Options
2023
Conference Paper
Titel
Ein hybrider KI-Ansatz zur Identifikation von technologischen Kompetenzen im Rahmen der Technologiefrühaufklärung
Titel Supplements
Kombination von symbolischer und subsymbolischer KI
Abstract
Zunehmende Dynamik bei Technologieentwicklungen macht ein möglichst frühzeitiges Erkennen ebendieser im Rahmen der strategischen Produkt- und Technologieplanung immer wichtiger, um Wettbewerbsvorteile zu erzielen. Diese Vorteile ergeben sich insbesondere durch die frühzeitige Identifikation von relevanten Kompetenzträgern in neuen Technologiefeldern und das Initiieren von Partnerschaften. Die Identifikation wird jedoch aufgrund der Menge und Vielfalt verfügbarer Informationen in Texten immer herausfordernder. Aktuelle subsymbolische KI-Lösungen (z. B. Transformermodelle) bedürfen einer großen Datenbasis für das Training des Sprachmodells. Neu aufkommende Technologien sind zunächst jedoch durch eine kleine Informationsbasis charakterisiert (Small Data). Ein neuer hybrider KI-Ansatz kombiniert die Vorteile symbolischer und subsymbolischer Ansätze miteinander, um dieser Herausforderung zu begegnen. In einem hybriden KI-System können subsymbolische Sprachmodelle auf Grundlage von pre-labeled Trainingsdaten aus dem symbolischen Teil schneller für die Identifikation technologischer Kompetenzen im relevanten Technologiefeld trainiert werden. Mit diesem System können Organisationen identifiziert werden, welche im Bezug zur neuen Technologie genannt werden. Eine weitere Herausforderung besteht darin, auf Basis der extrahierten Informationen eine automatisierte Einschätzung über die Ausprägung der technologischen Kompetenzen einer Organisation zu treffen. Hierbei hilft eine auf Wissensgraphen basierte Informationsrepräsentation, bei der die semantische Nähe von Aussagen in Verbindung mit ihrer Häufigkeit und Verteilung im analysierten Korpus betrachtet wird. Der entwickelte Ansatz wurde anhand des Anwendungsfalls Batterietechnologie erprobt. Dabei konnte gezeigt werden, dass eine effektivere automatisierte Identifikation und Priorisierung von Kompetenzträgern durch das hybride System möglich sind.
;
Increasingly dynamic technological developments make it ever more important to identify them as early as possible as part of strategic product and technology planning in order to achieve competitive advantages. These advantages result in particular from the early identification of relevant competence carriers in new technology fields and the initiation of partnerships. However, identification is becoming increasingly challenging due to the amount and variety of available information in texts. Current sub-symbolic AI solutions (e.g., transformer models) require a large database for language model training. However, emerging technologies are initially characterized by a small information base (Small Data). A new hybrid AI approach combines the advantages of symbolic and sub-symbolic approaches to address this challenge. In a hybrid AI system, sub-symbolic language models can be trained faster for identifying technological competencies in the relevant technology field based on pre-labeled training data from the symbolic part. This system can be used to identify organizations which are named in relation to the new technology. Another challenge is to make an automated assessment of the expression of an organization's technological competencies based on the extracted information. This is done by an information representation based on knowledge graphs, where the semantic proximity of statements is considered in conjunction with their frequency and distribution in the analyzed corpus. The developed approach was tested using the use case of battery technology. It was shown that a more effective automated identification and prioritization of competence carriers is possible by the hybrid system.
Author(s)
Language
German
English