TY - GEN A1 - Kasprzik, Anna A1 - Fürneisen, Moritz A1 - Bartz, Christopher T1 - Aufbau eines produktiven Dienstes für die automatisierte Inhaltserschließung an der ZBW – ein Status- und Erfahrungsbericht T2 - TK 5: Content: Vom Umgang mit Inhalten und Daten / Indexieren und Sortieren (31.05.2022, 15:00 - 18:00, M3 (Messehaus)) N2 - Die ZBW – Leibniz-Informationszentrum Wirtschaft betreibt seit 2016 eigene angewandte Forschung im Bereich Machine Learning mit dem Zweck, praktikable Lösungen für eine automatisierte oder maschinengestützte Inhaltserschließung zu entwickeln. Seit 2020 wird an der ZBW eine Softwarearchitektur aufgebaut, die diese prototypischen Lösungen in einen produktiven Dienst überführt und mit den bestehenden Nachweis- und Informationssystemen verzahnt. Sowohl die angewandte Forschung als auch die für 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 für 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 tragfähigen Modells für den permanenten produktiven Betrieb des AutoSE-Dienstes, das regelmäßige Überprüfungen 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 müssen, um die darin enthaltenen Machine-Learning-Lösungen an einer Institution erfolgreich für die Inhaltserschließung einzusetzen. T2 - A productive service for automated subject indexing at ZBW KW - Machine Learning KW - Inhaltserschließung KW - Automatisierung KW - Machine Learning KW - Subject Indexing KW - Automation Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:0290-opus4-179642 ER - TY - GEN A1 - Kasprzik, Anna A1 - Fürneisen, Moritz A1 - Borst, Timo T1 - Automatisierte Sacherschließung als Produktivverfahren für wissenschaftliche Bibliotheken – Herausforderungen und Lösungsansätze – N2 - Die inhaltliche Erschließung von Textressourcen ist eine Kerntätigkeit wissenschaftlicher Bibliotheken. Angesichts einer stetig wachsenden Zahl an veröffentlichten und nicht erschlossenen wissenschaftlichen Publikationen ist es schon seit längerem nicht mehr möglich, alle Fachinformationen intellektuell zu erschließen, so dass nun insbesondere an Bibliotheken mit übergreifendem Auftrag – etwa im Verbundkontext – über das Potential verschiedener Automatisierungsmethoden nachgedacht wird. An der Teil- oder gar Vollautomatisierung ihres Erschließungsprozesses arbeitet die ZBW bereits seit der Jahrtausendwende. Zuletzt wurde an der ZBW in einem forschungsbasierten Projekt eine eigene Machine-Learning-Lösung entwickelt – die Integration dieses Prototypen in unsere produktiven Nachweis- und Informationssysteme und die entsprechende Anpassung der Datenflüsse und Workflows steht jedoch noch aus. Wir wollen in Form eines Werkstattberichts die Herausforderungen darstellen, die sich durch die Verzahnung einer etablierten intellektuellen Tätigkeit mit technologischen Neuerungen aus der Künstlichen Intelligenz ergeben, und die notwendigen Schritte skizzieren, um unsere Lösungen nachhaltig in die bibliothekarische Praxis zu übertragen. Ausgangspunkt ist die Frage, welche Eigenschaften eine geeignete Software-Architektur für eine automatisierte oder zumindest maschinell unterstützte Texterschließung erfüllen muss – hier kommen Aspekte ins Spiel wie: Auf- bzw. Ausbau der Architektur, Modularität, Testumgebungen, Nutzer- und Datenschnittstellen, Integrationspunkte mit weiteren Systemen, sowie nicht-funktionale Aspekte wie Verfügbarkeit, Ausfallsicherheit und kontinuierliche Weiterentwicklung der Machine-Learning-Komponenten sowie des gesamten Produktivsystems. Wir stellen unser Vorhaben für die nächsten zwei Jahre vor und berichten über die ersten Schritte auf dem Weg zu einem zukunftsfähigen produktiven System für die automatisierte Sacherschließung. KW - KIinBibliotheken KW - Forschungstransfer KW - ZBWAutoSE Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:0290-opus4-173944 ER -