Entfesseln Sie das Potenzial Ihrer NLP-Projekte mit dem richtigen Talent. Veröffentlichen Sie Ihre Stelle bei uns und ziehen Sie Kandidaten an, die genauso leidenschaftlich über natürliche Sprachverarbeitung sind.
NLP-Experten einstellenNatural Language Processing ( NLP ) ist der Bereich der künstlichen Intelligenz , der sich mit menschlicher Sprache und Sprache befasst. Es befindet sich an der Schnittstelle zwischen einer Vielzahl von Disziplinen, von der Linguistik über die Informatik und Ingenieurwissenschaften bis hin zur KI.
Bei NLP geht es darum, Computern das Sprechen, Schreiben, Zuhören und Interpretieren der menschlichen Sprache beizubringen. Wenn Sie heute eine Suchmaschine, ein GPS-Navigationssystem oder Amazon Echo verwendet haben, haben Sie bereits mit einem NLP- System interagiert. NLP gibt es schon seit Jahrzehnten, und NLP-Modelle sind dank des Aufkommens von Deep Learning und neuronalen Netzen in letzter Zeit viel leistungsfähiger geworden. NLP ist ein faszinierender Bereich der KI und hat ein enormes Potenzial, die Art und Weise, wie wir leben, spielen und arbeiten, zu verändern.
Hier sind einige der Bereiche, die kurz vor der Transformation durch die Verarbeitung natürlicher Sprache stehen.
Die Gesundheitssysteme vieler Länder gehen von Papierakten zu einem System elektronischer Patientenakten (EMR) über. Dies hat eine Fülle analytischer Möglichkeiten zur Verbesserung der Gesundheitsversorgung und der Ergebnisse geschaffen.
Eine große Herausforderung für die Gesundheitssysteme besteht jedoch darin, das volle Potenzial dieser Daten zu nutzen. Elektronische Krankenakten enthalten viele unstrukturierte Daten im Textformat. Es ist viel schwieriger, Analysen mit Textdaten durchzuführen als mit strukturierten Daten, die in anderen Branchen üblich sind.
Aus diesem Grund beginnen Gesundheitsorganisationen, NLP einzuführen, um Einblicke in Gesundheitsakten und andere Textdaten zu gewinnen.
NLP kann elektronische Krankenakten analysieren und die Schlaganfallprävention und -behandlung verbessern, indem es Ärzten bei der Entscheidung hilft, wann eine intravenöse Thrombolyse (ein Tropf) anzuwenden ist.
Die Wahrscheinlichkeit bestimmter unerwünschter Ereignisse wie Herzinfarkte und Schlaganfälle sowie das anschließende Fortschreiten dieser Krankheiten lässt sich nur schwer mit Genauigkeit vorhersagen. Oft liegen die relevantesten Informationen zur Krankengeschichte eines Patienten im Textformat vor und es kann schwierig sein, die Daten in ein Vorhersagemodell einzubinden.
Im Jahr 2018 entwickelte ein Forscherteam einer neurologischen Abteilung in Taiwan ein NLP-System, das elektronische Krankenakten verarbeiten und Ärzten dabei helfen könnte, zu bestimmen, welche Schlaganfallpatienten eine intravenöse Thrombolyse (Medikamente zur Verhinderung der Blutgerinnung) erhalten sollten.
Sie fanden heraus, dass ihr Modell die Entscheidungsfindung erheblich verbessern und die Qualität der Pflege verbessern konnte.
Nach Schätzungen der Weltgesundheitsorganisation gehört Selbstmord zu den zehn häufigsten Todesursachen weltweit, und jeder Selbstmordtote dürfte das Leben von 138 Menschen beeinträchtigen. Oft ist der Kontakt mit medizinischem Fachpersonal nicht häufig genug, um Anzeichen eines Suizidrisikos früh genug zu erkennen. Darüber hinaus erfordern die meisten Standardmethoden der Risikobewertung, dass der Einzelne sein Risiko einer Selbstverletzung einem Fachmann mitteilt.
