Search (56 results, page 2 of 3)

  • × theme_ss:"Computerlinguistik"
  • × type_ss:"el"
  1. Weiß, E.-M.: ChatGPT soll es richten : Microsoft baut KI in Suchmaschine Bing ein (2023) 0.01 
    0.008931002 = product of:
  0.053586006 = sum of:
    0.011801938 = weight(_text_:und in 866) [ClassicSimilarity], result of:
      0.011801938 = score(doc=866,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24241515 = fieldWeight in 866, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=866)
    0.013028587 = weight(_text_:des in 866) [ClassicSimilarity], result of:
      0.013028587 = score(doc=866,freq=2.0), product of:
        0.06083074 = queryWeight, product of:
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.021966046 = queryNorm
        0.2141777 = fieldWeight in 866, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.0546875 = fieldNorm(doc=866)
    0.016953548 = weight(_text_:der in 866) [ClassicSimilarity], result of:
      0.016953548 = score(doc=866,freq=8.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.34551817 = fieldWeight in 866, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.0546875 = fieldNorm(doc=866)
    0.011801938 = weight(_text_:und in 866) [ClassicSimilarity], result of:
      0.011801938 = score(doc=866,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24241515 = fieldWeight in 866, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=866)
  0.16666667 = coord(4/24)
    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.
  2. RWI/PH: Auf der Suche nach dem entscheidenden Wort : die Häufung bestimmter Wörter innerhalb eines Textes macht diese zu Schlüsselwörtern (2012) 0.01 
    0.007343784 = product of:
  0.044062704 = sum of:
    0.011309972 = weight(_text_:und in 331) [ClassicSimilarity], result of:
      0.011309972 = score(doc=331,freq=20.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.23231003 = fieldWeight in 331, product of:
          4.472136 = tf(freq=20.0), with freq of:
            20.0 = termFreq=20.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0234375 = fieldNorm(doc=331)
    0.011167361 = weight(_text_:des in 331) [ClassicSimilarity], result of:
      0.011167361 = score(doc=331,freq=8.0), product of:
        0.06083074 = queryWeight, product of:
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.021966046 = queryNorm
        0.18358089 = fieldWeight in 331, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.0234375 = fieldNorm(doc=331)
    0.010275402 = weight(_text_:der in 331) [ClassicSimilarity], result of:
      0.010275402 = score(doc=331,freq=16.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.20941564 = fieldWeight in 331, product of:
          4.0 = tf(freq=16.0), with freq of:
            16.0 = termFreq=16.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.0234375 = fieldNorm(doc=331)
    0.011309972 = weight(_text_:und in 331) [ClassicSimilarity], result of:
      0.011309972 = score(doc=331,freq=20.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.23231003 = fieldWeight in 331, product of:
          4.472136 = tf(freq=20.0), with freq of:
            20.0 = termFreq=20.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0234375 = fieldNorm(doc=331)
  0.16666667 = coord(4/24)
    Abstract
    Der Mensch kann komplexe Sachverhalte in eine eindimensionale Abfolge von Buchstaben umwandeln und niederschreiben. Dabei dienen Schlüsselwörter dazu, den Inhalt des Textes zu vermitteln. Wie Buchstaben und Wörtern mit dem Thema eines Textes zusammenhängen, haben Eduardo Altmann und seine Kollegen vom Max-Planck-Institut für die Physik komplexer Systeme und der Universität Bologna mit Hilfe von statistischen Methoden untersucht. Dabei haben sie herausgefunden, dass Schlüsselwörter nicht dadurch gekennzeichnet sind, dass sie im ganzen Text besonders häufig vorkommen, sondern nur an bestimmten Stellen vermehrt zu finden sind. Außerdem gibt es Beziehungen zwischen weit entfernten Textabschnitten, in der Form, dass dieselben Wörter und Buchstaben bevorzugt verwendet werden.
