Чи знали ви, що в усьому світі жінки складають лише близько 22% професіоналів у сфері розробки та впровадження штучного інтелекту (ШІ)? Такий гендерний розрив у навичках у сфері ШІ звужує потенціал для інновацій. Навіть коли цифрові технології стануть доступнішими, ця нерівність залишиться, якщо ми не змінимо гендерні соціальні норми.
В епоху цифрової трансформації штучний інтелект змінює індустрію, освіту та ринок праці. Однак гендерні упередження в освіті та впровадженні ШІ залишаються значною проблемою, що потенційно обмежує можливості для жінок зокрема. Жінки меншою мірою представлені в STEM-дисциплінах (наука, технології, інженерія та математика), що пов’язано з усталеними упередженнями про «чоловічі» та «жіночі» професії та відповідно формувало їхній вибір ще в дитинстві. Навіть згадайте свої шкільні підручники, чи багато ви там бачили реальних прикладів жінок у науці? Для наочності радимо подивитися експеримент у київській школі, де дітей попросили намалювати представників чотирьох професій – вірусологів, аеророзвідників, реаніматологів та рятувальників. Спойлер, усі діти намалювали чоловіків-представників заданих професій. Для України, яка прагне розвивати стабільну економіку попри поточні виклики, важливо забезпечити інклюзивний доступ до навчання без стереотипів, особливо у сфері штучного інтелекту – це сприятиме інноваціям, інклюзивному економічному зростанню та довгостроковій стійкості бізнесу.
Системи штучного інтелекту працюють на основі даних, які в них завантажують. Якщо набори даних містять упередження, які вже існують в суспільстві, ШІ може посилити гендерну нерівність та інші стереотипи — особливо під час наймання на роботу, доступу до фінансів та надання послуг з підтримки бізнесу. До прикладу, алгоритми штучного інтелекту, які використовуються для найму персоналу, можуть відтворювати упередження, віддаючи перевагу кандидатам-чоловікам у технічних чи керівних ролях. Аналогічно, якщо історичні дані містять дискримінацію за віком, ШІ може знижувати рейтинг кандидатів 45+ років, вважаючи їх менш гнучкими чи здатними до навчання.
У сфері кредитування алгоритми можуть автоматично знижувати шанси на отримання позик для підприємців-жінок або представників етнічних меншин, якщо в минулому такі групи мали менший доступ до фінансування.Це створює замкнене коло, де нерівність з минулого продовжує впливати на можливості в майбутньому.
Брак різноманітності в освіті зі штучного інтелекту та серед технічної робочої сили тільки загострює ці проблеми, залишаючи жінок та недостатньо представлені групи без права голосу у формуванні цифрової економіки. Їхні потреби, досвід і перспективи не враховуються при розробці алгоритмів, що призводить до створення технологій, які не відображають реальну різноманітність суспільства та можуть посилювати дискримінацію.
Сам по собі штучний інтелект може позитивно впливати на гендерну рівність. Наприклад, спеціально натреновані програми можуть підбирати працівників неупереджено, генерувати дані з розподілом за статтю, створювати кращі навчальні матеріали тощо. Агентний штучний інтелект, який не просто реагує, а активно допомагає, має потенціал революціонізувати домашню працю, автоматизуючи трудомісткі завдання та звільняючи жінок від непропорційного тягаря неоплаченої доглядової роботи. Жінки досі виконують у 2,5 раза більше домашніх обов’язків, ніж чоловіки, що обмежує їхню можливість займатися професійною або творчою діяльністю. Крім того, згідно з дослідженням у журналі Nature, штучний інтелект може допомогти досягти 79% цілей сталого розвитку ООН, тому світу потрібно більше фахівців у цій галузі.
Розвиток різноманітної та інклюзивної спільноти – це непросто мета, а необхідність. Різноманіття перспектив приносить нові ідеї та відкриття, які можуть трансформувати світ технологій і принести користь суспільству в цілому.
З появою глобальних етичних норм у сфері штучного інтелекту, на кшталт розроблених ЮНЕСКО, компанії, які активно протидіють гендерним упередженням, випереджатимуть регуляторні вимоги.