Die Verfügbarkeit sozialer Medien bietet neue Möglichkeiten, das Risiko einer Person zu analysieren und zu verstehen. Ein Team in Boston, USA, hat ein Deep-Learning -Modell zur Verarbeitung natürlicher Sprache entwickelt, um Signale bei der Nutzung sozialer Medien durch eine Person zu erkennen, die auf ein hohes Risiko hinweisen. Darüber hinaus verfügt Facebook über eine Suizidpräventions-KI, die Beiträge auf der Plattform scannt, um das Risiko einzuschätzen.
Fast Data Science - London
Unnötig zu erwähnen, dass die Anwendungen in diesem Bereich in manchen Kreisen für Unmut gesorgt haben. Viele Beobachter sind besorgt über die Auswirkungen auf die Privatsphäre und über das schlimmste Szenario, in dem ein böswilliger Akteur überhaupt an die Suizidrisikodaten gelangt und Einzelpersonen zum Suizid ermutigt.
Der Einsatz des Facebook- Algorithmus in der EU wurde verhindert, da er nicht den Einwilligungsregeln der DSGVO entspricht. Viele Akademiker und Datenschutzexperten haben jedoch erklärt, dass das Potenzial dieser Technologie für das Gemeinwohl die Datenschutzbedenken überwiegt.
Die Pharmaindustrie stand in den letzten drei Jahrzehnten vor vielen neuen Herausforderungen. Während neue Technologien entstanden sind, die den Prozess der Arzneimittelentdeckung und -entwicklung beschleunigen, bleibt die Pharmaindustrie eine Hochrisikobranche . Fast 90 % der Medikamente, die in klinische Phase-1-Studien gelangen, kommen nie auf den Markt, weil sie unsicher oder unwirksam sind. Der gesamte Prozess, ein Medikament auf den Markt zu bringen, dauert durchschnittlich 12 Jahre und kostet bis zu 3 Milliarden US-Dollar.
Ärzte kämpfen um die Rettung von sechs Studienteilnehmern der berüchtigten Arzneimittelstudie „Elephant Man“, die 2006 von Parexel in London durchgeführt wurde. Unerwartete Nebenwirkungen des getesteten Arzneimittels TGN1412 verursachten bei einigen Teilnehmern bleibende Verletzungen. Bildquelle: BBC.
In allen Phasen des Arzneimittelentwicklungsprozesses, von der Arzneimittelentdeckung bis hin zu Versuchen am Menschen, ist eine Fülle sicherheitsrelevanter Informationen in unstrukturiertem Text verborgen. Interne Sicherheitsberichte, medizinische Literatur, elektronische Krankenakten, soziale Medien und Konferenzberichte können alle nach wichtigen Sicherheitsinformationen wie Berichten über unerwünschte Ereignisse, Nebenwirkungen, Dosierungsinformationen und anderen Daten durchsucht werden. NLP-Modelle sind in der Lage, diese Informationen in strukturierte Daten umzuwandeln, die in Analyse- und Entscheidungsprozesse integriert werden können.
Dies ermöglicht es Forschern, auf der Grundlage der besten verfügbaren Informationen zu handeln und kritische Sicherheitsprobleme früher zu erkennen, wodurch die Verluste des Pharmaunternehmens verringert werden, wenn das Medikament nicht auf den Markt kommt.
Wenn klinische Studien durchgeführt werden, muss die Sponsororganisation ein klinisches Versuchsprotokoll veröffentlichen, in dem der Versuchsaufbau und das gesamte Verfahren der Studie beschrieben werden. Diese Dokumente sind in der Regel 200 Seiten lang, werden im PDF-Format verteilt und sind in technischem, aber unstrukturiertem Englisch verfasst.
