ETH-Spin-off 08.10.2019, 14:33 Uhr

Ein Baukasten für Deep Learning

Das ETH-Spin-off «Mirage Technologies» hat eine Deep-Learning-Plattform entwickelt, die Start-ups und Unternehmen helfen soll, ihre Produkte schneller zu entwickeln und zu optimieren.
(Quelle: Mirage Technologies )
Der Name hat etwas Märchenhaftes: Das französische Wort «Mirage» bedeutet  Fata Morgana - oder Trugbild. Der Gedanke hinter dem Namen: «Was du in der virtuellen Welt siehst, ist vielleicht gar nicht echt». Das sagt ETH-Elekrotechnik-Absolvent Igor Susmelj und bezieht sich damit auf manipulierte Bilder oder Videos in sozialen Netzwerken und Plattformen wie Youtube, die uns als verwirrend echt wirkende Realitäten verkauft werden.
Seine Mission, das Echte sichtbar zu machen, stand am Anfang seines Startups. Am Programmierwettbewerb «Hackzurich» 2018 präsentierte Susmelj mit drei Kommilitonen eine Webanwendung für die Erkennung von Fake-Videos. «Deepbusters» räumte den ersten Preis ab. Dies schien den «jungen Wilden» den Weg in die Selbständigkeit zu bahnen, sie waren in den USA unterwegs und stiessen dort auf grosses (Medien-)Interesse. Allerdings zeigte sich rasch, dass sich mit einer solchen Plattform kaum Geld machen lässt. Also passten sie ihr Geschäftsmodell an.

Vorprogrammierte AI-Bausteine

Mit seinem Deepbusters- Mitstreiter, dem ETH-Informatiker Heiki Riesenkampf, gründete Susmelj im September 2018 das Start-up «Mirage Technologies». Grundlage dafür ist das Know-how in maschinellem Lernen, das sie mit Deepbusters unter Beweis gestellt haben. Mirage verspricht neue Deep-Learning-Modelle, welche einfach zu bedienen sind.
Das ETH-Spin-off stellt Entwicklern vorprogrammierte und trainierte «Rockets» zur Verfügung – in der Informatik spricht man dabei von Modellen. Diese Modelle sind in Familien unterteilt, jede kann für spezifische Problemstellungen benutzt werden, beispielsweise das Erkennen von Objekten oder die Superauflösung von Bildern – eine Methode, um niedrig aufgelöste Bildern zu vergrössern.
Die von Mirage zur Verfügung gestellten Rockets wurden einerseits mit Tausenden von Bildern trainiert, sind aber auch lernfähig. Falls kein Modell existiert, das man für eine spezifische Aufgabe benutzen kann, kann es Mirage mittels sogenanntem Transfer Learning mit zusätzlichen Daten füttern. «Da wir unser Modell nicht von Null auf trainieren müssen, brauchen wir viel weniger Daten», erklärt Susmelj. Anwender können die Rockets von Mirage dann mit einem zweizeiligen Code in ihrer bevorzugten Programmiersprache und auf verschiedenen Geräten zum Fliegen bringen.

Autor(in) Astrid Tomczak/ETH-News


Das könnte Sie auch interessieren