26. Juni 2017

Maschinelles Lernen

Maschinelles Lernen mit intergator: Enterprise Search trifft auf Deep Learning

Durch maschinelle Lernverfahren in der systemübergreifenden Suche wird der intelligente Arbeitsplatz zur Realität

Lernen ist der Schlüssel zur Intelligenz. Diese Prinzip, welches Grundlage beim Menschen ist, gilt auch für Maschinen. Maschinelle Lernverfahren gewinnen durch das anhaltende Wachstum von Daten, welche über viele Datenquellen verteilt sind, immer mehr an Bedeutung. Durch maschinelles Lernen als ein Teilgebiet der künstlichen Intelligenz gelingt die Verknüpfung empirischer Beobachtungen und menschlichen Vorwissens mit Hilfe von überlegener Rechnerleistung zu einer neuen Qualität intelligenter Informationsverarbeitung.

Wenn es um maschinelles Lernen geht, stehen meist Endnutzeranwendungen im Blickpunkt. Dazu gehören das Personalisieren von Suchvorschlägen, die Präsentation von Antworten im individuellen Kontext, Recommendations und smart Services. Aber auch im Bereich Business-to-Business (B2B) bietet maschinelles Lernen vielversprechende Möglichkeiten. Ziel ist dabei die Produktivitätssteigerung, Prozessoptimierung, Kostensenkung und erhöhte Kundenbindung. Die Anwendungen maschineller Intelligenz werden in verschieden Kategorien eingeordnet, u.a in:

  • Intelligente Geschäftsprozesse
  • Intelligente Infrastruktur
  • Digitale Assistenten

 

Maschinelles Lernen ermöglicht Smart Data Funktionalitäten in der Suche: Bildersuche, Bilderkennung, Erweiterte Namend Entity recognition, personalisierte Suchvorschläge

Anwendungsfälle für maschinelles Lernen mit intergator

Die Einbindung maschineller Lernverfahren in die Produktentwicklung spielt bei intergator schon seit geraumer Zeit eine wichtige Rolle. Durch maschinelles Lernen in Kombination mit überlegener Rechnerleistung konnte intergator in zahlreiche Projekte eine neue Qualität der intelligenteren Informationsverarbeitung einbringen wie:

  • verbesserte Klassifikation und Kategorisierung von Dokumenten in vorgegebenen Strukturen
  • Kontext-abhängige Erkennbarkeit von Entitäten wie Personen, Orte, Produkt, Organisationen etc.
  • Semantische Beziehungen zwischen Begrifflichkeiten für verbesserte und personalisierte Antworten
  • Query by example für ein intelligentes Finden anhand vom Beispiel-Content (Bild, E-Mail, Dokument etc.)
  • Gesichtserkennung durch geometrische- und Klassifikationsverfahren
  • Bilderkennung und Bildersuche
  • ….