    Content
    "Die Dresdner Wissenschaftler haben die semantischen Eigenschaften von Texten mathematisch untersucht, indem sie zehn verschiedene englische Texte in unterschiedlichen Formen kodierten. Dazu zählt unter anderem die englische Ausgabe von Leo Tolstois "Krieg und Frieden". Beispielsweise übersetzten die Forscher Buchstaben innerhalb eines Textes in eine Binär-Sequenz. Dazu ersetzten sie alle Vokale durch eine Eins und alle Konsonanten durch eine Null. Mit Hilfe weiterer mathematischer Funktionen beleuchteten die Wissenschaftler dabei verschiedene Ebenen des Textes, also sowohl einzelne Vokale, Buchstaben als auch ganze Wörter, die in verschiedenen Formen kodiert wurden. Innerhalb des ganzen Textes lassen sich so wiederkehrende Muster finden. Diesen Zusammenhang innerhalb des Textes bezeichnet man als Langzeitkorrelation. Diese gibt an, ob zwei Buchstaben an beliebig weit voneinander entfernten Textstellen miteinander in Verbindung stehen - beispielsweise gibt es wenn wir an einer Stelle einen Buchstaben "K" finden, eine messbare höhere Wahrscheinlichkeit den Buchstaben "K" einige Seiten später nochmal zu finden. "Es ist zu erwarten, dass wenn es in einem Buch an einer Stelle um Krieg geht, die Wahrscheinlichkeit hoch ist das Wort Krieg auch einige Seiten später zu finden. Überraschend ist es, dass wir die hohe Wahrscheinlichkeit auch auf der Buchstabenebene finden", so Altmann.
    Schlüsselwörter häufen sich in einzelnen Textpassagen Dabei haben sie die Langzeitkorrelation sowohl zwischen einzelnen Buchstaben, als auch innerhalb höherer sprachlicher Ebenen wie Wörtern gefunden. Innerhalb einzelner Ebenen bleibt die Korrelation dabei erhalten, wenn man verschiedene Texte betrachtet. "Viel interessanter ist es für uns zu überprüfen, wie die Korrelation sich zwischen den Ebenen ändert", sagt Altmann. Die Langzeitkorrelation erlaubt Rückschlüsse, inwieweit einzelne Wörter mit einem Thema in Verbindungen stehen. "Auch die Verbindung zwischen einem Wort und den Buchstaben, aus denen es sich zusammensetzt, lässt sich so analysieren", so Altmann. Darüber hinaus untersuchten die Wissenschaftler auch die sogenannte "Burstiness", die beschreibt, ob ein Zeichenmuster in einer Textpassage vermehrt zu finden ist. Sie zeigt also beispielsweise an, ob ein Wort in einem bestimmten Abschnitt gehäuft vorkommt. Je häufiger ein bestimmtes Wort in einer Passage verwendet wird, desto wahrscheinlicher ist es, dass diese repräsentativ für ein bestimmtes Thema ist. Die Wissenschaftler zeigten, dass bestimmte Wörter zwar im ganzen Text immer wieder vorkommen, aber nicht in einem bestimmten Abschnitt verstärkt zu finden sind. Diese Wörter weisen zwar eine Langzeitkorrelation auf, stehen aber nicht in einer engen Verbindung mit dem Thema. "Das beste Beispiel dafür sind Artikel. Sie kommen in jedem Text sehr oft vor, sind aber nicht entscheidend um ein bestimmtes Thema zu vermitteln", so Altmann.
    Die statistische Textanalyse funktioniert unabhängig von der Sprache Während sowohl Buchstaben als auch Wörter Langzeit-korreliert sind, kommen Buchstaben nur selten an bestimmten Stellen eines Textes gehäuft vor. "Ein Buchstabe ist eben nur sehr selten so eng mit einem Thema verknüpft wie das Wort zu dem er einen Teil beiträgt. Buchstaben sind sozusagen flexibler einsetzbar", sagt Altmann. Ein "a" beispielsweise kann zu einer ganzen Reihe von Wörtern beitragen, die nicht mit demselben Thema in Verbindung stehen. Mit Hilfe der statistischen Analyse von Texten ist es den Forschern gelungen, die prägenden Wörter eines Textes auf einfache Weise zu ermitteln. "Dabei ist es vollkommen egal, in welcher Sprache ein Text geschrieben ist. Es geht nur noch um die Geschichte und nicht um sprachspezifische Regeln", sagt Altmann. Die Ergebnisse könnten zukünftig zur Verbesserung von Internetsuchmaschinen beitragen, aber auch bei Textanalysen und der Suche nach Plagiaten helfen."
