@misc{KasprzikFuerneisenBartz2022, author = {Kasprzik, Anna and F{\"u}rneisen, Moritz and Bartz, Christopher}, title = {Aufbau eines produktiven Dienstes f{\"u}r die automatisierte Inhaltserschließung an der ZBW - ein Status- und Erfahrungsbericht}, series = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Indexieren und Sortieren (31.05.2022, 15:00 - 18:00, M3 (Messehaus))}, journal = {TK 5: Content: Vom Umgang mit Inhalten und Daten / Indexieren und Sortieren (31.05.2022, 15:00 - 18:00, M3 (Messehaus))}, url = {http://nbn-resolving.de/urn:nbn:de:0290-opus4-179642}, year = {2022}, abstract = {Die ZBW - Leibniz-Informationszentrum Wirtschaft betreibt seit 2016 eigene angewandte Forschung im Bereich Machine Learning mit dem Zweck, praktikable L{\"o}sungen f{\"u}r eine automatisierte oder maschinengest{\"u}tzte Inhaltserschließung zu entwickeln. Seit 2020 wird an der ZBW eine Softwarearchitektur aufgebaut, die diese prototypischen L{\"o}sungen in einen produktiven Dienst {\"u}berf{\"u}hrt und mit den bestehenden Nachweis- und Informationssystemen verzahnt. Sowohl die angewandte Forschung als auch die f{\"u}r dieses Vorhaben ("AutoSE") notwendige Softwareentwicklung sind direkt im Bibliotheksbereich der ZBW angesiedelt, werden kontinuierlich anhand des State of the Art vorangetrieben und profitieren von einem engen Austausch mit den Verantwortlichen f{\"u}r die intellektuelle Inhaltserschließung. In diesem Vortrag berichtet das AutoSE-Team, wie weit wir in zwei Jahren mit dem Aufbau und der Integration der Softwarearchitektur gekommen sind. Wir stellen die erreichten Meilensteine vor und geben Erfahrungswerte weiter, die wir auf dem Weg dahin mitgenommen haben. Eines der Ergebnisse, das bis zum Ende der Pilotphase 2023 vorliegen soll, ist die Beschreibung eines tragf{\"a}higen Modells f{\"u}r den permanenten produktiven Betrieb des AutoSE-Dienstes, das regelm{\"a}ßige {\"U}berpr{\"u}fungen sowohl einzelner Komponenten als auch des Produktionsworkflows als Ganzes vorsieht und eine fortlaufende Weiterentwicklung der Architektur erlaubt. Die Architektur basiert auf Open-Source-Software und die eingesetzten Machine-Learning-Komponenten werden in einer internationalen Zusammenarbeit mit der Finnischen Nationalbibliothek (NLF) weiterentwickelt und zur Nachnutzung in dem von der NLF entwickelten Werkzeugkasten Annif aufbereitet. NLF und ZBW haben bereits mehrere Tutorials zu Annif abgehalten: https://github.com/NatLibFi/Annif-tutorial. Wir diskutieren, welche Bedingungen gegeben sein m{\"u}ssen, um die darin enthaltenen Machine-Learning-L{\"o}sungen an einer Institution erfolgreich f{\"u}r die Inhaltserschließung einzusetzen.}, language = {de} }