogni ត្រូវបានធ្វើឱ្យប្រសើរឡើងសម្រាប់គណិតវិទ្យាលោការីត និងប្រើការបន្ថែម។ ប្រសិទ្ធភាព​បន្ថែម​ទៀត​ត្រូវ​បាន​ដឹង​ដោយ​ការ​កំណត់​ទម្ងន់​យ៉ាង​ល្អ​ប្រសើរ​ក្នុង​បណ្តាញ​សរសៃប្រសាទ​ដែល​បាន​បណ្តុះបណ្តាល។

ក្នុងដំណាក់កាលបណ្តុះបណ្តាល LiDAR ពាណិជ្ជកម្មត្រូវបានប្រើជាការពិតដើម្បីបណ្តុះបណ្តាលគុណភាពបង្ហាញខ្ពស់ ទិន្នន័យកាមេរ៉ាស្តេរ៉េអូជួរថាមវន្តខ្ពស់ ដើម្បីទាញយកព័ត៌មានជម្រៅ និងធ្វើឱ្យវារឹងមាំប្រឆាំងនឹងផលប៉ះពាល់ខុស និងរំញ័រ។ យោងតាមលោក Anand ការអនុវត្តការរៀនតាមម៉ាស៊ីនរបស់ពួកគេមានប្រសិទ្ធភាពខ្លាំងដែលវាអាចបន្ថែមការប៉ាន់ស្មានជម្រៅលើសពីជួរបណ្តុះបណ្តាលដែលផ្តល់ដោយការក្រិត LiDAR (ដែលផ្តល់នូវការពិតដល់កម្រិត 100 ម៉ែត្រ)។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

ទិន្នន័យបណ្តុះបណ្តាលខាងលើត្រូវបានធ្វើឡើងនៅពេលថ្ងៃជាមួយនឹងកាមេរ៉ា 8.3-megapixel ស្តេរ៉េអូដែលដំណើរការក្នុងអត្រាស៊ុម 30 Hz (~0.5B ភីកសែលក្នុងមួយវិនាទី)។ វាបង្ហាញពីសមត្ថភាពនៃបណ្តាញដែលបានបណ្តុះបណ្តាលដើម្បីទាញយកព័ត៌មាន 3D នៅក្នុងកន្លែងកើតហេតុលើសពីចម្ងាយ 100 ម៉ែត្រដែលវាត្រូវបានបណ្តុះបណ្តាលជាមួយ។ ដំណោះស្រាយរបស់ Recogni ក៏អាចបន្ថែមការរៀនសូត្ររបស់វាជាមួយនឹងទិន្នន័យពេលថ្ងៃ ទៅនឹងការអនុវត្តនៅពេលយប់ផងដែរ (រូបភាពទី 2)។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

យោងតាមលោក Anand ទិន្នន័យជួរមានភាពត្រឹមត្រូវក្នុងរង្វង់ 5% (នៅជួរវែង) និងជិត 2% (នៅជួរខ្លីជាង)។ ដំណោះស្រាយផ្តល់នូវ 1000 TOPS (ប្រតិបត្តិការពាន់ពាន់លានក្នុងមួយវិនាទី) ជាមួយនឹង 6 ms latency និងការប្រើប្រាស់ថាមពល 25W (40 TOPS/W) ដែលដឹកនាំឧស្សាហកម្មនេះ។ គូប្រជែងដែលប្រើគណិតវិទ្យាចំនួនគត់គឺ> 10X ទាបជាងនៅលើម៉ែត្រនេះ។ ដំណោះស្រាយរបស់ Recogni បច្ចុប្បន្នកំពុងស្ថិតក្នុងការសាកល្បងនៅក្រុមហ៊ុនផ្គត់ផ្គង់រថយន្តលំដាប់ទី 1 ជាច្រើន។

