Zurück

Question Answering mit NLP: Aktuelle Modelle und Trends

Die automatische Beantwortung von Fragen in natürlicher Sprache ist eines der NLP-Probleme, in denen es im vergangenen Jahr die rasantesten Fortschritte gab. In einem Wettbewerb, bei dem alle großen KI-Firmen wie Google und Microsoft antreten, verbesserte sich die Genauigkeit innerhalb von wenigen Monaten um 24 % und kommt damit erstmals in die Nähe menschlicher Leistungsfähigkeit.

Im Vortrag werden wir:

* das zugrunde liegende Problem erläutern
* die verwendeten Deep-Learning-Architekturen beleuchten
* den Ansatz von Transfer Learning im NLP erklären, der maßgeblich zu dem Erfolg von Modellen wie BERT oder ULMFiT beigetragen hat
* die Relevanz für die Praxis, wie z.B. im Bereich M&A, anhand einer Beispielanwendung verdeutlichen

Vorkenntnisse

* Grundlegende Kenntnisse über Machine Learning und Neural Networks sind notwendig.
* Basiswissen im Bereich NLP ist hilfreich, aber nicht zwingend erforderlich.

Lernziele

* Das Problem “Question Answering” aus der Machine-Learning-Perspektive verstehen
* Funktionsweise aktueller Deep-Learning-Architekturen für dieses Problem kennenlernen und damit verbundene Fortschritte realistisch einordnen
* Den Ansatz “Transfer Learning” im Bereich NLP verstehen und die Übertragbarkeit auf andere Probleme verstehen
* Bedeutung der Modelle für Praxisprobleme erkennen

Speaker

Malte Pietsch hat Machine-Learning-Modelle bereits in verschiedensten Industrien zur Produktionsreife gebracht. Als Co-Founder von deepset hat er einen besonderen Fokus auf Problemstellungen, die sich mit NLP lösen lassen. Er studierte an der TU München und forschte an der Carnegie Mellon University zur dynamischen Risikomodellierung für Dialysepatienten. In weiteren Projekten entwickelte er u.a. Modelle zur Vorhersage von juristischen Urteilen, zur Optimierung von Werbetexten und zur Vorhersage von Flugzeugdefekten. Malte teilt seine Ideen und Erfahrungen regelmäßig in Open-Source-Projekten und als Referent auf internationalen ML-Konferenzen.

Timo Möller arbeitet seit über 10 Jahren mit neuronalen Netzwerken und hat die Entwicklung von flachen zu tiefen, komplexen Architekturen mit all ihren Besonderheiten aktiv begleitet. Er ist Co-Founder von deepset und arbeitet daran, die neuesten Ergebnisse aus der NLP Forschung in die Praxis zu übertragen. Er studierte KI und Computational Neuroscience an der Universität Maastricht und der TU Berlin. Im Anschluss sammelte er einige Jahre Erfahrung in der Industrie, wo er sich vor allem mit der Transformation und Analyse von riesigen Text Streams beschäftigte und Recommender-Systeme für Online-Nachrichten entwickelte.

Jetzt Tickets sichern

heise-devSec-Newsletter

Sie möchten über die heise devSec
auf dem Laufenden gehalten werden?

Anmelden