  3. Räwel, J.: Automatisierte Kommunikation (2023) 0.01 
    0.0072728237 = product of:
  0.04363694 = sum of:
    0.011921758 = weight(_text_:und in 909) [ClassicSimilarity], result of:
      0.011921758 = score(doc=909,freq=8.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24487628 = fieldWeight in 909, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0390625 = fieldNorm(doc=909)
    0.009306135 = weight(_text_:des in 909) [ClassicSimilarity], result of:
      0.009306135 = score(doc=909,freq=2.0), product of:
        0.06083074 = queryWeight, product of:
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.021966046 = queryNorm
        0.15298408 = fieldWeight in 909, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.0390625 = fieldNorm(doc=909)
    0.010487288 = weight(_text_:der in 909) [ClassicSimilarity], result of:
      0.010487288 = score(doc=909,freq=6.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.21373394 = fieldWeight in 909, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.0390625 = fieldNorm(doc=909)
    0.011921758 = weight(_text_:und in 909) [ClassicSimilarity], result of:
      0.011921758 = score(doc=909,freq=8.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24487628 = fieldWeight in 909, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0390625 = fieldNorm(doc=909)
  0.16666667 = coord(4/24)
    Abstract
    Eine kommunikationstheoretische Einordnung des Chatbots ChatGPT
    Content
    In den Sozialwissenschaften gibt es zwei fundamental unterschiedliche Auffassungen, was unter Kommunikation zu verstehen ist. Angelehnt an das Alltagsverständnis und daher auch in den Sozialwissenschaften dominant, gehen "handlungstheoretische" Vorstellungen von Kommunikation davon aus, dass diese instrumentellen Charakters ist. Es sind Menschen in ihrer physisch-psychischen Kompaktheit, die mittels Kommunikation, sei dies in mündlicher oder schriftlicher Form, Informationen austauschen. Kommunizierende werden nach dieser Vorstellung wechselseitig als Sender bzw. Empfänger von Informationen verstanden. Kommunikation dient der mehr oder minder erfolgreichen Übertragung von Informationen von Mensch zu Mensch. Davon paradigmatisch zu unterscheiden sind "systemtheoretische" Vorstellungen von Kommunikation, wie sie wesentlich von dem 1998 verstorbenen Soziologen Niklas Luhmann in Vorschlag gebracht wurden. Nach diesem Paradigma wird behauptet, dass ihr "Eigenleben" charakteristisch ist. Kommunikation zeichnet sich durch ihre rekursive Eigendynamik aus, welche die Möglichkeiten der Kommunizierenden begrenzt, diese zu steuern und zu beeinflussen. Gemäß dieser Konzeption befindet sich individuelles Bewusstseins - in ihrer je gedanklichen Eigendynamik - in der Umwelt von Kommunikationssystemen und vermag diese mittels Sprache lediglich zu irritieren, nicht aber kontrollierend zu determinieren. Dies schon deshalb nicht, weil in Kommunikationssystemen, etwa einem Gespräch als einem "Interaktionssystem", mindestens zwei bewusste Systeme mit ihrer je unterschiedlichen gedanklichen Eigendynamik beteiligt sind.
    Series
    Telepolis / Kultur und Medien
  4. Rötzer, F.: Computer ergooglen die Bedeutung von Worten (2005) 0.01 
    0.005925433 = product of:
  0.047403462 = sum of:
    0.017152421 = weight(_text_:und in 3385) [ClassicSimilarity], result of:
      0.017152421 = score(doc=3385,freq=46.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.3523156 = fieldWeight in 3385, product of:
          6.78233 = tf(freq=46.0), with freq of:
            46.0 = termFreq=46.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0234375 = fieldNorm(doc=3385)
    0.013098618 = weight(_text_:der in 3385) [ClassicSimilarity], result of:
      0.013098618 = score(doc=3385,freq=26.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.2669536 = fieldWeight in 3385, product of:
          5.0990195 = tf(freq=26.0), with freq of:
            26.0 = termFreq=26.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.0234375 = fieldNorm(doc=3385)
    0.017152421 = weight(_text_:und in 3385) [ClassicSimilarity], result of:
      0.017152421 = score(doc=3385,freq=46.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.3523156 = fieldWeight in 3385, product of:
