Was wir tun

Wir identifizieren und markieren Objekte und Muster in Bilddaten, um qualitativ hochwertige Trainingsdaten für maschinelles Lernen zu erstellen.

 
 

Maschinelles Lernen wird bereits in vielen Bereichen eingesetzt: zur Identifizierung von Verkehrsteilnehmern beim autonomen Fahren, zur Früherkennung von Krankheiten im Gesundheitswesen, zur Erfassung handschriftlicher Dokumente in der Verwaltung oder im Bereich des Kulturerbes. Der Mensch ist bei dieser Entwicklung von künstlicher Intelligenz unentbehrlich. Er muss die notwendigen Vorarbeiten leisten, indem er Formen, Muster, Bewegungen und Objekte in Bilddaten korrekt markiert, damit die Software dann aus diesen Informationen lernen kann. Diese manuelle Vorarbeit ist sehr zeitaufwendig und damit teuer.

Wir können diese Arbeit für Sie kostengünstig und mit einem sozialen Mehrwert durchführen. Dank unseres Impact-Sourcing-Partners Digital Divide Data, der in Südostasien und Afrika auf der Grundlage eines sozialen Auftrags tätig ist, annotieren wir Ihre Daten schnell und zuverlässig, in gleichbleibend hoher Qualität und zu einem Bruchteil der europäischen Lohnkosten. Unsere Kapazitäten können wir jederzeit flexibel an das zu verarbeitende Datenvolumen anpassen, so dass Sie eine niedrige Einstiegshürde für Plausibilitätsstudien haben und einen schnellen Markteintritt realisieren können. Lesen Sie hier ein Interview mit Gründer Daniel Lanz.

Leistungen

Beratung

Wir helfen Ihnen bei der Frage, welche Daten für Ihr Projekt wichtig sind und finden die ideale Methode für die Daten-Annotation.

Daten-Annotation

Wir segmentieren Ihre Bilddaten und markieren manuell jene Objekte und Muster, die für Ihren Lern-Algorithmus von Bedeutung sind.

Tagging

Unser Tagging-Service eignet sich für die sinnvolle Verschlagwortung von Objekten, Bildern sowie anderen Inhalten und Medientypen.

Projekte

spaceVocs

Im Projekt spaceVocs wird mit einer elekronischen Nase und KI-Verfahren der Zustand von Weizen anhand der Geruchsmuster erkannt. Wir versuchen auf diese Art, Daten zu ermitteln, mit denen Wasser- und Nährstoffbedarf optimal ermittelt und Krankheiten so früh wie möglich erkannt werden.

beeScreen

Im Projekt beeScreen werten wir Satellitendaten aus und verwenden künstliche Intelligenz zur Bewertung von Honigbienen-Standorten für Berufsimker. Es geht um Daten rund um die Veränderungen der Vegetation, Luftqualität, Trockenstress und Temperaturen in Zusammenhang mit Bienengesundheit und Honigertrag.

beeNose

Im Projekt beeNose wurde eine elektronische Nase mit KI-Verfahren kombiniert  um Zustände von Bienenvölkern und im Bereich von Pflanzenanbau anhand der Geruchsmuster oder der so genannten Volatile Organic Compounds (VOCs) zu erkennen.

Geschichte

LANZ wurde 2018 von Daniel Lanz gegründet, der über 25 Jahre Berufserfahrung in den Bereichen Digitalisierung, Datenerfassung und Software-Automation verfügt. Lanz war langjähriger Geschäftsführer des Hamburger Software- und Digitalisierungs-Unternehmen Content Conversion Specialists, Geschäftsleiter der Kommunikations-Agentur Neonred und Europa-Chef des Daten-Dienstleisters Digital Divide Data.

Referenzen

ESA
Europäische Weltraumorganisation
Paris, Frankreich
BnL
Nationalbibliothek von Luxemburg
Luxemburg, Luxemburg
Fraunhofer IAIS
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme
St. Augustin, Deutschland

Netzwerke

Space2Agriculture
INNOspace®-Kooperationsnetzwerk der Branchen Raumfahrt und Landwirtschaft
Bonn/Aachen
Space2Motion
INNOspace®-Kooperationsnetzwerk der Branchen Raumfahrt und Automotive
Bonn/Aachen
Digital Hub Chemie & Gesundheit
de:hub Initiative des Bundeswirtschaftsministeriums
Mannheim/Ludwigshafen