© unsplash/@katiemoum

© unsplash/@katiemoum
Regierung & Öffentlicher Sektor

Automatisierte öffentliche Dienste

Hintergrund

Die öffentliche Verwaltung in Deutschland leidet unter einem Mangel an jungen Talenten. Nach einer McKinsey-Studie wird sich dieser Mangel bis 2030 auf 731.000 Beschäftigte belaufen. Gleichzeitig werden Behörden in ihren Arbeitsabläufen oft als altmodisch angesehen. Durch die Digitalisierung der öffentlichen Dienste könnten Kosten gespart, Wartezeiten verkürzt und ein zufriedenstellendes Serviceniveau auch bei einer reduzierten Anzahl von Mitarbeitern aufrechterhalten werden. Eine Last, die es zu überwinden gilt, ist der Verwaltungsjargon, der für die Bürger oft nicht intuitiv ist.

Herausforderungen

Die Automatisierung öffentlicher und staatlicher Dienste erfordert eine Benutzeroberfläche, auf der die Benutzer ihre Bedürfnisse abfragen können und der Dienst alle damit verbundenen relevanten Informationen bereitstellt. Dies kann recht anspruchsvoll sein, da die Benutzeranfragen informelle Formulierungen der Kundenbedürfnisse enthalten, die sich stark vom Verwaltungsjargon unterscheiden können. Daher muss der automatisierte Dienst die Bedeutung der Anfragen verstehen und sie in Verwaltungsjargon übersetzen.

Beispielsweise erfordert die Registrierung eines Unternehmens einen Branchencode, für den der automatisierte Dienst die Beziehung zwischen dem vom Kunden eingegebenen Geschäftszweck und den Beschreibungen der verschiedenen Branchencodes verstehen sollte. Wenn ein Benutzer zum Beispiel einen Schönheitssalon registrieren möchte, könnte er/sie "Ich lackiere Nägel" eingeben und sollte den richtigen Geschäftscode für Schönheitssalons finden. Dies ist besonders dann eine Herausforderung, wenn ein Geschäftscode eine Reihe sehr unterschiedlicher Dienstleistungen umfasst.

Zum Beispiel umfasst der Geschäftscode "Verschiedene andere Dienstleistungen" sowohl Piercing-Studios als auch das Facility Management. Herkömmliche, auf Schlüsselwörtern basierende Ansätze sind daher nicht erfolgversprechend, um gute Ergebnisse zu erzielen

Lösungsansatz

Die Absicht der Benutzeranfragen kann durch die Implementierung eines Modells gelöst werden, das auf dem von Google entwickelten vortrainierten BERT-Modell (Bidirectional Encoder Representations from Transformers) basiert. Der Hauptvorteil des BERT-Modells besteht darin, dass es in der Lage ist, semantisch ähnliche Wörter und Ausdrücke unter Berücksichtigung ihres Kontextes zu erkennen.

Das Basismodell wird dann für den spezifischen Kontext weiter spezialisiert, indem es auf problem- und domänenspezifisch gekennzeichnete Daten, wie z.B. Benutzerabfragen und ihren jeweils korrekten Geschäftscode, trainiert wird.

Diese Webinare könnten Sie interessieren

Texterkennung (OCR) - Der erste Schritt auf dem Weg zu einer erfolgreichen Implementierung eines NLP-Projekts

In diesem Webinar wenden wir uns dem Thema Texterkennung zu.

Ewelina Fiebig

Machine Learning Scientist

Fabian Gringel

Machine Learning Scientist

Labeling-Tools - Der zweite Schritt auf dem Weg zur erfolgreichen Umsetzung eines NLP-Projekts

Der Erfolg eines NLP-Projekts besteht aus einer Reihe von Schritten von der Datenvorbereitung bis zur Modellierung und Bereitstellung. Da es sich bei den Eingabedaten häufig um gescannte Dokumente handelt, werden bei der Datenaufbereitung zunächst Texterkennungswerkzeuge (kurz OCR) und später auch sogenannte Labeling-Tools eingesetzt. In diesem Webinar werden wir uns mit dem Thema der Auswahl eines geeigneten Kennzeichnungswerkzeugs befassen.

Ewelina Fiebig

Machine Learning Scientist

Fabian Gringel

Machine Learning Scientist

Semantische Suche und Verstehen von natürlichem Text mit Neuronalen Netzen: BERT

In diesem Webinar erhalten Sie eine Einführung in die Anwendung von BERT für die semantische Suche anhand einer realen Fallstudie: Jedes Jahr interagieren Millionen von Bürgern mit Behörden und werden regelmäßig von der dort verwendeten Fachsprache überwältigt. Wir haben das BERT erfolgreich eingesetzt, um mit Hilfe von umgangssprachlichen Abfragen aus Regierungsdokumenten die richtige Antwort zu liefern - ohne dabei Fachbegriffe in den Abfragen verwenden zu müssen.

Konrad Schultka

Machine Learning Scientist

Jona Welsch

Machine Learning Scientist

Automatisierte Beantwortung von Fragen mit neuronalen Netzen: BERT

In diesem Webinar stellen wir eine auf dem BERT Modell basierende Methode zur automatisierten Beantwortung von Fragen vor.

Mattes Mollenhauer

Machine Learning Scientist

Rekurrente neuronale Netze: Wie Computer lesen lernen

Das Webinar gibt eine Einführung in die Funktionsweise von RNNs und veranschaulicht deren Einsatz an einem Beispielprojekt aus dem Bereich der Legal Tech

Fabian Gringel

Machine Learning Scientist