В Україні бізнес стрімко впроваджує рішення на основі штучного інтелекту, тому важливо забезпечити справедливий та рівний доступ до можливостей для всіх. Якщо не подолати гендерні упередження у сфері ШІ, то підприємства, очолювані жінками, ризикують отримувати менше фінансування та обмежений доступ до цифрових інструментів, що ще більше поглибить економічну нерівність.
Будьмо відвертими: залучення жінок до ШІ – це не просто створення голосового помічника з жіночим голосом; це буквально надання жінкам права голосу у сфері ШІ. Це означає забезпечення їхньої присутності в розробці ігор, зборі гендерночутливих даних, дослідницьких групах ШІ та навіть радах венчурного капіталу, де приймаються рішення про фінансування. У венчурному бізнесі жінкам складніше отримати фінансування, оскільки алгоритми, навчені на попередніх інвестиційних рішеннях, частіше віддають перевагу чоловічим командам, повторюючи упередження ринку. І самих жінок лише 5% серед венчурних інвесторів. Стартапи зі штучним інтелектом, очолювані жінками, стикаються зі значними розбіжностями в сумах фінансування, отримуючи в середньому в шість разів менше капіталу за угоду, ніж засновані чоловіками. Попри те, що глобальні дані показують, що стартапи, засновані жінками, генерують вищий дохід на кожен вкладений долар, ніж ті, які очолюють чоловіки.
Згідно зі звітом AI Ecosystem of Ukraine від AIHouse та Roosh, Україна має успішний ШІ-ландшафт із понад 150 стартапами ШІ та більш ніж 100 R&D-центрами. Україна посідає друге місце за кількістю ІТ-спеціалістів (307 000) серед країн Центральної та Східної Європи, тоді як кількість спеціалістів зі штучного інтелекту становить менш ніж 1%. Однак гендерна нерівність зберігається: жінки становлять лише 16% української робочої сили у сфері ШІ. Цей дисбаланс підкреслює необхідність цілеспрямованих заходів для сприяння гендерному розмаїттю в галузі ШІ-освіти та підприємництва.
У звіті підкреслюється, що український бізнес дедалі більше покладається на рішення на основі штучного інтелекту для автоматизації, аналізу даних та залучення клієнтів. Однак, якщо ці моделі ШІ навчаються на упереджених наборах даних або розробляються без гендерно-інклюзивних підходів, вони ризикують увічнити нерівність у сфері найму на роботу, фінансів та бізнес-операцій.
Прогнозується, що ринок аналітики в галузі штучного інтелекту стрімко розвиватиметься й досягне 223,32 мільярда доларів до 2034 року, що свідчить про зростальну залежність від прийняття рішень на основі штучного інтелекту в різних галузях промисловості. Також McKinsey оцінює, що генеративний ШІ може збільшити загальний економічний вплив ШІ на 15–40% та додати $2,6–$4,4 трлн щорічної вартості в різних сферах застосування, що свідчить про суттєве зростання продуктивності, обсягів виробництва та бізнес-цінності. Для української екосистеми штучного інтелекту це створює як можливості, так і виклики – без гендерно-інклюзивної освіти в галузі штучного інтелекту та вільної від упереджень розробки компанії ризикують посилити нерівність у сфері найму на роботу, фінансів та підприємницької діяльності. Щоби залишатися конкурентоспроможними та стійкими, українські компанії повинні надавати пріоритет різноманітним талантам у сфері ШІ, етичному впровадженню ШІ та інклюзивним бізнес-моделям, гарантуючи, що ШІ слугуватиме інструментом для справедливого економічного зростання, а не увічнення системних упереджень.
Гендерна рівність та неупереджене навчання штучному інтелекту – це не лише етичні імперативи, а й економічна необхідність для сталого розвитку бізнесу в Україні. Розвиваючи інклюзивну освіту зі штучного інтелекту та усуваючи гендерні упередження в цифровій трансформації, Україна може побудувати більш стійку економіку, в якій інновації, справедливість та сталість є рушіями довгострокового успіху.
З огляду на вищезазначене, Швейцарська міжнародна організація Helvetas радо презентує рекомендації щодо відповідальних та інклюзивних стратегій у сфері штучного інтелекту для регіону Східного Партнерства, включно з Україною. Рекомендації спрямовані на державні установи, приватний сектор, громадянське суспільство та освітні установи. Розробка документа відбувалася у співпраці з організацією StrategEast та Help.
