• Apollo kann Dokumente und Objekte kategorisieren; Eine Aufgabe welche nur schwer lösbar ist mit klassischen Algorithmen. Apollo ist ein lernendes System und kann deshalb in kürzester Zeit Dokumente/ Objekte identifizieren und zuordnen. Herkömmliche Technologien sind statisch, lernen also nicht und müssen für alles Neue programmiert werden. Aus diesem Grund können auch nur bereits programmierte Daten erkannt werden. Identische Daten sind leicht filterbar, aber was ist mit ähnlichen Daten? Hier endet meist das Leistungsvermögen bisheriger Technologien. Apollo kann ähnliche Dokumente/ Objekte erkennen - selbst in großen Datenvolumina.  Apollo ermöglicht das Erkennen beliebiger Objekten mit hoher Zuverlässigkeit, hoher Geschwindigkeit, unabhängig vom Ausschnitt, selbst bei suboptimalen Bedingungen hinsichtlich Beleuchtung, Überdeckung, Bewegung etc., wie sie in der Praxis häufig herrschen.
  

• Aufgrund seiner Architektur arbeitet Apollo ähnlich wie ein biologisches Gehirn. Es enthält Millionen von Datenstrukturen und kann je nach Kontext neue Verbindungen aufbauen. Apollo ist eine lernende Applikation, die so Ihren Wissensschatz immer weiter ausbaut. Das System kann nicht nur nach Stichwörtern suchen. Es liefert die Ergebnisse aufgrund des Kontextes. Apollo ist einfach zu bedienen und benötigt keine Programmierung oder intensive Trainingseinheiten.

Kern der Apollo Engine ist die Informationsverarbeitung, die auf die Mustererkennung optimiert ist. In der primitivsten Form ist die Keyword Suche auch eine Mustererkennung: Im Volltext werden kurze Zeichenfolgen mit der Sucheingabe verglichen. Aufgrund des spezifischen Ansatzes der Apollo Engine wird aber eine ungleich größere Anzahl von Merkmalen aus einem Datenstrom extrahiert und mit der Suchanfrage, oder dem zu erkennenden Muster verglichen. Automatisch heißt in diesem Zusammenhang, dass in der „Trainingsphase“ keine Programmierung notwendig wird. Damit werden eine hohe Flexibilität und zugleich niedrigere Kosten erreicht.
Bei Google wird die Anzahl der zurück gemeldeten Dokumente kleiner, je mehr Begriffe genannt werden. Bis schließlich Null als Ergebnis zurückkommt. Die Qualität (Relevanz) der Resultate steigt zunächst an um dann plötzlich zu kollabieren.
Bei Apollo wird die Zahl der zurückgemeldeten Dokumente zunächst steigen (assoziative Suche), um dann wieder abzusinken (genauere, relevantere Ergebnisse). Theoretisch könnte auch hier das Ergebnis Null sein. Das ist aber eher unwahrscheinlich. Die Qualität nimmt mit jedem zusätzlichen beschreibenden Begriff/Satz in der Suchanfrage zu.

Schreibweisen-unabhängiges Finden
Apollo findet Dokumente und Textstellen Schreibweisen-unabhängig - in  allen Sprachen mit Ausnahme von Chinesisch und Japanisch. Dies gilt selbst für Eigennamen und Kunstworte.

Finden in unstrukturierten Dokumenten
Apollo ermöglicht das Finden von Inhalten selbst in unterschiedlich gegliederten Dokumenten wie Rechnungen oder Lieferscheinen bei denen gleiche Inhalte an unterschiedlichen Positionen stehen. Selbst Erläuterungen und Beschriftungen in Plänen und Konstruktionszeichnungen, welche nicht als Text, sondern in Bildformaten abgespeichert sind, werden gefunden.

Finden von bedeutungsähnlichen Inhalten
Finden von ähnlichen Bedeutungen ist einer der wertvollsten Vorteile, die Ihnen Apollo bietet. Hierfür ist keinerlei Programmierung oder Keyword-Suche erforderlich. Apollo kann durch einfachen Import von geeigneten Wissensbasen beliebige Fachgebiete in kürzester Zeit erlernen - und dann intelligent suchen.

Finden von Besonderheiten
Nicht wenige Dokumente enthalten Besonderheiten, wie chemische oder mathematische Formeln, oder handschriftliche Zusätze, Vermerke, Kürzel oder Haken. Diese können von erheblicher Bedeutung sein, jedoch bei der Digitalisierung (OCR) entweder entfallen oder bei einer Suche nicht berücksichtigt werden. Mit Apollo können selbst diese gefunden werden und darüber hinaus sogar als Suchkriterien dienen um in pdf-Dateien zu suchen.

