Sprachtechnologie und Künstliche Intelligenz Prof. Dr. Stephan Busemann
|
|
- Benedikt Wolf
- vor 5 Jahren
- Abrufe
Transkript
1 Sprachtechnologie und Künstliche Intelligenz Prof. Dr. Stephan Busemann Stv. Leiter Bereich Sprachtechnologie Deutsches Forschungszentrum für Künstliche Intelligenz GmbH Saarbrücken , Frankfurt answers2018
2 Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) Das DFKI ist weltweit eines der wichtigsten Zentren für Forschung und Anwendung in KI 1988 als Public-Private-Partnership gegründet Verbunden mit sechs Universitäten Geschäftsführer: Prof. Dr. Dr. h.c. mult. Wolfgang Wahlster Einige DFKI-Fakten: 938 Beschäftigte (740 FTE) 41,4 M Umsatz (2016) 19 Forschungsbereiche 334 laufende Projekte Osnabrück Bremen Kaiserslautern Saarbrücken Berlin (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 2
3 Gesellschafter der DFKI GmbH (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 3
4 Künstliche Intelligenz (KI) Intelligenz? Künstlich?? Artificial Intelligence Keine klare Definition, auch nach über 60 Jahren nicht Erfordert Schachspielen Intelligenz? Oder vielleicht nur Rechenfähigkeit? Natürlich-intelligente Systeme sind jedenfalls keine Fachidioten KI in DFKI Klare Unterscheidung von Fantasien und realen Chancen Zukunftsorientierte Lösungen mit innovativer Softwaretechnologie (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 4
5 Arbeitsdefinition für KI Künstliche Intelligenz (KI) ist die Eigenschaft eines IT-Systems, der menschlichen Kognition ähnliche Fähigkeiten zu zeigen. Ansatzweise: Dialogfähigkeit heutiger Smartphones. Übermenschlich: Auswertung zehntausender MRT-Scans. KI-Systeme verfügen in unterschiedlichen Anteilen über die Fähigkeiten situatives Wahrnehmen, Kommunizieren, Planen, Handeln, Schlussfolgern und Lernen. (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 5
6 Evolution in der KI Ausgabe Ausgabe Ausgabe Maschinelles Algorithmus, Heuristik Suche, Inferenz, Planung Lernen Merkmalsextraktion, Mustererkennung, Merkmalsabbildung Computerprogramm Wissensverarbeitung Programmierer erstellt Software Wissensbasis Fakten, Regeln, Modelle Datenbasis Trainingsdaten, Metadaten, Testdaten Eingabe Eingabe Eingabe Flaschenhals: Programmierer hoher Entwicklungsaufwand aufwändige Adaption geringe Erklärungsfähigkeit Flaschenhals: Wissensbasis hoher Entwicklungsaufwand hoher Pflegeaufwand gute Erklärungsfähigkeit Flaschenhals: Trainingsdaten geringer Entwicklungsaufwand leichte Anpassbarkeit schlechte Erklärungsfähigkeit (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 6
7 Maschinelles Lernen mit Neuronalen Netzen Erfolge mit NN aus dem Jahr 2017, u.a.: Maschinelle Übersetzung (DeepL, Google, DFKI) Text2Speech (DeepMind) Lippen lesen (DeepMind, besser als Menschen) Visual Reasoning(95,5% accuracy, besser als Menschen) Quelle: (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 7
8 Warum sind Neuronale Netze so erfolgreich? Daten (Paare von Eingabe und gewünschter Ausgabe) Trainingsdaten werden verwendet, um ein Modell zu erzeugen Müssen repräsentativ für die zu lösende Aufgabe sein Testdaten werden verwendet, um ein Modell zu verifizieren Müssen zu Trainingsdaten passen Daten haben oft gefehlt jetzt in sehr großen Mengen verfügbar. Konstruktion von Modellen Extrem rechenintensiv und auf Standard-PCs eine Frage von Monaten Mit GPU-Maschinen lassen sich Modelle sehr viel schneller generieren. Neuronale Netze werden jetzt immer häufiger in industrieller Umgebung eingesetzt. (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 8
9 Sprache und Text Menschliche Sprachen: elegant, effizient, flexibel und komplex Ein Wort viele Bedeutungen Eine Bedeutung viele Wörter Bedeutung abhängig vom Kontext Wörtliche und bildliche Bedeutung Sprache und Kultur Phonologie, Morphologie, Syntax, Semantik, Pragmatik und: Sprache ändert sich ständig... (c) DFKI GmbH S. Busemann, DFKI GmbH answers2018 9