Також важливо зазначити такі проєкти з диджиталізації, на кшталт Beetroot Academy в Україні в рамках програми RECONOMY. Освітній продукт з ШІ надає компаніям та окремим особам, зокрема жінкам, навички, необхідні для процвітання в сучасній цифровій економіці, що сприяє інноваціям та інклюзивності. (лінк на відео)
RECONOMY – це програма, що реалізується Helvetas Swiss Intercooperation у партнерстві зі Шведським агентством міжнародного розвитку (Sida). Програма сприяє інклюзивному та зеленому економічному розвитку в регіонах Східного партнерства та Західних Балкан.

У третьому кварталі 2026 року оборонні компанії опублікували на DOU 3942 вакансії. Це близько 20% усіх пропозицій на платформі і рекорд за всі роки. Для hardware-фахівців показник теж рекордний: 704 вакансії за квартал, а на одну вакансію embedded-розробника в середньому припадає 4,6 відгуку (DOU, III квартал 2026). Компанії, які шукають «готового» інженера методами класичного IT, витрачають на це місяці. У статті зібрані дані ринку, цифри з нашого вебінару «Навчати чи наймати» з Мартою Хрип'як, HR Director Lira Engineering, і критерії, за якими варто вирішувати: шукати людину на ринку чи виростити її.
Попит на інженерів в оборонці росте швидше, ніж ринок встигає готувати людей. У 2025 році deftech-вакансій було в 2,6 раза більше, ніж у 2024-му. За перше півріччя 2026 року їх опублікували більше, ніж за весь 2025 рік. Кількість вакансій для hardware-фахівців з 2024 року зросла більш ніж ушестеро.
Наймати далі планують усі. У дослідженні Української ради зброярів і CORE Team усі 27 опитаних виробників збираються шукати людей найближчі 6–12 місяців, а майже половина називає найдефіцитнішими інженерів-конструкторів та інженерів з електроніки (AIN). Конструкторів шукають 67% виробників.
Найважче закрити ролі на стику заліза і коду:
Частка embedded-вакансій в оборонці в 6–7 разів вища, ніж в IT (DOU). При цьому бракує не лише стеку. Як підкреслювала на вебінарі Марта Хрип'як-Стеценко, компаніям не вистачає інженерного мислення: уміння ухвалювати рішення в умовах невизначеності й відповідати за продукт.
Звичайну технічну роль в оборонці закривають за 1–2 місяці, критичну інженерну за 3–6 місяців і довше. Такі терміни Марта Хрип'як-Стеценко навела на вебінарі «Навчати чи наймати»:
Кілька цифр, які пояснюють, чому все так довго:
Остання цифра найпрактичніша. Якщо за два тижні у воронці немає жодного близького кандидата, проблема, найімовірніше, у профілі вакансії. Продовжувати пошук з тими самими вимогами означає втрачати ще місяці.
Навіть коли кандидата знайдено, найм часто зривається на фініші. Серед типових причин: контрофер, безпекові перевірки, невизначеність із бронюванням, формат роботи, знижена ставка на випробувальний термін, зміна обов'язків або етапів у процесі і повільне рішення самої компанії.
Більшість вакансій, які не закриваються місяцями, вимагають від однієї людини поєднання кількох рідкісних навичок. Кожну з них окремо на ринку знайти можна. Разом майже ніколи.
«Окремо знайти Senior Embedded — в принципі реально. Окремо знайти людину з досвідом у БПЛА — реально. Окремо знайти людину, яка знає англійську на рівні B2-C1 — реально. Але знайти сеньйора з досвідом БПЛА, з сильним системним дизайном, з англійською мовою і, наприклад, з готовністю працювати в мілтеху... це вже одиниці на всю країну».
Марта Хрип'як-Стеценко, HR Director, Lira Engineering
Перетин вимог лише одна з причин. Спікерка вебінару виділила ще кілька:
Пул IT-фахівців цю проблему не закриває. У класичному IT окремі напрями збирають понад 80 відгуків на вакансію, тоді як у deftech середній показник за перше півріччя 2026 року становив 10,2 (RazomUA за даними DOU). І більшість цих відгуків іде на Project Manager, QA та DevOps.
Кандидатів стало ще менше, а підняття зарплат ситуацію не врятувало. Ось як Марта Хрип'як-Стеценко описала зміни на вебінарі:
Висновок спікерки прямий: головна проблема в браку людей і конкуренції за той самий пул. Ставки тут вторинні.