ទាយ ("ទស្សន៍ទាយ និងមើលកន្លែងដែលសកម្មភាព")ដែលមានមូលដ្ឋាននៅប្រទេសបារាំង ប្រើប្រាស់កាមេរ៉ាផ្អែកលើព្រឹត្តិការណ៍របស់ខ្លួនសម្រាប់ AVs ប្រព័ន្ធជំនួយអ្នកបើកបរកម្រិតខ្ពស់ (ADAS) ស្វ័យប្រវត្តិកម្មឧស្សាហកម្ម កម្មវិធីអ្នកប្រើប្រាស់ និងការថែទាំសុខភាព។ បង្កើតឡើងក្នុងឆ្នាំ ២០១៤ អេ ថ្មីៗនេះក្រុមហ៊ុនបានបិទមូលនិធិជុំ C របស់ខ្លួនចំនួន 50 លានដុល្លារជាមួយនឹងទឹកប្រាក់សរុបចំនួន 127 លានដុល្លារដែលត្រូវបានលើកឡើងរហូតមកដល់បច្ចុប្បន្ន។ Xiaomi ដែលជាក្រុមហ៊ុនផលិតទូរស័ព្ទឈានមុខគេ គឺជាអ្នកវិនិយោគម្នាក់។ គោលដៅរបស់ Prophesee គឺធ្វើត្រាប់តាមចក្ខុវិស័យរបស់មនុស្ស ដែលអ្នកទទួលនៅក្នុងរីទីណាមានប្រតិកម្មទៅនឹងព័ត៌មានថាមវន្ត។ ខួរក្បាលរបស់មនុស្សផ្តោតលើការកែច្នៃការផ្លាស់ប្តូរនៅក្នុងកន្លែងកើតហេតុ (ជាពិសេសសម្រាប់ការបើកបរ)។ គំនិតជាមូលដ្ឋានគឺត្រូវប្រើស្ថាបត្យកម្មកាមេរ៉ា និងភីកសែលដែលរកឃើញការផ្លាស់ប្តូរនៃអាំងតង់ស៊ីតេពន្លឺលើសពីកម្រិត (ព្រឹត្តិការណ៍) ហើយផ្តល់តែទិន្នន័យនេះទៅជង់គណនាសម្រាប់ដំណើរការបន្ថែមទៀត។ ភីកសែលដំណើរការដោយអសមកាល (មិនត្រូវបានដាក់ស៊ុមដូចនៅក្នុងកាមេរ៉ា CMOS ធម្មតាទេ) និងមានល្បឿនលឿនជាងមុន ដោយសារពួកវាមិនចាំបាច់បញ្ចូលហ្វូតុនដូចនៅក្នុងកាមេរ៉ាដែលមានមូលដ្ឋានលើស៊ុមធម្មតា ហើយរង់ចាំឱ្យស៊ុមទាំងមូលបញ្ចប់វាមុនពេលការអានទិន្នន័យ។ គុណសម្បត្តិគឺសំខាន់ - កម្រិតបញ្ជូនទិន្នន័យទាប ភាពយឺតនៃការសម្រេចចិត្ត ការផ្ទុក និងការប្រើប្រាស់ថាមពល។ ឧបករណ៍ចាប់សញ្ញាចក្ខុវិស័យព្រឹត្តិការណ៍ VGA ថ្នាក់ពាណិជ្ជកម្មដំបូងបង្អស់របស់ក្រុមហ៊ុនមានលក្ខណៈពិសេសជួរថាមវន្តខ្ពស់ (> 120 dB) ការប្រើប្រាស់ថាមពលទាប (26 mW នៅកម្រិតឧបករណ៍ចាប់សញ្ញាឬ 3 nW / ព្រឹត្តិការណ៍) ។ កំណែ HD (និយមន័យខ្ពស់) (រួមគ្នាជាមួយ Sony) ដែលមានទំហំភីកសែលនាំមុខគេក្នុងឧស្សាហកម្ម (< 5 μm) ក៏ត្រូវបានដាក់ឱ្យដំណើរការផងដែរ។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

ឧបករណ៍ចាប់សញ្ញាទាំងនេះបង្កើតជាស្នូលនៃវេទិការចាប់សញ្ញា Metavision® ដែលប្រើ AI ដើម្បីផ្តល់នូវការយល់ឃើញដ៏ឆ្លាតវៃ និងមានប្រសិទ្ធភាពសម្រាប់កម្មវិធីស្វ័យភាព ហើយស្ថិតនៅក្រោមការវាយតម្លៃដោយក្រុមហ៊ុនជាច្រើននៅក្នុងផ្នែកដឹកជញ្ជូន។ ក្រៅពីការយល់ឃើញឆ្ពោះទៅមុខសម្រាប់ AVs និង ADAS, Prophesee ត្រូវបានចូលរួមយ៉ាងសកម្មជាមួយអតិថិជនសម្រាប់ការត្រួតពិនិត្យនៅក្នុងកាប៊ីនរបស់អ្នកបើកបរសម្រាប់កម្មវិធី L2 និង L3 សូមមើលរូបភាពទី 4៖

