Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
26 Elektronik automot ive Datenanalyse Ergebnis verdeutlicht die Mächtigkeit des gewählten Ansatzes Vergleich von Deep-Learning-Ansatz und linguistischem Ansatz Im weiteren Verlauf der Evaluation wurde der Deep Learning Ansatz gegen den linguistischen Ansatz evaluiert Bild 4 zeigt drei unterschiedliche Konfigurationen der Pipeline Die rote Linie stellt eine Pipeline dar die sich ausschließlich auf den Deep-Learning-Ansatz stützt die grüne Linie stützt sich ausschließlich auf den linguistischen Ansatz und in Rosa wird eine Kombination der beiden Ansätze dargestellt In der aktuellen Evaluationsphase zeigt die Auswertung dass der Deep Learning Ansatz dem linguistischen Ansatz überlegen ist Des Weiteren befindet sich die Performance der Kombination beider Ansätze zwischen den Performances der einzelnen Ansätze Dieses Ergebnis ist überraschend Es wurde erwartet dass mehr Informationen auch zu einem besseren Ergebnis führen Eine mögliche Erklärung hierfür ist die Wahl der Daten repräsentationsmethode Aktuell basiert die Erzeugung des Gesamtvektors für ein Ticket noch auf nicht auf der Domäne angepassten das heißt feingetunten Word Embeddings Das bedeutet dass die in der Wissensextraktion nathalie Klingler belegte den Masterstudiengang Informatik mit Schwerpunkt künstliche Intelligenz an der Universität Ulm Im Jahr 2019 startete sie ihre berufliche Karriere bei der EDAG Group in Lindau als Softwareentwicklerin Sie ist hauptverantwortlich für die KI-Komponenten in diversen Projekten im Bereich Computer Vision und Natural Language Processing und arbeitet für die EDAG Group an dem Thema Explainable Artificial Intelligence extrahierten Informationen nicht nach Worttyp oder Relevanz sondern nur nach Häufigkeit im Dokumentenkorpus gewichtet werden Domänenadaption Da jeder Datensatz andere Eigenheiten aufweist ist es nicht möglich solch eine Pipeline eins zu eins auf einen anderen Datensatz anzuwenden Bei einer Domänenadaption müssen daher Änderungen an der Konfiguration vorgenommen werden Hierbei zeigt sich der Vorteil des modularen Aufbaus Es ist mit überschaubarem Aufwand möglich einzelne Bauteile anzupassen oder gar auszutauschen Für die Domänenadaption muss die Ontologie erweitert oder eventuell sogar neu erstellt werden Zusätzlich bedarf es auch einer Anpassung an den neuronalen Netzen Diese sind speziell auf den vorliegenden Datensatz trainiert Das bedeutet dass sie bei Verwendung einer neuen Datenbasis leicht angepasst oder gar ganz neu trainiert werden müssen Hierfür benötigt es eine gewisse Anzahl an klassifizierten Daten Für eine schnelle und effiziente Anpassung können Hilfsprogramme entwickelt werden Aktuell arbeitet die EDAG Group unter anderem an einer Methode zur semiautomatischen Ontologieerstellung Bild 4 Vergleich der verschiedenen Ansätze Bild EDAG Group Fortschritte durch AIdentify Die von der EDAG Group entwickelte Pipeline AIdentify dient zur Extraktion ähnlicher Texte aus einer Datenbank Diese ist nach zwei Jahren Forschungsarbeit bereits auf einem guten und funktionsfähigen Stand Etliche Anwendungsfälle können mithilfe der Pipeline bearbeitet werden Dazu zählen die Verbesserung der Textqualität die Konsistenzprüfung in Tickets die Wissensextraktion oder auch das Clustering All das trägt dazu bei Texte in einer Datenbank auszuwerten Dadurch können beispielsweise ländertypische Fehler an Fahrzeugen Trends in der Automobilindustrie oder Inkonsistenzen in der Entwicklung eines Fahrzeuges erkannt werden In naher Zukunft wird eine eingehende sechsmonatige Evaluation angestrebt in der die Benutzerinnen und Benutzer die Pipeline in ihrem Arbeitsalltag anwenden und die ausgegebenen Tickets laufend bewerten Dadurch wird ein besseres Bild der Güte der aktuellen Pipeline dargestellt Die Pipeline wird anschließend weiter ausgebaut und optimiert Ziel ist eine robuste und modulare Toolbox die ohne viel Anpassungen auch auf weitere Anwendungsfälle und Datenbasen anwendbar ist Das Forschungsprojekt »Künstliche Intelligenz zur semantischen Analyse technischer Kurztexte« AIdentify wird vom Bayerischen Staatsministerium für Wirtschaft Landesentwicklung und Energie im Rahmen des Bayerischen Verbundforschungsprogramms BayVFP gefördert ih