Smart Innovation durch Natural Language Processing

Name: Smart Innovation durch Natural Language Processing | Mit Künstlicher Intelligenz die Wettbewerbsfähigkeit verbessern
Brand: Hanser
Price: 69.99 EUR
Availability: OnlineOnly

Mit Künstlicher Intelligenz die Wettbewerbsfähigkeit verbessern

Wilhelm Bauer Joachim Warschat(Autor*in)

Hanser (Verlag)

1. Auflage

Erschienen am 15. Februar 2021

378 Seiten

E-Book

PDF mit Wasserzeichen-DRM

Systemvoraussetzungen

978-3-446-46606-7 (ISBN)

69,99 €inkl. 7% MwSt.

Systemvoraussetzungen

für PDF mit Wasserzeichen-DRM

E-Book Einzellizenz

Als Download verfügbar

Beschreibung

Weitere Details

Weitere Ausgaben

Personen

Inhalt

Intro
Vorwort
Inhaltsverzeichnis
Teil 1 Konzepte, Methoden und Modelle
1 Innovation der Motor der Wirtschaft
Wilhelm Bauer, Joachim Warschat
1.1 Wo stehen wir
1.2 Wo gehen wir hin
1.3 Der Aufbau des Buchs
2 Der Mensch im Innovationsprozess
Wilhelm Bauer, Joachim Warschat, Antonino Ardilio
2.1 Crealytic
2.2 Kreativitäts- und Innovationsmethoden
3 Technologie als Innovationstreiber
Wilhelm Bauer, Joachim Warschat, Antonino Ardilio
3.1 Technologien treiben Innovationen
3.2 In Funktionen denken
3.3 Technologiesysteme, vernetzte Funktionen
3.4 Welche Rolle spielen Leistungsparameter
4 Was will der Kunde
Wilhelm Bauer, Joachim Warschat, Antonino Ardilio
4.1 Welche Funktionen sind dem Nutzer wichtig
4.2 Was bieten die Technologien
5 Die Datenflut
Wilhelm Bauer, Joachim Warschat
5.1 Rasantes Wachstum des weltweiten Wissens
5.2 Visible und Invisible Web
5.3 Was sind verlässliche Quellen
6 Methoden der Künstliche Intelligenz
Joachim Warschat, Matthias Hemmje, Michael Schmitz, Antonino Ardilio
6.1 Was ist Künstliche Intelligenz
6.2 Drei grundlegende Aufgaben des maschinellen Lernens
6.2.1 Regression
6.2.2 Klassifikation
6.2.3 Clusteranalyse
6.3 Sprache verstehen (Natural Language Processing (NLP))
6.3.1 Textaufbereitung (Preprocessing)
6.3.2 Mit Worten rechnen Vektorisierung von Texten
6.3.3 Generative und diskriminative Modelle am Beispiel Topic Modeling
6.4 NLP und Deep Learning
6.4.1 Lernformen
6.4.1.1 Überwachtes Lernen/Supervised Learning
6.4.1.2 Unüberwachtes Lernen/Unsupervised Learning
6.4.1.3 Teilüberwachtes Lernen/Semisupervised Learning
6.4.1.4 Selbstüberwachtes Lernen/Selfsupervised Learning
6.4.1.5 Lernen durch Belohnung/Reinforcement Learning
6.4.2 Bewertung der Prognosewerte
6.4.3 Statistische Methoden und neuronale Netze
6.4.3.1 Hidden-Markov-Modell (HMM)
6.4.3.2 Conditional Random Fields (CRF)
6.4.3.3 Random Forest
6.4.3.4 Multilayer Perceptron Netze (MLP)
6.4.3.5 Convolutional Neural Networks (CNN)
6.4.3.6 Recurrente Neuronale Netze (RNN)
6.4.3.7 Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU)
6.4.3.8 Transformer
6.4.3.9 BERT und seine Verwandten
6.4.4 Arbeiten mit neuronalen Netzen
6.4.4.1 Hyperparameter
6.4.4.2 NLP-Tools
6.4.4.3 Hardware für NLP
6.4.5 NLP-Aufgaben
6.4.5.1 Named Entity Recognition (NER)
6.4.5.2 Sentiment-Analyse (Empfindungsanalyse)
6.4.5.3 Textzusammenfassung (Summarization)
6.4.5.4 Topic Modelling und Topic-Klassifikation
6.4.5.5 Frage & Antwort
6.4.5.6 Suchmaschine
6.5 Symbolische KI-Systeme
6.5.1 Semantik
6.5.2 Wissensrepräsentation
6.5.3 Tools für die wissensbasierte Modellierung
6.5.4 KI-Verfahren (symbolisch) zur Ermittlung von Technologien und Anwendungen
6.5.4.1 Funktionsbasierte Formulierung des Informationsbedarfs
6.5.4.2 Funktionsprofile
6.5.4.3 Automatisierte Ermittlung von Funktionsprofilen
6.5.4.4 Suche nach Technologienamen
6.6 Hybride Systeme (symbolisch & subsymbolisch)
7 KI in der Praxis
Wilhelm Bauer, Joachim Warschat
7.1 KI-Projekte
7.2 KI im Unternehmen
Teil 2 Fallstudien
8 Extraktion von Problemstellung und Lösung aus Patenten mit neuronalen Netzen
Lukas Heller, Joachim Warschat
8.1 Aufgabenstellung
8.2 Konzepte, Methoden und Modelle
8.2.1 Inventive Design Method
8.2.2 Neuronale Netze als NLP-Werkzeuge