10 Sprache und Verstehen Zeitungsüberschriften From lecture notes by Chris Manning Minister Accused Of Having 8 Wives In Jail Juvenile Court to Try Shooting Defendant Teacher Strikes Idle Kids Miners refuse to work after death Local High School Dropouts Cut in Half Red Tape Holds Up New Bridges Clinton Wins on Budget, but More Lies Ahead Hospitals Are Sued by 7 Foot Doctors Police: Crack Found in Man's Buttocks (c) DFKI GmbH S. Busemann, DFKI GmbH answers
11 Maschinelle Lernverfahren Textklassifikation Gegeben eine Menge von Kategorien; zu welcher gehört ein hereinkommender Text? Maschinelle Übersetzung Gegeben ein Satz in einer Sprache L; wie lautet eine Übersetzung in eine Sprache L? Erkennung von Namensausdrücken Gegeben ein Text;welche Wörter sind Namen und von welchem Typ? Erkennung von Relationen Gegeben ein Text; welche Elemente stehen in Beziehung zueinander und wie heißen die Beziehungen? (c) DFKI GmbH S. Busemann, DFKI GmbH answers
12 Maschinelle Lernverfahren Textklassifikation Gegeben eine Menge von Kategorien; zu welcher gehört ein hereinkommender Text? Maschinelle Übersetzung Gegeben ein Satz in einer Sprache L; wie lautet eine Übersetzung in eine Sprache L? Erkennung von Namensausdrücken Gegeben ein Text;welche Wörter sind Namen und von welchem Typ? Erkennung von Relationen Gegeben ein Text; welche Elemente stehen in Beziehung zueinander und wie heißen die Beziehungen? (c) DFKI GmbH S. Busemann, DFKI GmbH answers
13 Linguistische Verarbeitung von unstrukturierten Daten Linguistische Pipeline Sprachidentifizierung Segmentierung Tokenisierung Part-of-Speech-Tagging Lemmatisierung Entity Linking Morphologische Analyse Erkennung von Namensausdrücken Relationsextraktion Dependenz-Parsing (c) DFKI GmbH S. Busemann, DFKI GmbH answers
14 Maschinelle Übersetzung Maschinen, die Unsere Sprache sprechen und verstehen Fragen beantworten, Information auffinden, Text erzeugen, Text klassifizieren, Übersetzen: Überwindung von Sprachbarrieren (c) DFKI GmbH S. Busemann, DFKI GmbH answers
15 Neuronale Maschinelle Übersetzung (c) DFKI GmbH S. Busemann, DFKI GmbH answers
16 Statistische vs. Neuronale MÜ Statistische MÜ Viele lokale Entscheidungen = Unabhängigkeitsannahmen Manchmal grobe Ausgabe: Stücke, die nicht ganz passen und einige von ihnen an der falschen Stelle. Nicht so reibungslos und flüssig wie menschliche Übersetzungen. Neuronale MÜ Viel mehr ganzheitlich als statistische MÜ Entscheidungen im vollen Kontext Verteilte kontinuierliche Darstellungen von Wörtern und Sätzen statt diskreter Blöcke Flüssigere, menschenähnliche Übersetzung Quelle: Wie kann ich die Farbe, mit der ich arbeite, ändern? Referenz: How can I change the color I am working with? SMÜ: How can I change the colour, with whom I work, change? NMÜ: How can I change the color I work with? (c) DFKI GmbH S. Busemann, DFKI GmbH answers
17 Künftige Herausforderungen Neuronale Netze (ebenso wie andere Optimierungsverfahren) liefern Ausgaben, die wahrscheinlich korrekt sind Menschen können unterscheiden zwischen beweisbar korrekten und wahrscheinlichen Ergebnissen Sicherheitsrelevante Aufgaben erfordern extrem viel Training, z.b. Autonomes Fahren Neuronale Netze können ihre Ergebnisse nicht erklären; ihre Verhalten ist jedoch visualisierbar, z.b. mit sog. attention heatmaps Erklärbarkeit ist ein wichtiges Forschungsthema (c) DFKI GmbH S. Busemann, DFKI GmbH answers
18 Daten, Daten, Daten! Daten sind wertvoll! Entscheidend für hohe Performanz ist die Verfügbarkeit von Daten In möglichst großer Anzahl, In hoher Qualität (exaktes Alignment) und Möglichst genau zur Aufgabe passend. Beispiel: maschinelle Übersetzung in einer medizinischen Domäne Spezial-Terminologie Spezieller Satzbau (z.b. Arztbriefe) Daten für unterschiedliche Sprachpaare unterschiedlich zahlreich und auf einmal zeigt sich, dass doch nicht genügend Daten existieren!? (c) DFKI GmbH S. Busemann, DFKI GmbH answers
