Chatbots sind eine wichtige Form der Mensch-Computer-Interaktion und können z.B. in verschiedenen Kundenservice-Szenarien eingesetzt werden. Sie können auch mehrere externe Dienstleister kombinieren und so beispielsweise komplette Urlaubsbuchungen ermöglichen. Möchte eine Organisation einen Chatbot für ihren spezifischen Anwendungsfall trainieren, scheitert dies jedoch häufig an den fehlenden Daten, deren Erhebung aufwendig und teuer ist. Mein Dissertationsprojekt beschäftigt sich daher mit der Synthese dieser Trainingsdaten. Ich beschäftige mich einerseits damit, wie diese Daten künstlich erzeugt werden können, und andererseits, wie hilfreich sie für das Training der Chatbots sind. Dafür verwende ich sowohl öffentlich zugängliche Datensätze als auch echte Unternehmensdaten. Als Methoden kommen sowohl regelbasierte als auch datengetriebene Ansätze zum Einsatz. Besonders Large Language Models eröffnen viele Möglichkeiten.
Synthese von Trainingsdaten für Deep Learning-basierte Dialogsysteme
MEMBER IN THE JOINT ACADEMIC PARTNERSHIP
since
Prof. Dr.-Ing. Ulrich Schäfer
Prof. Dr. Ulrich Schäfer absolvierte 1995 als Diplominformatiker. Nach knapp fünf Jahren Industrietätigkeit bei Dokumenta S.A., Luxemburg, widmete er sich als Senior Engineer/Researcher am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) in Saarbrücken 14 Jahre der Forschung und Entwicklung im Bereich Natural Language Processing (u.a. Question Answering, Informationsextraktion aus Texten, Dialogsysteme, hybrides Parsing, sematische Suche und NLP-basierte Zitationsanalyse). 2007 Promotion über hybride NLP-Architekturen an der Fakultät für Mathematik und Informatik der Universität des Saarlandes. Seit 2014 an der OTH Amberg-Weiden Forschung, Entwicklung und Publikationen in den Bereichen Mobile Computing, Software Engineering Education, Industrie 4.0 sowie Large Language Models.
Project:
Synthese von Trainingsdaten für Deep Learning-basierte Dialogsysteme
Prof. Dr. Bernd Ludwig
Forschungsschwerpunkte:
- Sprachbasierte Assistenzsysteme
- Food Recommender Systems
- Conversational Interfaces für eHealth-Systeme
Projects:
- Synthese von Trainingsdaten für Deep Learning-basierte Dialogsysteme
- Evaluierung der Akzeptanz-und Leistungsmanipulation der Mensch-Maschine-Interaktion kognitiv-immersiver Assistenzsysteme durch Fehlereinflüsse und Informationskonfidenz
- Spracherkennung und -synthese in deutscher Sprache mithilfe Künstlicher Intelligenz
- Robuste Prädiktion von Verkehrsteilnehmern in einer urbanen Umgebung
- Anforderungsorientierte Optimierung, Evaluation und Validierung der praktischen Inhalte der Lehre in der Medizinischen Informatik in Hochschulen für angewandte Wissenschaften (HAW)
- Intersektorale Kommunikation und Datenaustausch zwischen ambulanter / (teil-) stationärer Altenpflege und Haus- / Facharzt
