Für Informationen zu den einzelnen Schritten, fahren Sie über die Zahlen.

Illustration: ikonaut

3. Schliesslich ist das Gesuchte griffbereit
Die Beschäftigten des Uhrenherstellers können schnell Informationen zu Personen, Daten, Orten oder Gegenständen im Zusammenhang mit einer bestimmten Uhr finden – direkt auf ihrem Bildschirm, ohne dazu die Archive im Keller aufsuchen zu müssen. Und das Publikum in einer Kunstausstellung kann virtuell durch eine Auswahl von Bildern blättern, die dem eigenen Lieblingswerk ähnlich sehen.

2b. Oder Ähnlichkeiten in Bildern suchen
Neuronale Netze wurden bereits mit Big Data aus dem Internet trainiert, um menschliche Gesichter und Katzen zuverlässig zu erkennen. Odoma verwendet solche neuronalen Netze und optimiert sie für die viel kleineren Datenmengen ihrer Kundinnen. Das Ziel: visuelle Muster wie Farben, Linien, Stile und Themen erkennen. Die beabsichtigte Unschärfe der Algorithmen ermöglicht es den Benutzerinnen, ähnliche Werke zu suchen. Ihre Entscheidungen verbessern das System weiter.

2a. Dann Informationen extrahieren
Der Algorithmus kann unterschiedliche Handschriften entziffern – unabhängig von der Schreibrichtung und selbst dann, wenn Texte übereinander geschrieben oder durchgestrichen wurden. Künstliche Intelligenz wird auch eingesetzt, um Informationen über Personen, Konzepte, Orte und Zeitpunkte zu extrahieren. Unzuverlässige Ergebnisse werden anschliessend von Menschen geprüft – und damit wird auch gleich das neuronale Netz trainiert.

1. Zuerst das Material scannen
Ein Hersteller von Luxusuhren wird gebeten, abzuklären, ob ein altes Modell echt ist – im Archiv handschriftlicher Datenblätter. Oder: Ein Museum möchte den Besucherinnen die gesamte Sammlung zugänglich machen. Odoma, ein Spin-off der EPFL, entwickelt künstliche neuronale Netze, um Tausende oder Mil­lio­nen von zuvor eingescannten Dokumenten effizient zu durchsuchen.