19 Mensch und Maschine: Ein Siegerteam! MÜ ist heute durch NN in vielen Gebieten sehr brauchbar, aber bei Weitem nicht perfekt Nachbearbeitung durch Mitarbeiter Mit steigender Systemqualität zunehmend schneller Ergebnisse können in die Trainingsdaten einfließen und so das System verbessern. MÜ- System Manuell nachbearbeiteter Text (c) DFKI GmbH S. Busemann, DFKI GmbH answers
20 Künstliche Intelligenz wird unser Leben nachhaltig verändern Quelle: DFKI, Bitkom (Hrsg.): Entscheidungsunterstützung mit Künstlicher Intelligenz Tiefgreifende Veränderungen in den Unternehmen und staatlichen Institutionen durch Automatisierung und Mensch-Maschine-Teamarbeit. Organisationale Veränderungen besonders dort, wo der KI-Einsatz besonders vielversprechend ist, z.b.: die menschliche Interaktion, die Situationserkennung, die Entscheidungsunterstützung sowie die Entwicklung von Vorhersagen. (c) DFKI GmbH S. Busemann, DFKI GmbH answers
21 Künstliche Intelligenz wird unser Leben nachhaltig verändern Quelle: DFKI, Bitkom (Hrsg.): Entscheidungsunterstützung mit Künstlicher Intelligenz Routinetätigkeiten werden nicht mehr auf den Arbeitsmärkten nachgefragt werden Der Mensch wird nicht ersetzt werden. Zahlreiche neue Berufe Aufwertung von Berufsgruppen in Bereichen wie soziale Dienstleistungen, Kunst und Kultur, Unterhaltung, Freizeitgestaltung, Ausbildung und Umwelt Kreative Arbeit wird gestärkt. (c) DFKI GmbH S. Busemann, DFKI GmbH answers
22 Prozesse in intelligenten Systemen Wahrnehmen/ Erkennen Planen/ Handeln Verstehen/ Wissen (c) DFKI GmbH S. Busemann, DFKI GmbH answers
23 Prozesse in intelligenten Systemen Wahrnehmen/ Erkennen Dialogäußerung, z.b. als Frage Dialogäußerung als Antwort Planen/ Handeln Verstehen/ Wissen Bedeutung und Intention (c) DFKI GmbH S. Busemann, DFKI GmbH answers
24 Maschinelles Lernen Grenzen!? Maschinelles Lernen Wahrnehmen/ Erkennen Explizites, nachvollziehbares Verstehen findet nicht statt! Planen/ Handeln Verstehen/ Wissen (c) DFKI GmbH S. Busemann, DFKI GmbH answers
25 Herausforderung: ML in allen Prozess- Schritten Wahrnehmen/ Erkennen Maschinelles Lernen Planen/ Handeln Verstehen/ Wissen (c) DFKI GmbH S. Busemann, DFKI GmbH answers
26 Zusammenfassung Der aktuelle Hype um KI basiert auf dem Erfolg von tiefgehendem Lernen und Neuronalen Netzen. Neuronale Netze bringen Durchbrüche in vielen Anwendungen, auch der Sprachtechnologie. Neuronale Netzesind reif für Anwendungen sofern der Mensch nicht ausgeschlossen wird! Die Digitalisierung unserer Gesellschaft wird zunehmend schneller intensiviert. Es bleiben wichtige Fragen offen, die weitere Forschung erfordern. Wir stehen am Ende des Anfangs. (Fei FeiLi) (c) DFKI GmbH S. Busemann, DFKI GmbH answers
27 Danke! --- Ihre Fragen? (c) DFKI GmbH S. Busemann, DFKI GmbH answers
Wie funktioniert maschinelle Übersetzung?
Wie funktioniert maschinelle Übersetzung? Bartholomäus Wloka (Universität Wien) Basierend auf der Präsentation von Prof. Josef van Genabith (Deutsches Forschungszentrum für Künstliche Intelligenz) 1 Maschinelle
Künstliche Intelligenz für deutsche Exportschlager
Wolfgang Wahlster, CEO des DFKI Künstliche Intelligenz für deutsche Exportschlager 13. Juni 2018, CEBIT, Hannover, Halle 27 Die vier Phasen der KI-Forschung Kerngebiete und Einsatzfelder der KI Sprachverstehende
Gleiche Daten, unterschiedliche Erkenntnisziele?
Gleiche Daten, unterschiedliche Erkenntnisziele? Zum Potential vermeintlich widersprüchlicher Zugänge zur Textanalyse Universität Hamburg Evelyn Gius Jan Christoph Meister Janina Jacke Marco Petris Universität
1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
Per Mausklick zur perfekten Übersetzung? Die Grenzen von Google Translate und Co.