Apollo unterscheidet sich insbesondere durch seine Schnelligkeit, Adaptionsfähigkeit, fehlertolerante und kontextbezogene Suche. Unsere Apollo-Technologie unterscheidet sich deshalb von Fuzzy-Logic, künstlicher Intelligenz und semantischer Suche, da es nicht auf statistischen Basen beruht, sondern auf der Biologie und den verbundenen Hirnfunktionen. Deshalb kann SUPERWISE Technologies AG auch als „virtual brain company“ bezeichnet werden.

Die Eigenschaften eines Objektes, also die Beschreibung eines Wortes - Satzes - Textes, eines Bildes oder den Daten, die die Sensoren einer Maschine liefern, können in einem n-dimensionalen Raum abgebildet werden.
Die Eigenschaften oder Merkmale werden in der Apollo Anwendung aber nicht durch den Anwender vorgegeben, sondern aus den Daten direkt maschinell extrahiert.
Aus der Art der Merkmalsextraktion ergeben sich bei normalen Textanwendungen ca. 80.000 Dimensionen, die in ein eigens entwickeltes Format konvertiert werden, das auch als "Vektor" interpretiert werden kann. Natürlich erhöht sich dann die Gesamtmenge an Daten, aber für eine Suche wird dann nur noch auf diese Daten zurückgegriffen. Es werden also nicht mehr die Originaldaten durchsucht, sondern nur noch eine Datenmenge von 2 bis 35% der Original -Datenmenge.

Die in Apollo verwendete Engine orientiert sich stark an in der Natur vorkommenden Gehirnstrukturen. Dabei ist es zunächst völlig ausreichend ein sehr einfaches Gehirn nachzubauen, um viele praxisrelevante Funktionalitäten zu erhalten (schon eine Stubenfliege weist viele bildverarbeitende Eigenschaften auf). Es werden diese Eigenschaften von biologischen Neuronen nachgebaut. Der limitierende Faktor dabei ist nicht die Anzahl der Neurone, sondern die Nachbildung der Eigenschaften der Neuronen und ihre Verknüpfung. Die informationsverarbeitenden Eigenschaften einer großen Menge von Neuronen werden durch die Verbindungsstruktur vorgegeben. Auch diese Verbindungsstrukturen sind dem biologischen Vorbild angenähert, was bei der großen Menge der Neurone ohne eine eigens entwickelte Beschreibungssprache nicht machbar ist.

Die Trainingszeiten sind abhängig vom Umfang der einzulesenden Dateien. Dies kann zwischen einigen Minuten und ein paar Tagen dauern, je nachdem wie groß die einzulesenden Datenmengen sind. Für das Einlesen für z.B. 20 Seiten benötigen wir auf einem handelsüblichen Desktop-System ca. 30 Sekunden.

Die biologisch motivierte APOLLO-Grundregel löst diese Probleme, indem sie einen anderen Prozess zur Lösung heranzieht: Trainieren statt Programmieren.

• Wissens- oder Informationsdarstellung: Die Vorstrukturierung der Systemarchitektur basiert auf einer" fuzzy" Darstellung der Informationen. Die hier angewendete Designmethode (basierend auf  einer speziellen Netzwerkbeschreibungssprache) kann vorhandenes Wissen folglich integrieren (Verfahrens- oder lexikalisch, regelbasiert oder algorithmisch). Schnittstelle- Mensch/Maschine hat die Vorteile der " fuzzy logic" Richtlinien (intuitiv plausibel) ohne irgendwelche Beeinträchtigungen.
• Formalisierung der Lösungen: Die gewünschte Lösung wird durch das sogenannte "Endstadium", welches mittels verschiedener Werkzeuge für die Informationsdarstellung definiert wird erzielt. Im einfachsten Fall z.B. für  Klassifikationsaufgabenstellungen werden die zu klassifizierenden Daten:

1. mit dem gewünschten Resultat zusammen präsentiert (überwachtes Lernen) oder 
2. werden mit Hilfe von Aufgabensetzungen Informations-Cluster gebildet (unüberwachtes Lernen) oder
3. bei noch komplizierteren Anforderungen, wird die gewünschte Lösung durch die Architektur des Systems bereits vorgegeben und erzielt durch unüberwachte Trainingsphasen „Real-life Daten“. Während dieser Phase erlernt das System die Raum-/Zeitstruktur seiner Umwelt und die Art der Eigenschaft, die zum gegenwärtigen Problem relevant ist.

• Anpassung: Die selbst-organisierenden Prozesse der Trainingsphasen, dienen dazu, das System automatisch an die sich ständig ändernden Umweltbedingungen anzupassen (so sind z.B. Störungen, Geräusche, etc. die für die Lösung von Bedeutung sind, bereits Teil des Trainings).

Apollo braucht keine spezielle Bilddatenbank. Es genügt, pro Klasse 2 - 3 Beispielobjekte einzutrainieren.