ឱកាសរថយន្តមានផលចំណេញច្រើន ប៉ុន្តែវដ្តនៃការរចនាមានរយៈពេលយូរ។ ក្នុងរយៈពេលពីរឆ្នាំចុងក្រោយនេះ Prophesee បានឃើញការចាប់អារម្មណ៍ និងការទាក់ទាញយ៉ាងសំខាន់នៅក្នុងកន្លែងមើលឃើញម៉ាស៊ីនសម្រាប់កម្មវិធីឧស្សាហកម្ម។ ទាំងនេះរួមមានការរាប់ល្បឿនលឿន ការត្រួតពិនិត្យផ្ទៃ និងការត្រួតពិនិត្យរំញ័រ។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

ថ្មីៗនេះ Prophesee បានប្រកាសពីការសហការ ជាមួយអ្នកអភិវឌ្ឍន៍ឈានមុខគេនៃប្រព័ន្ធចក្ខុវិស័យម៉ាស៊ីនដើម្បីទាញយកឱកាសនៅក្នុងឧស្សាហកម្មស្វ័យប្រវត្តិកម្ម មនុស្សយន្ត យានយន្ត និង IoT (Internet of Things)។ ឱកាសភ្លាមៗផ្សេងទៀតគឺការកែរូបភាពព្រិលៗសម្រាប់ទូរសព្ទចល័ត និងកម្មវិធី AR/VR។ ទាំងនេះប្រើឧបករណ៍ចាប់សញ្ញាទ្រង់ទ្រាយទាបជាងឧបករណ៍ដែលប្រើសម្រាប់ឱកាស ADAS/AV រយៈពេលវែង ប្រើប្រាស់ថាមពលតិចជាងមុន និងដំណើរការជាមួយនឹងភាពយឺតយ៉ាវទាបជាងយ៉ាងខ្លាំង។

អ៊ីស្រាអែលគឺជាអ្នកច្នៃប្រឌិតឈានមុខគេនៅក្នុងបច្ចេកវិទ្យាខ្ពស់ ជាមួយនឹងការវិនិយោគបណ្តាក់ទុនសំខាន់ៗ និងបរិយាកាសចាប់ផ្តើមសកម្ម។ ចាប់តាំងពីឆ្នាំ 2015 ប្រហែល $70B ក្នុងការវិនិយោគដែលដឹកនាំដោយបណ្តាក់ទុននៅក្នុងវិស័យបច្ចេកវិទ្យាបានកើតឡើង. ផ្នែកមួយនៃនេះគឺនៅក្នុងតំបន់នៃចក្ខុវិស័យកុំព្យូទ័រ។ Mobileye បានដឹកនាំបដិវត្តន៍នេះក្នុងឆ្នាំ 1999 នៅពេលដែល Amnon Shashua ដែលជាអ្នកស្រាវជ្រាវ AI ឈានមុខគេនៅសាកលវិទ្យាល័យ Hebrew បានបង្កើតក្រុមហ៊ុនដើម្បីផ្តោតលើការយល់ឃើញផ្អែកលើកាមេរ៉ាសម្រាប់ ADAS និង AVs ។ ក្រុមហ៊ុនបានដាក់ពាក្យស្នើសុំ IPO ក្នុងឆ្នាំ 2014 ហើយត្រូវបានទិញដោយ IntelINTC
នៅឆ្នាំ 2017 ក្នុងតម្លៃ 15 ពាន់លានដុល្លារ។ សព្វថ្ងៃនេះ វាគឺជាអ្នកលេងឈានមុខគេក្នុងវិស័យកុំព្យូទ័រ និងដែន AV យ៉ាងងាយស្រួល ហើយថ្មីៗនេះ បានប្រកាសពីចេតនារបស់ខ្លួនក្នុងការដាក់ពាក្យសុំ IPO និងក្លាយជាអង្គភាពឯករាជ្យ។ Mobileye មានប្រាក់ចំណូលចំនួន $1.4B ក្នុងមួយឆ្នាំ និងការខាតបង់តិចតួច ($75M)។ វាផ្តល់នូវសមត្ថភាពចក្ខុវិស័យកុំព្យូទ័រដល់ 50 OEMs រថយន្តដែលដាក់ពង្រាយវានៅទូទាំង 800 ម៉ូដែលរថយន្តសម្រាប់សមត្ថភាព ADAS ។ នៅពេលអនាគត ពួកគេមានបំណងដឹកនាំក្នុងស្វ័យភាពយានយន្ត L4 (មិនត្រូវការអ្នកបើកបរ) ដោយប្រើជំនាញចក្ខុវិស័យកុំព្យូទ័រនេះ និងសមត្ថភាព LiDAR ដោយផ្អែកលើវេទិកាស៊ីលីកុនតូនិចរបស់ Intel ។ ការវាយតម្លៃរបស់ Mobileye ត្រូវបានប៉ាន់ប្រមាណថា $50B នៅពេលដែលពួកគេចេញជាសាធារណៈ។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