Per Mausklick zur perfekten Übersetzung? Die Grenzen von Google Translate und Co. 14. November 2018 #EUHaus #UNIVERSITAS_AUT Dagmar Jenner, Präsidentin UNIVERSITAS Austria, Berufsverband für Dolmetschen
Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
Wie funktioniert automatisierte Übersetzung? Prof. Josef van Genabith (Deutsches Forschungszentrum für Künstliche Intelligenz)
Wie funktioniert automatisierte Übersetzung? Prof. Josef van Genabith (Deutsches Forschungszentrum für Künstliche Intelligenz) 1 Maschinelle Übersetzung (MÜ) Überblick: Warum MÜ: Datenmenge, Qualität und
in der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
Einführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
SKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
Künstliche Intelligenz
Künstliche Intelligenz Achim Berg Bitkom-Präsident Berlin, 15. November 2017 Goldmund-Lukic Stocksy United Künstliche Intelligenz ist Mehrheit der Bundesbürger ein Begriff Haben Sie schon einmal von dem
Computerlinguistische Grundlagen. Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Computerlinguistische Grundlagen Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Was ist Computerlinguistik? Definition Anwendungen Fragestellung
Künstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
Fokus auf die menschliche. mit AI-basiertem Matching. Komponente im Recruiting. Webinar am Martin Lenz, JOBIQO
Fokus auf die menschliche Komponente im Recruiting mit AI-basiertem Matching Webinar am 23.01.2019 Martin Lenz, JOBIQO Martin Lenz Geschäftsführer, JOBIQO Background: + Studium Informatik & MBA + ca. 10
Neue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
Begrüßung und Einführung
2. ELRC Workshop in Deutschland Begrüßung und Einführung Prof. Dr. Stephan Busemann Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI) ELRC+ Workshop, [Country], [Date] 1 Einführung To stay
Wissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 12. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Übersicht Rückblick, Zusammenhänge Mysterien 2 Inhalte im abstrakten Überblick Künstliche
Erkennung und Visualisierung attribuierter Phrasen in Poetiken
Erkennung und Visualisierung attribuierter Phrasen in Poetiken Andreas Müller (1) Markus John (2) Steffen Koch (2) Thomas Ertl (2) Jonas Kuhn (1) (1), Universität Stuttgart (2) Institut für Visualisierung
Kognitive Assistenzsysteme: die neuen Werkzeuge des Menschen in der Informationsgesellschaft. Prof. Dr. Antonio Krüger
Kognitive Assistenzsysteme: die neuen Werkzeuge des Menschen in der Informationsgesellschaft Prof. Dr. Antonio Krüger krueger@dfki.de Agenda Kurze Vorstellung DFKI KI - Eine Bestandsaufnahme Der Wirtschaftsfaktor
EFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
Sprachtechnologien und maschinelle Übersetzung heute und morgen eine Einführung Martin Kappus (ZHAW)
Martin Kappus (ZHAW) Ablauf: Warum sprechen wir heute über maschinelle Übersetzung? Geschichte und Ansätze Eingabe-/Ausgabemodi und Anwendungen 2 WARUM SPRECHEN WIR HEUTE ÜBER MASCHINELLE ÜBERSETZUNG?
Autonome Systeme in Wirtschaft und Gesellschaft
Autonome Systeme in Wirtschaft und Gesellschaft Prof. Dr. Henning Kagermann Präsident acatech Jahrestagung des Deutschen Ethikrates Berlin, 21. Juni 2017 Renaissance der Künstlichen Intelligenz Von programmierten
Artificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
Information und Produktion. Rolland Brunec Seminar Wissen
Information und Produktion Rolland Brunec Seminar Wissen Einführung Informationssystem Einfluss des Internets auf Organisation Wissens-Ko-Produktion Informationssystem (IS) Soziotechnisches System Dient
Algorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
Artificial Intelligence
Artificial Intelligence AI Hype meets Business Reality Dr. Stefan Wess CEO Empolis Information Management GmbH Unternehmen in Kaiserslautern UND TEIL UNSERES KULTURELLEN ERBES. KÜNSTLICHE INTELLIGENZ
Innovative Datenanalyse für die Medizin
Innovative Datenanalyse für die Medizin IDEALearning Intelligent Data Evaluation and Analysis by Machine Learning Dr. Susanne Winter winter:science Technologiezentrum Ruhr Universitätsstr. 142 44799 Bochum
Intelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale
Intelligente Klassifizierung von technischen Inhalten Automatisierung und Anwendungspotenziale Künstliche Intelligenz Machine Learning Deep Learning 1950 1980 2010 Abgeleitet von: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
Sprachtechnologie als Grundlage für die maschinelle Auswertung von Texten
Sprachtechnologie als Grundlage für die maschinelle Auswertung von Texten Dr-Ing Michael Piotrowski Leibniz-Institut für Europäische Geschichte @true_mxp Bamberg, 20 November 2015
INFORMATIONSEXTRAKTION Computerlinguistik Referenten: Alice Holka, Sandra Pyka
INFORMATIONSEXTRAKTION 1 22.12.09 Computerlinguistik Referenten: Alice Holka, Sandra Pyka INFORMATIONSEXTRAKTION(IE) 1. Einleitung 2. Ziel der IE 3. Funktionalität eines IE-Systems 4. Beispiel 5. Übung
KÜNSTLICHE INTELLIGENZ Die nächste Revolution für industrielle Dienstleister?
