Über uns

„Jede neue Idee durchläuft drei Phasen: In der ersten wird sie belacht, in der zweiten bekämpft, schließlich findet man die Idee selbstverständlich“ 

– Schopenhauer (1788 – 1860, sinngemäß)

In vielen Analyse-Projekten kollidiert die Komplexität sogenannter „Real World Data“ mit den restriktiven Datenstrukturen, die heutige Machine Learning Verfahren verarbeiten können. Statt Daten in übermäßig vereinfachte Strukturen zu zwingen, waren wir der Meinung, dass ein Konzept benötigt wird, das komplexe Objekte der realen Welt „so wie sie sind“ verarbeiten kann.

Im Jahr 2015 machten wir uns daher daran, einige bahnbrechende Innovationen im Kontext von Big Data und Künstlicher Intelligenz zu entwickeln. Daraus entstand das „Object Analytics“-Paradigma – ein neuartiges Konzept, um ganze Objekte analytisch zu erfassen – und darauf aufbauend unser einzigartiger Ansatz für „Causal Discovery“.

Innovation erfordert Unternehmertum – und ein unternehmerisches Kooperationsmodell mit Early-Adopter-Kunden. Wir sind auf der Suche nach weiteren visionären Kunden und Partnern, die bahnbrechende Technologie in ihr Portfolio aufnehmen wollen. Wir bieten neuartige Formen der Zusammenarbeit an, wie z. B. unser Co-Innovationsmodell, bei dem – statt für die Leistung zu bezahlen – Risiko und Ertrag geteilt werden. Wenn Sie einen frischen Blick auf die Analytik werfen möchten und offen sind für neue Ideen, wie Sie die Stärke etablierter Unternehmen mit der eines kleinen, agilen Startups kombinieren können, freuen wir uns auf Ihre Nachricht! Xplain Data ist zu 100 % im Besitz des Gründerteams.

Das Thema Künstliche Intelligenz ist allgegenwärtig, aber über Kausalität wird nicht gesprochen. Kann ein System intelligent sein, ohne eine Vorstellung von Ursache und Wirkung?

Unsere Mission

Unsere Mission ist es, tragfähige Konzepte für Kausalität in den Bereich der Künstlichen Intelligenz zu bringen. Dies erfordert eine ganzheitliche Sicht auf das zu analysierende Objekt, die wir durch eine neuartige Datenbanktechnologie ermöglichen.

Für klassische Machine Learning Verfahren ist es notwendig, Daten in eingeschränkte analytische Schemata zu bringen, in der Regel eine flache Tabelle ... während die Daten der realen Welt viel komplexer sind.

Unsere Vision

Unsere Vision sind Algorithmen, die „Real World Objects“ verarbeiten können, so wie diese natürlicherweise existieren – womit sich KI-Systeme  in realen Umgebungen bewegen können.