Produkte

Aldebaran

Aldebaran ist Ihre optimale Anwendung zur Bilderkennung. Sie kombiniert mehrere künstliche Erkennungsmethoden und erkennt so viele, Ihrer hochgeladenen Bilder, wie möglich und speichert sie in Schlagwörtern. Bildinformationen (EXIF) werden ebenfalls analysiert und kategorisiert, damit Sie danach suchen können.

Antares

Nur ein kurzes Beispiel zur Spracherkennung in Zeiten der künstlichen Intelligenz.

Atair

Stellen Sie sich vor, Sie haben einige Details zu Ihren Produkten und möchten nicht für jedes Produkt einen Teaser schreiben. Mit Altair können Sie das!

Neura

Neura ist unsere eigene Entwicklung als Chatbot. Sie basiert auf unserer eigenen künstlichen Intelligenz Plattform. Somit benötigt unsere Lösung keinen weiteren Anbieter im Hintergrund. Mit unseren Methoden zur Gewinnung von Inhalt aus Ihren Websites sind wir in der Lage unseren Chatbot optimal auf Ihre Website anzupassen.

Expertise

Wir haben Kenntnisse über verschiedene Werkzeuge und Programme, die neuronale Netze verwenden. Wir können Sie beraten, die richtigen Werkzeuge für Ihre Pläne in der IT zu verwenden, sodass Anwendungen mit kognitiver Kraft Ihre Rohdaten in wertvolle Informationen verwandeln können.

Ein neuronales Netz ist ein System der Informationstechnologie, das auf der Struktur des menschlichen Gehirns basiert und Computer mit Funktionen der künstlichen Intelligenz ausstattet. Neuronale Netze zeichnen sich dadurch aus, dass Computer sie zur selbständigen Problemlösung und zur Verbesserung ihrer Fähigkeiten nutzen können. Es hängt von der verwendeten Methode der künstlichen Intelligenz ab, ob man zunächst ein menschliches Training benötigt oder nicht.

Neuronale Netzwerke basieren auf der Struktur des menschlichen Gehirns, das Informationen über ein Netzwerk von Neuronen verarbeitet. Künstliche neuronale Netze können als Modelle beschrieben werden, die aus mindestens zwei Schichten – einer Eingangs- und einer Ausgangsschicht – und in der Regel weiteren dazwischen liegenden Schichten (verborgene Schichten) bestehen. Je komplexer das Problem ist, das mit Hilfe des künstlichen neuronalen Netzes gelöst werden soll, desto mehr Schichten sind erforderlich. Auf jeder Schicht des Netzes liegt eine große Anzahl von spezialisierten künstlichen Neuronen.

Die Informationsverarbeitung im neuronalen Netz folgt immer der gleichen Reihenfolge: Informationen in Form von Mustern oder Signalen treffen auf die Neuronen in der Eingangsschicht, wo sie verarbeitet werden. Jedem Neuron wird ein Gewicht zugewiesen, so dass Neuronen unterschiedliche Wichtigkeitsstufen zugewiesen werden. Das Gewicht bestimmt zusammen mit einer Übertragungsfunktion die Eingabe, die nun weitergeleitet wird. Eine Aktivierungsfunktion und ein Schwellenwert berechnen und gewichten im nächsten Schritt den Ausgangswert des Neurons. Je nach Auswertung und Gewichtung der Information werden weitere Neuronen verknüpft und mehr oder weniger stark aktiviert. Mit dieser Verknüpfung und Gewichtung wird ein Algorithmus modelliert, der für jede Eingabe ein Ergebnis erzeugt. Mit jedem Training wird die Gewichtung und damit der Algorithmus so angepasst, dass das Netzwerk immer genauere und bessere Ergebnisse liefert.

Neuronale Netze können zur Bilderkennung verwendet werden. Im Gegensatz zum Menschen kann ein Computer nicht auf einen Blick erkennen, ob ein Bild eine Person, eine Pflanze oder einen Gegenstand zeigt. Er muss das Foto auf einzelne Merkmale untersuchen. Welche Merkmale relevant sind, weiss der Computer durch den implementierten Algorithmus oder er findet es durch Datenanalyse selbst heraus. In jeder Schicht des Netzes prüft das System die Eingangssignale, z.B. die Bilder, anhand individueller Kriterien wie Farbe, Ecken, Formen. Mit jedem Test kann der Computer besser beurteilen, was auf dem Bild zu sehen ist. Zunächst werden die Ergebnisse relativ fehlerhaft sein. Wenn das neuronale Netz von einem menschlichen Trainer Feedback erhält und so seinen Algorithmus anpassen kann, spricht man von maschinellem Lernen. Bei tiefem Lernen kann auf menschliches Training verzichtet werden. In diesem Fall lernt das System aus seinen eigenen Erfahrungen und wird besser, je mehr Bildmaterial es hat. Am Ende steht im Idealfall ein Algorithmus, der je nach Training den Inhalt der Bilder fehlerfrei identifizieren kann, unabhängig davon, ob diese Bilder schwarzweiß sind oder in welcher Pose oder aus welcher Perspektive die Dargestellten zu sehen sind.

Als Beispiel entwickelten wir Aldebaran für Ihre Bedürfnisse in der Bilderkennung.