Бюджет на рекрутера чи агенцію видно одразу. Решту витрат зазвичай не рахують, хоча вони більші:
Оборонні компанії зазвичай пробують шість підходів. Лише один із них збільшує кількість інженерів у галузі.
Марта Хрип'як-Стеценко назвала це канібалізацією талантів. Коли компанія B переманює інженера в компанії A, у галузі як було вісім інженерів, так і лишилося вісім. Чийсь продукт зупинився, а ринкові зарплати піднялися для всіх. Вирощений інженер додає галузі ще одного фахівця. Збільшити пул може тільки навчання.
Шукати на ринку варто, коли людина потрібна за тижні або йдеться про унікальну lead-роль. Вирощувати всередині, коли до потреби є 3–6 місяців, у кандидата є суміжна база, а в команді є ментор. Рішення залежить від трьох критеріїв:
Внутрішня підготовка працює, якщо в компанії є наставники з виділеним часом, документація, онбординг і прозора структура росту. Найчастіше бракує часу сеньйорів, плану розвитку ролі, відповідального за L&D і віри керівництва в окупність.
Частину цих прогалин закриває зовнішній освітній партнер. Він бере на себе базову програму, викладачів і практику на залізі, а специфіку продукту людина отримує вже всередині компанії. Кандидатів для такого навчання найкраще шукати серед розробників на C/C++, випускників електроніки, радіотехніки, мехатроніки і у власній команді.
Офлайн-події та профільні медіа дають доступ до кандидатів, яких немає в онлайн-воронці:
Ці канали розширюють охоплення, але кількість інженерів на ринку вони не збільшують.
Beetroot Academy готує інженерів для defence і dual-use. Ключова освітня програма Embedded Development триває п'ять місяців і поєднує заняття з викладачами-практиками з роботою на реальному залізі; команди можна навчати окремими місцями або виділеною групою.
Повний запис вебінару «Навчати чи наймати: як Defence-компанії закривають дефіцит інженерів» і умови для команд є на сторінці для Defence-компаній.

Розробник з embedded чи backend уже має половину того, що потрібно CV-інженеру: впевнений код, Git, розуміння продуктивності й обмежень системи. Добрати доведеться роботу з даними, основи нейромереж і звичку оцінювати модель метриками замість відчуття «наче працює». У зимовому опитуванні DOU частка Computer Vision Engineer серед дата-фахівців за пів року зросла з 2% до 4% (DOU).
Розберемо, що з твого бекграунду переноситься, чого бракує і як виглядає реалістичний маршрут переходу.
Embedded-інженер мислить буферами, тактами й кілобайтами. Для комп'ютерного зору це сильна позиція, бо зображення в пам'яті і є буфером: висота × ширина × канали, тип даних uint8.
Що переноситься напряму:
Саме цього бракує багатьом ML-спеціалістам. У вакансіях CV Engineer у defence-компаніях окремим пунктом стоїть оптимізація моделей під Jetson та інші embedded-платформи, а C++ значиться бажаною навичкою поруч із Python.
Чого бракує: Python як робочого інструменту для експериментів, PyTorch, розуміння того, як модель вчиться і чому помиляється.
Backend-розробник приносить інженерну дисципліну навколо коду: тести, Docker, CI, API, версіонування. У CV цього часто не вистачає: модель натренували в ноутбуці, а як вона житиме в продакшені, ніхто не продумав.
Що переноситься:
Чого бракує: відчуття заліза. Модель, яка видає 30 кадрів на секунду на серверній відеокарті, на пристрої може видати три. Бекендеру доводиться вчитися мислити обмеженнями пам'яті, енергії та нагріву.
Менше, ніж здається. Щоб працювати з детекторами на практиці, вистачить:
Лінійна алгебра й теорія ймовірностей на університетському рівні знадобляться, якщо підеш у дослідження або розробку нових архітектур. Для прикладних задач детекції, трекінгу й оптимізації більшість інженерів обходиться розумінням на рівні інтуїції і добирає глибину, коли конкретна задача цього вимагає.
Для embedded-розробника крок 6 буде найпростішим, а кроки 3–5 найновішими. У бекендера навпаки.
