{"id":29586,"date":"2025-07-23T11:35:12","date_gmt":"2025-07-23T09:35:12","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=29586"},"modified":"2025-07-16T11:39:51","modified_gmt":"2025-07-16T09:39:51","slug":"deepant-performance-ki-aus-worms-setzt-neue-massstaebe-bei-anomalie-erkennung","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=29586","title":{"rendered":"DeepAnT Performance: KI aus Worms setzt neue Ma\u00dfst\u00e4be bei Anomalie-Erkennung"},"content":{"rendered":"\n<p>In Worms wird pr\u00e4sentiert das DeepTech-Unternehmen mAInthink.ai mit <strong>DeepAnT Performance<\/strong> das derzeit leistungsf\u00e4higste Verfahren zur Anomalie-Erkennung in multivariaten Zeitreihen \u2013 schneller und pr\u00e4ziser als alle bisherigen L\u00f6sungen auf dem Markt.<\/p>\n\n\n\n<p>Unter der wissenschaftlichen Leitung von Dr. Igor Kadoshchuk, einem der f\u00fchrenden K\u00f6pfe im Bereich Machine Learning, hat das mAInthink-Team in Worms ein System entwickelt, das Ma\u00dfst\u00e4be setzt: DeepAnT Performance basiert auf fortschrittlicher Deep-Learning-Architektur und kombiniert h\u00f6chste Erkennungsgenauigkeit mit maximaler Verarbeitungsgeschwindigkeit.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"576\" src=\"https:\/\/www.sysbus.eu\/wp-content\/uploads\/2025\/07\/SiliconWorms-1024x576.webp\" alt=\"\" class=\"wp-image-29588\" srcset=\"https:\/\/www.sysbus.eu\/wp-content\/uploads\/2025\/07\/SiliconWorms-1024x576.webp 1024w, https:\/\/www.sysbus.eu\/wp-content\/uploads\/2025\/07\/SiliconWorms-300x169.webp 300w, https:\/\/www.sysbus.eu\/wp-content\/uploads\/2025\/07\/SiliconWorms-768x432.webp 768w, https:\/\/www.sysbus.eu\/wp-content\/uploads\/2025\/07\/SiliconWorms.webp 1200w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Silicon Worms hebt ab: mAInthink.ai entwickelt das schnellste multivariate Anomalie-Erkennungssystem der Welt &#8211; Quelle: mAInthink.ai<\/figcaption><\/figure>\n\n\n\n<p><strong>Entwickelt f\u00fcr hochkomplexe Datenumgebungen \u2013 insbesondere im Bankensektor<\/strong><\/p>\n\n\n\n<p>Gerade in datenintensiven Sektoren wie dem Finanzwesen entfaltet DeepAnT sein volles Potenzial:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Fr\u00fcherkennung von Finanzbetrug durch Erfassung nicht-linearer Anomalien, die klassische Verfahren nicht erkennen<\/li>\n\n\n\n<li>Signifikante Reduktion von False Positives bei gleichzeitig maximaler Pr\u00e4zision<\/li>\n\n\n\n<li>Proaktive Risikosteuerung statt reaktiver Ma\u00dfnahmen<\/li>\n\n\n\n<li>Skalierbarkeit und Echtzeit-F\u00e4higkeit f\u00fcr Big-Data-Architekturen in Banken und Finanzdienstleistungen<\/li>\n<\/ul>\n\n\n\n<p><strong>Zahlen, die \u00fcberzeugen: DeepAnT dominiert alle Benchmarks<\/strong><\/p>\n\n\n\n<p>In umfangreichen Vergleichstests wurde DeepAnT gegen die bekanntesten Verfahren am Markt getestet \u2013 darunter ARIMA, LSTM, Isolation Forest und rPCA.