Problemstellung

Um unsere visuelle deep-learning KI auf kommerziell rentable Weise auf mobilen Geräten zu implementieren, müssen wir unsere auf neuronalen Netzen basierende Software in die Lage versetzen

  • ⇒ in begrenzten Prozessor- und Speicherumgebungen zu funktionieren
  • ⇒ mit begrenzter Energieversorgung
  • ⇒ in Echtzeit
  • ⇒ ohne wesentlich an Genauigkeit zu verlieren

Um unsere visuelle deep-learning KI auf kommerziell rentable Weise auf mobilen Geräten zu implementieren, müssen wir unsere auf neuronalen Netzen basierende Software in die Lage versetzen

⇒ in begrenzten Prozessor- und Speicherumgebungen zu funktionieren

⇒ mit begrenzter Energieversorgung

⇒ in Echtzeit

⇒ ohne wesentlich an Genauigkeit zu verlieren

Unsere Lösung

Visuelle deep-learning Lösungen, die gut in die Hardware-Komponenten integriert und auf ihre Anwendungsfälle zugeschnitten sind und die die neuesten Fortschritte bei der Beschneidung und Quantisierung von Netzwerken nutzen.



 

Visuelle deep-learning Lösungen, die gut in die Hardware-Komponenten integriert und auf ihre Anwendungsfälle zugeschnitten sind und die die neuesten Fortschritte bei der Beschneidung und Quantisierung von Netzwerken nutzen.

Wir entwickeln und erneuern eine Vielzahl von Techniken, die es uns ermöglichen, den Speicher-, Laufzeit- und Energiebedarf der deep-learning basierten Bilderkennung erheblich zu reduzieren (um mehr als 90%), ohne die Genauigkeit (~1 bis 3%) wesentlich zu beeinträchtigen.

Gleichzeitig können wir mit unserem Ansatz den Aufwand für die Annotation von Trainingsdaten für unsere deep-learning Algorithmen minimieren, was wiederum neue kommerzielle Anwendungen profitabel und damit wirtschaftlich rentabel macht.

KONTAKT