Роботодавець хоче побачити, як ти розв'язуєш задачу від початку до кінця. Висока точність на чужому датасеті цього не показує. Добрий проєкт має чотири складники: власний датасет, дві ітерації тренування з поясненням, що змінилося, таблицю метрик і запуск на реальному пристрої чи хоча б замір швидкості на CPU.
Ідеї, які можна зробити за кілька тижнів:
Опиши проєкт у README так, як описав би технічне рішення колезі: задача, дані, що не спрацювало, що змінив, які цифри отримав.
У вакансіях українських defence-компаній за 2026 рік повторюється приблизно однаковий набір:
Наприклад, у вакансії Frontline Robotics, опублікованій у липні 2026 року, просили від трьох років досвіду в CV або ML. Це типово для ринку: вакансій для новачків у computer vision мало. Тому найреалістичніший шлях лежить через внутрішній перехід: ти лишаєшся розробником у своїй команді, береш CV-задачі, а за рік маєш комерційний досвід саме в цьому напрямі.
Освітня програма Computer Vision розрахована саме на розробників без ML-досвіду: від року програмування будь-якою мовою, 12 практичних занять, власний детектор і запуск на edge. Якщо ти з software і хочеш спершу розібратися із залізом, почни з Embedded Development.

Computer Vision Engineer створює системи для аналізу зображень і відео: від збору даних і тренування моделі до її роботи в продакшені чи на пристрої. Він поєднує машинне навчання з розробкою, тому в українських вакансіях від нього зазвичай чекають і PyTorch, і впевненого Python, і розуміння того, як модель поводиться на реальному залізі.
Нижче про задачі, стек, зарплати й шлях у професію, з опорою на вакансії 2026 року і дані DOU.
Тренування моделі займає меншу частину роботи, ніж здається. Типовий цикл виглядає так:
Останній пункт часто недооцінюють. Модель, яка добре працювала в день запуску, через кілька місяців може гірше впоратися, бо змінилися освітлення, камера чи самі об'єкти. Це називають data drift, і відстежувати його входить в обов'язки CV-інженера.
Ми переглянули вакансії CV Engineer українських компаній за 2026 рік, зокрема Frontline Robotics і «Атлон Авіа». Повторюється такий набір:
У вимогах Frontline Robotics, наприклад, окремо згадано розуміння real-time обмежень: latency, FPS, пам'ять і продуктивність. Це характерно для продуктових компаній, де модель працює на пристрої. В аутсорсі чи хмарних продуктах акцент зміщується на MLOps, API і масштабування.
Окремої медіани для CV-інженерів у публічних дослідженнях немає. Найближчі дані дає зимове опитування дата-фахівців DOU 2026:
Важливі застереження. Вибірка невелика: 332 фахівці на всі дата-ролі. Медіана не розбита за рівнями, тому в неї потрапляють і джуни, і сеньйори. І тренд за пів року був на зниження.
В оборонній галузі картина інша. За зарплатним звітом DOU літа 2026, розробники з Python у DefTech мають найвищу медіану серед мов: $4500 проти $3500 у розробників в ІТ загалом. CV-інженери в defence-компаніях зазвичай пишуть саме на Python, тож орієнтуватися варто на ці цифри, з поправкою на рівень.
У зимовому опитуванні DOU частка CV-інженерів серед дата-фахівців за пів року подвоїлася, з 2% до 4%. Абсолютно це невелика група, але вона росте.
Вакансій CV Engineer для людей без досвіду мало. У переглянутих вакансіях defence-компаній ішлося про три роки досвіду в CV або ML. Тому найчастіше в професію приходять з суміжних ролей.
Початковий рівень зазвичай виглядає як розробник у команді, який бере CV-задачі: підготовку даних, інтеграцію готової моделі, оптимізацію пайплайна.
Middle самостійно веде задачу від даних до розгортання й вміє пояснити, чому модель помиляється.
Senior обирає підхід і архітектуру під обмеження продукту, оцінює ризики й відповідає за якість моделі після запуску.
Найкоротший шлях веде з розробки. Embedded-інженер приносить розуміння заліза й реального часу, backend-розробник приносить продакшен-дисципліну. Обом бракує роботи з даними й нейромережами. Покроковий маршрут ми описали в статті як embedded- або backend-розробнику перейти в computer vision.
