nach oben

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

Erschienen in:

Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

7. Informationsextraktion und kartografische Visualisierung von Haushaltsplänen mit AutoML-Methoden

verfasst von : Daniel Braka, Rüdiger Buchkremer, Stefan Ebener

Erschienen in: Künstliche Intelligenz in Wirtschaft & Gesellschaft

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Zusammenfassung

Eine Vielzahl der aktuell digital verfügbaren Haushaltspläne ist in unstrukturierten Formaten eingebettet und daher nicht unmittelbar durch Rechner interpretierbar. Aus diesem Grund gewinnen Methoden der Informationsextraktion zunehmend an Bedeutung. Unser Ansatz kombiniert optische Zeichenerkennung mit „Natural Language Processing“ basierend auf maschinellen Lernmethoden zur Identifizierung von gesuchten Inhalten. Mithilfe einer regelbasierten Python-Applikation werden Informationen extrahiert und anschließend auf „Google Maps“ visualisiert. Zunächst beschreiben wir die Vorgehensweise zur Erstellung des Datenkorpus. Ein trainiertes „Machine-Learning Natural-Language-Modell“ (AutoML = Automated Machine Learning) wird eingesetzt. Eine Python-Anwendung verbindet alle für die Prozessierung relevanten Schritte. Unsere Methode bietet eine Effizienzsteigerung bei der Extraktion und Analyse von Haushaltsplänen.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

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!

Jetzt informieren

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!

Jetzt informieren

Vorheriges Kapitel Die Matrix – KI in der Generalisierbarkeitstheorie

Nächstes Kapitel Wege zu Entscheidungen der Nutzung von KI auf Basis eines gesellschaftlichen Lernprozesses

Adobe Inc. (2006). PDF (Portable Document Format), version 1.7, Base level (ISO 32000-1:2008). https://www.adobe.com/content/dam/acom/en/devnet/pdf/pdf_reference_archive/pdf_reference_1-7.pdf. Zugegriffen: 2. Sept. 2019.

Alonso Bel, N. H. M, & Pedersen, B. S. (2011). Identification of sense selection in regular polysemy using shallow features. In: Proceedings 18th Nordic Conference on Computational Linguistics NODALIDA 2011 May 11–13, 2011, Riga Latv 18–25.

Alpaydin, E. (2010). Introduction to machine learning (2. Aufl.). Cambridge: MIT Press.

Ashrafian, H. (2014). Artificial Intelligence and Robot Responsibilities: Innovating Beyond Rights. Science and Engineering Ethics, 21, 317–326. https://doi.org/10.1007/s11948-014-9541-0. CrossRef

Bates, M. (1995). Models of natural language understanding. Proceedings of the National Academy of Sciences of the United States of America, 92, 9977–9982. CrossRef

Borkowski, A. A., Wilson, C. P., Borkowski, S. A., et al. (2019). Google Auto ML versus Apple Create ML for Histopathologic Cancer Diagnosis; Which Algorithms Are Better? Pathology and Laboratory Medicine Services, 18.

Chen, D., Müller, H.-M., & Sternberg, P. (2006). Automatic document classification of biological literature. BMC Bioinformatics, 7, 370. https://doi.org/10.1186/1471-2105-7-370. CrossRef

Coldewey, D., & Lardinois, F. (2017). DeepL schools other online translators with clever machine learning. https://techcrunch.com/2017/08/29/deepl-schools-other-online-translators-with-clever-machine-learning/. Zugegriffen: 3. Sept. 2019.

Gack, P., & Rudel, G. (Hrsg.). (2013). Kommunale Politik gestalten: Grundlagen, Rahmenbedingungen, Handlungsmöglichkeiten: Kommunalpolitische Schriftenreihe; 12. Bamberg: Petra-Kelly-Stiftung.

GADM. (Hrsg.). (2013). GADM. https://gadm.org/download_country_v3.html. Zugegriffen: 5. Sept. 2019.

Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35, 137–144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007. CrossRef

Google Cloud. (2019). AutoML Natural Language Beginner’s guide. In: cloud.google.com. https://cloud.google.com/natural-language/automl/docs/beginners-guide. Zugegriffen: 10. Nov. 2019.

Google. (2019a). Cloud AutoML: Train high-quality custom machine learning models with minimal effort and machine learning expertise. https://cloud.google.com/automl/. Zugegriffen: 10. Nov. 2019.

Google. (2019b). Natural language: Derive insights from unstructured text using google machine learning. https://cloud.google.com/natural-language/. Zugegriffen: 10. Nov. 2019.

