dida Logo

Natural Language Processing

In den letzten Jahren gab es enorme Weiterentwicklungen im Bereich des maschinellen Lernens. Mittlerweile kann jedes Muster in einem Bild, welches von einem Menschen erkannt wird, auch von einer Maschine erkannt werden. Manchmal können Maschinen sogar Strukturen erkennen, die ein Mensch nicht erkennt.

Kriterien, um NLP-Projekte zu entdecken

Kriterien, um attraktive Prozess­automati­sierungs­projekte zu finden, in denen Textverständnis zentral ist:

Der Prozess kostet aktuell viel Geld und/oder eine schnellere Bearbeitungszeit bringt deutliche Mehrwerte

Ein (dafür ausgebildeter) Mensch könnte eine gute Entscheidung auf Basis der Inhalte des Textes treffen

Es gibt genügend Daten (Grobe Daumenregel: 500 - 10.000 Dokumente. Die genaue Anzahl hängt selbstverständlich maßgeblich vom Anwendungsfall ab.)

In den letzten Jahren gab es große Fortschritte in Bezug auf die Qualität, mit der Muster in unstrukturierten Daten erkannt werden können. Dies ist neben Hardware-Verbesserungen insbesondere einer Gruppe von Algorithmen zu verdanken, die als neuronale Netze oder als Deep-Learning bezeichnet werden. Das Besondere an diesen Ansätzen ist, dass die Regeln zur Mustererkennung nicht explizit von einem Menschen vorgegeben werden, sondern durch das Netzwerk “von selbst” gelernt werden. Theoretisch ist es so möglich, implizit Millionen von Regeln zu erstellen, die am Ende dazu führen, dass auch komplizierte Muster erkannt werden können. Wir erleben immer wieder, dass nur durch die Kombination aus Kenntnissen über die internen Prozesse mit Expertise im Bereich Natural Language Processing sinnvolle Projekte erkannt und strukturiert werden können. Fragen Sie uns gerne möglichst früh, ob wir eine Prozessautomatisierung für Ihren Anwendungsfall als technisch machbar einschätzen.

Kriterien um Computer Vision-Projekte zu entdecken

1. Prozess­analyse

Gemeinsam evaluieren wir Ihre Automatisierungs-Projekte anhand von drei Kriterien: Einsparpotentiale, strategische Wertschöpfung and technische Machbarkeit. Sobald wir uns für ein konkretes Projekt entschieden haben, legen wir großen Wert auf die Integration der späteren Anwender der Software.

2. Innovative Lösungen

Unser Team verfügt über langjährige Erfahrung im Bereich der künstlichen Intelligenz. Unsere Algorithmen finden komplizierte Muster in unstrukturierten Daten (z.B. Bilder oder Texte). Diese Mustererkennung bildet die Basis für die Automatisierung des zugrundeliegenden Prozesses.

3. Zuverlässige Software

Großen Wert legen wir auf die Integration unserer Kunden in unsere Code Repositories sowie in wöchentliche Projektmeetings. Agilität, sauberer Code und eine modulare Programmstruktur helfen uns, einfach zu wartende Software zu liefern, die funktioniert.

Projekte in Natural Language Processing

Alle Projekte zeigen

Rechtliche Überprüfung von Mietverträgen

Durch dida's Expertise im Bereich des Natural Language Processing (NLP) gelang uns die Erstellung einer Software zur rechtlichen Überprüfung von Mietverträgen.

Semantische Suche für die öffentliche Verwaltung

Machine Learning und Informationsextraktion: didas KI-basierter Algorithmus vereinfacht Gewerbeanmeldungen durch eine intelligente Semantische Suche.

Automatische Überprüfung von Nebenkosten­abrechnungen

Mit Machine Learning und NLP: Lesen Sie hier über die Entwicklung einer Software zur automatischen Überprüfung von Abrechnungen.

Extraktion numerischer Attribute aus Produktbeschreibungen

Machine Learning & Natural Language Processing (NLP) für Online-Plattformen: Entwicklung einer Software zur Informationsextraktion aus Produktbeschreibungen für Idealo.

Informationen aus Kundenanfragen extrahieren

Als Machine-Learning-Dienstleister nutzten wir Natural Language Processing (NLP), um eine Software zur Informationsextraktion aus Kundenanfragen anzufertigen.

Blog Posts in Natural Language Processing

Alle Blog Posts zeigen
Natural Language Processing

Neueste Entwicklungen in der Welt von Natural Language Processing: Ein Vergleich verschiedener Sprachmodelle

Von Justus Tschötsch 24. Mai 2023

Read about the latest developments in the world of natural language processing (NLP) and a comparison of different language models here.

Einführendes

Wie ChatGPT mit Hilfe von Reinforcement Learning optimiert wird

Von Thanh Long Phan 11. April 2023

In this blog post, we present an overview of the training process of ChatGPT and have a closer look at the use of Reinforcement Learning in language modeling.

Einführendes

Empfehlungssysteme - Ein Überblick

Von Konrad Mundinger 29. August 2022

Erweitern Sie Ihr Wissen über Empfehlungssysteme: Erklärung & Anwendung sowie Beispiele, als auch Infos über kollaborative & inhaltsbasierte Filterung hier.

Computer Vision

Image Captioning mit Attention-Mechanismus

Von Madina Kasymova 30. Mai 2022

Eine Anwendung des Deep Learnings: Lesen Sie hier über Bildbeschriftungsalgorithmen & einen Ansatz für Bildbeschriftungen - den Attention-Mechanismus.

Natural Language Processing

OpenAI Codex: Warum die Revolution noch ausbleibt

Von Fabian Gringel 18. Februar 2022

Erfahren Sie mehr über die Funktionsweise des Sprachmodells Codex von OpenAI sowie die Unterschiede zu GPT-3. Codex Software Erklärung und Erfahrungen hier.

Einführendes

Ethik im Natural Language Processing

Von Dr. Marty Oelschläger 20. Dezember 2021

Erfahren Sie mehr über die Ethik im Natural Language Processing (NLP), die gesellschaftlichen Auswirkungen von Machine Learning (ML) & warum man Vorsicht walten lassen sollte.

Natural Language Processing

GPT-3 und darüber hinaus - Teil 2: Schwächen und Gegenmittel

Von Fabian Gringel 24. Oktober 2021

Erweitern Sie Ihr Wissen über GPT-3 und lesen Sie hier über Chancen, Schwächen & Fehlerbehebung sowie über Alternativen des KI-basierten Sprachmodells.

Computer Vision

Datenzentriertes maschinelles Lernen: Maßgeschneiderte ML-Lösungen zur Produktionsreife bringen

Von David Berscheid 6. Oktober 2021

Lesen Sie hier über modell- und datenzentriertes Machine Learning & wie wir bei dida ML-Projekte durch den Einsatz datenzentrierter Techniken verbessern.

Use Cases in Natural Language Processing

Alle Use Cases zeigen

Webinare in Natural Language Processing

Alle Webinare zeigen