          6.78233 = tf(freq=46.0), with freq of:
            46.0 = termFreq=46.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0234375 = fieldNorm(doc=3385)
  0.125 = coord(3/24)
    Abstract
    Holländische Wissenschaftler glauben, mit der "normalisierten Google-Distanz" von Begriffen einer Künstlichen Intelligenz die Bedeutung von Worten automatisch lehren zu können
    Content
    "Wie könnten Computer Sprache lernen und dabei auch die Bedeutung von Worten sowie die Beziehungen zwischen ihnen verstehen? Dieses Problem der Semantik stellt eine gewaltige, bislang nur ansatzweise bewältigte Aufgabe dar, da Worte und Wortverbindungen oft mehrere oder auch viele Bedeutungen haben, die zudem vom außersprachlichen Kontext abhängen. Die beiden holländischen (Ein künstliches Bewusstsein aus einfachen Aussagen (1)). Paul Vitanyi (2) und Rudi Cilibrasi vom Nationalen Institut für Mathematik und Informatik (3) in Amsterdam schlagen eine elegante Lösung vor: zum Nachschlagen im Internet, der größten Datenbank, die es gibt, wird einfach Google benutzt. Objekte wie eine Maus können mit ihren Namen "Maus" benannt werden, die Bedeutung allgemeiner Begriffe muss aus ihrem Kontext gelernt werden. Ein semantisches Web zur Repräsentation von Wissen besteht aus den möglichen Verbindungen, die Objekte und ihre Namen eingehen können. Natürlich können in der Wirklichkeit neue Namen, aber auch neue Bedeutungen und damit neue Verknüpfungen geschaffen werden. Sprache ist lebendig und flexibel. Um einer Künstlichen Intelligenz alle Wortbedeutungen beizubringen, müsste mit der Hilfe von menschlichen Experten oder auch vielen Mitarbeitern eine riesige Datenbank mit den möglichen semantischen Netzen aufgebaut und dazu noch ständig aktualisiert werden. Das aber müsste gar nicht notwendig sein, denn mit dem Web gibt es nicht nur die größte und weitgehend kostenlos benutzbare semantische Datenbank, sie wird auch ständig von zahllosen Internetnutzern aktualisiert. Zudem gibt es Suchmaschinen wie Google, die Verbindungen zwischen Worten und damit deren Bedeutungskontext in der Praxis in ihrer Wahrscheinlichkeit quantitativ mit der Angabe der Webseiten, auf denen sie gefunden wurden, messen.
    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.
    Footnote
    Artikel in der ListeTelepolis vom 27.01.2005
  5. Stieler, W.: Anzeichen von Bewusstsein bei ChatGPT und Co.? (2023) 0.01 
    0.005448866 = product of:
  0.04359093 = sum of:
    0.014454362 = weight(_text_:und in 1047) [ClassicSimilarity], result of:
      0.014454362 = score(doc=1047,freq=6.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.2968967 = fieldWeight in 1047, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=1047)
    0.014682204 = weight(_text_:der in 1047) [ClassicSimilarity], result of:
      0.014682204 = score(doc=1047,freq=6.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.29922754 = fieldWeight in 1047, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.0546875 = fieldNorm(doc=1047)
    0.014454362 = weight(_text_:und in 1047) [ClassicSimilarity], result of:
      0.014454362 = score(doc=1047,freq=6.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.2968967 = fieldWeight in 1047, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=1047)
  0.125 = coord(3/24)
    Abstract
    Ein interdisziplinäres Forschungsteam hat eine Liste von Eigenschaften aufgestellt, die auf Bewusstsein deuten, und aktuelle KI-Systeme darauf abgeklopft. Ein interdisziplinäres Forscherteam hat ein Paper [https://arxiv.org/abs/2308.08708] veröffentlicht, das eine Liste von 14 "Indikatoren" für Bewusstsein enthält, die aus sechs aktuellen Theorien über das Bewusstsein stammen. Aktuelle KI-Modelle wie GPT-3, Palm-E oder AdA von Deepmind weisen demnach einzelne dieser Indikatoren auf. "Es spricht viel dafür, dass die meisten oder alle Bedingungen für das Bewusstsein, die von derzeitigen Theorien vorgeschlagenen Bedingungen für das Bewusstsein mit den bestehenden Techniken der KI erfüllt werden können", schreiben die Autoren. Zum Team gehörte auch der Deep-Learning-Pionier Yoshua Bengio von der Université de Montréal.