រាជធានី Champelដែលមានមូលដ្ឋាននៅទីក្រុងយេរូសាឡឹម គឺជាក្រុមហ៊ុនឈានមុខគេក្នុងការវិនិយោគលើក្រុមហ៊ុនដែលបង្កើតផលិតផលដោយផ្អែកលើចក្ខុវិស័យកុំព្យូទ័រសម្រាប់កម្មវិធីចម្រុះពីការដឹកជញ្ជូន និងកសិកម្មរហូតដល់សន្តិសុខ និងសុវត្ថិភាព។ Amir Weitman គឺជាសហស្ថាបនិក និងជាដៃគូគ្រប់គ្រង ហើយបានចាប់ផ្តើមក្រុមហ៊ុនបណ្តាក់ទុនរបស់គាត់នៅឆ្នាំ 2017 ។ មូលនិធិដំបូងបានបណ្តាក់ទុនចំនួន 20 លានដុល្លារនៅក្នុងក្រុមហ៊ុនចំនួន 14 ។ ការវិនិយោគមួយក្នុងចំណោមការវិនិយោគរបស់ពួកគេគឺនៅក្នុង Innoviz ដែលបានផ្សព្វផ្សាយជាសាធារណៈតាមរយៈការរួមបញ្ចូល SPAC ក្នុងឆ្នាំ 2018 ហើយបានក្លាយជា LiDAR unicorn ។ ដឹកនាំដោយ Omer Keilaf (ដែលបានសាទរពីអង្គភាពបច្ចេកវិទ្យានៃអង្គភាពស៊ើបការណ៍សម្ងាត់នៃកងកម្លាំងការពារអ៊ីស្រាអែល) ក្រុមហ៊ុនសព្វថ្ងៃនេះគឺជាក្រុមហ៊ុននាំមុខគេក្នុងការដាក់ពង្រាយ LiDAR សម្រាប់ ADAS និង AVs ជាមួយនឹងការរចនាជាច្រើនដែលឈ្នះនៅ BMW និង Volkswagen ។

មូលនិធិទីពីររបស់ Champel Capital (Impact Deep Tech Fund II) ត្រូវបានផ្តួចផ្តើមនៅខែមករា ឆ្នាំ 2022 ហើយបានរៃអង្គាសប្រាក់បាន 30 លានដុល្លាររហូតមកដល់បច្ចុប្បន្ន (គោលដៅគឺ 100 លានដុល្លារនៅចុងឆ្នាំ 2022)។ ការផ្តោតសំខាន់គឺទៅលើចក្ខុវិស័យកុំព្យូទ័រ ដែលមានតម្លៃ 12 លានដុល្លារត្រូវបានដាក់ពង្រាយនៅក្នុងក្រុមហ៊ុនចំនួន XNUMX ។ ទាំងបីនេះប្រើចក្ខុវិស័យកុំព្យូទ័រសម្រាប់ការដឹកជញ្ជូន និងមនុស្សយន្ត។

