Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Einblick in die Welt der künstlichen Intelligenz Read chapter Read first chapter

2021 | OriginalPaper | Chapter

6. Semantische Technologien für Enterprise Intelligence am Beispiel von Lieferkettenbeobachtung

Authors : Leonhard Hennig, Hans Uszkoreit

Published in: Semantische Datenintelligenz im Einsatz

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Enterprise Intelligence, d. h. die Überwachung und Interpretation aller Signale der verschiedenen Akteure eines Marktes, wird in einer globalen Wirtschaft mit ihren weltweit verteilten Lieferanten, Kunden und Wettbewerbern sowie der zunehmenden Komplexität von Produkten, Herstellungsprozessen und Regularien zu einem immer entscheidenderen Erfolgsfaktor für Unternehmen. Technologische Fortschritte in den Bereichen künstliche Intelligenz, Big-Data-Management und Webtechnologie ermöglichen aber den Einsatz modernster Informationstechnologien zur Automatisierung der arbeitsintensivsten Prozesse für Enterprise-Intelligence-Lösungen. Wir werden in diesem Kapitel eine KI-basierte Serviceplattform für Enterprise Intelligence beschreiben, die Ergebnisse aus der deutschen und chinesischen KI-Forschung und Softwareentwicklung kombiniert. Ihre Kernkomponenten sind ein Framework für multilinguale semantische Sprachverarbeitung, ein Framework für die Erstellung, Nutzung und Erweiterung von Wissensgraphen sowie die Einbettung dieser Komponenten in einer leistungsstarken Big-Data-Analytik-Plattform.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Einsatz semantischer Technologien für die Informationsbereitstellung in der Flugsicherung
next chapter Wissensgraphen im Web
Footnotes
13
GIANCE wurde Ende 2018 aus dem DFKI Berlin ausgegründet, um KI-Forschungsresultate, insbesondere neue Sprach- und Wissenstechnologien, in kommerzielle Anwendungen zu überführen. Schwerpunkt der Anwendungen war Corporate/Enterprise Intelligence.
 