8.2.3 Textvektorisierung
8.2.4 Convolutional Neural Networks
8.2.5 LSTM
8.2.6 Attention based neural Networks
8.3 Modellentwicklung
8.3.1 Datengrundlage
8.3.2 Netzstruktur
8.3.3 Optimierungsparameter und Trainingsdurchläufe
8.3.4 Referenzwert für die Ergebnisse
8.3.5 Ergebnis
8.4 Modellanwendung
8.4.1 Vergleich mit Expertenklassifizierung
8.4.2 Anwendung auf anderen Patentbereich
8.4.3 Vergleich der Modelle
8.4.4 Anwendung des Systems
8.4.4.1 Anwendung auf Beispielpatent
8.4.4.2 Prototyp eines Patentanalysetools
9 Argumentationsunterstützung durch emergentes Wissen in der Medizin
Christian Nawroth, Alexander Duttenhöfer, Matthias Hemmje.
9.1 Einleitung und Definitionen
9.2 Vorstudien
9.3 Systemarchitektur
9.4 Konzeption des medizinischen Emerging Argument Extractor (medizinischer eAX)
9.5 Proof-of-Concept-System
9.6 Evaluation
9.7 Zusammenfassung und Ausblick
10 Funktionssemantische Repräsentation von 3D-Technologien für diagnostische Röntgensysteme
Stefan Trapp
10.1 Einleitung
10.2 3D-Szenen zur automatischen Positionierung diagnostischer Röntgensysteme
10.3 NLP für die Technologiefrühaufklärung
10.4 Technologiesuche als Named-Entity-Recognition-Aufgabe
10.5 Analyse der 3D-Technologie für Röntgensysteme
10.6 Funktionsanalyse
10.7 Ontologie zur Repräsentation der 3D-Technologie
10.8 Skizze einer Technologiesuche mit BERT Question Answering
10.9 Wahl der 3D-Sensor-Technologie
10.10 Fazit und Ausblick
11 Automatische Abschätzung von Technology und Market Readiness
Tobias Eljasik-Swoboda, Christian Rathgeber, Rainer Hasenauer
11.1 Einleitung
11.2 Triple Bottom Line
11.2.1 Was ist READINESS
11.2.2 Markt- und Technologiebereitschaft
11.2.3 AI-Bereitschaft
11.2.4 Der automatisierte Innovationscoach
11.3 Wie funktioniert die READINESSnavigator AI
11.4 Wie gut funktioniert die READINESSnavigator AI
11.5 Wie man AI dazu motiviert, besser zu funktionieren
11.6 Fazit
12 Technologieermittlung und -umsetzung mit Crealytic bei einem mittelständischen Unternehmen
Antonino Ardilio, Lukas Keicher
12.1 Unternehmen
12.2 Herausforderung
12.3 Ziel
12.4 Methodisches Vorgehen
12.4.1 Design-Thinking-Phase 1: Verstehen ( gemeinsames Verständnis schaffen )
12.4.2 Design-Thinking-Phase 2: Beobachten ( Kundenbedürfnisse verstehen )
12.4.3 Design-Thinking-Phase 3: Definieren ( Genaue Beschreibung des Problems )
12.4.4 Design-Thinking-Phase 4: Ideenfindung ( Generierung von Lösungsideen )
12.5 Technische Vorgehensweise
12.6 Ergebnis
13 Wissensbasierte Produktionsplanung für intelligente Produktionsumgebungen
Benjamin Gernhardt, Tobias Vogel und Matthias Hemmje
13.1 Ausgangspunkt
13.2 Einleitung und Motivation
13.3 Hintergrund und Stand der Wissenschaft und Technik
13.4 Modellierung der KPP-Ontologie
13.5 Verbleibende Herausforderungen
13.6 Vorgeschlagener Ansatz
13.7 Verwandte Arbeiten
13.8 Integrationskonzept
13.9 Proof-of-Concept-Szenarien
13.10 Fazit
14 Technology Intelligence Technologiefrühaufklärung mit statistischen Verfahren und neuronalen Netzen
Franck K. Adjogble, Joachim Warschat
14.1 Einführung
14.2 Motivation und Kontext am Beispiel von Elektroautos
14.3 Verbrauchermeinungen und die Dynamik der Märkte
14.4 Elektrofahrzeuge und ihre technologischen Merkmale
14.5 Die Data Envelopment Analysis (DEA)
14.6 Technology Forecasting mit der Data Envelopment Analysis (TFDEA)
14.7 Technologiefrühaufklärung mit neuronalen Netzen
14.7.1 Die Regressionsanalyse als Funktion der Rate of Change
14.7.2 Berechnung der Dynamic-Rate-of-Change mit einem neuronalen Netzwerk
14.8 Anwendung des Verfahrens am Beispiel Elektroauto
14.8.1 Aufteilung der Funktionalitäten in Modelle
14.8.2 Das Setup Modell
14.8.3 Das Prädiktion Modell
14.8.4 Adaption Modell durch neuronales Netzwerk
14.9 Zusammenfassung und Ausblick
15 Literaturverzeichnis
Literatur
Links
16 Index
17 Die Autoren
Leere Seite

Inhalt (PDF)

Systemvoraussetzungen

Als PDF speichern Als Link merken