Session: KI als Aufgabe für Bibliotheken in Forschung, Lehre und Anwendung – oder zwischen Hype, Wirklichkeit und Durststrecke

14:00 - 14:25 Automatisierte Sacherschließung als Produktivverfahren für wissenschaftliche Bibliotheken - Herausforderungen, Lösungsansätze

Anna Kasprzik (ZBW - Leibniz-Informationszentrum Wirtschaft, Hamburg), Moritz Fürneisen (ZBW - Leibniz-Informationszentrum Wirtschaft, Hamburg), Timo Borst (ZBW - Leibniz-Informationszentrum Wirtschaft, Hamburg)
Veranstaltungsraum: Raum 2

An der ZBW werden die fortlaufend für die Automatisierung der Sacherschließung erarbeiteten Machine-Learning-Methoden nun in einen zukunftsfähigen Produktivbetrieb überführt. Ein Werkstattbericht
#KIinBibliotheken  #Forschungstransfer  #ZBWAutoSE

14:30 - 14:55 KI im Einsatz für die inhaltliche Erschließung - ein Erfahrungsbericht aus der Deutschen Nationalbibliothek

Elisabeth Mödden (Deutsche Nationalbibliothek, Frankfurt am Main)
Veranstaltungsraum: Raum 2

Seit fast zehn Jahren setzt die Deutsche Nationalbibliothek maschinelle Inhaltserschließungsverfahren produktiv ein. Aus den Erfahrungen werden neue Konzepte abgeleitet. Ein Rückblick und Ausblick.
#Erschließungsmaschine  #DNBErfahrungsbericht

15:00 - 15:25 Automatische Informationsextraktion aus wissenschaftlichen Texten, Bildern und Videos

Ralph Ewerth (TIB - Leibniz-Informationszentrum Technik und Naturwissenschaften)
Veranstaltungsraum: Raum 2

Der Vortrag berichtet über den Einsatz von KI-Methoden zur Erschließung von wissenschaftlichen Texten und Videos sowie über deren gegenwärtigen oder künftigen Einsatz in Diensten der TIB.
#KIinBibliotheken  #Forschungstransfer  #AVPortal

15:30 - 15:55 Künstliche Intelligenz zur Erschließung alter Drucke und Analyse von Figurenkonstellationen

Frank Puppe (Universität Würzburg)
Veranstaltungsraum: Raum 2

Der Vortrag berichtet über Werkzeuge und Evaluationsergebnisse für zwei Pipelines: Die OCR-Pipeline zur Transkription alter Drucke (Scans) mit Vorverarbeitung, Segmentierung, eigentlicher OCR und Nachbearbeitung, die als Ergebnis einen maschinenlesbaren Text liefert. Daraus können in der zweiten NLP-Pipeline mittels Named Entity Recognition, Co-Reference-Resolution und Relation Extraction Figuren-Konstellationen eines Romans ermittelt werden.
#OCR (Optical Character Recognition)  #Neuronale Netze  #Information Extraction