Liebe/r dida-Interessent/in,

über die Inhalte von Machine-Learning-Projekten mit unseren Kunden dürfen wir leider eher selten berichten. Umso mehr freuen wir uns, dass dies bei einem Projekt mit idealo zur Extraktion von Informationen aus Produktbeschreibungen anders ist und wir auf die eingesetzten Machine-Learning-Modelle eingehen können. Da in diesem Projekt das neuronale Sprachmodell BERT eine Hauptrolle spielt, schließen wir damit nahtlos an das Thema NLP und neuronale Sprachmodelle des letzten Newsletters an.

Hier geht es zur idealo Information-Extraction-Case-Study.

Neuronale Sprachmodelle sind heute oft die erste Wahl, wenn es um die Verarbeitung von natürlicher Sprache geht. Warum das so ist und welche Vorteile sie bieten, haben wir in unserem Beitrag “Neuronale Sprachmodelle: KI für Self-Service, Ticketsysteme & Co.” im eBook “Künstliche Intelligenz im Kundenservice” gemeinsam mit AI-Spektrum zusammengefasst. Die Vorteile dieser Modelle gelten natürlich nicht nur im Service-Bereich, sondern überall, wo es um Suche, FAQs, automatische Fragenbeantwortung oder Ähnliches geht. Passend dazu hier nochmals der Link zu unserem Webinar zu neuronalen Sprachmodellen.

Während im idealo-Projekt das in der Praxis seit längerem bewährte Sprachmodell BERT von Google zum Einsatz kam, hat seit letztem Jahr das neuere und sehr viel größere GPT-3 von OpenAI für viel Aufsehen gesorgt. Ein guter Grund für uns, dieses in zwei Blog-Artikeln ausführlicher zu besprechen. In “GPT-3 und darüber hinaus – Teil 1: Grundrezept” beschreiben wir, wie GPT-3 funktioniert, warum manche es für gefährlich halten und welche ähnlichen Modelle man kostenlos ausprobieren kann. In “Teil 2: Schwächen und Gegenmittel” zeigen wir, in welchen Situationen und bei welchen Aufgaben GPT-3 nicht gut funktioniert, welche Ansätze dann helfen könnten und welche Alternativen es gibt.

Um die allgemeinen Erfolgsfaktoren von Machine-Learning-Projekten ging es kürzlich in unserem Webinar “Echte Mehrwerte aus ML Projekten - unsere Erfolgsfaktoren”, in dem wir einige unserer praktischen Erfahrungen teilen. Aufzeichnung und Folien zum Webinar sind unter dem Link abrufbar.

Wer auf neue Inhalte zu Computer Vision und Remote Sensing wartet, kann sich auf unser nächstes Webinar “ML für Remote Sensing: Satellitendaten automatisch analysieren” freuen, in dem wir einen Überblick über verfügbare Satellitendaten, Machine-Learning-Methoden zu deren automatischen Verarbeitung, sowie praktische Anwendungsfälle im Unternehmenskontext geben. Termin: Do, 25.11.2021, 11:00 Uhr - 12:00 Uhr.

Wie immer freuen wir uns auf Ihr Feedback und eventuelle Themenwünsche für das nächste Mal. Sollte bei Ihnen ein konkretes Thema im Raum stehen, das Sie schnell und unkompliziert mit Experten besprechen wollen, fühlen Sie sich auch herzlich zu unserem kostenlosen Tech Lunch oder ML-Expert-Talk eingeladen.

Mit freundlichen Grüßen
Philipp Jackmuth und Lorenz Richter