Es ist möglich, ein Modell zur Verarbeitung natürlicher Sprache zu entwickeln, um relevante Daten aus einem Versuchsprotokoll zu extrahieren, beispielsweise die Anzahl und das Alter der Studienteilnehmer, den Versuchsaufbau, die Art der Behandlung oder potenzielle Toxizitäten. Bei Fast Data Science haben wir für das deutsche Pharmaunternehmen Boehringer Ingelheim ein Modell entwickelt , das ein klinisches Studienprotokoll analysiert und verschiedene Maße der Studienkomplexität vorhersagt, die in ein Kostenmodell eingespeist werden können. Dies ermöglicht es dem Unternehmen, zu analysieren und zu verstehen, was bei der Durchführung einer Studie erforderlich ist, ohne viel Zeit mit dem Durchlesen von Protokollen zu verbringen.
Laut einem aktuellen Bericht des Economist setzen Investmentbanken und andere Finanzinstitute KI und maschinelles Lernen hauptsächlich für Analysen ein und verwenden strukturierte Daten, um geschäftliche Fragen wie die Kundenabwanderung zu beantworten. Die Einführung der Verarbeitung natürlicher Sprache ist jedoch nicht weit entfernt.
Der Online- Chatbot auf der Website von HSBC ist in der Lage, häufige Fragen zu beantworten und Anfragen von seinen Callcentern abzuleiten. Bildquelle: HSBC
Die meisten großen Banken mit einer Online-Präsenz verfügen mittlerweile über einen virtuellen Assistenten oder Chatbot auf ihrer Homepage, wodurch Kosten für Callcenter gespart werden. Diese können grundlegende Aufgaben wie Kontostandsabfragen, Kontodaten und Kreditanfragen erledigen. Sie werden häufig auf den Telefonsystemen der Banken eingesetzt und ermöglichen eine effiziente Einstufung von Anfragen an die richtige Abteilung, wenn ein Mitarbeiter eingeschaltet werden muss.
Ein Beispiel für einen anonymisierten Vertrag für einen Hausverkauf. NLP kann Namen der Vertragsparteien extrahieren, Schlüsseldaten wie Kosten oder Vertragsbedingungen extrahieren und sogar ein Dokument aus Compliance-Gründen anonymisieren.
Viele Finanzinstitute haben täglich mit einer großen Anzahl juristischer Dokumente wie Verträgen, NDAs und Treuhandurkunden zu tun.
Mithilfe von Lösungen zur Verarbeitung natürlicher Sprache werden wichtige Informationen aus unstrukturierten Dokumenten extrahiert und das Dokument entsprechend den Geschäftsanforderungen klassifiziert. Dies ist mit herkömmlichen nicht-KI-Programmiertechniken schwierig zu bewerkstelligen, da keine zwei Rechtsdokumente gleich sind, die Formatierung sehr unterschiedlich sein kann und Dokumente häufig in Papierform eingehen und gescannt werden, da in vielen Gerichtsbarkeiten eine physische Unterschrift erforderlich ist.
NLP wird auch zur Anonymisierung juristischer Dokumente eingesetzt. Für viele geschäftliche oder behördliche Zwecke ist es notwendig, Namen, Daten, Orte oder Preise aus Rechtsdokumenten zu schwärzen oder zu bereinigen. Die Notwendigkeit, Daten aus Compliance-Gründen zu anonymisieren, ist mit zunehmender Regulierung rasant gestiegen, und insbesondere seit der Einführung der DSGVO ist eine Reihe von Produkten auf den Markt gekommen.
Viele Investmentfirmen beginnen, NLP zur Analyse von Geschäftsberichten und Nachrichtenartikeln von Unternehmen zu nutzen. Oftmals kann ein Schlüsselereignis wie die Entsendung eines Vorstandsvorsitzenden in den Gartenurlaub durch den Vorstand eine marktbewegende Information sein, und es ist teuer, Leute dafür zu bezahlen, alle für ein Unternehmen relevanten Dokumente durchzulesen.
