NLP-Berater

Beispiele dafür, was ein NLP-Berater tun kann

Beispiele für Anwendungen der Verarbeitung natürlicher Sprache sind:

• Verständnis natürlicher Sprache
• Textgenerierung inklusive LLMs wie LLaMa oder GPT-4 : Wir alle haben GPT im Browser verwendet. Aber NLP-Berater können benutzerdefinierte LLMs mithilfe eines domänenspezifischen oder sprachspezifischen Korpus trainieren, Prompt Engineering verwenden, um einen LLM dazu zu bringen, eine domänenspezifische Aufgabe auszuführen , beispielsweise die Beantwortung von Fragen zum englischen Insolvenzrecht , oder die von einem LLM zurückgegebenen Daten nutzen, z Token-Scores zur Berechnung der Ratlosigkeit, zur Identifizierung, ob ein Text von einem LLM geschrieben wurde, oder zur Erkennung von Plagiaten
• Identifizieren Sie den Autor eines unbekannten Textes (forensische Stilometrie)
• Natürlichsprachliche Dialogsysteme – entwickeln Sie beispielsweise einen mehrsprachigen Chatbot speziell für ein Unternehmen und eine Domäne mit detaillierten Kenntnissen über eine bestimmte Produktpalette. Wir können hochmoderne Large Language Models (LLMs) wie GPT-3 nutzen oder sogar unser eigenes LLM trainieren.
• Textanalyse – Welche Moleküle wurden in einer biowissenschaftlichen Arbeit verwendet? Wie viele Probanden gibt es in einer klinischen Studie? Wie viel Prozent der Ärzte meinten, es gäbe eine Wechselwirkung zwischen Medikament A und Medikament B?
• Mehrsprachige Modelle, die Umfragedaten aus verschiedenen Ländern verarbeiten können
• Vorhersagemodelle basierend auf Texteingaben
• Themenanalyse – Clustering, Auffinden ähnlicher Dokumente
• Domänenspezifische benannte Entitätserkennung, wie z. B. Erkennung und Verknüpfung benannter Arzneimittelentitäten , unternehmensspezifische Entitätserkennung oder länderspezifische Entitätserkennung und -verknüpfung .
• Dokumentenklassifizierung: Handelt es sich bei einer eingehenden E-Mail um eine Aufforderung zur Adressänderung, zur Abmeldung eines Unternehmens oder um eine Anfrage für eine Rechnung mit ausgewiesener Mehrwertsteuer ? Ist eine Kundenbeschwerde mit einem hohen Risiko verbunden und muss sofort bearbeitet werden, oder hat sie eine niedrigere Priorität (Triage)?
• Dokumentbasierte Empfehlungssysteme
• Unstrukturierte Datenanalyse
• Anonymisierung von Dokumenten: Können wir alle DSGVO- oder HIPAA-relevanten Daten aus einem PDF entfernen? Können wir ein maschinelles Lernmodell aus sensiblen Daten trainieren ?

Was würde ein NLP-Berater im Gesundheitswesen tun?

KI und die Verarbeitung natürlicher Sprache werden im Gesundheitswesen zunehmend eingesetzt. Diese Technologie wird manchmal als Healthtech oder MedTech bezeichnet. NLP wird verwendet, um Änderungen in klinischen Berichten zu vergleichen und zu erkennen, klinische Konzepte wie MeSH-Begriffe aus elektronischen Krankenakten zu extrahieren und Dialogsysteme zwischen Mensch und Maschine in natürlicher Sprache zu entwickeln, um das Gesundheitserlebnis zu verbessern.

Wir haben an einer Reihe von Projekten im Gesundheitswesen gearbeitet, darunter:

• ein Modell zur Vorhersage der Komplexität klinischer Studien aus dem Studienprotokoll für Boehringer Ingelheim .
• ein Modell zur Vorhersage des Risikos einer klinischen Studie aus dem Studienprotokoll für die Gates Foundation . Veröffentlicht in Wood TA und McNair D. Clinical Trial Risk Tool: Softwareanwendung, die die Verarbeitung natürlicher Sprache nutzt, um das Risiko mangelnder Aussagekraft von Studien zu ermitteln. Gates Open Res 2023, 7:56 doi: 10.12688/gatesopenres.14416.1
• eine Desktop-Anwendung zur Analyse der Ergebnisse, Fachgebiete, Kooperationen und Zugehörigkeiten von Forschern mithilfe von PubMed- Suchergebnisexporten.
• ein Modell zur Identifizierung von Forschern , die in ihrer veröffentlichten Forschung Open-Source-Moleküle ohne Quellenangabe verwendet haben, ebenfalls für Boehringer Ingelheim .

​Welche Technologien nutzt ein NLP-Berater?

Wir verarbeiten viel natürliche Sprache mit Python. Wir haben an einer Vielzahl von NLP-Modellen gearbeitet, darunter:

• Transformers , einschließlich individuell trainierter Transformers unter Verwendung von Bibliotheken wie HuggingFace , Keras oder spaCy
• Große Sprachmodelle (LLMs) wie GPT-3.5 von Open AI, Google BARD oder ähnliches
• Wortbeutel, tf*idf, Jaccard-Ähnlichkeit , Kosinus-Ähnlichkeit
• NLP-Pipelines, Lemmatisierung, Parser, Chunker
• Tiefe neuronale Netze
• Faltungs-Neuronale Netze (sowohl Text als auch Bilder)
• RNN, LSTM
• Seq2seq, word2vec, doc2vec
• Sehen Sie sich eine Live-Demo eines CNN zur Identifizierung des Autors an
• Clustering: Latente Dirichlet-Zuordnung
• Dies ist nützlich, um Themen aus einer Reihe unstrukturierter Dokumente zu extrahieren, beispielsweise Rechtsdokumente, Umfrageantworten, Fabrikfehlerberichte usw.
• Suchmaschinen und Suchbegriff-Empfehler
• Google Cloud, AWS, Microsoft Azure, Azure Cognitive Services usw

​Verarbeitung natürlicher Sprache in Python und R

Wir arbeiten mit folgenden Programmiersprachen und Frameworks:

• Python
• TensorFlow
• spacig
• Keras
• Natural Language Toolkit (NLTK)
• R

​Beispiele vergangener NLP-Beratungseinsätze

Zu den NLP-Beratungsprojekten, an denen wir für große bekannte Namen gearbeitet haben, gehören:

• ein gesprochenes Dialogsystem zur Steuerung eines Smart Homes
• ein unbeaufsichtigtes Textanalyseprogramm zur Analyse von Textbeschreibungen von Herstellungsfehlern ( Boehringer Ingelheim )
• ein Modell zur Klassifizierung der Lebensläufe von Arbeitssuchenden nach Branchen und Gehaltsgruppen ( CV-Bibliothek ).
• Analyse von Umfrageantworten und Bereitstellung öffentlicher NLP-Dashboards, die es Mitgliedern der Öffentlichkeit ermöglichen, Textdatensätze zu analysieren und zu erkunden ( White Ribbon Alliance )