    Source
    https://www.heise.de/hintergrund/Anzeichen-von-Bewusstsein-bei-ChatGPT-und-Co-9295425.html?view=print
  6. Lutz-Westphal, B.: ChatGPT und der "Faktor Mensch" im schulischen Mathematikunterricht (2023) 0.01 
    0.005121148 = product of:
  0.040969186 = sum of:
    0.011921758 = weight(_text_:und in 930) [ClassicSimilarity], result of:
      0.011921758 = score(doc=930,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24487628 = fieldWeight in 930, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=930)
    0.01712567 = weight(_text_:der in 930) [ClassicSimilarity], result of:
      0.01712567 = score(doc=930,freq=4.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.34902605 = fieldWeight in 930, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.078125 = fieldNorm(doc=930)
    0.011921758 = weight(_text_:und in 930) [ClassicSimilarity], result of:
      0.011921758 = score(doc=930,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24487628 = fieldWeight in 930, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=930)
  0.125 = coord(3/24)
    Source
    Mitteilungen der Deutschen Mathematiker-Vereinigung. 2023, H.1, S.19-21
  7. Rieger, F.: Lügende Computer (2023) 0.00 
    0.00486003 = product of:
  0.03888024 = sum of:
    0.013487929 = weight(_text_:und in 912) [ClassicSimilarity], result of:
      0.013487929 = score(doc=912,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.27704588 = fieldWeight in 912, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=912)
    0.013487929 = weight(_text_:und in 912) [ClassicSimilarity], result of:
      0.013487929 = score(doc=912,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.27704588 = fieldWeight in 912, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=912)
    0.011904384 = product of:
      0.023808768 = sum of:
        0.023808768 = weight(_text_:22 in 912) [ClassicSimilarity], result of:
          0.023808768 = score(doc=912,freq=2.0), product of:
            0.07692135 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.021966046 = 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)
  0.125 = coord(3/24)
    Abstract
    Wir leben gerade in einem kritischen Übergangs-Zeitalter zwischen Computern, auf die man sich halbwegs verlassen kann und den neuen "AI"-Systemen, die driften, halluzinieren, lügen und fabulieren können. Schon heute ist die Komplexität moderner Softwaresysteme so hoch, dass es kühn wäre, von striktem Determinismus zu sprechen, jedoch sind auch komplexe Algorithmen darauf angelegt, bei gleichen Eingabedaten gleiche Ergebnisse zu produzieren. Eine Ausnahme sind heute schon Algorithmen, die Zufallszahlen als Teil ihrer Eingabeparameter beinhalten oder neuronale Netze.
    Date
    16. 3.2023 19:22:55
  8. Bischoff, M.: Wie eine KI lernt, sich selbst zu erklären (2023) 0.00 
    0.00458295 = product of:
  0.0366636 = sum of:
    0.013487929 = weight(_text_:und in 956) [ClassicSimilarity], result of:
      0.013487929 = score(doc=956,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.27704588 = fieldWeight in 956, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=956)
    0.009687742 = weight(_text_:der in 956) [ClassicSimilarity], result of:
      0.009687742 = score(doc=956,freq=2.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.19743896 = fieldWeight in 956, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.0625 = fieldNorm(doc=956)
    0.013487929 = weight(_text_:und in 956) [ClassicSimilarity], result of:
      0.013487929 = score(doc=956,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.27704588 = fieldWeight in 956, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=956)
  0.125 = coord(3/24)
    Abstract
    Große Sprachmodelle wie ChatGPT und Co. neigen dazu, Dinge zu erfinden. Durch einen neuen Ansatz können die Systeme ihre Antworten nun erklären - zumindest teilweise. Vorstellung von Modulen (Luminous, AtMan), die die Zusammenstellung der Aussagen in den Antworten analysieren und erklären.
  9. Leighton, T.: ChatGPT und Künstliche Intelligenz : Utopie oder Dystopie? (2023) 0.00 
    0.004442977 = product of:
  0.053315718 = sum of:
    0.026657859 = weight(_text_:und in 908) [ClassicSimilarity], result of:
      0.026657859 = score(doc=908,freq=10.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.54756 = fieldWeight in 908, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=908)
    0.026657859 = weight(_text_:und in 908) [ClassicSimilarity], result of:
      0.026657859 = score(doc=908,freq=10.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.54756 = fieldWeight in 908, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=908)
  0.083333336 = coord(2/24)
    Abstract
    Das Tool wird immer ausgefeilter; es erstellt Software und erfindet die unglaublichsten Fiktionen. Wie "klug" ist es? Wie sieht es mit den Ängsten aus? Und mit Moral?