TankU, មានមូលដ្ឋាននៅទីក្រុង Haifa បានចាប់ផ្តើមប្រតិបត្តិការក្នុងឆ្នាំ 2018 ហើយបានរៃអង្គាសប្រាក់បានចំនួន 10 លានដុល្លារ។ Dan Valdhorn គឺជានាយកប្រតិបត្តិ និងជានិស្សិតបញ្ចប់ការសិក្សានៅអង្គភាព 8200 ដែលជាក្រុមបច្ចេកវិទ្យាខ្ពស់មួយនៅក្នុងកងកម្លាំងការពារអ៊ីស្រាអែល ដែលទទួលខុសត្រូវលើការស៊ើបការណ៍សម្ងាត់ និងការឌិគ្រីបកូដ។ ផលិតផល SaaS (Software as a Service) របស់ TankU ដំណើរការដោយស្វ័យប្រវត្តិ និងសុវត្ថិភាពនៅក្នុងបរិយាកាសខាងក្រៅដ៏ស្មុគស្មាញដែលផ្តល់សេវាកម្មដល់យានជំនិះ និងអ្នកបើកបរ។ ផលិតផលទាំងនេះត្រូវបានប្រើប្រាស់ដោយម្ចាស់យានជំនិះ រថយន្តឯកជន ស្ថានីយ៍បញ្ចូលប្រេង និងអគ្គីសនី ដើម្បីការពារការលួច និងការក្លែងបន្លំនៅក្នុងប្រតិបត្តិការហិរញ្ញវត្ថុស្វ័យប្រវត្តិ។ សេវាកម្មប្រេងឥន្ធនៈក្នុងរថយន្តបង្កើតបាន ~ $2T នៅក្នុងប្រាក់ចំណូលសកលជារៀងរាល់ឆ្នាំ ដែលម្ចាស់កងនាវាឯកជន និងពាណិជ្ជកម្មប្រើប្រាស់ 40% ឬ $800B ។ អ្នកលក់រាយ និងម្ចាស់កងនាវាខាតបង់ ~ $100B ជារៀងរាល់ឆ្នាំដោយសារតែការលួច និងការក្លែងបន្លំ (ឧទាហរណ៍ ការប្រើប្រាស់កាតប្រេងឥន្ធនៈសម្រាប់យានជំនិះឯកជនដែលគ្មានការអនុញ្ញាត)។ CNP (កាតមិនមានវត្តមាន) ការក្លែងបន្លំ និងការបន្លំ/លួចប្រេងឥន្ធនៈ គឺជាប្រភពនៃការបាត់បង់បន្ថែមទៀត ជាពិសេសនៅពេលប្រើព័ត៌មានលម្អិតអំពីកាតដែលលួចនៅក្នុងកម្មវិធីទូរស័ព្ទសម្រាប់ការទូទាត់។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

ផលិតផល TUfuel របស់ក្រុមហ៊ុននេះជួយសម្រួលដល់ការទូទាត់ដោយសុវត្ថិភាពដោយចុចតែម្តង ទប់ស្កាត់ការក្លែងបន្លំប្រភេទភាគច្រើន និងជូនដំណឹងដល់អតិថិជននៅពេលដែលវាសង្ស័យថាមានការក្លែងបន្លំ។ វាធ្វើបែបនេះដោយផ្អែកលើម៉ាស៊ីន AI ដែលត្រូវបានបណ្តុះបណ្តាលលើទិន្នន័យពី CCTVs ដែលមានស្រាប់នៅក្នុងកន្លែងទាំងនេះ និងទិន្នន័យប្រតិបត្តិការឌីជីថល (រួមទាំង POS និងទិន្នន័យខាងក្រោយផ្សេងទៀត)។ ប៉ារ៉ាម៉ែត្រដូចជាគន្លង និងឌីណាមិករបស់រថយន្ត លេខសម្គាល់យានយន្ត ពេលវេលាធ្វើដំណើរ ចម្ងាយផ្លូវ ពេលវេលាចាក់សាំង បរិមាណប្រេងឥន្ធនៈ ប្រវត្តិប្រេងឥន្ធនៈ និងអាកប្បកិរិយារបស់អ្នកបើកបរ គឺជាលក្ខណៈមួយចំនួនដែលត្រូវបានត្រួតពិនិត្យដើម្បីរកមើលការក្លែងបន្លំ។ ទិន្នន័យនេះក៏ជួយអ្នកលក់រាយបង្កើនប្រសិទ្ធភាពប្រតិបត្តិការគេហទំព័រ បង្កើនភាពស្មោះត្រង់របស់អតិថិជន និងប្រើប្រាស់ឧបករណ៍ទីផ្សារផ្អែកលើចក្ខុវិស័យ។ យោងតាមនាយកប្រតិបត្តិ Dan Valdhorn ដំណោះស្រាយរបស់ពួកគេរកឃើញ 70% នៃកងនាវា 90% នៃកាតឥណទាន និង 70% នៃព្រឹត្តិការណ៍ក្លែងបន្លំដែលទាក់ទងនឹងការរំខាន។

