BullFrog AI Holdings, Inc. heeft een wereldwijde licentieovereenkomst aangekondigd met het Johns Hopkins University Applied Physics Laboratory voor het gebruik van gepatenteerde technologie die het bfLEAP-platform van het bedrijf aandrijft. BullFrogs bfLEAP-platform analyseert gegevens over de ontwikkeling van geneesmiddelen om potentieel levensreddende therapieën en behandelingen sneller beschikbaar te maken voor patiënten. De gepatenteerde technologie van APL omvat analytische modellen die de analyse en interpretatie mogelijk maken van grote, complexe en diverse datasets die mogelijk onvolledig zijn en zowel numerieke als strategische gegevens bevatten en die verklaarbare resultaten opleveren.

De innovatieve technologie, die de detectie van anomalieën, patronen en relaties mogelijk maakt, blijkt in benchmarktests beter te presteren dan bekende algoritmen. BullFrog AI zet bfLEAP(TM) in voor gebruik in verschillende kritieke stadia van ontwikkeling, met de bedoeling de gegevensanalyse in de ontwikkeling van therapeutica te stroomlijnen, de totale ontwikkelingskosten te verlagen door het aantal mislukkingen bij nieuwe therapeutica te verminderen, en een impact te hebben op het leven van talloze patiënten die anders misschien niet de therapieën krijgen die ze nodig hebben. De gelicentieerde technologieën van APL omvatten Prometheus en Seagull.

Prometheus omvat een uitgebreide bibliotheek van innovatieve probabilistische modellen van APL, waarvan er één onlangs 10 concurrerende algoritmen versloeg bij het opsporen van anomalieën in een uitgebreide benchmarkstudie die werd uitgevoerd met behulp van 12 open-source datasets. Prometheus bevat ook grafiekalgoritmen die met succes zijn gebruikt voor het analyseren van grootschalige netwerkweerbaarheidsproblemen op multimodale wereldwijde netwerken, zoals wereldwijde logistieke en communicatienetwerken. Seagull biedt een uitgebreide bibliotheek met multivariate tijdreeksanalyses.

Seagull kan tijdreeksgegevens verrijken door het gebruik van open-source gegevens en berekende gedragskenmerken. Naast "single-actor" analyse biedt Seagull ook efficiënte implementaties van tijdreekscorrelatie en clustermogelijkheden waarmee snel associaties tussen entiteiten kunnen worden ontdekt in bijna lineaire tijd, een computationeel uitdagende taak.