    Series
    Telepolis / Kultur und Medien
    Source
    https://www.heise.de/tp/features/ChatGPT-und-Kuenstliche-Intelligenz-Utopie-oder-Dystopie-7445181.html?view=print
  10. Kurz, C.: Womit sich Strafverfolger bald befassen müssen : ChatGPT (2023) 0.00 
    0.0042455783 = product of:
  0.033964626 = sum of:
    0.009537406 = weight(_text_:und in 203) [ClassicSimilarity], result of:
      0.009537406 = score(doc=203,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.19590102 = fieldWeight in 203, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=203)
    0.014889815 = weight(_text_:des in 203) [ClassicSimilarity], result of:
      0.014889815 = score(doc=203,freq=2.0), product of:
        0.06083074 = queryWeight, product of:
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.021966046 = queryNorm
        0.24477452 = fieldWeight in 203, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.7693076 = idf(docFreq=7536, maxDocs=44218)
          0.0625 = fieldNorm(doc=203)
    0.009537406 = weight(_text_:und in 203) [ClassicSimilarity], result of:
      0.009537406 = score(doc=203,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.19590102 = fieldWeight in 203, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=203)
  0.125 = coord(3/24)
    Abstract
    Ein Europol-Bericht widmet sich den Folgen von ChatGPT, wenn Kriminelle die Fähigkeiten des Chatbots für sich ausnutzen: Es drohe vermehrt Phishing und noch mehr Desinformation. Ein Problem für die Strafverfolgung könne auch automatisiert erzeugter bösartiger Quellcode sein.
  11. Bager, J.: ¬Die Text-KI ChatGPT schreibt Fachtexte, Prosa, Gedichte und Programmcode (2023) 0.00 
    0.0038723997 = product of:
  0.030979197 = sum of:
    0.009537406 = weight(_text_:und in 835) [ClassicSimilarity], result of:
      0.009537406 = score(doc=835,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.19590102 = fieldWeight in 835, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=835)
    0.009537406 = weight(_text_:und in 835) [ClassicSimilarity], result of:
      0.009537406 = score(doc=835,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.19590102 = fieldWeight in 835, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=835)
    0.011904384 = product of:
      0.023808768 = sum of:
        0.023808768 = weight(_text_:22 in 835) [ClassicSimilarity], result of:
          0.023808768 = score(doc=835,freq=2.0), product of:
            0.07692135 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.021966046 = 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)
  0.125 = coord(3/24)
    Date
    29.12.2022 18:22:55
  12. Voss, O.: Übersetzer überflüssig? : Sprachsoftware DeepL und Acrolinx (2019) 0.00 
    0.0033719824 = product of:
  0.040463787 = sum of:
    0.020231893 = weight(_text_:und in 4981) [ClassicSimilarity], result of:
      0.020231893 = score(doc=4981,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.41556883 = fieldWeight in 4981, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.09375 = fieldNorm(doc=4981)
    0.020231893 = weight(_text_:und in 4981) [ClassicSimilarity], result of:
      0.020231893 = score(doc=4981,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.41556883 = fieldWeight in 4981, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.09375 = fieldNorm(doc=4981)
  0.083333336 = coord(2/24)
    Source
    https://www.tagesspiegel.de/wirtschaft/sprachsoftware-deepl-und-acrolinx-uebersetzer-ueberfluessig/23884348.html
  13. Barthel, J.; Ciesielski, R.: Regeln zu ChatGPT an Unis oft unklar : KI in der Bildung (2023) 0.00 
    0.0031764486 = product of:
  0.038117383 = sum of:
    0.012109677 = weight(_text_:der in 925) [ClassicSimilarity], result of:
      0.012109677 = score(doc=925,freq=2.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.2467987 = fieldWeight in 925, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.078125 = fieldNorm(doc=925)
    0.026007704 = product of:
      0.05201541 = sum of:
        0.05201541 = weight(_text_:29 in 925) [ClassicSimilarity], result of:
          0.05201541 = score(doc=925,freq=6.0), product of:
            0.07726968 = queryWeight, product of:
              3.5176873 = idf(docFreq=3565, maxDocs=44218)
              0.021966046 = queryNorm
            0.6731671 = fieldWeight in 925, product of:
              2.4494898 = tf(freq=6.0), with freq of:
                6.0 = termFreq=6.0
              3.5176873 = idf(docFreq=3565, maxDocs=44218)
              0.078125 = fieldNorm(doc=925)
      0.5 = coord(1/2)
  0.083333336 = coord(2/24)
    Date
    29. 3.2023 13:23:26
    29. 3.2023 13:29:19
  14. Sebastiani, F.: ¬A tutorial an automated text categorisation (1999) 0.00 
    0.0030688148 = product of:
  0.07365155 = sum of:
    0.07365155 = weight(_text_:1960 in 3390) [ClassicSimilarity], result of:
      0.07365155 = score(doc=3390,freq=2.0), product of:
        0.15622076 = queryWeight, product of:
