INFORMATION PROFILING AND RETRIEVAL

Informationen mit Hilfe künstlicher Intelligenz finden und analysieren

Methoden der künstlichen Intelligenz haben längst Einzug in unser tägliches Leben erhalten. Anhand des Suchverhaltens von tausenden Nutzer:innen lernen Suchmaschinen, ihre Suchergebnisse zu optimieren. Personalisierte Empfehlungen bekommen wir nicht nur für Filme, Bücher und Werbeanzeigen, sondern auch für wissenschaftliche Artikel und natürlich in sozialen Medien.

Dabei setzt eine gute Empfehlung voraus, dass

  • die Inhalte semantisch von einem Computersystem erfasst und analysiert werden und
  • passende Inhalte zur richtigen Zeit den entsprechenden Nutzer:innen zur Verfügung gestellt werden.

Um den Nutzer:innen bei der Recherche und der Suche von Informationen zu helfen, müssen Inhalte verstanden werden.

Dies setzt eine semantische Repräsentation voraus, zum Beispiel in Form von Wissensgraphen, Topic-Modellen oder kontextabhängigen Vektoren. Die Forschungsgruppe befasst sich daher mit allen Aspekten, die zur intelligenten Informationsaufbereitung und -vermittlung notwendig sind:

  1. Extraktion von Informationen aus großen Dokumentsammlungen,
  2. Semantische Repräsentation von Daten,
  3. Analyse und Verarbeitung in Anwendungen,
  4. Intelligente Visualisierung der Ergebnisse.

Arbeitsschwerpunkte

  • Text Mining
  • Information Retrieval
  • Recommender Systems
  • Natural Language Processing
  • Information Extraction
  • Machine Learning
  • Deep Neural Networks
  • Topic Modeling
  • Knowledge Graphs

Forschungsgruppe Information Profiling and Retrieval

Aktuelle Projekte und Kooperationen

NLPinGLAM: Human-in-the-loop Natural Language Processing in GLAM

Natürliche Sprache ist für Algorithmen schwer zu verstehen. Zur Verarbeitung großer Datenmengen ist aber genau das notwendig. Insbesondere in Kunstgalerien, Bibliotheken, Archiven und Museen (GLAM) gibt es große Mengen an Textdaten, über deren automatisierter Analyse man viele Einsichten gewinnen kann. Ein wichtiger Arbeitsschritt ist dabei das Annotieren von Textdaten. Annotationen sind notwendig, um Methoden der künstlichen Intelligenz einsetzen zu können, wie beispielsweise tiefe neuronale Netze. Um den Menschen in den Annotationsprozess dieser Daten besser einbinden zu können, wird durch sogenannte Human-in-the-Loop-Ansätze menschliche Expertise zur Verarbeitung natürlicher Sprache gezielt in den KI-Prozess einbezogen.

In diesem Projekt kollaborieren wir mit der Arbeitsgruppe von Prof. Demartini von der Universität von Queensland, Australien, unterstützt durch den DAAD.

Connect & Collect: KI-gestützte Cloud für die interdisziplinäre vernetzte Forschung und Innovation für die Zukunftsarbeit

Das Projekt Connect & Collect (CoCo) koordiniert das Netzwerk der regionalen Kompetenzzentren der Arbeitsforschung. Die Forschungs- und Entwicklungsarbeiten zielen auf eine „Cloud der Arbeitsforschung“, die die interdisziplinäre Kooperation unterstützt, technologische und soziale Innovationen voranbringt und Strukturen für einen nachhaltigen Wissenstransfer bereitstellt.

Zur Unterstützung der Kompetenzzentren entwickelt das Projekt CoCo eine Infrastruktur mit KI-gestützten Werkzeugen und innovativen Methoden, die einen neuen Zuschnitt der interdisziplinären Arbeitsforschung ermöglichen. Es entsteht eine „Cloud der Arbeitsforschung“, die die Kompetenzzentren und weitere Anspruchsgruppen zusammenbringt und Gelegenheit zur Kooperation und Vernetzung bietet. Ein wichtiger Bestandteil ist ein Daten- und Wissensspeicher, der die gemeinsame Nutzung von Forschungsdaten, Wissen und Ressourcen ermöglicht. Darüber hinaus unterstützen KI-basierte Werkzeuge die vernetzte Arbeit und den Ergebnistransfer in die Wirtschaft.

Das Projekt startete in Kooperation mit drei Fraunhofer-Instituten, dem DIE und der ZBW im März 2021; ZBW ist führender Technologiepartner; die Finanzierung erfolgt durch das BMBF.
Mehr zu Connect & Collect