24.03.2025, 09:00 Uhr

Universität Wien
Besprechungsraum 5.35
Währinger Str. 29
1090 Wien

Titel: “A Comparative Analysis of Image Recognition Cloud Services”

Kurzfassung:
Die schnelle Entwicklung in den Computer Vision Technologien von Industrieunternehmen
wie Amazon, Google, IBM und Microsoft hat zur Entwicklung robuster Bilderkennungs-
APIs geführt. Diese APIs haben die Art und Weise, wie Programmierer und Unternehmen
Computer Vision nutzen, revolutioniert und die Notwendigkeit eliminiert, komplexe
Systeme von Grund auf neu zu entwickeln.
Obwohl diese APIs erhebliche Vorteile bieten, präsentieren sie auch bemerkenswerte
Herausforderungen in Bezug auf Leistung, Kosten, Einschränkungen und Funktionalitäten.
Es ist wesentlich, eine tiefgehende Analyse und einen Vergleich dieser APIs durchzuführen,
um Entwicklern und Organisationen zu helfen, gut informierte Entscheidungen zu treffen.
Die Auswahl der am besten geeigneten API gemäß spezifischen Anforderungen ist eine
komplexe Aufgabe. Beispielsweise kann ein kleiner Fehler, wie das Fehllesen einer Autokennzeichennummer
durch eine API, ernsthafte Folgen haben und zeigt die kritische
Natur der genauen API-Leistung in realen Szenarien.
Die aktuellen APIs bieten eine breite Palette von Dienstleistungen an, darunter Bildklassifizierung,
Gesichtserkennung, Bildabruf, optische Zeichenerkennung und Handschrifterkennung.
Diese APIs haben den Zugang zu leistungsstarken Künstlicher-Intelligenz-
(KI)-Fähigkeiten demokratisiert, sodass Entwickler sich auf die Pipeline-Aspekte ihrer
Anwendungen konzentrieren können. Um die am besten geeignete API auszuwählen,
die die festgelegten Anforderungen erfüllt, empfiehlt der bestehende Ansatz, die Dokumentation
einer oder mehrerer APIs zu überprüfen oder Tests an ihnen durchzuführen.
Diese Methoden sind jedoch zeitaufwändig, ressourcenintensiv und möglicherweise nicht
ausreichend zuverlässig. Angesichts der Unpraktikabilität, alle Dokumentationen aller
API-Anbieter gründlich zu untersuchen und zu testen, ist ein effizienterer und effektiverer
Auswahlprozess erforderlich.
Diese Forschung zielt darauf ab, diese Computer Vision APIs zu studieren und zu
vergleichen. Sie wird ihre Leistung, Kosten, Funktionalität und Einschränkungen bewerten.
Zusätzlich wird ein Prototyp-Tool entwickelt, um bei der Auswahl der besten API/s für
spezifische Umstände zu helfen, unter Berücksichtigung von Faktoren wie Anwendungstyp
und Budgetbeschränkungen.
Das Ziel dieser Studie ist es, eine tiefgehende Analyse und einen Vergleich verschiedener
Computer Vision APIs durchzuführen, Aspekte wie ihre Leistung, Kosten, Funktionalität
und Einschränkungen zu bewerten. Ein Entscheidungshilfesystem wird entwickelt, um bei
der Auswahl der geeignetsten API für bestimmte Situationen zu helfen. Dieses System
konzentriert sich auf vier Schlüsselbereiche: Leistung, Kosten, Funktionalität und Einschränkungen.
Das Tool ist so konzipiert, dass es automatisch API-Dokumentationen von
Websites sammelt und analysiert, unter Verwendung eines maschinellen Lernalgorithmus.
Basierend auf den vom Benutzer angegebenen Kriterien, wie Kosten oder Leistung..., or
ganisiert und präsentiert das Tool die entsprechenden Informationen für alle ausgewählten
APIs in aufsteigender Reihenfolge basierend auf einem Bewertungskriterium.
Zusammenfassend hat das Aufkommen fortschrittlicher Computer Vision APIs von Industrieunternehmen
die Landschaft der KI-Branche erheblich verändert. Diese APIs bieten
zwar immense Vorteile in Bezug auf Funktionalität und Benutzerfreundlichkeit, bringen
aber auch drei Herausforderungen in Bezug auf Leistung, Kosten und Einschränkungen mit
sich. Die Notwendigkeit eines umfassenden Vergleichs und einer Analyse dieser APIs ist
offensichtlich, da die richtige Wahl entscheidend ist, um potenzielle Risiken zu vermeiden
und die Effizienz zu maximieren. Diese Forschung hat zum Ziel, diese Bedürfnisse zu
adressieren, indem sie eine eingehende Bewertung
verschiedener Computer Vision APIs und die Entwicklung eines Entscheidungshilfesystems.
Dieses System, das maschinelles Lernen für die Analyse nutzt, vereinfacht den
Auswahlprozess, indem es die Fähigkeiten der API mit benutzerspezifischen Anforderungen
abgleicht. Letztendlich trägt diese Studie nicht nur zu einem tieferen Verständnis der
aktuellen API-Landschaft bei, sondern bietet auch Entscheidungshilfetools, um Entwicklern
und Organisationen bei der fundierten Entscheidungsfindung zu helfen, wodurch
effektivere und zuverlässigere Anwendungsentwicklungen im Bereich der Computer Vision
erleichtert werden.