Google. (2019c). AI and machine learning products: Innovative machine learning products and services on a trusted platform. https://cloud.google.com/products/ai/ Y3 – 2019, 03. September M4 – Citavi.

Haykin, S. (2008). Neural networks and learning machines (3. Aufl.). New York: Pearson.

Kashif Imran. (2019). Automatically extract text and structured data from documents with Amazon Textract. https://aws.amazon.com/de/blogs/machine-learning/automatically-extract-text-and-structured-data-from-documents-with-amazon-textract/. Zugegriffen: 10. Nov. 2019.

Landeshauptstadt Düsseldorf. (2019). Open Data Düsseldorf. https://opendata.duesseldorf.de/. Zugegriffen: 10. Nov. 2019.

Leviathan, Y., & Matias, Y. (2018). Google duplex: An AI system for accomplishing real-world tasks over the phone. https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html. Zugegriffen: 8. Sept. 2019.

Li, Z., Guo, H., Wang, W. M., et al. (2019). A blockchain and automl approach for open and automated customer service. IEEE Transactions on Industrial Informatics, 15, 3642–3651. https://doi.org/10.1109/tii.2019.2900987. CrossRef

Mahabal, A., Baldridge, J., Karagol Ayan, B., et al. (2019). Text classification with few examples using controlled generalization. In: Proceedings of the 2019 Conference of the North. Association for Computational Linguistics, Stroudsburg, PA, USA, (S. 3158–3167).

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence. AI Magazine, 27, 12–14.

McCrae, J. P. (2016). Putting ontologies to work in NLP: The lemon model and its future.

Minsky, M. (1961). Steps toward artificial intelligence. Proceedings of the IEEE, 49(1), 8–30.

NDSA Standards and Practices Working Group. (2014). The Benefits and Risks of the Pdf/A-3 File Format for Archival Institutions : an NDSA report. 1–24.

Open Knowledge Foundation. (2019a). OParl 1.1 Spezifikation. https://oparl.org/spezifikation/. Zugegriffen: 10. Nov. 2019.

Open Knowledge Foundation. (Hrsg.). (2019b). Open Knowledge Foundation. https://okfn.de/. Zugegriffen: 3. Sept. 2019.

Osner, A. (Hrsg.). (2004). Ratsinformationssysteme erfolgreich einführen: Ein Leitfaden für Politik und Verwaltung. Gütersloh: Verl. Bertelsmann-Stiftung.

Russell, S. J., & Norvig, P. (2016). Artificial intelligence (3. Aufl.). Boston: Pearson.

Sarle, W. S. (2019). Newsgroup artificial neural networks. ftp://ftp.sas.com/pub/neural/FAQ.html. Zugegriffen: 3. Sept. 2019.

Schindler, T. (2016). Seminar KI: gestern, heute, morgen: Natural Language Processing and Machine Learning.

Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003M4-Citavi. CrossRef

Schmidhuber, J. (2017). Künstliche Intelligenz wird alles ändern. Handelsblatt 1–6.

Schwabe, G. (2003). Ratsinformationssysteme. https://www.zora.uzh.ch/id/eprint/57176/1/20120125142146_merlin-id_3157.pdf. Zugegriffen: 3. Sept. 2019.

Senatsverwaltung für Stadtentwicklung und Wohnen. (2017). Big Data und Crowd Data für die Berliner Stadtentwicklungsplanung. Berlin: Senatsverwaltung für Stadtentwicklung und Wohnen.

Treffpunkt Kommune. (2017). Kommunen zeigen sich online von der besten Seite – Treffpunkt Kommune. https://www.treffpunkt-kommune.de/kommunen-zeigen-sich-online-von-der-besten-seite/. Zugegriffen: 3. Sept. 2019.

Truong, A., Walters, A., Goodsitt, J., et al. (2019). Towards Automated Machine Learning: Evaluation and Comparison of AutoML Approaches and Tools. 9.

Vickrey, D., Biewald, L., Teyssier, M., & Koller, D. (2005). Word-sense disambiguation for machine translation. HLT/EMNLP 2005 – Hum Lang Technol Conf Conf Empir Methods Nat Lang Process Proc Conf (S. 771–778).

Titel: Informationsextraktion und kartografische Visualisierung von Haushaltsplänen mit AutoML-Methoden
verfasst von: Daniel Braka
Rüdiger Buchkremer
Stefan Ebener
Verlag: Springer Fachmedien Wiesbaden
Buch: Künstliche Intelligenz in Wirtschaft & Gesellschaft
Print ISBN: 978-3-658-29549-3

Electronic ISBN: 978-3-658-29550-9

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-658-29550-9_7