Technologie

Die kognitive Funktionsweise des menschlichen Gehirns hat das Design unseres neuronalen Netzwerks inspiriert.

Machine Learning revolutioniert

Unser Machine Learning Framework ist die konsequente Weiterentwicklung eines neuronalen Netzes, das bereits erfolgreich auf viele unterschiedliche Probleme angewendet wurde.

Features

Universell

Alle digitalen Eingangsdaten eignen sich zum Trainieren des neuronalen Netzes sowie zur Muster- und Korrelationserkennung.

Effizient

Keine überflüssigen Datenauswertungen.

Selbstständig

Unsere Netze müssen kein Lernziel haben.

Flexibel

Unsere Netze sind schnell an neue Probleme anpassbar.

Mehrschichtig und Hierarchisch

Der mehrschichtige und hierarchische Aufbau unserer Netze ermöglicht die Entwicklung effizienter Modelle.

Modular

Der modulare Aufbau des Netzes erlaubt die Auswertung verschiedener Datentypkombinationen, wie z.B. Bild und Ton.

Lernfähig

Unser neuronales Netz beherrscht sowohl supervised learning als auch unsupervised learning.

Aible Machine Learning Framework Details des technologischen Kerns

Aible nutzt einen neuartigen, von uns entwickelten, technologischen Kern, der durch die Kombination verschiedener Ansätze die kognitiven Fähigkeiten des menschlichen Gehirns auf ein künstliches neuronales Netz abbildet. Der modulare Aufbau des mehrschichtig und hierarchisch organisierten Netzes ermöglicht ein effizientes und effektives Lernen. Zudem zeichnet es sich durch seine leichte Modifizierbarkeit bei gleichzeitig herausragenden Eigenschaften bezüglich Sensitivität, Lerngeschwindigkeit und Erkennungsraten aus. Auf diese Weise ist es möglich, den vorhandenen Technologiekern universell an alle denkbaren Anwendungsszenarien anzupassen, in denen große Datenmengen auf Muster und Korrelationen analysiert werden sollen.

Der technologische Kern unserer Machine-Learning-Architektur beeindruckt durch seine sehr hohe Flexibilität. Diese ermöglicht es uns, das Produkt rasch für neue Anwendungsbereiche zu erweitern, die auch über eine rein visuelle Mustererkennung hinausgehen können. Es spielt für das zu trainierende neuronale Netz keine Rolle, in welcher Art die ursprünglichen Eingangsdaten vorliegen. Diese werden in die erforderliche mathematische Form gebracht. Dadurch wird auch das Trainieren kombinierter Datentypen, wie zum Beispiel Bild und Ton, ermöglicht. Zusätzliche Vorgaben von Lernzielen erleichtern dem Netz bekannte Korrelationen zu finden. Sind die Lernziele unbekannt, arbeitet unser Netz selbstständig an der Auswertung.