KÜNSTLICHE INTELLIGENZ Die nächste Revolution für industrielle Dienstleister? Prof. Dr.-Ing. Dr.-Ing. E.h. Dr. h.c. Dieter Spath Deutsche Akademie der Technikwissenschaften (acatech), München Fraunhofer-Institut
! Die Idee Kombination von Informatik und einem anderen Fach
Computerlinguistik Integriertes Anwendungsfach im B.Sc.Studiengang Department Informatik / Universität Hamburg! Wie funktioniert das integrierte Anwendungsfach Computerlinguistik (organisatorisch)?! Beziehungen
Vorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten?
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten? Wolfgang Beinhauer Fraunhofer IAO Seite 1 Mensch oder Maschine? Der Turing-Test (Alan
Dr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich
Dr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich Künstliche Intelligenz vs. menschliche Kompetenz: Wie wir im Umgang mit künstlicher Intelligenz scheitern können/werden? Economist-Studie
NOW YOU KNOW [ONTOS TM WHITE PAPER SERIES] Intelligentes Information Mining durch Ontologie [YVES BRENNWALD, ONTOS INTERNATIONAL AG]
NOW YOU KNOW [ SERIES] Intelligentes Information Mining durch Ontologie [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 001 Information Mining Wissen in unstrukturierten Daten aufdecken Information Mining ist
Intelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH Einleitung Definition von Business! Definition von Intelligenz? Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==>
Maschinelle Sprachverarbeitung: Part-of-Speech-Tagging
HUMBOLDT-UNIVERSITÄT ZU BERLIN Institut für Informatik Lehrstuhl Wissensmanagement Maschinelle Sprachverarbeitung: Part-of-Speech-Tagging Tobias Scheffer Ulf Brefeld POS-Tagging Zuordnung der Wortart von
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
Automatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Paul Prasse Michael Großhans
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Paul Prasse Michael Großhans Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. 6 Leistungspunkte
Unternehmenskulturim Zeitalterder Digitalisierung. D r. M a r i o J o o s s
Unternehmenskulturim Zeitalterder Digitalisierung D r. M a r i o J o o s s Ausgangslage Quelle: übergossenealm.at 2018 Ausgangslage Zahlen und Fakten I 55% der GF u Vorstände in Deutschland beschäftigten
Künstliche Intelligenz und Blockchain- Technologie in der Praxis des EPA. Heli Pihlajamaa Direktion Patentrecht Europäisches Patentamt
Künstliche Intelligenz und Blockchain- Technologie in der Praxis des EPA Heli Pihlajamaa Direktion Patentrecht 27. September 2018 Inhalt Anwendung der Patentierungsvoraussetzungen auf Erfindungen im Bereich
Analytics Der Weg zu datengetriebenen Geschäftsprozessen
Analytics Der Weg zu datengetriebenen Geschäftsprozessen Dr.-Ing. Philipp Gölzer 1 Ziel der Digitalisierung ist die Realisierung datengetriebener Geschäfts-/Entscheidungsprozesse Ziele Höhere Qualität
Übersicht. 7. Prädikatenlogik 1. Stufe
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik
Übersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS,
Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS, 8.5.2017 SAS und Heidelberg 14.000 Mitarbeiter weltweit, etwa 380 davon in Heidelberg (seit 1982 hier) 3,2 Mrd. $ Umsatz weltweit,
Die digitale Agenda der ÖBB Die Interaktion von Strategie und Technologie
Die digitale Agenda der ÖBB Die Interaktion von Strategie und Technologie Marcus Frantz, Konzern CIO Wien, Strategisches Konzern IT-Management Digitale Transformation Die Integration der digitalen Technologien
Mensch-Maschine-Interaktion
Mensch-Maschine-Interaktion 1 Literatur https://login.emedien.ub.uni-muenchen.de/login?qurl=https://www.degruyter.com%2fviewbooktoc%2fproduct%2f472440 2 Kapitel 1 - Grundmodell menschlicher Informationsverarbeitung
Was bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre
Was bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre Futurist Humanist Algorithmen Androrithmen Imagine Develop Foresights Sind Sie zukunftsbereit? Understand Observe Foresights
Prof. Dr. Lars Schmidt-Thieme. Schüler-Universität, 10. Mai 2012
Können Computer denken? Prof. Dr. Lars Schmidt-Thieme Information Systems and Machine Learning Lab (ISMLL) Institut für Informatik Universität Hildesheim Schüler-Universität, 10. Mai 2012 Lars Schmidt-Thieme,
Case-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
Named Entity Recognition
Named Entity Recognition Janos Borst 13. November 2017 forum sachsen digital Beispiel (Zeitungsberichte) Händler sind künftig verpflichtet, Geräte, die kleiner sind als 25 Zentimeter etwa Handys, Computer,
Künstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09)
Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012 Referent: Florian Kalisch (GR09) Rückblick Aktueller Status Einführung in Text-Mining Der Text-Mining Prozess
Universität zu Köln Institut für Sprachverarbeitung Dozent: Claes Neuefeind Sommersemester von Trifon Kirov und Börge Kiss
ChatterBots Universität zu Köln Institut für Sprachverarbeitung Dozent: Claes Neuefeind Sommersemester 2012 von Trifon Kirov und Börge Kiss Inhalt Definition Geschichte Varianten und Beispiele Funktionsweise
Ivana Daskalovska. Willkommen zur Übung Einführung in die Computerlinguistik. Sarah Bosch,
Ivana Daskalovska Willkommen zur Übung Einführung in die Computerlinguistik Kontakt: ivana.bt.mk@gmail.com Betreff: EICL Wiederholung Aufgabe 1 Was ist Computerlinguistik? 4 Was ist Computerlinguistik?
Der digitale Bauch An- und Einsichten
Der digitale Bauch An- und Einsichten Prof. Dr. Elgar Fleisch ETH Zürich & Universität St. Gallen (HSG) KMU Tag St. Gallen, am 26. Oktober Der erste Start in die Künstliche Intelligenz 1991 Slide 2 Latzhosen,
Wachsende Investitionen für ein digitales Deutschland
Wachsende Investitionen für ein digitales Deutschland Keyfacts über CEO-Outlook 2017 - Investitionen in digitale Technologien steigen an - Budgets für kognitive Technologien und D&A wachsen - Deutschland
Syntax-basierte maschinelle Übersetzung mit Baumübersetzern
yntax-basierte maschinelle Übersetzung mit Baumübersetzern Andreas Maletti Leipzig 28. April 2015 Maschinelle Übersetzung Original Übersetzung (GOOGLE TRANLATE) The addressees of this paper are students
KI für den Sprachkanal. Nutzen, Chancen, Ausblick ANSWERS 2018 Axel Schmitz-Tewes
KI für den Sprachkanal Nutzen, Chancen, Ausblick ANSWERS 2018 Axel Schmitz-Tewes Agenda 1 KI für den Sprachkanal 2 3 4 5 6 Was ist KI KI in der Sprache und im Dialog Nutzen Grenzen Disruption und Ausblick
Einführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
Il futuro ha bisogno di ricerca! Industrie 4.0 Herausforderungen und Chancen für KMU
Il futuro ha bisogno di ricerca! Industrie 4.0 Herausforderungen und Chancen für KMU Prof. Dr.-Ing. Dominik Matt Fraunhofer 1 Industrie 4.0 Ein Thema nur für große Unternehmen? einige Aspekte sprechen
Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Nehmen Roboter uns die Arbeit weg? Das komplette Material finden Sie hier:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Nehmen Roboter uns die Arbeit weg? Das komplette Material finden Sie hier: School-Scout.de Auswirkungen auf den Arbeitsmarkt Die neuen
Künstliche Intelligenz im Steuerbereich. Berlin
Künstliche Intelligenz im Steuerbereich Berlin 13.10.2017 Einführung in KI und deren Einsatz im Steuerbereich Prof. Dr. Dr. h.c. mult. Wolfgang Wahlster, DFKI Künstliche Intelligenz für die zweite Welle
Künstliche Intelligenz und Roboter
Künstliche Intelligenz und Roboter Prof. Dr. Rolf Dornberger Rotary Club Basel Dreiländereck 24.4.2018 Agenda Prolog Fachhochschule Nordwestschweiz FHNW, Hochschule für Wirtschaft, Institut für Wirtschaftsinformatik
Wer soll richten: Mensch oder Maschine? Ein konstruktiver Ansatz. Prof. Dr. K.A. Zweig TU Kaiserslautern Algorithm Accountability
Wer soll richten: Mensch oder Maschine? Ein konstruktiver Ansatz Prof. Dr. K.A. Zweig TU Kaiserslautern Algorithm Accountability Lab @nettwerkerin Konstituierende Sitzung der Enquete-Kommission Künstliche
Künstliche Intelligenz ist der nächste Schritt im Rahmen der Digitalen Transformation
Künstliche Intelligenz ist der nächste Schritt im Rahmen der Digitalen Transformation Dipl.-Wirtsch.-Ing Ralph Appel, Direktor des VDI Verein Deutscher Ingenieure e.v. Statement zur VDI-Pressekonferenz
Maschinelles Lernen I Einführung. Uwe Reichel IPS, LMU München 22. April 2008
Maschinelles Lernen I Einführung Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 22. April 2008 Inhalt Einführung Lernen Maschinelle Lernverfahren im Überblick Phonetische Anwendungsbeispiele
Künstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
DIE KÜNSTLICHE INTELLIGENZ - DIE BERATUNG VON MORGEN? Marcus Kottinger
DIE KÜNSTLICHE INTELLIGENZ - DIE BERATUNG VON MORGEN? Marcus Kottinger VINCI IS A GLOBAL PLAYER IN CONCESSIONS AND CONSTRUCTION 40.2 billion revenue in 2017 194,500 employees Located in more than 110 countries
Künstliche Intelligenz versus menschliche Intelligenz:
Vorlesungsreihe 2017: Künstliche Intelligenz für den Menschen: Digitalisierung mit Verstand Mainz, 02. Mai 2017 Künstliche Intelligenz versus menschliche Intelligenz: Wie lernen, verstehen und denken Computer?
