TY - GEN A1 - Niemann, Uli T1 - Maschinelle Sacherschließung mit KI – die automatisierte Vergabe von Lokalnotationen für E-Books in der UB Magdeburg T2 - TK 5: Organisation, Organisationsentwicklung, Management und Services/ KI und Erschließung: Hilfe oder Sackgasse? (04.06.2024, 16:00 - 18:00, Saal C.2 / 1. OG) N2 - Die Universitätsbibliothek (UB) Magdeburg stellt Printliteratur nach einer spezifischen Lokalsystematik auf. Durch die steigende Bedeutung elektronischer Medien und der bisherigen Vergabe von Lokalnotationen ausschließlich für gedruckte Bücher ist ein zunehmender Teil des Bestands inhaltlich weniger umfassend erschlossen. Zur Lösung dieses Problems entwickeln wir derzeit ein KI-System zur automatischen Vergabe von Lokalnotationen für E-Books. Dadurch sollen Nutzende der UB die Möglichkeit erhalten, unter jeder Notation alle zugehörigen E-Books im Bestand der UB Magdeburg zu finden. Zudem streben wir an, eine umfassende Übersicht über den Bestand nach Sachgebieten – einschließlich E-Books – zu erhalten. Das KI-System nutzt Machine-Learning-Modelle, die auf manuell vergebenen Zuordnungen der Lokalnotationen für Printbücher trainiert sind. Für das Training der Modelle verwenden wir verschiedene Features, darunter (1) bereits vergebene Notationen anderer Systematiken wie Basisklassifikation und Regensburger Verbundklassifikation, (2) relevante Schlüsselwörter aus Textdokumenten wie Inhaltsverzeichnissen, Kurzzusammenfassungen und Rezensionen, sowie (3) zusätzliche Metaangaben wie Erscheinungsjahr und Textsprache. In diesem Beitrag beleuchten wir sämtliche Modellierungsschritte, von Datengewinnung und Integration verschiedener Quellen über die Textvorverarbeitung bis hin zum Training der Modelle und deren Evaluation. Wir geben Antworten auf wesentliche Fragen, die während des Prozesses aufgekommen sind: Können wir mit Dimensionsreduktionsverfahren die Effizienz der Algorithmen steigern? Inwieweit können Explainable-AI-Verfahren dazu beitragen, den Einfluss der Features auf die Modellentscheidungen zu verstehen? Und wie können wir Modellunsicherheiten visualisieren, um eine inhärente Ambiguität bei der Notationsvergabe abzubilden? Der Beitrag gewährt Einblicke in bisherige Erfahrungen und gewonnene Erkenntnisse dieses Projekts. Y1 - 2024 UR - https://opus4.kobv.de/opus4-bib-info/frontdoor/index/index/docId/19144 ER -