          7.11192 = idf(docFreq=97, maxDocs=44218)
          0.021966046 = queryNorm
        0.47145814 = fieldWeight in 3390, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          7.11192 = idf(docFreq=97, maxDocs=44218)
          0.046875 = fieldNorm(doc=3390)
  0.041666668 = coord(1/24)
    Abstract
    The automated categorisation (or classification) of texts into topical categories has a long history, dating back at least to 1960. Until the late '80s, the dominant approach to the problem involved knowledge-engineering automatic categorisers, i.e. manually building a set of rules encoding expert knowledge an how to classify documents. In the '90s, with the booming production and availability of on-line documents, automated text categorisation has witnessed an increased and renewed interest. A newer paradigm based an machine learning has superseded the previous approach. Within this paradigm, a general inductive process automatically builds a classifier by "learning", from a set of previously classified documents, the characteristics of one or more categories; the advantages are a very good effectiveness, a considerable savings in terms of expert manpower, and domain independence. In this tutorial we look at the main approaches that have been taken towards automatic text categorisation within the general machine learning paradigm. Issues of document indexing, classifier construction, and classifier evaluation, will be touched upon.
  15. Scobel, G.: GPT: Eine Software, die die Welt verändert (2023) 0.00 
    0.0028099853 = product of:
  0.033719823 = sum of:
    0.016859911 = weight(_text_:und in 839) [ClassicSimilarity], result of:
      0.016859911 = score(doc=839,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.34630734 = fieldWeight in 839, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=839)
    0.016859911 = weight(_text_:und in 839) [ClassicSimilarity], result of:
      0.016859911 = score(doc=839,freq=4.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.34630734 = fieldWeight in 839, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=839)
  0.083333336 = coord(2/24)
    Abstract
    GPT-3 ist eine jener Entwicklungen, die binnen weniger Monate an Einfluss und Reichweite zulegen. Die Software wird sich massiv auf Ökonomie und Gesellschaft auswirken.
  16. Boleda, G.; Evert, S.: Multiword expressions : a pain in the neck of lexical semantics (2009) 0.00 
    0.0026990157 = product of:
  0.032388188 = sum of:
    0.014531613 = weight(_text_:der in 4888) [ClassicSimilarity], result of:
      0.014531613 = score(doc=4888,freq=2.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.29615843 = fieldWeight in 4888, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.09375 = fieldNorm(doc=4888)
    0.017856576 = product of:
      0.03571315 = sum of:
        0.03571315 = weight(_text_:22 in 4888) [ClassicSimilarity], result of:
          0.03571315 = score(doc=4888,freq=2.0), product of:
            0.07692135 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.021966046 = queryNorm
            0.46428138 = fieldWeight in 4888, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.09375 = fieldNorm(doc=4888)
      0.5 = coord(1/2)
  0.083333336 = coord(2/24)
    Abstract
    Mit einem Überblick über: Probleme, Methoden, Stand der Forschung u. Literatur.
    Date
    1. 3.2013 14:56:22
  17. Snajder, J.: Distributional semantics of multi-word expressions (2013) 0.00 
    0.0021228136 = product of:
  0.025473762 = sum of:
    0.010458209 = product of:
      0.031374626 = sum of:
        0.031374626 = weight(_text_:p in 2868) [ClassicSimilarity], result of:
          0.031374626 = score(doc=2868,freq=2.0), product of:
            0.078979194 = queryWeight, product of:
              3.5955126 = idf(docFreq=3298, maxDocs=44218)
              0.021966046 = queryNorm
            0.39725178 = fieldWeight in 2868, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5955126 = idf(docFreq=3298, maxDocs=44218)
              0.078125 = fieldNorm(doc=2868)
      0.33333334 = coord(1/3)
    0.015015555 = product of:
      0.03003111 = sum of:
        0.03003111 = weight(_text_:29 in 2868) [ClassicSimilarity], result of:
          0.03003111 = score(doc=2868,freq=2.0), product of:
            0.07726968 = queryWeight, product of:
              3.5176873 = idf(docFreq=3565, maxDocs=44218)
              0.021966046 = queryNorm
            0.38865322 = fieldWeight in 2868, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5176873 = idf(docFreq=3565, maxDocs=44218)
              0.078125 = fieldNorm(doc=2868)
      0.5 = coord(1/2)
  0.083333336 = coord(2/24)
    Content
    Folien einer Präsentation anlässlich COST Action IC1207 PARSEME Meeting, Warsaw, September 16, 2013. Vgl. den Beitrag: Snajder, J., P. Almic: Modeling semantic compositionality of Croatian multiword expressions. In: Informatica. 39(2015) H.3, S.301-309.