សូណុល គឺជាក្រុមហ៊ុនសេវាកម្មថាមពលដែលគ្រប់គ្រង និងដំណើរការបណ្តាញស្ថានីយ៍ និងហាងងាយស្រួលចំនួន 240 នៅទូទាំងប្រទេសអ៊ីស្រាអែល។ TUfuel ត្រូវបានដាក់ពង្រាយនៅកន្លែងរបស់ពួកគេ ហើយបានបង្ហាញពីការពង្រឹងសុវត្ថិភាព ការការពារការក្លែងបន្លំ និងភាពស្មោះត្រង់របស់អតិថិជន។ ការសាកល្បងផលិតផលកំពុងដំណើរការនៅក្នុងសហរដ្ឋអាមេរិកដោយសហការជាមួយក្រុមហ៊ុនផ្គត់ផ្គង់ហ្គាសឈានមុខគេលើពិភពលោក និងឧបករណ៍ហាងងាយស្រួល។ គំនិតផ្តួចផ្តើមស្រដៀងគ្នានេះក៏កំពុងដំណើរការនៅអាហ្វ្រិក និងអឺរ៉ុបផងដែរ។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

មានមូលដ្ឋាននៅទីក្រុង Tel-Aviv ITC ត្រូវបានបង្កើតឡើងក្នុងឆ្នាំ 2019 ដោយអ្នកសិក្សាម៉ាស៊ីនពីសាកលវិទ្យាល័យ Ben-Gurion ។ ITC បង្កើតផលិតផល SaaS នោះ។ "វាស់លំហូរចរាចរណ៍ ព្យាករណ៍ពីការកកស្ទះ និងកាត់បន្ថយវាតាមរយៈការរៀបចំភ្លើងចរាចរណ៍ដ៏ឆ្លាតវៃ មុនពេលការកកស្ទះចាប់ផ្តើម។" ស្រដៀងទៅនឹង TankU វាប្រើទិន្នន័យពីកាមេរ៉ាក្រៅធ្នើ (បានដំឡើងរួចហើយនៅចំនុចប្រសព្វចរាចរណ៍ជាច្រើន) ដើម្បីទទួលបានទិន្នន័យចរាចរណ៍បន្តផ្ទាល់។ ទិន្នន័យពីកាមេរ៉ារាប់ពាន់នៅទូទាំងទីក្រុងមួយត្រូវបានវិភាគ ហើយប៉ារ៉ាម៉ែត្រដូចជាប្រភេទរថយន្ត ល្បឿន ទិសដៅចលនា និងលំដាប់នៃប្រភេទរថយន្ត (ឡានដឹកទំនិញទល់នឹងរថយន្ត) ត្រូវបានស្រង់ចេញតាមរយៈកម្មវិធីនៃក្បួនដោះស្រាយ AI ដែលមានកម្មសិទ្ធិ។ ការក្លែងធ្វើព្យាករណ៍លំហូរចរាចរណ៍ និងស្ថានភាពស្ទះចរាចរណ៍ដែលអាចកើតមានរហូតដល់ 30 នាទីជាមុន។ ភ្លើងចរាចរណ៍ត្រូវបានកែសម្រួលដោយប្រើលទ្ធផលទាំងនេះ ដើម្បីសម្រួលចរាចរណ៍ និងទប់ស្កាត់ការកកស្ទះ។

ការបណ្ដុះបណ្ដាលប្រព័ន្ធ AI ចំណាយពេលមួយខែនៃទិន្នន័យដែលមើលឃើញនៅទូទាំងទីក្រុងធម្មតា ហើយពាក់ព័ន្ធនឹងការរួមបញ្ចូលគ្នានៃការរៀនដែលមានការត្រួតពិនិត្យ និងគ្មានការត្រួតពិនិត្យ។ ដំណោះស្រាយរបស់ ITC ត្រូវបានដាក់ពង្រាយរួចហើយនៅក្នុងទីក្រុង Tel-Aviv (ជាប់ចំណាត់ថ្នាក់ទី 25 នៃទីក្រុងដែលមានការកកស្ទះបំផុតនៅលើពិភពលោកក្នុងឆ្នាំ 2020) ជាមួយនឹងកាមេរ៉ារាប់ពាន់ត្រូវបានដាក់ពង្រាយនៅផ្លូវប្រសព្វរាប់រយដែលគ្រប់គ្រងដោយភ្លើងចរាចរណ៍។ ប្រព័ន្ធរបស់ ITC បច្ចុប្បន្នគ្រប់គ្រងយានយន្ត 75K ដែលត្រូវបានរំពឹងថានឹងបន្តកើនឡើង។ ក្រុមហ៊ុនកំពុងដំឡើង ក សមត្ថភាពស្រដៀងគ្នានៅក្នុង លុចសំបួរ និងកំពុងចាប់ផ្តើមការសាកល្បងនៅក្នុងទីក្រុងធំៗរបស់សហរដ្ឋអាមេរិក។ ជាសកល ដំណោះស្រាយរបស់វាគ្រប់គ្រងយានជំនិះ 300,000 ដែលមានទីតាំងប្រតិបត្តិការនៅអ៊ីស្រាអែល សហរដ្ឋអាមេរិក ប្រេស៊ីល និងអូស្ត្រាលី។ Dvir Kenig, CTO, មានការងប់ងល់ក្នុងការដោះស្រាយបញ្ហានេះ - ដើម្បីផ្តល់ឱ្យមនុស្សត្រឡប់មកវិញនូវពេលវេលាផ្ទាល់ខ្លួន, កាត់បន្ថយឧស្ម័នផ្ទះកញ្ចក់, លើកកំពស់ផលិតភាពទាំងមូលនិងសំខាន់បំផុត, កាត់បន្ថយគ្រោះថ្នាក់នៅផ្លូវប្រសព្វដែលមានការកកស្ទះ។ នេះ​បើ​តាម​លោក Kenig។ "ការដាក់ពង្រាយរបស់យើងបង្ហាញពីការកាត់បន្ថយការកកស្ទះចរាចរណ៍ចំនួន 30% កាត់បន្ថយពេលវេលាបើកបរដែលមិនបានផលិត ភាពតានតឹង ការប្រើប្រាស់ប្រេងឥន្ធនៈ និងការបំពុល។"