Das Training ist auch für nicht technische Nutzer sehr einfach. Wir kalkulieren 2 Stunden Schulung  mit anschließenden 2 Stunden Übung. Natürlich können wir auch ein bereits eintrainiertes Programm anbieten - dieses Training wäre enstprechend kürzer veranschlagt und würde nur dazu dienen, das Programm/ den Programminhalt weiter zu optimieren.

Der Text wird als ASCII-Text eingelesen. Texte können direkt über das Dateisystem eingelesen werden. Durch entsprechende Schnittstellen können auch Textstreames verarbeitet werden.

Bilder können als JPEG, TIFF oder BMP eingelesen werden. Bildinformationen können auch direkt über einen Framegrabber eingelesen werden.

Apollo skaliert nicht linear. Je mehr Daten eintrainiert werden, desto schneller wird Apollo im Verhältnis zur Datenmenge.

Apollo bearbeitet beliebige physikalische Signale, was zu einer interessanten Erweiterung in speziellen Anwendungen führt wie z.B. Sensorfusion: sichtbares Licht, Infrarot, Radar und andere Frequenzen können automatisch zu einem einzigen Bild vereinigt werden und eröffnen neue Möglichkeiten im Automobilbereich. Ferner können für verschiedene Multimedia-Applikationen auch Bilder, Töne und Videos verarbeitet werden.

Das Lernverfahren ist im wesentlichen unsupervised (modifizierter Hebb-Algorithmus), nur die Anbindung an die nicht biologisch motivierten direkten Output-Neurone geht über supervised learning (aber nicht Backpropagation!).   Hebbsches Lernen ist unüberwachtes Lernen. Wenn zwei Neuronen verbunden sind und sie häufig gleichzeitig feuern, wird ihre Verbindung verstärkt, ansonsten abgeschwächt. Im Zeitverlauf bilden sich so bestimmte Lernmuster heraus. Im Unterschied dazu Backpropagation: das ist überwachtes Lernen. Eine Vorgabe sagt: Bei diesem Impuls muss das Neuron feuern. Dies erfordert eine Zwischenschicht zwischen Ein- und Ausgabe und wird bei klassischen neuronalen Netzen realisiert. Ein solcher Prozess findet jedoch im biologischen Gehirn selbst nicht statt.

Im Unterschied zu konventionellen Speichern wird beim Assoziativ-Speicher von Apollo ein bestimmtes Aktivierungsmuster der Neuronen einem bestimmten Inhalt gleichgesetzt. Bei ca. 2 Mio. Neuronen gibt es eine fast unendliche Zahl von Kombinationsmöglichkeiten, selbst wenn lediglich z.B. 10.000 Neuronen für eine Informationsspeicherung eines Musters erforderlich sind.

Mehr als 250 Mannjahre Entwicklung waren erforderlich, um diese Leistungen zu erreichen. Apollo ist über einen langen Zeitraum in enger Zusammenarbeit mit der Technischen Universität München entwickelt worden. Es wurden bisher zwei Patente erteilt. Das komplette geistige Eigentum liegt dabei ausschließlich bei SUPERWISE Technologies AG. Die Besonderheit der Apollo-Technologie besteht in ihrer einzigartigen Verknüpfung von Informatik, Physik und Neurobiologie. Dies macht sie ebenso leistungsfähig und vor einem Nachahmen sicher.

Abgesehen vom Schutz durch Patente, würde die Erstellung einer Kopie eines solchen Systems ein sogenanntes „Reverse Engineering“ eines kompletten Netzwerkes bedeuten. Da bereits ein Netzwerk mehrere GB unstrukturierter Daten enthält, würde eine Kopie sehr zeitaufwendig sein. „Reverse Engineering“ der Kernel Software führt deshalb zu keinem Inhaltswissen der Netzwerkfunktionen, da diese in der komplexen Netzwerkarchitektur verankert ist.

Apollo kann zusätzliches Wissen erlernen. Dieses kann dabei als Regelsätze in vorhandene Datenbasen eingearbeitet werden. Aufgrund der selbstlernenden Apollo-Technologie können eigenständig Muster und Regelsätze erkannt werden und benötigt daher nicht unbedingt vordefinierte Regeln.

Man braucht keine Server-Farm um Apollo zu betreiben. Schon auf herkömmlichen Desktop-Systemen erzielt Apollo performante Ergebnisse.
Apollo lässt sich aber sehr gut parallelisieren. Dadurch erreicht man in einer Server-Farm mit großen Datenmengen überdurchschnittlich schnell Suchergebnisse.

Sehen Sie hier unser Video über die Möglichkeit der Taxonomie-Erstellung.

Sehen Sie hier unser Video zum Thema Kapsel-Endoskopie (Darmkrebs-Erkennung).