    Date
    29. 4.2016 12:04:50
  18. Dampz, N.: ChatGPT interpretiert jetzt auch Bilder : Neue Version (2023) 0.00 
    0.0019869597 = product of:
  0.023843516 = sum of:
    0.011921758 = weight(_text_:und in 874) [ClassicSimilarity], result of:
      0.011921758 = score(doc=874,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24487628 = fieldWeight in 874, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=874)
    0.011921758 = weight(_text_:und in 874) [ClassicSimilarity], result of:
      0.011921758 = score(doc=874,freq=2.0), product of:
        0.04868482 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.021966046 = queryNorm
        0.24487628 = fieldWeight in 874, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=874)
  0.083333336 = coord(2/24)
    Abstract
    Das kalifornische Unternehmen Open AI hat eine neue Version ihres Chatbots ChatGPT vorgestellt. Auffallendste Neuerung: Die Software, die mit Künstlicher Intelligenz funktioniert und bisher auf Text ausgerichtet war, interpretiert nun auch Bilder.
  19. Snajder, J.; Almic, P.: Modeling semantic compositionality of Croatian multiword expressions (2015) 0.00 
    0.0012736882 = product of:
  0.015284257 = sum of:
    0.006274925 = product of:
      0.018824775 = sum of:
        0.018824775 = weight(_text_:p in 2920) [ClassicSimilarity], result of:
          0.018824775 = score(doc=2920,freq=2.0), product of:
            0.078979194 = queryWeight, product of:
              3.5955126 = idf(docFreq=3298, maxDocs=44218)
              0.021966046 = queryNorm
            0.23835106 = fieldWeight in 2920, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5955126 = idf(docFreq=3298, maxDocs=44218)
              0.046875 = fieldNorm(doc=2920)
      0.33333334 = coord(1/3)
    0.009009332 = product of:
      0.018018665 = sum of:
        0.018018665 = weight(_text_:29 in 2920) [ClassicSimilarity], result of:
          0.018018665 = score(doc=2920,freq=2.0), product of:
            0.07726968 = queryWeight, product of:
              3.5176873 = idf(docFreq=3565, maxDocs=44218)
              0.021966046 = queryNorm
            0.23319192 = fieldWeight in 2920, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5176873 = idf(docFreq=3565, maxDocs=44218)
              0.046875 = fieldNorm(doc=2920)
      0.5 = coord(1/2)
  0.083333336 = coord(2/24)
    Date
    29. 4.2016 12:42:17
  20. Simanowski, R.: Wenn die Dinge anfangen zu sprechen : Chatbot LaMDA von Google (2022) 0.00 
    7.135696E-4 = product of:
  0.01712567 = sum of:
    0.01712567 = weight(_text_:der in 864) [ClassicSimilarity], result of:
      0.01712567 = score(doc=864,freq=4.0), product of:
        0.049067024 = queryWeight, product of:
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.021966046 = queryNorm
        0.34902605 = fieldWeight in 864, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.2337668 = idf(docFreq=12875, maxDocs=44218)
          0.078125 = fieldNorm(doc=864)
  0.041666668 = coord(1/24)
    Abstract
    Dialoge sind in. Dieser Trend hat mit dem Chatbot LaMDA auch Google erreicht. Die Zukunft der Suchanfrage ist das Gespräch, das Gespräch mit dem Objekt der Neugier. Ob das wirklich eine gute Idee ist, fragt sich Medienphilosoph Roberto Simanowski.

Authors

Years

Languages

  • d 38
  • e 18

Types

  • a 30
  • p 5
  • m 1
  • x 1
  • More… Less…

Themes