Watson Services on Bluemix Workshop
Watson Services on Bluemix Workshop Beate Melcher Klaus-Peter Schlotter Urs Witzig IBM Business Partner Solution Hub Agenda 09:00-09:45 Welcome and IBM Watson Overview 09:45-10:10 Watson Services 1/2 10:10
PROLOG strukturiert die Welt / das Problem in. - Objekte
PROLOG strukturiert die Welt / das Problem in - Objekte PROLOG strukturiert die Welt / das Problem in - Objekte und - Relationen PROLOG strukturiert die Welt / das Problem in - Objekte und - Relationen
CS1005 Objektorientierte Programmierung Bachelor of Science (Informatik)
CS1005 Objektorientierte Programmierung Bachelor of Science (Informatik) Einfache Programme: Programm-Argument, Bedingte Anweisungen, Switch, Enum Boolesche Werte und Ausdrücke Seite 1 Beispiel: Umrechnen
Mitarbeiterfortbildung: Halb volles Glas
Mitarbeiterfortbildung: Halb volles Glas Keyfacts über Mitarbeiter - Die Digitalisierung stellt hohe Anforderungen an Mitarbeiterschulung - Deutsche Unternehmen sind auf einem guten Weg - Weiterbildung
Übersicht. Definition Daten Problemklassen Fehlerfunktionen
Übersicht 1 Maschinelle Lernverfahren Definition Daten Problemklassen Fehlerfunktionen 2 Entwickeln von maschinellen Lernverfahren Aufteilung der Daten Underfitting und Overfitting Erkennen Regularisierung
Digitalisierung / Industrie 4.0 Zertifizierung von IoT-Devices
1 Digitalisierung / Industrie 4.0 Zertifizierung von IoT-Devices Über TÜV TRUST IT Daten und Fakten Seit 1872 Die Marke TÜV Neutralität und Unabhängigkeit 99% Kenne ich: JA NEIN BSI-zertifiziert TÜV -
Diskriminatives syntaktisches Reranking für SMT
Diskriminatives syntaktisches Reranking für SMT Fortgeschrittene Themen der statistischen maschinellen Übersetzung Janina Nikolic 2 Agenda Problem: Ranking des SMT Systems Lösung: Reranking-Modell Nutzung
Von lernenden Programmen und schlauen Geräten
Von lernenden Programmen und schlauen Geräten Stadtmuseum Tübingen, 12.10.2017, Ausstellung Roboter Georg Ludwig Verhoeven Integrata-Stiftung für humane Nutzung der Informationstechnologie Jede hinreichend
Die optimistische Sicht der Arbeitnehmer. Seite 1
Die optimistische Sicht der Arbeitnehmer Seite 1 Technische Entwicklungen, Digitalisierung, Roboter: 75% fühlen sich safe.. Ja, die derzeitigen Entwicklungen verunsichern mich 1 Ja, früher oder später
ENTWICKLER UND ENTHUSIASTEN UNSERE EXPERTEN FÜR IHRE EFFEKTIVE DIGITALISIERUNG
ENTWICKLER UND ENTHUSIASTEN UNSERE EXPERTEN FÜR IHRE EFFEKTIVE DIGITALISIERUNG SOFTWARE SOLUTIONS Wir sind Ihr Partner für die digitale Vernetzung in der Industrie. Wir vereinfachen und optimieren industrielle
Digitalisierung verändert unser Gesundheitswesen Quo vadis Krankenhaus?
