Im Vor­feld des Ret­res­co Hacka­thon, dem unter­neh­mens­in­ter­nen High­light im Mai, kamen so vie­le Ide­en für ein­zel­ne Pro­jekt­grup­pen zusam­men wie noch nie. Schwer­punkt­mä­ßig dreh­ten sich vie­le Vor­schlä­ge um ver­schie­de­ne For­men der Text­ge­ne­rie­rung – wie unse­re Aus­wahl der umge­setz­ten Pro­jek­te zeigt.

 

Eine Grup­pe aus Com­pu­ter­lin­gu­is­tik-Exper­ten beschäf­tig­te sich mit einem Ansatz aus der For­schung zu Natu­ral Lan­guage Gene­ra­ti­on (NLG), bei dem die tra­di­tio­nel­le Gene­rie­rungs­pipe­line durch ein neu­ro­na­les Netz ersetzt wird.

Der Ansatz stammt aus der maschi­nel­len Über­set­zung, bei der ein sol­ches Modell zum Bei­spiel einen fran­zö­si­schen Satz in einen Eng­li­schen über­setzt. Für die NLG ersetzt man ein­fach den fran­zö­si­schen Satz durch eine Kodie­rung struk­tu­rier­ter Daten und das Modell lernt dann direkt von den Daten den dazu­ge­hö­ri­gen Text zu “über­set­zen.”

Die Tex­te, die auf eige­nen Trai­nings­da­ten basier­ten, zeig­ten die Stär­ken und Schwä­chen des Ansat­zes, die auch in der For­schung beob­ach­tet wor­den sind: die gene­rier­ten Pro­dukt­be­schrei­bun­gen sind flüs­sig les­bar und teil­wei­se kom­men neue For­mu­lie­run­gen her­aus, die so in den Trai­nings­da­ten nicht vor­kom­men. Für ver­ständ­li­che Tex­te braucht man jedoch sehr gro­ße Men­gen an Trai­nings­da­ten und manch­mal stim­men die gene­rier­ten Infor­ma­tio­nen im Text nicht oder sind inkon­sis­tent.

 

Ein ande­res Team aus Ret­res­cos schau­te sich genau­er an, wie Sprach­er­ken­nung funk­tio­nie­ren kann, ohne dass die res­sour­cen­in­ten­si­ven Pro­zes­se der Sprach­as­sis­ten­ten­soft­ware über eine Cloud-Lösung lau­fen müs­sen.

Das ist vor allem für Busi­ness-Cases inter­es­sant, etwa wenn ein fir­men­in­ter­ner Chat­bot mit Sprach­er­ken­nung aus Grün­den der Sicher­heit und Geheim­hal­tung aus­schließ­lich über ein Gerät funk­tio­nie­ren soll. Der Ansatz des Teams bestand dar­in, die Sprach­er­ken­nung sehr spe­zi­fisch auf den jewei­li­gen Anwen­dungs­fall zu trai­nie­ren.

Fazit: Die Erken­nung der Absicht der getä­tig­ten Äuße­rung und die dar­aus fol­gen­de Hand­lung wie die Beant­wor­tung der Fra­ge kann auch bei den kom­ple­xen frei­en Fra­gen auf dem Gerät erfol­gen. Als noch zu lösen­de Her­aus­for­de­rung erwie­sen sich die Sprach­er­ken­nung bzw. die Kom­mu­ni­ka­ti­ons­in­ter­faces (Spra­che zu Text & Text zu Spra­che), denn auch die Sprach­aus­ga­be hört sich noch sehr unklar an.

 

Unter dem Mot­to “Blick über den Tel­ler­rand” stand das Set­up eines Schreibro­bo­ters. Das Team stell­te zwi­schen der Hard­ware und der rtr tex­ten­gi­ne eine Ver­bin­dung her und pro­gram­mier­te zusätz­lich eine Ein­ga­be­ober­flä­che. Nach zwei Tagen Beschäf­ti­gung mit dem Gerät kön­nen wir resü­mie­ren: so viel Spaß die Ein­rich­tung der schrei­ben­den Maschi­ne auch mach­te — auto­ma­ti­sche Tex­ter­stel­lung über textengine.io geht wesent­lich schnel­ler!

 

 

 

Über Ret­res­co | @retresco

Bereits seit 2008 ent­wi­ckelt Ret­res­co füh­ren­de KI-Lösun­gen im Bereich Con­tent Auto­ma­ti­on. In den letz­ten Jah­ren hat sich das Unter­neh­men zuneh­mend zu einem der füh­ren­den Anbie­ter in der auto­ma­ti­schen Tex­ter­stel­lung (Natu­ral Lan­guage Gene­ra­ti­on) ent­wi­ckelt und dut­zen­de Pro­jek­te für Kun­den aus den Berei­chen Medi­en, E-Com­mer­ce und Finanz­dienst­leis­tun­gen umge­setzt.

 

Ansprech­part­ner

Sebas­ti­an Küchen­meis­ter

Mar­ke­ting & Press Rela­ti­ons Mana­ger, Ret­res­co GmbH
+49 (0)30 555 781 999
sebastian.kuechenmeister@retresco.de