In jüngster Zeit gab es eine Welle technologischer Innovationen zur Verbesserung der Effizienz in der Versicherungsbranche, die in Anlehnung an den Begriff „FinTech“ als „InsurTech“ bezeichnet wurde. Dies ist teilweise auf die zunehmende Verbreitung der Verarbeitung natürlicher Sprache zurückzuführen, die in der Branche zu großen Effizienzsteigerungen führen kann.
Google NGrams-Viewer, der die Prägung des Begriffs InsurTech zeigt, der viel KI und NLP im Versicherungswesen umfasst
Bei der Bearbeitung von Versicherungsansprüchen müssen sich Versicherungsunternehmen mit einer Vielzahl unstrukturierter Dokumente auseinandersetzen. Wenn ein Kunde beispielsweise einen Anspruch bei seiner Reiseversicherung einreicht, weil er im Urlaub krank geworden ist, muss der Versicherer möglicherweise zehn Dokumente durchgehen, die alle in gescannter Form hochgeladen wurden, bevor er entscheidet, ob der Anspruch die Kriterien der Police erfüllt.
Versicherer und Underwriter beginnen, die Verarbeitung natürlicher Sprache als natürliche Lösung zur Rationalisierung dieses Prozesses zu betrachten. Anhand eines Datensatzes der in den letzten drei Jahren eingereichten Ansprüche und getroffenen Entscheidungen kann ein einfacher überwachter Lernalgorithmus Dokumente verarbeiten und eine Wahrscheinlichkeit für die Gewährung des Anspruchs angeben. Sie können sogar in Echtzeit auf der Weboberfläche des Unternehmens ausgeführt werden, wodurch der Kunde darauf hingewiesen wird, dass er weitere Belegdokumente hochladen muss, und die Einschaltung eines Kundendienstmitarbeiters entfällt.
Die Verarbeitung natürlicher Sprache hat bereits eine Reihe von Branchen verändert. Bestimmte Bereiche wie das Gesundheitswesen und das Finanzwesen wurden jedoch in der Vergangenheit durch regulatorische oder ethische Überlegungen sowie die schiere praktische Schwierigkeit, ihre Big-Data-Probleme mit KI zu lösen, behindert, obwohl sie über Goldminen an unstrukturierten Textdaten verfügen. Wir haben bereits gesehen , wie maschinelles Lernen die strukturierten Daten in diesen Branchen verändert, während die Verarbeitung natürlicher Sprache dicht hinterherhinkt.
Da Regulierung, Technologie und Geschäftspraktiken aufholen, wird NLP in den 2020er Jahren Auswirkungen auf das ungenutzte Potenzial dieser Branchen haben, und die Regulierung in diesen Bereichen muss aufholen. Wir können uns auf enorme und lang erwartete Verbesserungen in den Bereichen Gesundheitswesen, Pharma, Recht, Versicherungen und Finanzen freuen.
Entfesseln Sie das Potenzial Ihrer NLP-Projekte mit dem richtigen Talent. Veröffentlichen Sie Ihre Stelle bei uns und ziehen Sie Kandidaten an, die genauso leidenschaftlich über natürliche Sprachverarbeitung sind.
NLP-Experten einstellen
Mittlerweile sind es Organisationen aller Größenordnungen und fast aller Sektoren werden zunehmend datengesteuert, insbesondere als größere Datenspeicher Systeme und schnellere Computer treiben die Leistungsgrenzen immer weiter voran.
Aufgrund des umfangreichen Einsatzes von Technologie und der Arbeitsteilung hat die Arbeit des durchschnittlichen Gig-Economy-Arbeiters jeden individuellen Charakter und damit auch jeden Charme für den Arbeitnehmer verloren.
Die Auswirkungen von KI auf die Humanressourcen Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern.
What we can do for you