Digitalisierung verändert unser Gesundheitswesen Quo vadis Krankenhaus? Prof. Dr. Wolfgang Deiters Hochschule für Gesundheit, Bochum Fraunhofer Institut für Software- und Systemtechnik, Dortmund 40. Deutscher
Einfachheit macht Schule.
Lenze Training Einfachheit macht Schule. So einfach ist das. 1 Ideen entwickeln Sie wollen die beste Maschine bauen und haben schon erste Ideen dafür? Dann bringen Sie diese mit uns zu Papier: angefangen
Einführung in die Computerlinguistik
Einführung in die Computerlinguistik Einführung Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2018 1 / 14 Anwendungen der Computerlinguistik Carstensen et al. (2010); Jurafsky and Martin
Synchrone Linguistik
Synchrone Linguistik Phonetik/ Phonologie Morphologie Syntax Semantik Pragmatik Forensische Linguistik Psycholing. Neuroling. Textling. Sozioling. Aphasiologie Angewandte Linguistik 1 Fragen, Ziele und
Seminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
Maschinelle Übersetzung
Maschinelle Übersetzung Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com MÜ Ansätze Zwei Dimensionen: Verarbeitungstiefe Art der verwendeten Technik Seite 2 Verarbeitunstiefe Seite
Handbuch Wissensmanagement
Matthias Haun Handbuch Wissensmanagement Grundlagen und Umsetzung, Systeme und Praxisbeispiele Mit 75 Abbildungen ÄJ Springer 1 Einleitung 1 1.1 Motivation 1 1.2 Ziel 1 1.3 Wissenschaftstheoretische Grundlage
Projektgruppe. Text Labeling mit Sequenzmodellen
Projektgruppe Enes Yigitbas Text Labeling mit Sequenzmodellen 4. Juni 2010 Motivation Möglichkeit der effizienten Verarbeitung von riesigen Datenmengen In vielen Bereichen erwünschte automatisierte Aufgabe:
xii Inhaltsverzeichnis Generalisierung Typisierte Merkmalsstrukturen Literaturhinweis
Inhaltsverzeichnis 1 Computerlinguistik Was ist das? 1 1.1 Aspekte der Computerlinguistik.................. 1 1.1.1 Computerlinguistik: Die Wissenschaft........... 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen.....
Agil sein heißt beweglich sein! Organisationaler Wandel und Chancen für das moderne Personalmanagement.
Vorstand Rainer Gröbel, Agil sein heißt beweglich sein! Organisationaler Wandel und Chancen für das moderne Personalmanagement. 22.11.2016, Frankfurt am Main Die Innovationszyklen für Produkte und Dienstleistungen
Inhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Inhaltsverzeichnis 1 Computerlinguistik - Was ist das? 1 1.1 Aspekte der Computerlinguistik 1 1.1.1 Computer linguistik: Die Wissenschaft 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen 3 1.1.3
Künstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
Awareness-Verbesserung mit Hilfe von Requirements-Centred Social Networks
Awareness-Verbesserung mit Hilfe von Requirements-Centred Social Networks Seminar: Informationsfluss Dokumentation und Kommunikation im Unternehmen Vortrag von Sebastian Jaschke 10. Dezember 2008 Inhalt
Digitale Fabrik mit Siemes PLM
Digitale Fabrik mit Siemes PLM Der Weg zur Digitalen Fabrik von digitalen Möglichkeiten bis zur realen Umsetzung Fertigungs- und Logistikplanung Dipl.-Ing. Andreas Madlencnik Solution Consultant Digital
iot und Digitalisierung Faktor Mensch in der Arbeitswelt 4.0 Seite 1
iot und Digitalisierung Faktor Mensch in der Arbeitswelt 4.0 Seite 1 Die optimistische Sicht der Arbeitnehmer Seite 2 Technische Entwicklungen, Digitalisierung, Roboter: 75% fühlen sich safe.. Ja, die
Seminare im SS2016. Alexander Jahl / Michael Falk
Seminare im SS2016 Alexander Jahl / Michael Falk Überblick allgemeine Hinweise zu den Seminaren Seminare zu Ausgewählte Themen der verteilten Systeme Seminare zu Autonome mobile Roboter 2 Allgemeines zum
Multiagentensimulation im Verkehr: Eignet sich die Multiagentensimulation zur Abbildung der Verhaltensstruktur im Verkehr?
Multiagentensimulation im Verkehr: Eignet sich die Multiagentensimulation zur Abbildung der Verhaltensstruktur im Verkehr? Oliver Prinz Betreuer: Patrik Jochem Ausgewählte technische, rechtliche und ökonomische