Literature
1.
2.
Lee, K. (2018) AI Superpowers: China, Silicon Valley and the New World Order. Houghton Mifflin Harcourt
3.
Bengio, Y., LeCun, Y., Hinton, G. (2015). "Deep Learning". Nature. 521 (7553): 436–444.
4.
Ciresan, D., Meier, U., Schmidhuber, J. (2012). Multi-column deep neural networks for image classification. 2012 IEEE Conference on Computer Vision and Pattern Recognition. pp. 3642–3649.
5.
Google’s AlphaGo AI wins three-match series against the world’s best Go player. TechCrunch. 25 May 2017.
6.
Krizhevsky, A., Sutskever, I., Hinton, Geoffry (2012). ImageNet Classification with Deep Convolutional Neural Networks. NIPS 2012: Neural Information Processing Systems, Lake Tahoe, Nevada.
7.
Schmidhuber, J. (2015). Deep Learning in Neural Networks: An Overview. Neural Networks. 61: 85–117.
8.
Auer, S., Bizer, C., Kobilarov, G., Lehmann, J., Cyganiak, R., & Ives, Z.G. (2007). DBpedia: A Nucleus for a Web of Open Data. ISWC/ASWC.
9.
Bollacker, K.D., Evans, C.J., Paritosh, P., Sturge, T., & Taylor, J. (2008). Freebase: a collaboratively created graph database for structuring human knowledge. SIGMOD Conference.
10.
Perez, S. (2012). Wikipedia’s Next Big Thing: Wikidata, A Machine-Readable, User-Editable Database Funded By Google, Paul Allen And Others. TechCrunch
11.
Alexandrov, A., Bergmann, R., Ewen, S., Freytag, J., Hueske, F., Heise, A., Kao, O., Leich, M., Leser, U., Markl, V., Naumann, F., Peters, M., Rheinländer, A., Sax, M., Schelter, S., Höger, M., Tzoumas, K., & Warneke, D. (2014). The Stratosphere platform for big data analytics. The VLDB Journal, 23, 939–964.
12.
Shvachko, K., Kuang, H., Radia, S., & Chansler, R. (2010). The Hadoop Distributed File System. 2010 IEEE 26th Symposium on Mass Storage Systems and Technologies (MSST), 1–10.
13.
Liu, W., Zhou, P., Zhao, Z., Wang, Z., Ju, Q., Deng, H., & Wang, P. (2019). K-BERT: Enabling Language Representation with Knowledge Graph. ArXiv, abs/1909.07606.
14.
Peters, M.E., Neumann, M., RobertLLogan, I., Schwartz, R., Joshi, V., Singh, S., & Smith, N.A. (2019). Knowledge Enhanced Contextual Word Representations. EMNLP/IJCNLP.
15.
Zhang, Z., Han, X., Liu, Z., Jiang, X., Sun, M., & Liu, Q. (2019). ERNIE: Enhanced Language Representation with Informative Entities. ACL.
16.
Quinn, J.B. (1992). Intelligent Enterprise: A Knowledge and Service Based Paradigm for Industry. Free Press
17.
18.
19.
Meier A. (2018) Was heißt Big Data? In: Werkzeuge der digitalen Wirtschaft: Big Data, NoSQL & Co. essentials. Springer Vieweg, Wiesbaden
20.
Hennig, L., Thomas, P., Ai, R., Kirschnick, J., Wang, H., Pannier, J., Zimmermann, N., Schmeier, S., Xu, F., Ostwald, J., & Uszkoreit, H. (2016). Real-Time Discovery and Geospatial Visualization of Mobility and Industry Events from Large-Scale, Heterogeneous Data Streams. ACL.
21.
Manning, C.D., Surdeanu, M., Bauer, J., Finkel, J.R., Bethard, S., & McClosky, D. (2014). The Stanford CoreNLP Natural Language Processing Toolkit. ACL.
22.
Marneffe, M.D., Dozat, T., Silveira, N., Haverinen, K., Ginter, F., Nivre, J., & Manning, C.D. (2014). Universal Stanford dependencies: A cross-linguistic typology. LREC.
23.
Strötgen, J., & Gertz, M. (2010). HeidelTime: High Quality Rule-Based Extraction and Normalization of Temporal Expressions. SemEval@ACL.
24.
Ferrucci, D.A., & Lally, A. (2004). UIMA: an architectural approach to unstructured information processing in the corporate research environment. Natural Language Engineering, 10, 327–348.
25.
Eckart de Castilho, R. and Gurevych, I. (2014). A broad-coverage collection of portable NLP components for building shareable analysis pipelines. In Proceedings of the Workshop on Open Infrastructures and Analysis Frameworks for HLT (OIAF4HLT) at COLING 2014, p 1–11, Dublin, Ireland.
26.
Akbik, A., Blythe, D., & Vollgraf, R. (2018). Contextual String Embeddings for Sequence Labeling. COLING.
27.
Ma, X., & Hovy, E.H. (2016). End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF. ACL.
28.
Drozdzynski, W., Krieger, H., Piskorski, J., Schäfer, U., & Xu, F. (2004). Shallow Processing with Unification and Typed Feature Structures – Foundations and Applications. KI, 18.
29.
Bunescu, R.C., & Pasca, M. (2006). Using Encyclopedic Knowledge for Named entity Disambiguation. EACL.
30.
Dredze, M., McNamee, P., Rao, D., Gerber, A., & Finin, T.W. (2010). Entity Disambiguation for Knowledge Base Population. COLING.
31.
Thomas, P., & Hennig, L. (2017). Twitter Geolocation Prediction Using Neural Networks. GSCL.
32.
Thomas, P., Kirschnick, J., Hennig, L., Ai, R., Schmeier, S., Hemsen, H., Xu, F., & Uszkoreit, H. (2017). Streaming Text Analytics for Real-Time Event Recognition. RANLP.
33.
Chen, Z. (2019). Neural Entity Linking For Company Names. Msc. Thesis, TU Berlin.
34.
Zelenko, D., Aone, C., & Richardella, A. (2002). Kernel Methods for Relation Extraction. J. Mach. Learn. Res., 3, 1083–1106.
35.
Alt, C., Hübner, M., & Hennig, L. (2019). Fine-tuning Pre-Trained Transformer Language Models to Distantly Supervised Relation Extraction. ACL.
36.
Alt, C., Hübner, M., & Hennig, L. (2019). Improving Relation Extraction by Pre-trained Language Representations. AKBC.
37.
Soares, L.B., FitzGerald, N., Ling, J., & Kwiatkowski, T. (2019). Matching the Blanks: Distributional Similarity for Relation Learning. ACL.
38.
Surdeanu, M., Tibshirani, J., Nallapati, R., & Manning, C.D. (2012). Multi-instance Multi-label Learning for Relation Extraction. EMNLP-CoNLL.
39.
Zeng, D., Liu, K., Chen, Y., & Zhao, J. (2015). Distant Supervision for Relation Extraction via Piecewise Convolutional Neural Networks. EMNLP.
40.
Surdeanu, M., & Ji, H. (2014). Overview of the English Slot Filling Track at the TAC 2014 Knowledge Base Population Evaluation.
41.
Zhang, Y., Zhong, V., Chen, D., Angeli, G., & Manning, C.D. (2017). Position-aware Attention and Supervised Data Improve Slot Filling. EMNLP.
42.
Li, H.X., Krause, S., Xu, F., Moro, A., Uszkoreit, H., & Navigli, R. (2015). Improvement of n-ary Relation Extraction by Adding Lexical Semantics to Distant-Supervision Rule Learning. ICAART.
43.
Xu, F., Uszkoreit, H., & Li, H.X. (2007). A Seed-driven Bottom-up Machine Learning Framework for Extracting Relations of Various Complexity. ACL.
44.
Mintz, M., Bills, S., Snow, R., & Jurafsky, D. (2009). Distant supervision for relation extraction without labeled data. ACL/IJCNLP.
45.
46.
Krause, S., Li, H.X., Uszkoreit, H., & Xu, F. (2012). Large-Scale Learning of Relation-Extraction Rules with Distant Supervision from the Web. International Semantic Web Conference.
47.
Lin, Y., Shen, S., Liu, Z., Luan, H., & Sun, M. (2016). Neural Relation Extraction with Selective Attention over Instances. ACL.
48.
Zeng, D., Liu, K., Lai, S., Zhou, G., & Zhao, J. (2014). Relation Classification via Convolutional Deep Neural Network. COLING.
49.
Krause, S., Xu, F., Uszkoreit, H., & Weissenborn, D. (2016). Event Linking with Sentential Features from Convolutional Neural Networks. CoNLL.
50.
Hellmann, S., Lehmann, J., Auer, S., & Brümmer, M. (2013). Integrating NLP Using Linked Data. International Semantic Web Conference.
Metadata
Title
Semantische Technologien für Enterprise Intelligence am Beispiel von Lieferkettenbeobachtung
Authors
Leonhard Hennig
Hans Uszkoreit
Copyright Year
2021
Book
Semantische Datenintelligenz im Einsatz

Print ISBN: 978-3-658-31937-3

Electronic ISBN: 978-3-658-31938-0

Copyright Year: 2021

DOI
https://doi.org/10.1007/978-3-658-31938-0_6

Premium Partner

    Image Credits