-
Lezius, W.: Morphy - Morphologie und Tagging für das Deutsche (2013)
0.01
0.0068306234 = product of:
0.027322493 = sum of:
0.027322493 = product of:
0.054644987 = sum of:
0.054644987 = weight(_text_:22 in 1490) [ClassicSimilarity], result of:
0.054644987 = score(doc=1490,freq=2.0), product of:
0.17654699 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.050415643 = queryNorm
0.30952093 = fieldWeight in 1490, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1490)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 22. 3.2015 9:30:24
-
Bager, J.: ¬Die Text-KI ChatGPT schreibt Fachtexte, Prosa, Gedichte und Programmcode (2023)
0.01
0.0068306234 = product of:
0.027322493 = sum of:
0.027322493 = product of:
0.054644987 = sum of:
0.054644987 = weight(_text_:22 in 835) [ClassicSimilarity], result of:
0.054644987 = score(doc=835,freq=2.0), product of:
0.17654699 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.050415643 = queryNorm
0.30952093 = fieldWeight in 835, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=835)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 29.12.2022 18:22:55
-
Rieger, F.: Lügende Computer (2023)
0.01
0.0068306234 = product of:
0.027322493 = sum of:
0.027322493 = product of:
0.054644987 = sum of:
0.054644987 = weight(_text_:22 in 912) [ClassicSimilarity], result of:
0.054644987 = score(doc=912,freq=2.0), product of:
0.17654699 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.050415643 = queryNorm
0.30952093 = fieldWeight in 912, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=912)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 16. 3.2023 19:22:55
-
Rötzer, F.: KI-Programm besser als Menschen im Verständnis natürlicher Sprache (2018)
0.00
0.0034153117 = product of:
0.013661247 = sum of:
0.013661247 = product of:
0.027322493 = sum of:
0.027322493 = weight(_text_:22 in 4217) [ClassicSimilarity], result of:
0.027322493 = score(doc=4217,freq=2.0), product of:
0.17654699 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.050415643 = queryNorm
0.15476047 = fieldWeight in 4217, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=4217)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 22. 1.2018 11:32:44
-
Weiß, E.-M.: ChatGPT soll es richten : Microsoft baut KI in Suchmaschine Bing ein (2023)
0.00
0.0030039945 = product of:
0.012015978 = sum of:
0.012015978 = weight(_text_:information in 866) [ClassicSimilarity], result of:
0.012015978 = score(doc=866,freq=2.0), product of:
0.08850355 = queryWeight, product of:
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.050415643 = queryNorm
0.13576832 = fieldWeight in 866, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.0546875 = fieldNorm(doc=866)
0.25 = coord(1/4)
- Abstract
- ChatGPT, die künstliche Intelligenz der Stunde, ist von OpenAI entwickelt worden. Und OpenAI ist in der Vergangenheit nicht unerheblich von Microsoft unterstützt worden. Nun geht es ums Profitieren: Die KI soll in die Suchmaschine Bing eingebaut werden, was eine direkte Konkurrenz zu Googles Suchalgorithmen und Intelligenzen bedeutet. Bing war da bislang nicht sonderlich erfolgreich. Wie "The Information" mit Verweis auf zwei Insider berichtet, plant Microsoft, ChatGPT in seine Suchmaschine Bing einzubauen. Bereits im März könnte die neue, intelligente Suche verfügbar sein. Microsoft hatte zuvor auf der hauseigenen Messe Ignite zunächst die Integration des Bildgenerators DALL·E 2 in seine Suchmaschine angekündigt - ohne konkretes Startdatum jedoch. Fragt man ChatGPT selbst, bestätigt der Chatbot seine künftige Aufgabe noch nicht. Weiß aber um potentielle Vorteile.