Мінімум, з яким можна претендувати на CV-задачі:
Освітня програма Computer Vision у Beetroot Academy веде розробників без ML-досвіду від обробки зображень до власного детектора, його супроводу після деплою і запуску на edge: 12 практичних занять. Загальний огляд напряму є в гайді Комп'ютерний зір: що це і як працює.

Комп'ютерний зір (computer vision, CV) є галуззю штучного інтелекту, яка вчить програми знаходити й розпізнавати об'єкти на зображеннях і відео. Камера дає лише масив чисел. Завдання CV полягає в тому, щоб перетворити ці числа на відповідь: що на кадрі, де саме і що з ним відбувається.
Нижче про те, як це працює, які задачі розв'язує комп'ютерний зір, де його вже використовують і як увійти в напрям, якщо ти пишеш код або працюєш із залізом.
Для програми фото є таблицею чисел. Кольорове зображення 640×480 пікселів зберігається як масив 480×640×3: висота, ширина і три канали кольору. Кожне значення від 0 до 255 описує яскравість червоного, зеленого або синього в одній точці.
З цим масивом можна працювати двома способами.
Класичні алгоритми. Інженер сам описує правила: розмий шум, знайди краї, виділи контури, порахуй об'єкти. Цим займається бібліотека OpenCV. Такий підхід швидкий, передбачуваний і добре працює там, де умови стабільні: однакове освітлення, однаковий фон, однакові деталі на конвеєрі.
Нейромережі. Правила не пишуть вручну. Модель показують тисячі розмічених прикладів, і вона сама підбирає фільтри, які відрізняють один клас від іншого. Згорткова мережа (CNN) по суті робить те саме, що й класичний фільтр, тільки її ядра налаштовуються на даних. Сучасні детектори на кшталт YOLO та RT-DETR будуються на цьому принципі.
На практиці ці підходи поєднують. Нейромережа знаходить об'єкт, а класичний алгоритм уточнює його межі чи рахує розміри.
Найчастіше в продуктах трапляються детекція і трекінг. Саме з них зазвичай починають навчання, бо результат видно одразу: рамка або з'являється на правильному місці, або ні.
Споживчі продукти. Фільтри, які накладають маски на обличчя, розумні камери, що відрізняють людину від кота, сканери документів у банківських застосунках. Частина таких продуктів створена в Україні: у програмі Computer Vision Beetroot Academy окремо розбирають кейси Looksery (згодом Snapchat), Reface, Ajax Systems і Petcube.
Промисловість. Контроль якості на лінії, де камера шукає подряпини й відколи швидше за людину. Підрахунок продукції, перевірка маркування, моніторинг безпеки на виробництві.
Агро. Виявлення хвороб рослин за фото листя, оцінка стану посівів з аерознімків, сортування врожаю.
Медицина. Допомога лікарю в аналізі рентгенівських і МРТ-знімків. Остаточне рішення тут ухвалює людина, а модель підсвічує ділянки, на які варто подивитися.
Робототехніка й dual-use. Автономні роботи, складські системи, аналіз аерофото і тепловізійних даних. Для інженера це ті самі алгоритми, тільки дані інші: кадр знято згори, об'єкти дрібні, а тепловізор дає одноканальне зображення замість кольорового.
Штучний інтелект є найширшим поняттям. Машинне навчання є його частиною: програми, які вчаться на даних замість прописаних правил. Комп'ютерний зір є прикладною областю, де машинне навчання застосовують до зображень і відео.
Звідси практичний висновок для кар'єри. CV Engineer зазвичай знає ML-основи, але глибоко працює з одним типом даних і з обмеженнями заліза, на якому модель має працювати. Детальніше про роль ми написали в статті Computer Vision Engineer: хто це і що робить.
Базовий набір, з яким працюють у більшості команд:
Для старту достатньо Python і Google Colab: GPU для тренування Google надає безкоштовно, тож власна відеокарта на першому етапі не потрібна.
Найкоротший шлях має той, хто вже програмує. Досвіду з machine learning для старту не треба. Вища математика теж не є обов'язковою умовою: щоб працювати з детекторами, вистачить розуміння масивів і матриць, а складніші речі засвоюються на практиці.
Типова послідовність виглядає так:
Один із цих кроків ми розібрали у окремій статті, як embedded- або backend-розробнику перейти в computer vision.