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

មនុស្សយន្តក្នុងផ្ទះ គឺ បង្កើតឡើងក្នុង 2018 និង ពេលនេះ រៃអង្គាសប្រាក់បាន 18 លានដុល្លារ. ក្រុមហ៊ុនដែលមានមូលដ្ឋាននៅជិតទីក្រុង Tel-Aviv ប្រទេសអ៊ីស្រាអែល បង្កើត និងលក់ដំណោះស្រាយដ្រូនស្វ័យប្រវត្តិសម្រាប់ការត្រួតពិនិត្យសុវត្ថិភាព សុវត្ថិភាព និងការថែទាំក្នុងផ្ទះ។ នាយកប្រតិបត្តិ និងជាសហស្ថាបនិក លោក Doron Ben-David មានបទពិសោធន៍ផ្នែកមនុស្សយន្ត និងអាកាសចរណ៍សំខាន់ៗ ដែលប្រមូលផ្តុំនៅ IAIIAI
(អ្នកម៉ៅការសំខាន់ផ្នែកការពារជាតិ) និង MAFAT (អង្គការស្រាវជ្រាវកម្រិតខ្ពស់នៅក្នុងក្រសួងការពារជាតិអ៊ីស្រាអែល) ដែលស្រដៀងនឹង DARPA នៅសហរដ្ឋអាមេរិក។ ការវិនិយោគដែលកំពុងកើនឡើងនៅក្នុងអគារឆ្លាតវៃ និងទីផ្សារសន្តិសុខពាណិជ្ជកម្មជំរុញឱ្យមានតម្រូវការសម្រាប់ប្រព័ន្ធស្វយ័តដែលអាចប្រើការមើលឃើញកុំព្យូទ័រ និងការបញ្ចូលអារម្មណ៍ផ្សេងទៀតនៅក្នុងកន្លែងពាណិជ្ជកម្មខាងក្នុងតូច និងធំ (ការិយាល័យ មជ្ឈមណ្ឌលទិន្នន័យ ឃ្លាំង និងកន្លែងលក់រាយ)។ Indoor Robotics កំណត់គោលដៅទីផ្សារនេះដោយប្រើយន្តហោះគ្មានមនុស្សបើកក្នុងផ្ទះដែលបំពាក់ដោយកាមេរ៉ាក្រៅធ្នើ និងឧបករណ៍ចាប់សញ្ញាជួរកម្ដៅ និងអ៊ីនហ្វ្រារ៉េដ។