-
Altmann, E.G.; Cristadoro, G.; Esposti, M.D.: On the origin of long-range correlations in texts (2012)
0.00
0.0025748524 = product of:
0.01029941 = sum of:
0.01029941 = weight(_text_:information in 330) [ClassicSimilarity], result of:
0.01029941 = score(doc=330,freq=2.0), product of:
0.08850355 = queryWeight, product of:
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.050415643 = queryNorm
0.116372846 = fieldWeight in 330, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.046875 = fieldNorm(doc=330)
0.25 = coord(1/4)
- Abstract
- The complexity of human interactions with social and natural phenomena is mirrored in the way we describe our experiences through natural language. In order to retain and convey such a high dimensional information, the statistical properties of our linguistic output has to be highly correlated in time. An example are the robust observations, still largely not understood, of correlations on arbitrary long scales in literary texts. In this paper we explain how long-range correlations flow from highly structured linguistic levels down to the building blocks of a text (words, letters, etc..). By combining calculations and data analysis we show that correlations take form of a bursty sequence of events once we approach the semantically relevant topics of the text. The mechanisms we identify are fairly general and can be equally applied to other hierarchical settings.
-
Giesselbach, S.; Estler-Ziegler, T.: Dokumente schneller analysieren mit Künstlicher Intelligenz (2021)
0.00
0.0021457102 = product of:
0.008582841 = sum of:
0.008582841 = weight(_text_:information in 128) [ClassicSimilarity], result of:
0.008582841 = score(doc=128,freq=2.0), product of:
0.08850355 = queryWeight, product of:
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.050415643 = queryNorm
0.09697737 = fieldWeight in 128, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.0390625 = fieldNorm(doc=128)
0.25 = coord(1/4)
- Footnote
- Vortrag im Rahmen des Berliner Arbeitskreis Information (BAK) am 25.02.2021.
-
Rötzer, F.: Computer ergooglen die Bedeutung von Worten (2005)
0.00
0.0018206956 = product of:
0.0072827823 = sum of:
0.0072827823 = weight(_text_:information in 3385) [ClassicSimilarity], result of:
0.0072827823 = score(doc=3385,freq=4.0), product of:
0.08850355 = queryWeight, product of:
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.050415643 = queryNorm
0.08228803 = fieldWeight in 3385, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.0234375 = fieldNorm(doc=3385)
0.25 = coord(1/4)
- Content
- Mit einem bereits zuvor von Paul Vitanyi und anderen entwickeltem Verfahren, das den Zusammenhang von Objekten misst (normalized information distance - NID ), kann die Nähe zwischen bestimmten Objekten (Bilder, Worte, Muster, Intervalle, Genome, Programme etc.) anhand aller Eigenschaften analysiert und aufgrund der dominanten gemeinsamen Eigenschaft bestimmt werden. Ähnlich können auch die allgemein verwendeten, nicht unbedingt "wahren" Bedeutungen von Namen mit der Google-Suche erschlossen werden. 'At this moment one database stands out as the pinnacle of computer-accessible human knowledge and the most inclusive summary of statistical information: the Google search engine. There can be no doubt that Google has already enabled science to accelerate tremendously and revolutionized the research process. It has dominated the attention of internet users for years, and has recently attracted substantial attention of many Wall Street investors, even reshaping their ideas of company financing.' (Paul Vitanyi und Rudi Cilibrasi) Gibt man ein Wort ein wie beispielsweise "Pferd", erhält man bei Google 4.310.000 indexierte Seiten. Für "Reiter" sind es 3.400.000 Seiten. Kombiniert man beide Begriffe, werden noch 315.000 Seiten erfasst. Für das gemeinsame Auftreten beispielsweise von "Pferd" und "Bart" werden zwar noch immer erstaunliche 67.100 Seiten aufgeführt, aber man sieht schon, dass "Pferd" und "Reiter" enger zusammen hängen. Daraus ergibt sich eine bestimmte Wahrscheinlichkeit für das gemeinsame Auftreten von Begriffen. Aus dieser Häufigkeit, die sich im Vergleich mit der maximalen Menge (5.000.000.000) an indexierten Seiten ergibt, haben die beiden Wissenschaftler eine statistische Größe entwickelt, die sie "normalised Google distance" (NGD) nennen und die normalerweise zwischen 0 und 1 liegt. Je geringer NGD ist, desto enger hängen zwei Begriffe zusammen. "Das ist eine automatische Bedeutungsgenerierung", sagt Vitanyi gegenüber dern New Scientist (4). "Das könnte gut eine Möglichkeit darstellen, einen Computer Dinge verstehen und halbintelligent handeln zu lassen." Werden solche Suchen immer wieder durchgeführt, lässt sich eine Karte für die Verbindungen von Worten erstellen. Und aus dieser Karte wiederum kann ein Computer, so die Hoffnung, auch die Bedeutung der einzelnen Worte in unterschiedlichen natürlichen Sprachen und Kontexten erfassen. So habe man über einige Suchen realisiert, dass ein Computer zwischen Farben und Zahlen unterscheiden, holländische Maler aus dem 17. Jahrhundert und Notfälle sowie Fast-Notfälle auseinander halten oder elektrische oder religiöse Begriffe verstehen könne. Überdies habe eine einfache automatische Übersetzung Englisch-Spanisch bewerkstelligt werden können. Auf diese Weise ließe sich auch, so hoffen die Wissenschaftler, die Bedeutung von Worten erlernen, könne man Spracherkennung verbessern oder ein semantisches Web erstellen und natürlich endlich eine bessere automatische Übersetzung von einer Sprache in die andere realisieren.