<\/p>\n\n\n\n<p><strong>Testaufbau:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>95 % saubere Daten (inkl. saisonaler, trend- und gemischter Zeitreihenmuster)<\/li>\n\n\n\n<li>5 % Anomalien, simuliert als Punkt-, Sequenz- und korrelationsbasierte Muster<\/li>\n\n\n\n<li>Vergleichskriterien: Precision, Recall, F1 Score<\/li>\n<\/ul>\n\n\n\n<p><strong>Ergebnisse:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>DeepAnT Performance erzielte bei allen drei Kennzahlen (Precision, Recall, F1 Score) Spitzenwerte \u00fcber 0.95<\/li>\n\n\n\n<li>Deutlich \u00fcberlegen gegen\u00fcber LSTM (\u00d8 ca. 0.85), rPCA (\u00d8 ca. 0.91) und ARIMA \/ i-Forest (\u00d8 &lt; 0.80)<\/li>\n\n\n\n<li>Schnellste Verarbeitungszeit im Testfeld \u2013 ideal f\u00fcr Echtzeitanalyse<\/li>\n<\/ul>\n\n\n\n<p>\u201eMit DeepAnT Performance zeigen wir, dass Spitzen-KI nicht nur aus dem Silicon Valley kommen muss. Unsere L\u00f6sung wurde in der Nibelungenstadt Worms entwickelt \u2013 von einem interdisziplin\u00e4ren Team mit globalem Anspruch. Wir glauben, dass Pr\u00e4zision, Geschwindigkeit und Skalierbarkeit sowie das Vorhersagen von bestimmten zu \u00fcberwachenden Vorg\u00e4ngen die neue W\u00e4hrung im Kampf gegen Anomalien, Betrug und Systeminstabilit\u00e4ten sind. DeepAnT Performance ist unsere Antwort auf diese Herausforderung \u2013 technologisch \u00fcberragend, wirtschaftlich relevant und sofort einsatzbereit.\u201c<br>\u2013 Sascha Rissel, CEO &amp; Gr\u00fcnder der mAInthink GmbH<\/p>\n\n\n\n<p><strong>DeepAnT Performance \u2013 Technologie aus Worms f\u00fcr die Welt<\/strong><\/p>\n\n\n\n<p>Mit der Entwicklung dieser performanten Technologie positioniert sich mAInthink.ai als globaler Taktgeber im Bereich intelligenter Anomalie-Erkennung \u2013 eine Schl\u00fcsseltechnologie f\u00fcr Fraud Detection, IT-Security, Predictive Analytics und die Finanzsteuerung der n\u00e4chsten Generation.<\/p>\n\n\n\n<p>Informationen zum Unternehmen: <a href=\"https:\/\/www.mainthink.ai\/solutions\/deepant-consulting\/\">DeepAnT &#8211; Algorithmus powered anomaly detection in multivariate time series for maximum security<\/a><\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n","protected":false},"excerpt":{"rendered":"<p>Mit DeepAnT Performance bringt mAInthink.ai eine KI-L\u00f6sung auf den Markt, die Benchmarks in der Anomalie-Erkennung neu definiert. Die Technologie kombiniert hohe Erkennungsgenauigkeit mit Echtzeitf\u00e4higkeit \u2013 ideal f\u00fcr Einsatzbereiche wie Fraud Detection oder Predictive Analytics. Besonders in der Finanzbranche erkennt das System nicht-lineare Muster, die klassische Verfahren \u00fcbersehen. Die Entwicklung stammt aus Worms und zeigt, dass DeepTech-Innovationen nicht nur im Silicon Valley entstehen. In Tests \u00fcbertraf DeepAnT etablierte Verfahren deutlich in Pr\u00e4zision, Recall und Geschwindigkeit.<\/p>\n","protected":false},"author":1,"featured_media":29588,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[10036,1],"tags":[22102,22100,22103,22101],"class_list":["post-29586","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-kuenstliche-intelligenz","category-uncategorized","tag-anomalieerkennung","tag-deepanit","tag-frauddetection","tag-kiausworms"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/29586","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=29586"}],"version-history":[{"count":2,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/29586\/revisions"}],"predecessor-version":[{"id":29590,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/29586\/revisions\/29590"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/29588"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=29586"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=29586"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=29586"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}