Vorträge

• Deep Learning in Verbindung mit externem linguistischen Wissen in der Verarbeitung gesprochener Sprache

  Prof. Timo Baumann (OTH Regensburg)

  Deep Learning-Verfahren werden mehr und mehr zum State-of-the-Art in vielen Anwendungen der Klassifikation und Analyse textueller und gesprochensprachlicher Daten, zumindest wenn sehr viele Trainingsdaten zur Verfügung stehen. Je weniger Trainingsdaten verfügbar sind, desto unzuverlässiger wird das Training komplexer Modelle, welche die Aspekte der Sprachdaten aufgabenangemessen abbilden würden.
  In meinem Vortrag präsentiere ich zwei Beispiele aus dem Bereich gesprochener Sprache, bei der die geschickte Nutzung der inneren Strukturierung von Daten, ermittelt mit externen Analysewerkzeugen, die performante Nutzung von Deep Learning ermöglicht obwohl jeweils nur wenig Trainingsdaten zur Verfügung standen.

• Industrielle Dokumentation und Wissemsmanagement mit Sprachverstehen

  Prof. Ricardo Usbeck (Universität Hamburg)

  Die Anforderungen an die Verfügbarkeit und Abrufbereit von Dokumentationen, FAQs, Support-Dokumenten und  Formularen treibt die Entwicklung neuer KI-Methoden voran. Um einen schnellen und einfachen Zugriff auf vorhandene Unternehmensdaten zubekommen, müssen die meist heterogenen Daten in ein einheitliches Format überführt werden. Dafür bieten sich Knowledge Graphs an. In diesem Vortrag zeigen wir, wie man mittels moderner KI-Methoden Texte sinnvoll in Knowledge Graphs überführen und mittels Chatbots und Sprachassistenten abfragen kann. 

• Machine Learning is all you need in NLP ... or is it? A passionate case for hybrid solutions in industry-strength language technology.

  Dr. Patrick McCrae (Langtec, Hamburg)

  Kaum eine kommerzielle NLP-Lösung kommt heute noch ohne den Einsatz von Machine-Learning-Verfahren aus. Die freie Verfügbarkeit großer vortrainierter Sprachmodelle hat die Bedeutung von Machine Learning im Natural Language Processing in den letzten Jahren weiter verstärkt. Bei aller Begeisterung für die Leistungsfähigkeit dieser Systeme wird gerne außer Acht gelassen, wie fehlerbehaftet die Ergebnisse vortrainierter statistischer Modelle oft sind. Insbesondere für Anwendungsbereiche, in denen eine sehr hohe Ergebnisqualität wünschenswert oder erforderlich ist, reichen Verfahren, die ausschließlich auf Machine Learning basieren, meist nicht aus.
    Dieser Vortrag ist ein Plädoyer für hybride Lösungsansätze. Es wird anhand von Beispielen aus der kommerziellen NLP-Entwicklung illustriert, wie hybride Lösungen, die Machine Learning mit klassischen KI-Verfahren kombinieren, deutlich bessere Ergebnisse erzielen als rein Machine-Learning-basierte Ansätze.