Question Answering mit NLP: Aktuelle Modelle und Trends
Die automatische Beantwortung von Fragen in natürlicher Sprache ist eines der NLP-Probleme, in denen es im vergangenen Jahr die rasantesten Fortschritte gab. In einem Wettbewerb, bei dem alle großen KI-Firmen wie Google und Microsoft antreten, verbesserte sich die Genauigkeit innerhalb von wenigen Monaten um 24 % und kommt damit erstmals in die Nähe menschlicher Leistungsfähigkeit.
Im Vortrag werden wir:
* das zugrunde liegende Problem erläutern
* die verwendeten Deep-Learning-Architekturen beleuchten
* den Ansatz von Transfer Learning im NLP erklären, der maßgeblich zu dem Erfolg von Modellen wie BERT oder ULMFiT beigetragen hat
* die Relevanz für die Praxis, wie z.B. im Bereich M&A, anhand einer Beispielanwendung verdeutlichen
Vorkenntnisse
* Grundlegende Kenntnisse über Machine Learning und Neural Networks sind notwendig.
* Basiswissen im Bereich NLP ist hilfreich, aber nicht zwingend erforderlich.
Lernziele
* Das Problem “Question Answering” aus der Machine-Learning-Perspektive verstehen
* Funktionsweise aktueller Deep-Learning-Architekturen für dieses Problem kennenlernen und damit verbundene Fortschritte realistisch einordnen
* Den Ansatz “Transfer Learning” im Bereich NLP verstehen und die Übertragbarkeit auf andere Probleme verstehen
* Bedeutung der Modelle für Praxisprobleme erkennen