Natural Language Processing (NLP)
führendes Unternehmen im Bereich der Mikrokredite
WebTrekk und Uebermetrics
Professor Lessmanns Forschung konzentriert sich auf Methoden des maschinellen Lernens und der künstlichen Intelligenz (MLAI) und deren Anwendungsfälle in der Entscheidungsunterstützung von Führungskräften. Zu seinen Interessengebieten gehören unter anderem erklärbare KI, kausales/interpretierbares maschinelles Lernen, natürliche Sprachverarbeitung, prädiktive Analytik und Zeitreihenvorhersage.
Er ist spezialisiert auf MLAI-Anwendungen im weiten Bereich der Marketing- und Risikoanalytik. Darüber hinaus ist Professor Lessmann aktiv an Wissenstransfer-, Weiterbildungs- und Beratungsprojekten mit Industriepartnern beteiligt, die von Start-ups bis hin zu Global Playern und gemeinnützigen Organisationen reichen.
- Prototypenerstellung, Bewertung und Benchmarking von ML/AI-basierten Vorhersage- und Entscheidungsmodellen
- Entwicklung von PD-, LGD- und EAD-Prognosemodellen
- Verarbeitung von Textdaten zur Wissensextraktion
- Bewertung des Informationswerts kommerziell verfügbarer Datenquellen (z. B. Kreditbürodaten) für die Vorhersagemodellierung
- Schätzung von personalisierten, individuellen Behandlungseffekten
- Berufliche Weiterbildung in ML/AI, Data Science und Business Analytics
FinTech - Auf der Grundlage von Konzepten der bayesschen Statistik und des halbüberwachten maschinellen Lernens hat Professor Lessmann zusammen mit seinem Team ein System entwickelt, welches das Problem der Ablehnung von Schlussfolgerungen in der Kreditbranche löst. Es liefert deutlich bessere Risiko-Scorecards und erleichtert es den Kreditgebern, die Vorhersagekraft einer Scorecard (z. B. der PD) im Betrieb vorherzusagen. Das Projekt wurde mit einem führenden Unternehmen im Bereich der Mikrokredite durchgeführt.
E-Commerce - Gemeinsam mit WebTrekk und Uebermetrics entwickeln Lessmann und seine Arbeitsgruppe ein KI-gesteuertes Web-Controlling-System, das Zeitreihen von Web-Metriken (Seitenaufrufe, Besuche, Absprungraten, Checkouts, Verkäufe usw.) untersucht und die Ursachen für beobachtete Muster (z. B. Anomalien) identifiziert. Zu diesem Zweck integriert das System tiefgreifende Algorithmen zur Kausalerkennung, die auf verstärktem Lernen und xAI-Methoden basieren. Um den Umfang der Ursachenerklärungen zu erweitern, überwachen Lessmann und sein Team auch verschiedene Social-Media-Streams und verwenden fortschrittliche NLP-Algorithmen zur Ereigniserkennung. Durch die einzigartige Kombination dieser KI-Konzepte erhalten Web-Controller und Store-Manager erweiterte Einblicke in ihre Geschäftsabläufe.
Digitales Marketing - Professor Lessman und sein Team haben fortschrittliche kausale maschinelle Lernmodelle für das Echtzeit-Targeting von E-Coupons und anderen digitalen Marketing-Stimuli entwickelt. Die dabei entwickelte optimale (d. h. gewinnmaximierende) Methodik umfasst sowohl Einzel- als auch Mehrfachbehandlungsszenarien und nutzt herkömmliche überwachte Lernalgorithmen, um eine kosteneffektive Bereitstellung zu ermöglichen.
Professor Lessmann hat eine Reihe von Weiterbildungskursen in den Themenbereichen Kreditrisikomodellierung, Betrugserkennung, Advanced Analytics und maschinelles Lernen unterrichtet, um nur eine Auswahl zu nennen. Einige dieser Kurse werden als Teil der SAS Business Knowledge Series angeboten, sind aber auch auf den Plattformen R und Python verfügbar. Anfragen zur beruflichen Weiterentwicklung in den Bereichen seiner Expertise sind willkommen.
- Förderung durch verschiedene Stellen, u.a. DFG, DAAD, IBB (z.B. Transferbonus, ProFIT)
Prof. Dr. Alan Akbik beschäftigt sich mit Forschung im Bereich des Maschinellen Lernens (ML) und des Natural Language Processing (NLP). Sein Ziel ist es, Maschinen in die Lage zu versetzen, natürliche Sprache menschengleich zu erwerben, zu verstehen und zu verwenden.
Zu diesem Zwecke entwickelte er eines der weltweit führenden Deep-Learning-Frameworks für NLP, welches bereits in über 1.000 Forschungs- und Industrieprojekten im Einsatz ist.
http://humboldt.gmbh/forschungskooperation
Consulting in:
- Deep Learning
- Natural Language Processing (NLP)
- Maschinelles Lernen (ML)
- 3 Patente bei IBM Research
- Zalando Outstanding Achievement Award
Stiftung Wissenschaft und Politik (SWP)
großen deutschen Verwertungsgesellschaft
BibSonomy
Professor Jäschke und sein Team entwickeln und optimieren Methoden im Bereich Big Data und Maschinelles Lernen, insbesondere in den Anwendungsgebieten Natural Language Processing, Social Bookmarking und Empfehlungssysteme. Dies umfasst die Sammlung (z.B. mittels fokussiertem Crawling), Erstellung, Annotation (z.B. mittels Crowdsourcing) und Kuration geeigneter Datensätze, die Anpassung und Entwicklung entsprechender Algorithmen (z.B. Named Entity Recognition, Klassifikation, Clustering, Informatinsextraktion, etc.) bis hin zur Entwicklung von webbasierten Analyseplattformen.
Darüber hinaus nutzen sie Big-Data-Technologien wie Hadoop, HBase, Drill oder Elasticsearch fürForschung, z.B. um gecrawlte Webseiten von z.B. Universitäten im Kontext von Open Science zu analysieren.
- Hadoop-Cluster
- GPU-Rechner
- diverse Datensätze
- Workshop zur Analyse von Twitter-Daten für Stiftung Wissenschaft und Politik (SWP)
- gemeinsam mit einer großen deutschen Verwertungsgesellschaft erforschen wir die Erkennung und Zuordnung von Werken in musikalischen Aufführungen (Musikvideos)
- Entwicklung des kollaborativen Tagging-Systems BibSonomy