Motivation
Die Verarbeitung natürlicher Sprache mit Computern (englisch: Natural Language Processing, NLP) ist ein Zweig der Künstlichen Intelligenz, bei dem versucht wird, die Bedeutung aus menschlicher Sprache aus Texten zu extrahieren. Spätestens seit der Entwicklung von fortgeschrittenen Methoden des Maschinellen Lernens, insbesondere bei künstlichen neuronalen Netzwerken mit Deep-Learning Ansätzen, geht man davon aus, dass Sprache mittels eines universellen Modells beschrieben werden kann. Insbesondere nimmt man an, dass Wörter in verschiedenen semantischen Kontexten unterschiedliche Bedeutungen haben. Aber auch dieser Kontext hat nicht für alle beteiligten Personen dieselbe Bedeutung, denn die zu vermittelnde Botschaft wird immer von der Individualität des Sprechers sowie seiner Affinität zu verschiedenen soziodemographischen Gruppen beeinflusst. Folglich muss natürliche Sprache nicht nur innerhalb ihrer textuellen Erzählung interpretiert werden, sondern vor allem im breiteren Kontext dessen, wer die Sprecher sind und in welchem sozialen Umfeld sie sich befinden. Der gegenwärtige technologische Fortschritt eröffnet eine neue Chance, die jahrzehntelange Lücke zwischen dem Maschinellen Lernen und der Soziolinguistik zu überbrücken.
Ziele und Vorgehen
Das grundlegende Ziel von DynSoDA ist die Entwicklung eines komplexen KI-Systems, welches eine Brücke zwischen verschiedenen Forschungsbereichen baut. Dieses KI-System wird auf zwei grundlegenden Neuerungen basieren: Erstens werden die sozialen Repräsentationen in den Modellen des Maschinellen Lernens als zeitlich dynamisch behandelt. Dies ist wichtig, da Menschen ihre Meinungen und ihre Kontakte zu anderen Menschen ändern, und daher nicht nur der Zustand zu einem bestimmten Zeitpunkt, sondern die gesamte zeitliche Abfolge definiert, wer wir sind und wie wir uns in zukünftigen Konversationen verhalten.
Innovationen und Perspektiven
Dieser zeitliche Aspekt ist z.B. bei der Entwicklung von Empfehlungssystemen bereits selbstverständlich, wurde aber bisher im Forschungsfeld der natürlichen Sprachverarbeitung vernachlässigt. Zweitens wird der Einsatz von Techniken des Transfer-Lernens und des Multitasking-Lernens auf mehreren Abstraktionsebenen in das KI-System integriert. Dies wird er ermöglichen, robust über verschiedene NLP-Domänen und Sprachen hinweg zu arbeiten. Folglich wird das DynSoDA KI-System nicht nur auf Englisch, sondern auch auf eine Reihe weiterer europäischer Sprachen anwendbar zu sein.