-
Menge-Sonnentag, R.: Google veröffentlicht einen Parser für natürliche Sprache (2016)
0.00
0.0017165683 = product of:
0.006866273 = sum of:
0.006866273 = weight(_text_:information in 2941) [ClassicSimilarity], result of:
0.006866273 = score(doc=2941,freq=2.0), product of:
0.08850355 = queryWeight, product of:
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.050415643 = queryNorm
0.0775819 = fieldWeight in 2941, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.03125 = fieldNorm(doc=2941)
0.25 = coord(1/4)
- Footnote
- Download unter: https://github.com/tensorflow/models/tree/master/syntaxnet. Dort befinden sich auch weitere Information zu dem Modell sowie Vergleichszahlen zur Erkennungsrate.
-
Artemenko, O.; Shramko, M.: Entwicklung eines Werkzeugs zur Sprachidentifikation in mono- und multilingualen Texten (2005)
0.00
0.0015019972 = product of:
0.006007989 = sum of:
0.006007989 = weight(_text_:information in 572) [ClassicSimilarity], result of:
0.006007989 = score(doc=572,freq=2.0), product of:
0.08850355 = queryWeight, product of:
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.050415643 = queryNorm
0.06788416 = fieldWeight in 572, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
1.7554779 = idf(docFreq=20772, maxDocs=44218)
0.02734375 = fieldNorm(doc=572)
0.25 = coord(1/4)
- Abstract
- Mit der Verbreitung des Internets vermehrt sich die Menge der im World Wide Web verfügbaren Dokumente. Die Gewährleistung eines effizienten Zugangs zu gewünschten Informationen für die Internetbenutzer wird zu einer großen Herausforderung an die moderne Informationsgesellschaft. Eine Vielzahl von Werkzeugen wird bereits eingesetzt, um den Nutzern die Orientierung in der wachsenden Informationsflut zu erleichtern. Allerdings stellt die enorme Menge an unstrukturierten und verteilten Informationen nicht die einzige Schwierigkeit dar, die bei der Entwicklung von Werkzeugen dieser Art zu bewältigen ist. Die zunehmende Vielsprachigkeit von Web-Inhalten resultiert in dem Bedarf an Sprachidentifikations-Software, die Sprache/en von elektronischen Dokumenten zwecks gezielter Weiterverarbeitung identifiziert. Solche Sprachidentifizierer können beispielsweise effektiv im Bereich des Multilingualen Information Retrieval eingesetzt werden, da auf den Sprachidentifikationsergebnissen Prozesse der automatischen Indexbildung wie Stemming, Stoppwörterextraktion etc. aufbauen. In der vorliegenden Arbeit wird das neue System "LangIdent" zur Sprachidentifikation von elektronischen Textdokumenten vorgestellt, das in erster Linie für Lehre und Forschung an der Universität Hildesheim verwendet werden soll. "LangIdent" enthält eine Auswahl von gängigen Algorithmen zu der monolingualen Sprachidentifikation, die durch den Benutzer interaktiv ausgewählt und eingestellt werden können. Zusätzlich wurde im System ein neuer Algorithmus implementiert, der die Identifikation von Sprachen, in denen ein multilinguales Dokument verfasst ist, ermöglicht. Die Identifikation beschränkt sich nicht nur auf eine Aufzählung von gefundenen Sprachen, vielmehr wird der Text in monolinguale Abschnitte aufgeteilt, jeweils mit der Angabe der identifizierten Sprache.