Ofir Bar-Levav គឺជាប្រធានផ្នែកធុរកិច្ច។ គាត់ពន្យល់ថា កង្វះ GPS បានរារាំងយន្តហោះគ្មានមនុស្សបើកក្នុងផ្ទះ ពីការធ្វើមូលដ្ឋានីយកម្មខ្លួនឯងនៅខាងក្នុងអគារ (ជាទូទៅ GPS-បដិសេធ ឬមិនត្រឹមត្រូវ)។ លើសពីនេះ ដំណោះស្រាយការចត និងថាមពលដែលងាយស្រួល និងមានប្រសិទ្ធភាពគឺនៅខ្វះខាត។ Indoor Robotics ដោះស្រាយវាជាមួយនឹងកាមេរ៉ាដែលបំពាក់ដោយយន្តហោះគ្មានមនុស្សបើកចំនួន 80 (ខាងលើ ចុះក្រោម ឆ្វេង ស្តាំ) និងឧបករណ៍ចាប់សញ្ញាជួរសាមញ្ញ ដែលកំណត់ផែនទីលំហក្នុងផ្ទះ និងមាតិការបស់វាបានត្រឹមត្រូវ។ ទិន្នន័យរបស់កាមេរ៉ា (កាមេរ៉ាផ្តល់នូវការធ្វើមូលដ្ឋានីយកម្ម និងទិន្នន័យផែនទី) និងឧបករណ៍ចាប់សញ្ញាកម្ដៅ (ក៏ត្រូវបានដំឡើងនៅលើយន្តហោះគ្មានមនុស្សបើកផងដែរ) ត្រូវបានវិភាគដោយប្រព័ន្ធ AI ដើម្បីរកមើលបញ្ហាសុវត្ថិភាព សុវត្ថិភាព និងការថែទាំដែលអាចកើតមាន និងព្រមានអតិថិជន។ យន្តហោះគ្មានមនុស្សបើកផ្តល់ថាមពលដល់ខ្លួនតាមរយៈ "ក្បឿងចត" ដែលមានពិដាន ដែលជួយសន្សំសំចៃទំហំដ៏មានតម្លៃ និងអនុញ្ញាតឱ្យប្រមូលទិន្នន័យពេលកំពុងសាកថ្ម។ អត្ថប្រយោជន៍ផ្នែកហិរញ្ញវត្ថុនៃដំណើរការស្វ័យប្រវត្តិកម្មទាំងនេះ ដែលកម្លាំងពលកម្មរបស់មនុស្សមានភាពស្មុគ្រស្មាញ និងមានតម្លៃថ្លៃទាក់ទងនឹងការជ្រើសរើស ការរក្សាទុក និងការបណ្តុះបណ្តាល បានបង្ហាញឱ្យឃើញច្បាស់។ ការប្រើប្រាស់យន្តហោះគ្មានមនុស្សបើក ធៀបនឹងមនុស្សយន្តដែលមានមូលដ្ឋានលើដី ក៏មានគុណសម្បត្តិយ៉ាងសំខាន់ផងដែរ ទាក់ទងនឹងដើមទុន និងការចំណាយប្រតិបត្តិការ ការប្រើប្រាស់លំហអាកាសកាន់តែប្រសើរ សេរីភាពក្នុងការផ្លាស់ទីដោយមិនជួបប្រទះឧបសគ្គ និងប្រសិទ្ធភាពនៃការចាប់យកទិន្នន័យកាមេរ៉ា។ យោងតាមលោក Bar-Levav TAM របស់ Indoor Robotics 'TAM (Total Addressable Market) នៅក្នុងប្រព័ន្ធសុវត្ថិភាពឆ្លាតវៃក្នុងផ្ទះនឹងមានចំនួន $2026B នៅឆ្នាំ XNUMX។ ទីតាំងអតិថិជនសំខាន់ៗនាពេលបច្ចុប្បន្ននេះរួមមានឃ្លាំង មជ្ឈមណ្ឌលទិន្នន័យ និងសាខាការិយាល័យនៃសាជីវកម្មឈានមុខគេនៅលើពិភពលោក។

ការផ្សព្វផ្សាយពាណិជ្ជកម្ម

ចក្ខុវិស័យកុំព្យូទ័រកំពុងធ្វើបដិវត្តហ្គេមស្វ័យភាព - នៅក្នុងចលនាស្វ័យប្រវត្តិកម្ម សុវត្ថិភាព ការត្រួតពិនិត្យអគារឆ្លាតវៃ ការរកឃើញការក្លែងបន្លំ និងការគ្រប់គ្រងចរាចរណ៍។ ថាមពលនៃ semiconductors និង AI គឺជាថាមពលដ៏មានឥទ្ធិពល។ នៅពេលដែលកុំព្យូទ័រធ្វើជាម្ចាស់នៃទម្រង់នៃអារម្មណ៍មិនគួរឱ្យជឿនេះក្នុងទម្រង់ដែលអាចធ្វើមាត្រដ្ឋានបាននោះ លទ្ធភាពគឺគ្មានទីបញ្ចប់។